Základy využití korpusu v praxi cjbb75_ LS_2022

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

Umíme česky?

Sloveso péci je odvozovacím základem řady příbuzných slov. Při tvoření slov dochází v češtině k
hláskovým alternacím. Lexikální morf mívá řadu alomorfů. Doplňte následující tabulku o všechny
možné doklady příbuzných slov. Pokud si nebudete moci vzpomenout, zda je některá kombinace
přípustná, vezměte si na pomoc korpus.


 P-K

    P-C

         P-Č

é

 pék

    péc-t

         péč

í

 pík

    píc

         píč

e

 pek

    pec

         peč


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.


Úkol:

Jak se v jazykových korpusech dodržuje norma?

Obsah obrázku text Popis byl vytvořen automaticky


Jak shromáždíme relevantní data pro corpusově založený výzkum?

1.      Spolehneme se na dodržení normy a vyhledáme lemmata, která splňují dvě podmínky, a sice
začínají velkým písmenem a končí na řetězec inka před nímmž předchází souhlásky, po nichž se
v češtině obvykle nepíše i.  [lemma="[[:upper:]].*[rhk]inka"]

2.      Zkontrolujeme, zda se norma vždy dodržuje. Vyhledáme lemmata, která splňují dvě podmínky, a
sice začínají velkým písmenem a končí na řetězec ynka před nímž předchází souhlásky, po nichž se
v češtině obvykle nepíše i. [lemma="[[:upper:]].*[rhk]ynka"]

3.      Pozorujeme odchylky od normy. Vyhledáme lemmata, která splňují dvě podmínky, a sice
začínají velkým písmenem a končí na řetězec inka nebo ynka před nímž předchází souhlásky, po nichž
se v češtině obvykle nepíše i. [lemma="[[:upper:]].*[rhk][iy]nka"]

Obrázek k dotazu 1

Obrázek k dotazu 2


Obrázek k dotazu 3

Obsah obrázku stůl Popis byl vytvořen automaticky

Podívejme se na případ, kdy frekvence variant je velmi blízká a není zanedbatelně nízká, abychom ji
mohli pokládat za chybu.

Šár[iy]nka


Obsah obrázku stůl Popis byl vytvořen automaticky

Všimněme si, že v případě porušení pravopisné normy jde o proprium užité jako název instituce.

Obsah obrázku stůl Popis byl vytvořen automaticky

Můžeme dále zkoumat, které z frekventovaných podob deminutiv nedodržují předepsanou pravopisnou
normu:

M[áa]r[iy]nka

Klár[iy]nka

Obsah obrázku stůl Popis byl vytvořen automaticky


Obsah obrázku text Popis byl vytvořen automaticky

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 případy úzu, který je v rozporu s pravidly uvedenými v IJP. V případě frekventovanějších
užití se ovšem ukazuje, že nejde vždy o chybně utvořené deminutivum. Je třeba brát v potaz např.
příjmení (Terynka), kdy hrají roli mimojazykové faktory.

Pravopisná norma vychází z existence deminutivní přípony -inka, která nemá dvě pravopisné
realizace. Jestliže ovšem připustíme dvě pravopisné realizace přípony -i, kterou se v dnešním úzu
frekventovaně tvoří domácké podoby proprií, pak je třeba mít na zřeteli, že tlak systému/analogie
bude působit i na pravopisnou normu deminutiv na -inka.

Obsah obrázku text Popis byl vytvořen automaticky

Obsah obrázku text Popis byl vytvořen automaticky

Naučili jsme se:

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

Používat statistiky a zobrazení.

Používat Frekvence.

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

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:

7. 3. 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 = ???). V korpusu SYNv9  vyhledejte tvary sloves
tvořených od substantiva instagram a sledujte, ke kterým slovesným třídám patří.

https://is.muni.cz/auth/el/phil/jaro2022/CJBB75/ode/ukoly_cjbb75/1_ukol/