CzeSL-SGT – korpus češtiny nerodilých mluvčích s automaticky provedenou anotací

Žákovský korpus CzeSL-SGT (Czech as a Second Language with Spelling, Grammar and Tags) obsahuje přepisy písemných prací nerodilých mluvčích češtiny. Navazuje tak na část CIZ korpusu CzeSL-plain: obsahuje její jazyková data, obsahuje však navíc další texty, sebrané v roce 2013.

Slovní tvary jsou označeny slovním druhem, morfologickými kategoriemi a základním tvarem (lemmatem). Některé tvary jsou opraveny a výsledná podoba textu znovu slovnědruhově a morfologicky označena. Na základě porovnání původní a opravené podoby tvarů je stanoven druh chyby. Všechny tyto údaje jsou určeny automaticky, je tedy třeba počítat s nepřesnostmi a omyly.

Nové texty jsou opatřeny údaji (metadaty) o autorovi a typu textu, ta byla nově doplněna i u velké většiny textů původních.

Korpus lze prohledávat on-line přes vyhledávací rozhraní KonText Českého národního korpusu (dostupné na portálu korpus.cz), nebo ho lze získat celý jako data ze serveru LINDAT.

• Podrobný popis korpusu: http://utkl.ff.cuni.cz/~rosen/public/2014-czesl-sgt-cs.pdf