Korpus neformální mluvené češtiny s víceúrovňovým přepisem: ORTOFON

Korpus ORTOFON navazuje svou koncepcí sběru dat na korpusy neformální mluvené češtiny řady ORAL. Společně s korpusem DIALEKT se jedná o první dva mluvené korpusy češtiny, které disponují víceúrovňovým přepisem. Stejně jako korpusy řady ORAL shromažďuje i ORTOFON spontánní mluvený jazyk užívaný v neformálních situacích mezi mluvčími, kteří se znají. Podobně jako v korpusu ORAL2013 pocházejí mluvčí z celé České republiky a jsou o nich shromažďovány vybrané sociologické informace.

Korpus ORTOFON je také první korpus, který je plně vyvážený v rámci všech základních sociolingvistických kategoriích mluvčích (pohlaví, věková skupina, výše dosaženého vzdělání a oblast pobytu v dětství). Korpus je lemmatizován a morfologicky značkován stejně jako korpus ORAL, transkript je propojen se zvukovou stopou.

Korpus ORTOFON umožňuje zkoumat různé aspekty mluveného jazyka, tj. lexikum, morfologii, syntax, pragmatiku, výstavbu dialogu. Korpus není primárně určen pro dialektologický ¹⁾ či fonetický výzkum, přesto zjednodušený fonetický přepis umožňuje ověřit existenci výslovnostních či regionálních variant nebo jevů souvisejících s výslovností.

Zveřejněním korpusu ORTOFON spolu se spojeným korpusem ORAL se uživatelům otvírá možnost zkoumání neformální mluvené češtiny v dosud nejrozsáhlejším komplexu dat z patnáctiletého období (2002-2017).

Korpus ORTOFON se skládá z 332 nahrávek z let 2012–2017 a obsahuje 1 013 565 textových slov, tj. celkem 1 240 147 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.

Materiál byl sbírán v souladu s kritérii platnými pro korpusy řady ORAL. Vzhledem k fonetické vrstvě přepisu byl kladen vyšší důraz na kvalitu nahrávek. Regionální původ mluvčích zahrnutých v korpusu ukazuje následující mapa. Hranice jednotlivých nářečních oblastí byly pro korpusy ORTOFON i DIALEKT zpřesněny.

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.

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 ²⁾. Cílem tohoto opatření bylo omezit vliv idiolektu.

• Víceúrovňový přepis: Přepis mluveného jazyka 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 transkripční zásady.
• Pauzová interpunkce založená na délce pauz: Část korpusu 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 je každá kombinace čtyř sociolingvistických proměnných prezentována jako stejně velká skupina, srov. ORAL2013.
• Pestré zastoupení mluvčích z celé České republiky: Vymezení jednotlivých nářečních oblastí vychází z nářečního členění používaného v Českém jazykovém atlase, hranice oblastí však byly zpřesněny (viz 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. ORAL2013. V korpusovém manažeru KonTextu jsou zobrazeny jako strukturní atributy (více viz hledání v korpusu ORTOFON).
• Dostupnost audia: Celý korpus OROTOFON je propojen se zvukem, takže je možná si vyhledanou konkordanci poslechnout (u korpusu ORAL jenom ORAL-Z a ORAL2013.
• Nové metainformace: Byl rozšířen soubor metainformace sbíraných k celé nahrávce i jednotlivým mluvčím. Více viz přehled strukturních atributů.

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