Specifika vyhledávání v diachronním korpusu

Při vyhledávání v korpusu Diakorp je třeba počítat s tím, že:

• korpus není lemmatizovaný ani morfologicky označkovaný (na rozdíl např. od korpusů řady SYN) – je tedy možné klást pouze dotazy vycházející z konkrétních lexikálních jednotek (nikoli z gramatických kategorií) a pro obecnější zadání (např. mohla v minulosti stát vokalizovaná předložka před slovem začínajícím na samohlásku?) je nutné využít klikacích voleb grafického rozhraní nebo přímo regulárních výrazů;
• texty jsou transkribované a pravidla přepisu se musela vyrovnat jak s dosavadní ediční praxí, tak s faktem, že se v průběhu sedmi staletí vývoje češtiny pravopisné systémy měnily – důsledkem je, že pravopisné jevy lze v korpusu zkoumat jen v omezené míře;
• jedno slovo (slovní tvar) může mít více variant (podobně jako v mluvených korpusech), např. tehdy – tehdyť – tehdyž – tehda – tehdaž – tehdať – tehdas – tehdá – tehdáž. Některé z nich bývají uvedeny ve slovnících, je však vhodné zkontrolovat možnosti variant pomocí regulárních výrazů (např. [word="(?i)tehd.*"])

  

  

  Výběr skupiny textů

ZRUŠIT OBRÁZEK

Základní přehled o tom, co Diakorp obsahuje, získáme po kliknutí na nabídku Specifikovat dotaz podle metainformací. Zobrazí se seznamy textových kategorií zastoupených v korpusu (pod hlavičkou txtype_group jsou obecnější skupiny textů, pod txtype konkrétnější). Pokud nás některá kategorie zajímá, můžeme hledání rovnou omezit jen na ni.

Výběr časového úseku

Podobně je možné prohledávat pouze data z určitého časového období. K urychlení výběru textů podle roku vzniku (tj. aby nebylo nutné zaklikávat všechny jednotlivé roky) slouží textové pole, kam napíšeme počáteční a koncový rok (např. 1460 a 1620). Volbou částečně vyhovující hodnoty > vyřadit můžeme vyloučit texty, které do vybraného rozmezí patří jen vlivem nepřesné datace (např. 1450±10).

Hledání v Diakorpu pomocí podmínky within

Značky vymezující zvláštní součásti textu (poznámky pod čarou <n></n>, verše <v></v>, nadpisy <k></k>, cizojazyčný text <o></o> ad.) jsou v Diakorpu verze 6 strukturními atributy a lze v jejich rámci hledat pomocí podmínky within. Můžeme např. zjistit, jak často začínaly nadpisy či součásti nadpisů v různých dílech tázacím příslovcem Proč, anebo předložkou O.

Zadání negativního filtru

Pomocí strukturních atributů můžeme také odstranit ta vyhledaná klíčová slova (KWIC), která spadají do nežádoucí součásti textu. Hledáme např. slovní tvary s koncovou diftongizací -uo(v) a chceme odfiltrovat všechen cizojazyčný text (např. quo). Po zadání dotazu typu CQL [word=".*uov?"], kterým nalezneme slovní tvary končící jak na -uov, tak na -uo (zápis doslova říká, že koncové -v je „s otazníkem“), zvolíme v horní nabídce rozhraní KonText Filtr > Negativní a zapíšeme, co má být z konkordance vymazáno.

Zápis můžeme číst jako „vymaž jakékoli klíčové slovo (KWIC), které je součástí cizojazyčného textu“.

Počáteční (<k>) a koncovou část atributů (</k>) můžeme použít také samostatně, k vyhledání slovního tvaru stojícího na začátku nebo na konci daného textového úseku. Ani tehdy se strukturní atribut neuvádí v uvozovkách ani v jiných závorkách (např. CQL: <v> [word="A"] - kdy veršovaný úsek začíná spojkou A?)

Pokud se editor setkal s neočekávanou grafickou podobou slova a vyhodnotil tuto odchylku spíše jako záležitost pravopisu než fonologie, podobu slova upravil (emendoval) a původní, transliterovaný zápis uložil do pozičního atributu „e“. Tato informace je užitečná zejména ve dvou případech:

1. hledáme v korpusu slovo, na které jsme narazili jinde a je rovněž neobvyklé, např. polowjce (polovina) - standardní dotazy žádný výskyt nenaleznou (např. Slovní tvar: polovíce; CQL: [word="(?i)poloví[cč].*"]), ale dotaz na opravené podoby ano: CQL: [e="(?i)polowj[cč].*"]. Poziční atribut „e“ se zobrazuje i hledá podobně jako lemma, word a jiné známé atributy.
2. potřebujeme odfiltrovat emendovaná slova z konkordance - do Filtr > Negativní zadáme podmínku „kdykoli atribut něco obsahuje“: CQL: [e=".+"] (znak + je na místo znaku * právě proto, aby byl vyloučen nulový obsah).

První případ zmiňujeme i proto, že rozhodování mezi emendací (s uložením původní podoby), nebo pouhou transkripcí neprobíhalo u některých méně jasných případů zcela konzistentně (roli hrálo mj. množství editorů, různé stáří textů a rozdíly mezi edičními zásadami uplatňovanými na texty z různých období, doklady nalezené i mimo slovníky apod.). Uživatelům je doporučeno kontrolovat u variantních tvarů s kolísající délkou samohlásky i atribut „e“.