CJBB75 – 1 (G13 8.00-9.30)

K. Osolsobě

Výuka: od 2. 3. každých 14 dní kontaktní, každých 14 dní úkol (viz harmonogram)

Podmínky ukončení: Průběžné plnění úkolů (5 odevzdaných referátů, 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, anotace jazykových jednotek – vnitřní anotace)

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, projekt Korpus českého verše).

Hledisko autora (autoři jsou rodilí mluvčí/ autoři se učí jazyk, v němž jsou texty vytvořeny jako
tzv. druhý jazyk – learner corpora/žákovské korpusy, autorské korpusy založené na
díle/korespondenci význačných osobností).

Hledisko jazyka (jednojazyčné – např. čeština/ vícejazyčné, srovnatelné, paralelní).

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 čteme informace o zvoleném korpusu?

Stručné info. vč. citování

Proč je třeba citovat korpusy


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

KWIC/Věta

Korpusová nastavení

(Lemma, POS – part of speech)

(Lemma, tag)

Kompletní info o zdrojovém textu:

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!!)