cnk:ortofon - 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.
====== Korpus neformální mluvené češtiny s víceúrovňovým přepisem: ORTOFON ======

Korpus ORTOFON zachycuje spontánní mluvený jazyk používaný v neformálních situacích mezi mluvčími, kteří se znají. Navazuje svou koncepcí sběru dat na korpusy neformální mluvené češtiny řady [[cnk:oral|ORAL]]. Nahrávky jsou přepisovány ve dvou stopách – ortografické a fonetické. Společně s korpusem [[cnk:dialekt|DIALEKT]] se jedná o první dva mluvené korpusy češtiny, které disponují víceúrovňovým přepisem. Podobně jako v korpusu [[cnk:oral2013|ORAL2013]] pocházejí mluvčí z celé České republiky a jsou o nich shromažďovány vybrané sociologické informace. Korpus je lemmatizován a morfologicky značkován. Přepis je propojen se zvukovou stopou a v korpusovém rozhraní KonText si lze zvukový záznam přehrát.

Korpus ORTOFON umožňuje zkoumat různé aspekty mluveného jazyka, tj. lexikon, morfologii, syntax, pragmatiku, výstavbu dialogu. Korpus není primárně určen pro dialektologický((Pro tento typ výzkumu je určen korpus [[cnk:dialekt|DIALEKT]].)) či fonetický výzkum, ale přesto zjednodušený fonetický přepis umožňuje ověřit existenci výslovnostních či regionálních variant nebo jevů souvisejících s výslovností.

Korpus ORTOFON spolu se spojeným korpusem [[cnk:oral|ORAL]] uživatelům umožňuje zkoumání neformální mluvené češtiny v dosud nejrozsáhlejším komplexu dat z období let 2002–2020.

<WRAP 45%>
^ <fs medium>Název</fs> | <fs medium>[[cnk:ortofon|ORTOFON]]•v1</fs> | <fs medium>[[cnk:ortofon|ORTOFON]]•v2</fs> | <fs medium>[[cnk:ortofon|ORTOFON]]•v3</fs> |
^ Počet [[pojmy:token|pozic (tokenů)]] |  1 236 508 |  2 560 590 |  2 976 740 |  
^ Počet [[pojmy:token|pozic (tokenů)]] bez interpunkce, hezitačních a citoslovečných zvuků a komentářů |  1 014 786 |  2 101 214 |  2 388 972 |
^ Počet [[pojmy:word| slovních tvarů (wordů)]] |  65 294 |  101 502 |  110 127 | 
^ Počet [[seznamy:strukturni_atributy_mluvene|nahrávek rozhovorů]] |  332 |  615 |  697 |
^ Počet [[seznamy:strukturni_atributy_mluvene|promluv]] |  172 736 |  360 248 |  419 533 |
^ Počet unikátních (různých) mluvčích |  624 |  960 |  1 121 | 
^ Délka nahrávek [hh:mm:ss.ms] |  102:41:14.247 |  210:09:35.155 |  243:00:07.23 |  
</WRAP>

===== Sběr dat =====

Korpus zachycuje výhradně neformální, spontánní a přirozené situace. Materiál byl sbírán v souladu s [[cnk:oral2013#slozeni_korpusu_a_sber_dat|kritérii]] platnými pro korpusy řady ORAL:

  * fyzická přítomnost všech mluvčích na jednom místě (výjimkou jsou telefonní rozhovory na hlasitý odposlech, příp. komunikace přes Skype nebo Zoom, kdy jsou zaznamenáváni všichni zúčastnění mluvčí po celou dobu rozhovoru);
  * dialogičnost promluv (rozhovor dvou nebo více mluvčích);
  * vzájemný blízký vztah mluvčích;
  * nepřipravenost, spontánnost projevu;
  * neveřejná a neoficiální komunikační situace.

Vzhledem k tomu, že byla ručně zpracovávána fonetická stopa v přepisu, byl kladen vyšší důraz na kvalitu nahrávek. O situaci i mluvčích byly zaznamenány vybrané sociologické údaje. Nahrávky zachycují dospělé rodilé mluvčí českého jazyka pocházející ze všech částí České republiky.
Maximální možné míry autenticity jednotlivých nahrávek bylo dosaženo tak, že mluvčí většinou nebyli o nahrávání informováni předem, ale až po jeho skončení. Všichni nahraní mluvčí souhlasili s použitím nahrávek pro účely ČNK. 

===== Strukturní atributy korpusu ORTOFON =====

Struktury a strukturní atributu korpusu ORTOFON jsou popsány na [[seznamy:strukturni_atributy_mluvene#strukturni_atributy_korpusu_ortofon_a_spojeneho_korpusu_oral|zvláštní stránce]].


===== Morfologické značkování korpusu ORTOFON =====

Korpus ORTOFON v3 je automaticky [[pojmy:anotace|anotován]], a to [[seznamy:tagy|novou morfologickou značkou]] podle standardu SYN2020. Jsou v něm mj. rozpoznány [[pojmy:agregat|agregáty]] (např. //vidělas//, //zač//), využívá se [[cnk:syn2020:lemmatizace|dvojúrovňové lemmatizace]] a k dispozici je i slovesná značka ([[pojmy:verbtag|verbtag]]). 

V korpusu jsou označkovány i substandardní varianty a tvary typické pro nářečí a spontánní mluvenou řeč. Zvláštní varianty slov jsou odlišené vlastním sublemmatem (např. //poslúchat// pod lemmatem //poslouchat//), zvláštní tvary značkované jen v mluveném korpusu mají na poslední pozici tagu číslo ''%%9%%'' (např. tvar //jezdijó// má tag ''%%VB-P---3P-AAI-9%%''). 

Na první pozici tagu (slovní druh) jsou dále použity tyto specifické značky:

^  Značka  ^  Význam  ^
|  E	| fragmenty (nedořečená slova) |
|  H    | neverbální zvuky (např. hezitační) |
|  M	| komentáře přepisujících (v kulatých závorkách) |
|  W	| anonymizované úseky (především jména) | 

Pozn. Anonymizované úseky jsou specifikovány na základní rovině ''%%word%%'': NP – příjmení, NJ – křestní jméno, NN – přezdívka, NM – místní jméno, NO – ostatní vlastní jména, NT – poslední dvojčíslí telefonního čísla.

Korpusy ORAL v1, ORTOFON v1 a v2 a DIALEKT v1 a v2 jsou označkované [[seznamy:tagy_archiv|původní morfologickou značkou]] (ve verzi bez značení kategorie vidu). Podrobné informace k anotaci těchto dříve zveřejněných korpusů jsou uvedeny na [[cnk:lemtag_mluv|zvláštní stránce]].

===== Rozdíly mezi korpusem ORAL a ORTOFON =====

  * **Víceúrovňový přepis**: Korpus ORAL obsahuje jednu rovinu přepisu, která se snaží zachytit variabilitu mluveného jazyka běžným pravopisem a bez použití speciálních znaků. Přepis nahrávek je v korpusu ORTOFON realizován na dvou rovinách: **ortografické** a **fonetické**. Ortografická rovina slouží primárně k porozumění nahranému rozhovoru a orientaci v něm, zatímco fonetická rovina zachycuje skutečnou realizaci vyřčeného pomocí upraveného fonetického přepisu. Tyto dvě roviny doprovází ještě **metajazyková**, která zachycuje doprovodné zvuky produkované mluvčími (např. smích, kašel) nebo přítomné v okolí s možností ovlivnit rozhovor (např. zvonění telefonu může vést k přerušení dialogu). Více viz [[cnk:ortofon:pravidla|transkripční zásady]].
  * **Pauzová interpunkce založená na délce pauz**: Část korpusu [[cnk:oral|ORAL]], konkrétně ORAL2013 a ORAL-Z, obsahuje pauzovou interpunkci založenou na intuitivním rozlišení kratších a delších pauz podle tempa mluvy konkrétního mluvčího. V korpusu ORTOFON jsou rozlišovány tři druhy pauz podle časového kritéria: předěly (méně než 120 ms), pauzy (120 ms – 2 s), dlouhé pauzy (delší než 2 s).
  * **Plná vyváženost korpusu**:  V korpusu ORTOFON v1 je každá kombinace čtyř sociolingvistických proměnných prezentována jako stejně velká skupina, srov. [[cnk:oral2013#co_ma_oral2013_s_korpusy_oral2006_a_oral2008_spolecneho|ORAL2013]].
  * **Pestré zastoupení mluvčích z celé České republiky**: Vymezení jednotlivých nářečních oblastí vychází z nářečního členění používaného v [[http://cja.ujc.cas.cz/cja.html|Českém jazykovém atlase]], hranice oblastí však byly zpřesněny (viz [[cnk:dialekt#mapa_narecnich_oblasti_cr|mapa nářečních oblastí]]). Při sběru dat bylo dbáno na variabilitu mluvčích i obcí, z nichž pocházejí.
  * **Rozšíření segmentu k poslechu**: Segment odděleného transkriptu může být dlouhý až 25 slov, což zlepšuje možnosti poslechu zvukového segmentu.
  * **Jiný způsob značení překryvů**: Překryvy jsou v traskriptu značeny hranatými závorkami, nejsou oddělovány ve zvuku, aby bylo možné je lépe poslouchat, srov. [[cnk:oral2013|ORAL2013]]. V korpusovém manažeru KonTextu jsou zobrazeny jako [[pojmy:atributy_strukturni#strukturni_atributy_mluvenych_korpusu|strukturní atributy]].
  * **Dostupnost audia**: Celý korpus ORTOFON je propojen se zvukem, takže je možné si vyhledanou konkordanci poslechnout (u korpusu [[cnk:oral|ORAL]] jenom části ORAL-Z a ORAL2013).
  * **Nové metainformace**: Byl rozšířen soubor metainformací sbíraných k celé nahrávce i jednotlivým mluvčím. Více viz [[pojmy:atributy_strukturni#strukturni_atributy_korpusu_ortofon|přehled strukturních atributů]].
===== ORTOFON v1 (2017) =====

Ve své první verzi, zveřejněné v roce 2017, byl korpus ORTOFON prvním korpusem, který byl plně vyvážený v rámci všech základních sociolingvistických kategoriích mluvčích (pohlaví, věková skupina, výše dosaženého vzdělání a oblast pobytu v dětství).\\
Korpus ORTOFON v1 se skládá z 332 nahrávek z let 2012–2017 a obsahuje 1 014 786 textových slov, tj. celkem 1 236 508 pozic; v sondách vystupuje celkem 624 různých mluvčích. Nahrávky byly pořizovány v Čechách, na Moravě i ve Slezsku, jejich celková délka je téměř 103 hodin. Více kvantitativních údajů o složení korpusu je k dispozici na stránce [[cnk:struktura_ortofon|složení korpusu]].
===== Vyváženost korpusu ORTOFON v1 =====

Již při sběru dat bylo dbáno na maximální možnou variabilitu mluvčích v rámci všech nářečních oblastí. Materiál byl proto průběžně vyvažován v rámci základních čtyř sociolingvistických kategorií: pohlaví, věk, nejvyšší dosažené vzdělání a nářeční oblast, v níž mluvčí strávil většinu života do svých 15 let. První tři kategorie, tj. pohlaví, věk, vzdělání, byly rozděleny binárně (viz obrázek), čtvrtá kategrie byla rozvržena do deseti skupin, tj. deseti nářečních oblastí. Následující obrázek představuje rozvržení binárních kategorií v rámci jedné nářeční oblasti. Každá oblast by tedy měla obsahovat stejný počet slov od mužů a žen, od osob ve věku 18–34 let a starších 35 let, od osob s nejvyšším dosaženým vzděláním maturitním a vysokoškolským.

[{{:cnk:ortofon-vysece.png?400 | Rozvržení binárních sociolingvistických kategorií v jedné nářeční oblasti. }}]

Základní koncepcí byla myšlenka stejného proporčního zastoupení uvedených sociolingvistických kategorií, uplatňovaných při sběru materiálu u všech mluvených korpusů ČNK. S ohledem na cílenou velikost korpusu (1 000 000 slov) byla pro každou kategorii prezentovanou kombinací čtyř proměnných – pohlaví (2) × věk (2) × vzdělání (2) × nářeční oblast pobytu do 15 let (10) – stanovena cílová hranice 12 500 slov.
Ve snaze o co největší pestrost mluvčích v rámci každé kategorie byl stanoven minimální limit pět různých mluvčích ((Feagin, C. (2002). Entering the community: Fieldwork. Chambers, J. K., Trudgill, P. and Schilling-Estes, N., editors, //The Handbook of Language Variation and Change//, 20–39. Blackwell Publishing, Malden, MA.)). Cílem tohoto opatření bylo omezit vliv idiolektu. 

===== ORTOFON v2 (2020) =====

V roce 2020 byla zveřejněna rozšířená verze korpusu obsahující nahrávky z let 2012–2019. Na rozdíl od první verze **není vyvážená**, jejím cílem je zpřístupnit co největší množství sebraného materiálu. Sběr neformálních dialogů pokračuje a část staršího materiálu se pro vydání zatím ještě připravuje, ale i tak je nárůst oproti předchozí verzi dvojnásobný. Krom toho korpus obsahuje mnohá drobná vylepšení v konzistentnosti transkripce a v anotaci.

===== ORTOFON v3 (2024) =====

V roce 2024 byla zveřejněna 3. verze korpusu ORTOFON. Obsahuje xxx slov a na xxx nahrávkách, pořízených v letech 2012-2020 a čítajících xxx minut, zachycuje xxx mluvčích pocházejících z celé České republiky. Zahrnuje v sobě data i z obou předchozích verzí. Byla provedena řada oprav a sjednoceny rozkolísané jevy. Korpus ORTOFON v3 je automaticky anotován podle standardu SYN2020, více viz [[wiki.korpus.cz/doku.php/cnk:ortofon#morfologicke_znackovani_korpusu_ortofon|výš]].

===== Poděkování =====

Děkujeme všem spolupracovníkům, kteří se podíleli na pořízení nahrávek, jejich přepisu a kontrole. 

Jmenovitě chceme poděkovat především koordinátorům přepisu: PhDr. Iloně Adámkové, Mgr. Vendule Hálkové, dr. Daně Hlaváčkové, Mgr. Lence Klatovské, Mgr. Anně Marklové, PhDr. Evě Pasáčkové, Mgr. Pavle Smolové, Marice Svojanovské, Mgr. Pavlu Šturmovi, dr. Miloslavu Vondráčkovi a Mgr. Lence Zábojové.

===== Jak citovat =====

<WRAP round tip 70%>
Kopřivová, M. – Laubeová, Z. – Lukeš, D. – Poukarová, P. – Škarpová, M.: //ORTOFON v2: Korpus neformální mluvené češtiny s víceúrovňovým přepisem//. Ústav Českého národního korpusu FF UK, Praha 2020. Dostupný z WWW: http://www.korpus.cz

Kopřivová, M. – Komrsková, Z. – Lukeš, D. – Poukarová, P. – Škarpová, M.: //ORTOFON v1: Korpus neformální mluvené češtiny s víceúrovňovým přepisem//. Ústav Českého národního korpusu FF UK, Praha 2017. Dostupný z WWW: http://www.korpus.cz

Komrsková, Z. - Kopřivová, M. - Lukeš, D. - Poukarová, P. - Goláňová, H. (2017): New Spoken Corpora of Czech: ORTOFON and DIALEKT. //Jazykovedný časopis//, 68(2), 219-228. ISSN 0021-8897.

Kopřivová M. – Goláňová H. – Klimešová P. – Komrsková Z. – Lukeš D. (2014): Multi-tier Transcription of Informal Spoken Czech: The ORTOFON Corpus Approach. In //Complex Visibles Out There//. Olomouc: Univerzita Palackého v Olomouci, 529-544.

Kopřivová M. – Goláňová H. – Klimešová P. – Lukeš D.(2014): Mapping Diatopic and Diachronic Variation in Spoken Czech: the ORTOFON and DIALEKT Corpora. In //Proceedings of the 9th International Conference on Language Resources and Evaluation (LREC 2014)//. Reykjavík, Iceland, European Language Resources Association, 376-382.
</WRAP>

===== Související odkazy =====

<WRAP round box 72%>
[[cnk:ortofon:pravidla|Pravidla pro přepis nahrávek v korpusu ORTOFON]] • [[ORAL]] • [[ORAL2006]] • [[ORAL2008]] • [[ORAL2013]] • [[PMK]] • [[BMK]] • [[SCHOLA2010]] • [[cnk:dialekt|Dialekt]] • [[pojmy:mluveny|Korpus mluveného jazyka]] • [[pojmy:atributy_strukturni#strukturni_atributy_korpusu_rady_oral|Struktura korpusů ORAL]] • [[kurz:hledani_v_mluvenych_korpusech|Hledání v mluvených korpusech]] • [[cnk:lemtag_mluv|Lemmatizace a tagování mluvených korpusů]]
 </WRAP>
Historie: • agregat • abc_seznamy • tagery • totalita • parent • prace • skript_vyhledavani_a_subkorpusy • pmk • hotko • strukturni_atributy_mluvene