AplikaceAplikace
Nastavení

Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

Odkaz na výstup diff

Obě strany předchozí revizePředchozí verze
Následující verze
Předchozí verze
cnk:jazyky-v-migraci [2023/02/26 10:45] – [Tipy k vyhledávání v korpusu] lukescnk:jazyky-v-migraci [2023/07/10 15:24] (aktuální) – [Značkování] lukes
Řádek 3: Řádek 3:
 ===== Popis korpusu ===== ===== Popis korpusu =====
  
-Korpus //Jazyky v migraci// tvoří záznam spontánní jazykové produkce mluvčích užívajících neformální mluvenou češtinu a němčinu. Mluvčí, s nimiž byly vedeny rozhovory v letech 2018, 2019 a 2020, se ve svých vyprávěních ohlížejí za svou jazykovou biografií České republice a v Německu. Ta část rozhovoru, která je vztažena k České republice, je z důvodu elicitace morfosyntaktických jevů spojených s jazykovým kontaktem a jazykovou izolací vedena v němčině. Naopak ta část rozhovoru, která je vztažena k Německu, je ze stejných důvodů vedena v češtině.+Korpus //Jazyky v migraci// tvoří záznam spontánní jazykové produkce mluvčích užívajících neformální mluvenou češtinu a němčinu. Mluvčí, s nimiž byly vedeny rozhovory v letech 2018, 2019 a 2020, se ve svých vyprávěních ohlížejí za svou jazykovou biografií Československu, respektive v jeho českojazyčné části, a ve Spolkové republice Německo. Ta část rozhovoru, která je vztažena k Československu, je z důvodu elicitace morfosyntaktických jevů spojených s jazykovým kontaktem a jazykovou izolací vedena v němčině. Naopak ta část rozhovoru, která je vztažena k Německu, je ze stejných důvodů vedena v češtině.
  
-                    |**počet mluvčích**|**délka nahrávek v češtině**|**délka nahrávek v němčině**|+                    ^**počet mluvčích**^**délka nahrávek v češtině**^**délka nahrávek v němčině**^
 |**pozdní vysídlenci**|10                |06:10:43                    |06:35:28                    | |**pozdní vysídlenci**|10                |06:10:43                    |06:35:28                    |
 |**migranti**         |10                |07:52:15                    |06:53:28                    | |**migranti**         |10                |07:52:15                    |06:53:28                    |
Řádek 12: Řádek 12:
 ^                     ^**čeština**^          ^**němčina**^          ^ ^                     ^**čeština**^          ^**němčina**^          ^
 |**počet slov**       |**celkem** |**mluvčí**|**celkem** |**mluvčí**| |**počet slov**       |**celkem** |**mluvčí**|**celkem** |**mluvčí**|
-|**pozdní vysídlenci**|77 272     |61 977    |65 215     |56 137    | +|**pozdní vysídlenci**|81 006     |61 977    |66 159     |56 137    | 
-|**migranti**         |78 364     |70 752    |65 652     |61 503    | +|**migranti**         |80 345     |70 752    |66 322     |61 503    | 
-|**celkem**           |166 625    |140 858   |134 396    |121 015   |+|**celkem**           |161 351    |132 729   |132 481    |117 640   |
  
 Struktury a strukturní atributy korpusu Jazyky v migraci jsou popsány [[seznamy:strukturni_atributy_mluvene#strukturni_atributy_korpusu_jazyky_v_migraci|na samostatné stránce]]. Struktury a strukturní atributy korpusu Jazyky v migraci jsou popsány [[seznamy:strukturni_atributy_mluvene#strukturni_atributy_korpusu_jazyky_v_migraci|na samostatné stránce]].
Řádek 50: Řádek 50:
 ===== Značkování ===== ===== Značkování =====
  
-Korpus je lemmatizován a morfologicky označkován. V českojazyčné části používá stejný typ morfologických značek jako současné mluvené korpusy (viz https://wiki.korpus.cz/doku.php/cnk:lemtag_mluv). V německojazyčné části je využit //Stuttgart-Tübingen-Tagset// (viz http://www.sfs.uni-tuebingen.de/resources/stts-1999.pdf nebo https://homepage.ruhr-uni-bochum.de/stephen.berman/Korpuslinguistik/Tagsets-STTS.html). Z tohoto důvodu nelze pomocí morfologických značek (tagů) prohledávat celý korpus najednou, ale vždy cíleně českojazyčnou (''lemma_**cs**'', ''tag_**cs**''), nebo německojazyčnou část (''lemma_**de**'', ''tag_**de**''). Značky pro shodné mluvnické kategorie se z tohoto důvodu od sebe liší podle užité sady.+Korpus je lemmatizován a morfologicky označkován. V českojazyčné části používá [[cnk:lemtag_mluv|stejný typ morfologických značek jako současné mluvené korpusy]]. V německojazyčné části je využit //Stuttgart-Tübingen-Tagset// (viz http://www.sfs.uni-tuebingen.de/resources/stts-1999.pdf nebo https://homepage.ruhr-uni-bochum.de/stephen.berman/Korpuslinguistik/Tagsets-STTS.html). Z tohoto důvodu nelze pomocí morfologických značek (tagů) prohledávat celý korpus najednou, ale vždy cíleně českojazyčnou (''lemma_**cs**'', ''tag_**cs**''), nebo německojazyčnou část (''lemma_**de**'', ''tag_**de**''). Značky pro shodné mluvnické kategorie se z tohoto důvodu od sebe liší podle užité sady.
  
 V přepisech jsou nadto identifikovány a označeny jazykové fenomény, jež jsou interpretovány jako výsledky jazykového kontaktu a jazykové izolace v oblasti morfosyntaxe (pomocí hodnot [[seznamy:strukturni_atributy_mluvene#strukturni_atributy_korpusu_jazyky_v_migraci|strukturního atributu]] ''sp.langgener_category''): V přepisech jsou nadto identifikovány a označeny jazykové fenomény, jež jsou interpretovány jako výsledky jazykového kontaktu a jazykové izolace v oblasti morfosyntaxe (pomocí hodnot [[seznamy:strukturni_atributy_mluvene#strukturni_atributy_korpusu_jazyky_v_migraci|strukturního atributu]] ''sp.langgener_category''):
Řádek 70: Řádek 70:
 |věta             |S   | |věta             |S   |
  
-V korpusu je tak přes funkci //Omezit hledání// možné cíleně vyhledat například přepínání z češtiny do němčiny na úrovni předložkové fráze: //in Juli gabs dann in in Prag in in **ve Fučíkárně**//.+V korpusu je tak přes funkci //Omezit hledání// možné cíleně vyhledat například přepínání z češtiny do němčiny na úrovni předložkové fráze. Zaklikáme-li v rozbalovacím menu //Omezit hledání// u atributů ''sp.langgener_category'' a ''sp.syntactic_phrase'' všechny položky, které obsahují hodnoty CS a PP, najdeme např. následující výskyt: //in Juli gabs dann in in Prag in in **ve Fučíkárně**//.
  
 ===== Tipy k vyhledávání v korpusu ===== ===== Tipy k vyhledávání v korpusu =====
Řádek 85: Řádek 85:
  
   * Pokud dotaz na atribut neobsahuje oddělovací znak (v tomto případě svislítko), tak dohledá všechny výskyty, kde alespoň jedna z dílčích hodnot odpovídá dotazu. Jinými slovy, první výše uvedený dotaz dohledá i segmenty, kde ''sp.langgener_category'' je ''AA|CS'' (i když dotaz uvádí jen ''AA'') a ''sp.syntactic_phrase'' je ''VP|NP'' (i když dotaz uvádí jen ''VP'').   * Pokud dotaz na atribut neobsahuje oddělovací znak (v tomto případě svislítko), tak dohledá všechny výskyty, kde alespoň jedna z dílčích hodnot odpovídá dotazu. Jinými slovy, první výše uvedený dotaz dohledá i segmenty, kde ''sp.langgener_category'' je ''AA|CS'' (i když dotaz uvádí jen ''AA'') a ''sp.syntactic_phrase'' je ''VP|NP'' (i když dotaz uvádí jen ''VP'').
-  * Pokud dotaz na atribut svislítko obsahuje, tak dohledá pouze výskyty přesně s uvedenými hodnotami v daném pořadí. Například dotaz ''<sp langgener_category=%%"AA\|CS"%%/>'' dohledá jen segmenty, kde  ''sp.langgener_category'' je přímo a doslova ''AA|CS'' (povšimněte si, že svislítko je v dotazu zapsané jako ''\|'', protože [[kurz:regularni_vyrazy#dalsi_specialni_symboly|svislítko samo o sobě má v regulárních výrazech speciální význam]]). Segmenty, kde má tento atribut hodnotu např. ''AA'', ''CS'', ''CS|AA'' nebo ''AA|CS|AA'' ve výsledcích nebudou.+  * Pokud dotaz na atribut svislítko obsahuje, tak dohledá pouze výskyty, které se přesně shodují s uvedenými hodnotami v daném pořadí. Například dotaz ''<sp langgener_category=%%"AA\|CS"%%/>'' dohledá jen segmenty, kde  ''sp.langgener_category'' je přímo a doslova ''AA|CS'' (povšimněte si, že svislítko je v dotazu zapsané jako ''\|'', protože [[kurz:regularni_vyrazy#dalsi_specialni_symboly|svislítko samo o sobě má v regulárních výrazech speciální význam]]). Segmenty, kde má tento atribut hodnotu např. ''AA'', ''CS'', ''CS|AA'' nebo ''AA|CS|AA''ve výsledcích nebudou.
 ===== Dostupnost dat přes repozitář LINDAT ===== ===== Dostupnost dat přes repozitář LINDAT =====