Následující verze | Předchozí verze |
cnk:nkjp [2018/03/24 11:52] – vytvořeno michalskrabal | cnk:nkjp [2018/11/06 10:25] (aktuální) – [Poziční anotace a značkování] adrianzasina |
---|
| ~~NOTOC~~ |
====== Korpus NKJP_1M ====== | ====== Korpus NKJP_1M ====== |
| |
Jde o milionový vzorek korpusu psané a mluvené(?) polštiny NKJP (//Narodowy korpus języka polskiego//)... blablabla chuja takiego... | 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 | nezařazená nebeletristická kniha | 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_1M 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]]. |
| |
| K originálnímu korpusu byla navíc přidána dvojice pozičních atributů: ''lc'' a ''lemma_lc'', díky nimž lze v korpusu vyhledávat [[pojmy:case-sensitive|bez ohledu na velikost písmen]]. |
| |
| ===== 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%> |
| Przepiórkowski,. A. – Degórski, Ł. – Murzynowski, G. – Szałkiewicz, Ł. – Czelakowska, A.– Savary, A. – Głowińska, K.: //NKJP_1M: ręcznie znakowany milionowy podkorpus NKJP//. Ústav Českého národního korpusu FF UK, Praha 2018. Dostupný z WWW: http://www.korpus.cz |
| |
| Degórski, Ł. – Przepiórkowski, A. (2012): Ręcznie znakowany milionowy podkorpus NKJP. In: A. Przepiórkowski – M. Bańko – R. L. Górski – B. Lewandowska-Tomaszczyk (eds), //[[http://nkjp.pl/settings/papers/NKJP_ksiazka.pdf|Narodowy Korpus Języka Polskiego]]//, pp. 51–58. Warszawa: Wydawnictwo Naukowe PWN. ISBN 978-83-01-16700-4. |
| </WRAP> |
| |
| //-- Adrian Zasina, Michal Škrabal// |
| |
FIXME | |