Základy využití korpusu v praxi cjbb75_ LS_2020

Pondělí: 8.00-9.30 G13

8. 3. Kontext – příkazový řádek – vyhledávání podle atributů (word, lemma, tag, lc), cql, regulární
výrazy, KWIC, konkordanční seznam a frekvenční seznam jako zdroj poznání o jazykových vlastnostech
vyhledaných jednotek (způsob psaní/pravopis: přejatá slova /mailovat/mejlovat/majlovat/, aplikace
pravidel – varianty /ismus/izmus/, varianty pravopisu zdrobnělin vlastních jmen – Terinka/Terynka).

https://wiki.korpus.cz/doku.php/manualy:kontext:novy_dotaz


Cvičení

Jak česky píšeme?

mail

? mailovat, meilovat, majlovat, mejlovat ?

Složitější formulace dotazu

[lemma="m(ai|ei|aj|ej)l.*"]

https://wiki.korpus.cz/doku.php/manualy:kontext:frekvencni_distribuce

Můžeme sledovat frekvence pravopisných variant. Pracujeme s korpusem psaných textů, které navíc
prošly jazykovou kontrolou. Úzus, který není jednotný, se může stát zdrojem pro úvahy o kodifikaci,
která má odrážet úzus.


Dvojice typu Terinka/Terynka

lemma

ter[iy]nka

Není rozpoznáno (X), tvar na –ynka není doložen.

Je opravdu takový pravopis zdrobnělin vlastních jmen možný?

Položme obecněji zadaný dotaz. Všechna podobná slova – užití regulárních výrazů.

Dotaz: Vyhledej všechna lemmata taková, že pro ně platí, že začínají libovolným znakem, za nímž
následuje libovolný počet opakování libovolného znaku a končí na řetězec inka nebo ynka.

.* [iy]nka

Přestože Barinka není hypokoristikum od Bára, může nám nalezení tohoto dokladu pomoci. Jak? Omezíme
se na případy podobné, tedy na lemmata u nichž před [iy] předchází tzv. tvrdá souhláska [rkh]

.*[rkh][iy]nka

To už vypadá lépe.  Ale najdeme vůbec nějaké relevantní doklady?

Co nám říká IJP a co lze nalézt v korpusech



P-filtr

.*ynka


Závěr: Je patrné, že analýza korpusových dat může přinést některé poznatky odporující běžným
poučkám a pravidlům. Analýza deminutivního sufixu –inka užívaného pro tvoření podob vlastních jmen
prokázala rozkolísanost úzu, který je v rozporu s pravidly uvedenými v IJP.

Naučili jsme se:

Používat některé regulární výrazy v jazyce cql. (.*, [], |)

Používat statistiky a zobrazení.

Používat filtry.

Ukázali jsme, jak lze používat jazykový korpus k hledání odpovědí na otázky týkající se grafické
podoby jazyka.

Doplňující četba:

OSOLSOBĚ, Klára a Jana MACHALOVÁ. Hypokoristika z rodných jmen v Korpusu soukromé korespondence. In
Hladká, Zdeňka a kol.. Soukromá korespondence jako lingvistický pramen. Vyd. 1. Brno: Masarykova
univerzita, 2013. s. 33-59.


Dú: na 15. 3. 2021

1. Jaká jsou lemmata/tvary adaptovaných slov a jaké je frekvenční rozložení variantních způsobů
jejich grafické realizace (slovesa utvořená od anglických základů: použí(va)t Skype= ????,
použí(va)t google = ???, použí(va)t twitter = ???).

Uvědomte si, že nově přejatá slova nebudou ve slovníku automatické analýzy, a je tedy třeba na ní
moc nespoléhat.

2. V IJP se uvádí, že:

Časté chyby – výrazy nesprávně považované za spřežky

Jelikož se v následujících případech velmi často chybuje, připomínáme, že jen zvlášť píšeme
zpodstatnělá přídavná jména, která se užívají pouze či převážně s předložkou na a pojí se se 4. p.
Jsou to např. spojení: na shledanou, na viděnou, na slyšenou, na rozloučenou, na odchodnou, na
uvítanou, na zotavenou, na posilněnou, na pováženou, na uváženou, na rozmyšlenou, na vysvětlenou,
na srozuměnou, na upřesněnou, na vybranou, (jako) na zavolanou.

Dalším slovním spojením, které je často mylně chápáno, a proto psáno jako spřažený (jednoslovný)
výraz, je na rozdíl. Také v tomto případě je nutné psát uvedené spojení jako slova dvě, respektive
sekundární předložku na rozdíl od jako slova tři.

Zjistěte, jaký je stav dodržování uvedené pravopisné normy v korpusech řady SYN a popište, jak jsou
nesprávně (dohromady) zapsané doklady interpretovány na rovině lemmatizace a tagování.

3. Zapamatujte si, že v každé práci s korpusem je třeba správně citovat zdroj, s nímž pracujete.
Informace o tom, jak citovat korpus, najdete v Menu Nápvěda_Jak citovat korpus