CJBB75 – 1 (středa G13 10.00-11.30)

K. Osolsobě

Výuka: každých 14 dní kontaktní, každých 14 dní úkol (viz harmonogram)

Podmínky ukončení: Průběžné plnění úkolů (1 studijní úkol, 4 písemné práce odevzdané, test).

Náplň dnešní hodiny

Co je to korpus ?

-         Soubor textů

-         elektronicky uložených a přístupných (korpusové manažery – programy, skrze něž lze ke
korpusům přistupovat)

-         má stanovený obsah ( složený z textů záměrně vybraných dle zveřejněných kritérií)

-         má stanovený rozsah/velikost (lze na něm pracovat s frekvenčními/kvantitativně
měřitelnými údaji)

-         obsahuje standardní anotace (metadata – údaje o každém textu a lingvistické interpretace)

Registrace uživatele pro práci s ČNK (http://ucnk.ff.cuni.cz/)


Korpusový manažer

Základy práce s korpusem přes Kontext

KonText

Dotaz

Výběr korpusu

Jaké korpusy jsou k dispozici ?

Časové hledisko (synchronní / diachronní)

Hledisko textů (psané / mluvené, připravené/spontánní)

Hledisko žánru (vyvážené žánrově/ žánrově kompaktní – např. korpusy výhradně publicistické, nebo
korpus soukromé korespondence).

Hledisko autora (autoři jsou rodilí mluvčí/ autoři se učí jazyk, v němž jsou texty vytvořeny jako
tzv. druhý jazyk – learner corpora/žákovské korpusy).

Hledisko jazyka (jednojazyčné – např. čeština/ vícejazyčné).

Vícejazyčné paralelní korpusy – stejné texty – originál+překlad – zarovnaní/alignment = jednotky,
které si odpovídají, jsou propojeny / srovnatelné korpusy – různojazyčné i stejného jazyka
vybudované stejným způsobem, mající stejné složení).


Jak číst informace o velikosti korpusu:


Termíny: viz http://wiki.korpus.cz/doku.php

http://wiki.korpus.cz/doku.php/pojmy:prehled_pojmu

pozice

tokenizace

lemmatizace

desambiguace

Vyhledávání:

Slovní tvar/slovo/word

Fráze

Lemma

CQL

Regulární výrazy (http://wiki.korpus.cz/doku.php/pojmy:regularni_vyrazy)

konkordance, KWIC

Zobrazení


Úkol na příště:

Prostudovat www stránky ÚČNK

Umět odpovědět na otázky:

1.      Co je to korpusu?

2.      Co je to Český národní korpus?

3.      Jaké typy korpusů máme k dispozici?

4.      Co to znamená, když řeknu, že korpus má 100 milionů slov?

5.      Jak komunikujeme s korpusem (jak jej můžeme využívat pro lingvistickou práci)?

6.      Jak můžeme vyhledat v korpusu výskyt slova, jak se se zobrazí v korpusu výskyt slova a co
můžeme se zobrazenými výskyty dále dělat?

7.      Jak můžeme vyhledat v korpusu všechna slova, která mají společnou vlastnost, že jsou tvary
jednoho základního tvaru?

8.      Jak můžeme v korpusu vyhledat všechny tvary na rovině gramatické abstrakce (třeba podstatné
jména rodu ženského ve 3. pádě, nebo slovesa v přítomném čase v první osobě)?

A připravit si otázky, na něž byste rádi znali odpověď (souvisí s korpusy!!)