CJDSL001 Korpusová
lingvistika (3)
Klára Osolsobě
osolsobe@phil.muni.cz
Experimentální a počítačová lingvistika
DO1 1
O čem budeme mluvit v kurzu
•Krátký historický exkurz
•Definice korpusu v moderním slova smyslu
•Dva metodologické přístupy k vytěžování korpusu
•Dva pohledy na korpus (lingvista a informatik)
•Filologie a korpusy
•Výuka jazyků a korpusy
DO1 2
Korpusová lingvistika – empirická disciplína kde
je možné užití korpusu
•Myšlenka korpusu ve strukturalistickém přístupu
•Korpus – dotazník – introspekce
•Volba/tvorba jazykového korpusu
•Typy korpusů
•Dostupné korpusy
•Problémové otázky
•Tvorba korpusu
DO1 3
Otázky, které je třeba vyřešit
•Je korpusový přístup vhodný pro náš výzkumný záměr ?
•Pokud je vhodný, existuje/existují vhodné korpus(y)?
•Pokud existují, existují i vhodné nástroje, které mi pomohou při
plnění mého záměru?
•Pokud neexistují, je možné, aby vznikly?
DO1 4
Typologie korpusů
•Synchronní a diachronní (Je můj záměr orientován na současný jazyk,
nebo na jazyk v diachronní perspektivě?)
•Psaný a mluvený (Je problém, který sleduji, typický pro
psaný/mluvený jazyk, nebo je nezávislý na těchto aspektech?)
•Obecný a autorský (Je můj výzkumný problém orientován na jazyk
jednoho/více autorů, nebo je otázka autorství textů druhořadá?)
•Specializovaný (Zaměřuji se na specifický problém, existuje k tomuto
specifickému problému specificky zaměřený korpus?)
•Webový (Potřebuji k řešení svého výzkumného záměru především
„velká data“?)
•Paralelní (Zajímá mě komparace více jazyků?)
•Srovnatelný (Zajímá mě komparace analogických jevů v různých
jazycích? )
DO1 5
Otázky
•Máte přehled o dostupných korpusech jazyků, které alespoň
částečně ovládáte?
•Korpusy v českém prostředí?
•Korpusy na MU?
DO1 6
Jak se orientovat v korpusech ČNK
https://www.korpus.cz/
•akademický projekt 1994
•systematicky mapuje češtinu i další jazyky
•po bezplatné registraci otevřeny všem zájemcům
(https://www.korpus.cz/signup)
•Korpusy – přehledně (https://wiki.korpus.cz/doku.php/cnk:uvod)
DO1 7
Jak číst jednotlivé charakteristiky a nad čím
přemýšlet
•Velikost korpusu (počet slov ve vztahu k tokenizace)
•Lemmatizace
•Morfologické značky
•Verzovaný korpus
•Referenční korpus
•Klasifikace textů – vnější anotace / metadata
•Citování korpusů
DO1 8
Jak se orientovat v korpusech dostupných
přes Sketch engine
DO1 9
Pokročilé
DO1 10
Podle klasifikace
DO1 11
Některé starší i novější projekty MU
•BMK (https://wiki.korpus.cz/doku.php/cnk:bmk)
•KSK (https://wiki.korpus.cz/doku.php/cnk:ksk-dopisy)
•Elektronická knihovna překladů anglických dramat
(https://www.phil.muni.cz/kapradi/)
•UčKo
DO1 12
Korpusové nástroje
•Vyhledávání přes webové rozhraní KonText a Sketch Engine
•Funkce – vyhledávání, zobrazování, třídění, počítání frekvencí,
ukládání, využití statistických měr
•Další korpusové nástroje: SyD, Morfio, Treq, KWords
DO1 13
Vlastní korpus
•Tvorba subkorpusu z dostupného korpusu
(https://www.korpus.cz/kontext/subcorpus/new?corpname=codit)
•Tvorba vlastního korpusu
(https://app.sketchengine.eu/#ca-create?corpname=preloaded%2Fd
gt__sh_hr)
DO1 14
Co je třeba řešit, chceme-li vytvořit vlastní
korpus?
•Máme texty v elektronické podobě? Máme na ně právo?
•Jak dostat text do el. podoby?
•Čeká nás scanování a přepisy tetxů?
•Máme k dispozici vhodné OCR nástroje?
•Jsme dostatečně informováni o tom, jak udělat přepis?
•Jak zajistit kvalitu (konzistenci) přepisu? Mám prostředky na kontrolu
přepisu?
•Jak budu zacházet s metadaty?
DO1 15
Tvorba korpusu a dostupné nástroje
DO1 16
Závěr
•Máme k dispozici velké množství korpusů
•Korpusové nástroje jsou dostupné a mají množství funkcí
•Nástroje k vytvoření korpusu i pracoviště, na která je možno se
obrátit existují
•Důležitost přípravných fází pro úspěšnost práce
DO1 17
Vyzkoušejte
•V nástroji SyD porovnejte distribuci spojení je třeba a je potřeba.
•Jazykový humor a počítačové nástroje. Starý vtip: „Koupil jsem si
paštiku, bylo na ní napsáno ‚zaječí‘, a neječí a neječí.“ Pomocí
nástroje Morfio vyhledejte homonymní dvojice adjektivum/tvar
slovesa podobné těm, které se objevují v uvedené anekdotě.
•Vyzkoušejte aplikaci KWords (vezměte svoji diplomovou
práci/článek/referát, nahrajte ji/jej do nástroje KWord a podívejte se,
nakolik se liší vámi sestavený seznam klíčových slov od seznamu
vytvořeného automaticky uvedeným nástrojem. Udělejte totéž s
originálem/překladem uměleckého textu. Vyzkoušejte obdobnou
funkci v rozhraní Sketch engine
•Vyzkoušejte nástroj Treq (např. vyhledejte překlady vulgarismů,
okazionalismů, podívejte se na falešné přátele)
DO1 18
Je mi to jedno/fuk.
DO1 19
vlastnit/vlastní a další
DO1 20
antroponymum; oikonymum; zakončení na
-slav/-slava; korpus; morfologické značkování;
desambiguace
DO1 21
Funkce KEYWORDS ve Sketch engine
DO1 22
jak říci italsky děvka?
DO1 23
Otázky
•Máte pro svou disertaci vybrán korpus, se kterým chcete pracovat?
•Budete tvořit vlastní korpus?
•Máte rozmyšlené, jak budou vypadat metadata?
•Zajímáte se o korpusově orientované konference a víte, že se chystá
jedna na příští rok v Praze
(https://tt2022.ff.cuni.cz/calls-and-circulars/first-call-for-papers/)?
DO1 24
Děkuji vám za pozornost
DO1 25