On September 18, I wrote:<br><br>  I'm having a conversation with a teacher looking for a CL project for<br>  a senior in high school.  Does anyone have experience with projects<br>  that would be suitable for a student at that level?  ("At that level"

<br>  is pretty vague, but I think one could assume beginner-to-moderate<br>  programming skill, a good level of energy and incentive, no specific<br>  prior background at all in computational linguistics, and no LDC<br>  membership.)

<br><br>The response has been wonderful.  (Ok, it wasn't 25 people, but it<br>felt that way!)  MANY thanks to:<br><br>  Khurshid Ahmad, Steven Bird, Alex Boulton, Eugene Charniak, Robert<br>  Dale, Steve Finch, Roeland Hancock, Rob Malouf, Chris Manning, Paul

<br>  Johnston, Amruta Purandare, Raf Salkie, Diarmuid Ó Séaghdha, Harold<br>  Somers, Amanda Stent, Eric Yeh<br><br>I *think* that covers everybody; apologies if any messages slipped<br>through the cracks.<br><br>Below I'm going to try to summarize the replies within some useful

<br>categories.<br><br>Cheers,<br><br>  Philip<br><br>----------------<br><br><br>Existing learning/teaching materials and references<br><br>- NLTK (<a href="http://nltk.sourceforge.net">nltk.sourceforge.net</a>). Good source of code and project

<br>  ideas, and it's also got a very nice collection of pre-processed<br>  corpus materials, including a sampler of some of the LDC's greatest<br>  hits.  See especially:<br>    o Nitin Madnani, Getting Started on Natural Language Processing with

<br>      Python, ACM Crossroads Xrds13-4,<br>      <a href="http://www.acm.org/crossroads/xrds13-4/natural_language.html">http://www.acm.org/crossroads/xrds13-4/natural_language.html</a>.<br>    o Electronic Grammar modules (used with high school students):

<br>      writing programs to solve practical problems with words, texts<br>      and grammar. <a href="http://nltk.org/index.php/Electronic_Grammar">http://nltk.org/index.php/Electronic_Grammar</a>.<br>    o The NLTK book, 

<a href="http://nltk.org/index.php/Book">http://nltk.org/index.php/Book</a>, which includes over       200 graded exercises along with introductions to programming and       NLP, some of which should be accessible to high school students.

<br><br>- The Computational Linguistics Olympiad<br>  <a href="http://namclo.linguistlist.org/">http://namclo.linguistlist.org/</a>, in particular the sample problems,<br>  <a href="http://namclo.linguistlist.org/problems.cfm">

http://namclo.linguistlist.org/problems.cfm</a><br><br>- CSLU Toolkit, <a href="http://cslu.cse.ogi.edu/toolkit/">http://cslu.cse.ogi.edu/toolkit/</a>.  A comprehensive<br>  suite of tools to enable exploration, learning, and research into

<br>  speech and human-computer interaction.<br><br>- Ciezielska-Ciupek, M. 2001. Teaching with the internet and corpus<br>  materials: Preparation of the ELT materials using the internet and<br>  corpus resources. In Lewandowska-Tomaszczyk, B. (ed) PALC 2001:

<br>  Practical Applications in Language Corpora. Lodz Studies in<br>  Language, 7. Frankfurt: Peter Lang, p.521-531.<br><br>- Sun, Y-C. & Wang, L-Y. 2003. Concordancers in the EFL classroom:<br>  Cognitive approaches and collocation difficulty. CALL, 16/1,

<br>  p. 83-94.<br><br>- Using corpora in L1, Paul Thompson at the University of Reading has<br>  worked with primary school children; Julia Blake & Tim Shortis in<br>  secondary schools (cf their paper at BAAL 2007). 

<br><br><br>Machine translation<br><br>- Implementing IBM Model 1<br><br>- Building a complete end-to-end statistical machine translation<br>  system, e.g. using MOSES (<a href="http://www.statmt.org/wmt07/baseline.html">

http://www.statmt.org/wmt07/baseline.html</a>)<br><br><br>Supervised learning (e.g. using a Naive Bayes classifier)<br><br>- Word sense disambiguation<br><br>- Spam filtering (e.g. using spam message databases)<br><br>- Document classification (

e.g. using the 20 Newsgroups corpus) Unsupervised techniques - Implementing language models using the SRI LM toolkit - Writing a bigram part of speech tagger, including Baum-Welch   training and Viterbi search.

<br><br>- Studying, critiquing and building a mini document ranking system<br>  based on Page Rank.<br><br>- Odd one out: use simple similarity measures to pick the odd-one-out<br>  from a given set of words. E.g., in (Honda, Toyota, Sony,

<br>  BMW, Mercedes), Sony is the odd word (not a car company). Or, in<br>  (India, China, Japan, Romania, Korea), Romania is the odd one (not<br>  an asian country). The programming logic could be as simple as<br>  extracting features for each word and then selecting a word as the

<br>  "odd" if after removing it from the set, the remaining members share<br>  the maximum number of features. Or, something more sophisticated<br>  using cosine similarity measure that picks the word with the least

cosine with the rest of the group as the Odd. Corpus and grammar building/exploration - Investigating some linguistic, sociolinguistic or stylistic aspect   of the student's choice in blogs or constructing a Web corpus.

<br>  [Reading LanguageLog, <a href="http://www.languagelog.org">www.languagelog.org</a>, would probably be a great<br>  start! -PSR]<br><br>- Building a small Web corpus and then doing collocation extraction or<br>  text classification. 

E.g. how do sports reports differ from music<br>  reviews, or tabloid journalism from broadsheet journalism, or<br>  Democrat authors from Republicans, or what do female bloggers write<br>  about more frequently than male bloggers?  [An exercise I wrote, at

<br>  <a href="http://www.umiacs.umd.edu/~resnik/nlstat_tutorial_summer1998/Lab_ngrams.html">http://www.umiacs.umd.edu/~resnik/nlstat_tutorial_summer1998/Lab_ngrams.html</a>,<br>  might be useful here. -PSR]<br><br>- Generating simple English sentences using a simple substitution

<br>  based grammar.  E.g. start by generating from a grammar like<br>  "(the|a(n)) (big|little|smelly|argumentative) (cat|dog|teacher)<br>  (ate|played with|jumped over|kicked|knew|typed on) (the|a(n))<br>  (lazy|silly|old|fluffy|dusty|horrible) (white|fat|....)

<br>  (fox|school|telephone|keyboard)", and then represent some<br>  constraints as a filter over random replacements (i.e. if a random<br>  replacement creates a violation of a constraint, make a new random<br>  replacement).  For example, foxes aren't dusty, schools aren't lazy

<br>  and can't be eaten, keyboards can't be known, etc.<br><br>- Evaluating either the grammar checker or the readability statistics<br>  that MS Word provides; then trying to design improvements, either as<br>  a specification for a better piece of software, or as a real program

<br>  which does some things automatically that MS Word can't do.<br><br>- Spidering parallel texts that are generated daily from the<br>  EU, and then exploring translations.<br><br>- Writing a KWIC concordancer in python, to get them used to

manipulating lots of text. - Using the Sketch Engine and associated corpora   (<a href="http://www.sketchengine.co.uk/">http://www.sketchengine.co.uk/</a>), e.g. to compare and contrast   behaviour of "clever" vs. "intelligent" or "strong" vs. "powerful".

<br><br>- Using <a href="http://corpus.byu.edu/">http://corpus.byu.edu/</a> (formerly <a href="http://view.byu.edu">view.byu.edu</a>) to do similar<br>  sorts of lexical explorations on material from the British National<br>

  Corpus or Time Magazine corpus.<br><br>- Using the Linguist's Search Engine (<a href="http://lse.umiacs.umd.edu">lse.umiacs.umd.edu</a>) to explore<br>  Web data by searching for syntactic structures.<br><br>- Writing or extending a grammar and evaluating its coverage

<br><br>- Surveying different approaches to parsing and writing a simple<br>  definite clause grammar<br><br><br>Other<br><br>- Code-breaker exercise: given a text message, such as "meet me in the<br>  park at 10", write a program that converts it into a cryptic code

<br>  messege and a decoder that retrieves the original messege back. For<br>  example, one idea is to use the odd-even scheme and display all the<br>  odd characters first, followed by the even characters. This would<br>

  generate a code messege: "MEE_EPTA_RMKE__AITN__1T0H". To decipher<br>  this code, just read all the odd characters and then all the even<br>  characters (treating spaces as regular characters).  Alternatives,<br>

  e.g. block code, character substitution, etc.<br><br><br>Other corpus suggestions<br><br>- Project Gutenberg <br>- Reuters RCV1 news corpus<br>- Enron e-mail corpus<br>- Wikipedia (downloadable as an XML file)<br>- Europarl parallel translations (

<a href="http://www.iccs.inf.ed.ac.uk/~pkoehn/publications/europarl/">http://www.iccs.inf.ed.ac.uk/~pkoehn/publications/europarl/</a>)<br>- Parallel Bibles and Web page translations (<a href="http://www.umiacs.umd.edu/~resnik/parallel/">

http://www.umiacs.umd.edu/~resnik/parallel/</a>)<br><br>