cnk:nkjp - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
~~NOTOC~~
====== Korpus NKJP_1M ======

Korpus NKJP_1M je ručně označkovaný milionový subkorpus [[http://nkjp.pl|Národního korpusu polského jazyka]] (NKJP – //Narodowy Korpus Języka Polskiego//) složený ze vzorků různorodých textů (viz níže) a obsahující 1 milion textových slov. Jde o korpus současné polštiny s texty vydanými po roce 1945, zahrnující komunikaci psanou, mluvenou a webovou. Korpus je [[pojmy:lemma|lemmatizovaný]] a morfologicky [[pojmy:tag|tagovaný]] a co do kategorizace textů [[pojmy:reprezentativnost|reprezentativní]]. 

<WRAP right 35%>
^ <fs medium>Název</fs> ^^ <fs medium>NKJP_1M</fs> ^
^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] |  1 215 513 |  
^ ::: ^ Počet pozic bez interpunkce |  992 014 |  
^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] |  143 477 |  
^ ::: ^ Počet [[pojmy:lemma|lemmat]] |  54 174 |
^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] <doc> |  3 889 |
^ ::: ^ Počet odstavců <p> |  18 484 |
^ ::: ^ Počet vět <s> |  85 663 |
^ Další informace ^ [[pojmy:referencni|Referenční]] |  ANO |  
^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] |  ANO |
^ ::: ^ Rok zveřejnění |  2018 |
</WRAP>

===== Klasifikace textů =====
Klasifikace textů v NKJP_1M kombinuje tradiční stylové a tematicko-žánrové členění textů. Dělení na žánry (v polské korpusové terminologii spíše //typy//) je často integrováno s dělením zohledňujícím médium (v polské korpusové terminologii spíše //komunikační kanál//), přičemž tyto dva typy členění zůstávají samostatné.
 
^Komunikační rovina^ doc.genre ^ Kategorie ^ Podíl ^
| psaná | #typ_publ | publicistika | 48,85 % |
| ::: | #typ_lit | beletrie | 17,04 % |
| ::: | #typ_fakt | literatura faktu |  5,34 % |
| ::: | #typ_inf-por | informativní texty |  5,62 % |
| ::: | #typ_urzed | právní texty |  2,97 % |
| ::: | #typ_nd | vědecko-naučné texty |  1,91 % |
| ::: | #typ_nklas | non-fiction |  1,00 % |
| ::: | #typ_listy | korespondence |  0,04 % |
| ::: | #typ_lit_poezja | poezie |  0,01 % |
| mluvená | #typ_qmow | kvazimluvené texty |  2,50 % |
| ::: | #typ_media | mluvené mediální texty |  2,07 % |
| ::: | #typ_konwers | mluvené konverzační texty |  5,57 % |
| webová | #typ_net_interakt | internetové interakční texty |  5,18 % |
| ::: | #typ_net_nieinterakt | internetové neinterakční texty |  1,91 % |

===== Poziční anotace a značkování =====

Oproti českým korpusům NKJP obsahuje navíc poziční atribut specifický pro polštinu:
  * ''[[pojmy:flexém| flexeme]]'' -- množina forem jednotně anebo téměř jednotně diferencovaných vzhledem ke gramatickým kategoriím jim určeným. FIXME

Oproti českým korpusům NKJP obsahuje navíc poziční atribut specifický pro polštinu, tzv. flexém. Jde o kategorii vycházející ze slovních druhů, jež jsou jejím prostřednictvím dále členěny do specifičtějších tříd lexémů. Tak jsou např. ze skupiny substantiv (//subst//) vydělována depreciativa (//depr//), kromě běžných adjektiv (//adj//) jsou rozlišovány jmenné tvary adjektiva a) jsoucí částí složeniny (//adja//, typ //biało-czerwony//, //sportowo-rekreacyjny//), b) jsoucí součástí předložkových skupin (//adjp//, typ //po polsku//, //od dawna//), c) v roli přísudku (//adjc//, typ //jestem pewien//, //był wesół i zdrów//), obzvláště jemná je distinkce slovesných kategorií (více než 10 různých flexémů).

Mimoto se liší polský tagset od českého, jeho podrobný popis (včetně výčtu všech flexémů) najdete [[http://nkjp.pl/poliqarp/help/ense2.html|zde]].

===== Struktura korpusu a strukturní značky =====

Struktura korpusu NKJP_1M má nejvyšší [[pojmy:atributy_strukturni|strukturní jednotku]] ''<doc>'', která je ve shodě s mezinárodní konvencí. Texty se dále člení do odstavců ''<p>'' a vět ''<s>''. Každá z těchto struktur je charakterizována konkrétními atributy, jejichž přehled uvádíme v následující tabulce. 
^ ''<doc>'' ^ Poznámka ^ ''<p>''  ^ Poznámka ^'' <s>''  ^ Poznámka ^
| title | název dokumentu | id | jednoznačný identifikátor | id | jednoznačný identifikátor |
| author | autor dokumentu |  |  |  |
| date | datum vydání |  |  |  | 
| publisher | vydavatel |  |  |  |   
| pubplace | místo vydání |  |  |  | 
| idno | jednoznačný identifikátor s informací o zdrojovém korpusu |  |  |  | 
| note | informace o zdrojovém korpusu |  |  |  |  
| genre | žánr (textový typ) |  |  |  |  | 
| medium | médium (komunikační kanál) |  |  |  | 
| id | jednoznačný identifikátor |  |  |  |

====== Jak citovat NKJP_1M ======

<WRAP round tip 70%>
Degórski, Ł. & Przepiórkowski, A. (2012). Ręcznie znakowany milionowy podkorpus NKJP. In A. Przepiórkowski, M. Bańko, R. L. Górski & B. Lewandowska-Tomaszczyk (eds), Narodowy Korpus Języka Polskiego. Warszawa: Wydawnictwo Naukowe PWN, 51–58.
</WRAP>

//-- Adrian Zasina, Michal Škrabal//
Historie: • txtype • prace • syn2006pub • dialekt • czesl-sgt • tagery • syn • gen1 • periodicity • prehled_pozic_1_a_2
Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence
