Počítačová
lexikografie
Makrostruktura
Adam Rambousek
	
důkazy o použití jazyka➢
intuiceo
excerpta, výpiskyo
korpusyo
intuice (armchair linguistics)➢
Lexikografické podklady
	
		
In	the	absence	of	objective	evidence,	introspection	was	appealed	to	instead.	
But	studies	in	corpus	linguistics	have	shown	that	introspection	is	a	very	
flawed	technique.	We	human	beings	are	wired	to	register	the	unusual	in	our	
minds,	generally	in	a	way	that	is	available	to	conscious	recall.	But	we	fail	to	
pay	any	attention	to	the	commonplace	patterns	of	usage	on	which	we	rely	so	
heavily	in	our	everyday	communications.	Patrick	Hanks	(Euralex	2000)	
➢
Should	it	ever	come	about	that	linguistics	can	be	carried	out	without	the	
intervention	and	suffering	of	a	native‑speaker	analyst,	I	will	probably	lose	
interest	in	the	enterprise.	
Charles	Fillmore	("Corpus	linguistics"	or	"Computer‑aided	armchair	
linguistics")	
➢
Intuice	
	
Appeal to the English‑speaking and English‑reading public, 1879➢
Návod pro sběratele materiálu k "Slovníku jazyka českého", 1911➢
8 696 850 lístků (1911‑1991), neologismy 270 538 záznamůo
Výpisky
	
Výpisky
	
výhody➢
posuny významuo
terminologieo
šíření lexikografieo
nevýhody➢
pracné, časově náročnéo
subjektivní (časté výjimky)o
Výpisky
	
IB047 Úvod do korpusové lingvistiky➢
a collection of pieces of language text in electronic form, selected
according to external criteria to represent, as far as possible, a
language as a source of data for linguistic research
➢
dokonalý korpus neexistuje➢
korpus je jen vzorek jazykao
obsahuje i nespisovný jazyko
čas a náklady na výrobuo
Korpus
	
velikost➢
Brown Corpus (1960) ‑ milion slov (10 )o 6
COBUILD (1980) ‑ 20 milionů slov (10 )o 7
BNC (1990) ‑ 100 milionů slov (10 )o 8
OEC (2000) ‑ miliarda slov (10 )o 9
TenTen ‑ 10 slovo 10
Zipfův zákon (1935) ‑ několik slov s vysokou frekvencí, mnoho
slov s nízkou frekvencí
➢
10. slovo je 10x častější než 100. slovoo
Korpus
	
vyvážený➢
Linguistic Data Consortium ‑ anglický korpus z článků Associated
Press a New York Times
o
BNC ‑ Journal of Gastroenterology, mucosa x unfortunateo
co zahrnout a v jakém poměru?➢
BNC➢
90% written, 10% spoken; 75% informative, 25% imaginativeo
SYN2000 (100 milionů slov)➢
60% publicistika, 25% odborná, 15% beletrieo
SYN2005 (100 milionů slov)➢
40% beletrie, 27% odborná, 33% publicistikao
Korpus
	
získání➢
převod➢
značkování (formální, lingvistické)➢
z webu: Sketch Engine, WebBootCaT➢
Korpus
	
podrobná strukturovaná jazyková databáze➢
(nyní obvykle) doklady z korpusuo
gramatické údajeo
valence, vzoryo
styl, užití, oblast...o
vztahy mezi slovyo
podklad pro slovníky a výzkum➢
PraLeD (Pražská Lexikální Databáze)➢
DANTE (Database of ANalysed Texts of English)➢
Lexikální databáze
	
Lexikální databáze
	
heslář (+předmluva, přílohy...)➢
heslo = lemma, entry term, heslové slovo, headword➢ 1
obvykle nominativ sg., slovesa v infinitivuo
části slov, spojení slovo
heslo = heslová stať, entry➢ 2
Makrostruktura
	
rozsah➢
výběr podle oboru a typu➢
obecný jazyk: frekvence➢
Heslář
	
obecná slova➢
běžná slova (varianty)o
zkratkyo
části slovo
víceslovné výrazyo
vlastní jména➢
osoby, místa, metonymie, národnosti/skupiny, organizace,
náboženství, předměty
o
zkratky vs. plné názvy➢
slovní spojení samostatně?➢
Heslář
	
Achilles➢
SSJČ: jm. řeckého reka v Homérově Iliadě: Achillova pata, přen.
zranitelné místo; každý člověk má svou Achillovu patu; med.
Achillova šlacha upínající se na kost patní;
➢
SSČ: Achillova pata, zranitelné místo; Achillova šlacha, šlacha
lýtkového svalu upínající se na patní kost
➢
všechna slova v definici musejí být v hesláři➢
Heslář
	
aplikace pro tvorbu slovníků (obvykle celý proces tvorby)➢
často vlastní➢
komerční➢
IDM DPS ‑ klient‑server (Windows)o
iLex ‑ jádro a dokupované moduly, samostatně nebo klient‑server,
mobily (Windows, Linux, Mac)
o
TLex ‑ online, offline (Windows, Mac)o
nekomerční (Glossword, Matapuna)➢
DEB (Dictionary Editor and Browser)➢
Dictionary Writing Systems
	
iLex
	
TLex
	
IDM DPS