| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| cnk:syn2020:tag [2020/12/23 16:54] – [Nové členění číslovek] vladmirpetkevic | cnk:syn2020:tag [2021/06/18 12:44] (aktuální) – [Segment (S)] jankrivan |
|---|
| ~~NOTOC~~ | |
| ====== Korpus SYN2020: Morfologické značkování ====== | ====== Korpus SYN2020: Morfologické značkování ====== |
| |
| U cizích slov se značkují pouze první dvě pozice. Na 1. pozici se uvádí hodnota **F**, na 2. pozici je vždy hodnota **%**. | U cizích slov se značkují pouze první dvě pozice. Na 1. pozici se uvádí hodnota **F**, na 2. pozici je vždy hodnota **%**. |
| |
| Jako cizí slova se označují jen vybraná cizí slova a slovní spojení, jež se často vyskytují v českých textech; mnoho cizích slov zůstává nerozpoznaných (tag %%X@---%%), v některých případech nebyla dosud odhalena (či správně vyřešena) homonymie cizích slov a tvarů českých slov. | Jako cizí slova se označují jen vybraná cizí slova a slovní spojení, jež se často vyskytují v českých textech; mnoho cizích slov zůstává nerozpoznaných (tag %%X@-------------%%), v některých případech nebyla dosud odhalena (či správně vyřešena) homonymie cizích slov a tvarů českých slov. |
| |
| Pojmenování cizího původu běžně fungující v českých větách (zvl. slova, která se v češtině skloňují) považujeme za slova česká, nesklonná slova, která samostatně v českých textech fungovat nemohou, označujeme jako cizí; ve spojení //přes New York//, tak bude mít token //New// slovní druh **F** (cizí slovo) a token //York// slovní druh **N** (substantivum). | Pojmenování cizího původu běžně fungující v českých větách (zvl. slova, která se v češtině skloňují) považujeme za slova česká, nesklonná slova, která samostatně v českých textech fungovat nemohou, označujeme jako cizí; ve spojení //přes New York//, tak bude mít token //New// slovní druh **F** (cizí slovo) a token //York// slovní druh **N** (substantivum). |
| |
| U zkratek se značkují pouze první dvě pozice. Na 1. pozici je hodnota **B**, na 2. pozici se uvádí detailní určení slovního druhu, který zkratka zastupuje, tedy např. **N** pro standardní substantiva, **R** pro předložky, **g** pro stupňovaná adverbia. | U zkratek se značkují pouze první dvě pozice. Na 1. pozici je hodnota **B**, na 2. pozici se uvádí detailní určení slovního druhu, který zkratka zastupuje, tedy např. **N** pro standardní substantiva, **R** pro předložky, **g** pro stupňovaná adverbia. |
| Např. //kol// může mít značku %%BN-------------%% (když zastupuje substantivum, např. slovo //kolega//) nebo %%BR-------------%% (když zastupuje předložku //kolem//). | Např. //kol// může mít značku %%BN-------------%% (když zastupuje substantivum, např. slovo //kolega//), nebo %%BR-------------%% (když zastupuje předložku //kolem//). |
| |
| Poznámka: běžně skloňovaná zkratková slova (např. //ČEDOK//, //mašíbl//, //smska//) mají slovní druh podle své funkce ve větě. | Poznámka: běžně skloňovaná zkratková slova (např. //ČEDOK//, //mašíbl//, //smska//) mají slovní druh podle své funkce ve větě. |
| Nový slovní druh **S** zahrnuje dva typy slovních částí: prefixoidy a sufixoidy. | Nový slovní druh **S** zahrnuje dva typy slovních částí: prefixoidy a sufixoidy. |
| |
| Jako **prefixoidy** se značkují první části složených slov, které se obvykle nevyskytují samostatně, ale v daném textu jsou odděleny (nejčastěji spojovníkem a mezerou) od následujícího slova, např. __//troj//__ //- až pětipodlažní//, původně psáno jako //troj- až pětipodlažní//). Značku **S** dostávají také vymezené slovní části, které byly z kompozita odtrženy procesem tokenizace (např. __//makro//__ //- úroveň//, původně psáno jako //makro-úroveň//; viz popis procesu [[cnk:syn2020:tokenizace]]). U prefixoidů se značkují pouze první dvě pozice. Na 2. pozici se vždy uvádí hodnota **2**. | Jako **prefixoidy** se značkují první části složených slov, které se obvykle nevyskytují samostatně, ale v daném textu jsou odděleny (nejčastěji spojovníkem a mezerou) od následujícího slova, např. __//troj//__ //- až pětipodlažní//, původně psáno jako //troj- až pětipodlažní//). Značku **S** dostávají také vymezené slovní části, které byly od kompozita odtrženy procesem tokenizace (např. __//makro//__ //- úroveň//, původně psáno jako //makro-úroveň//; viz popis procesu [[cnk:syn2020:tokenizace]]). U prefixoidů se značkují pouze první dvě pozice. Na 2. pozici se vždy uvádí hodnota **2**. |
| |
| Jako **sufixoidy** se značkují pouze striktně vymezené koncové části ohebných slov po lomítku (a případně po spojovníku), jimiž pisatel značí morfologickou alternativu: např. //učitel / // __//ka//__, //podepsal / -// __//a//__. V tagu sufixoidy přebírají na dalších pozicích všechny značky od morfologické třídy, kterou zastupují, např. //ka// z výše uvedeného příkladu bude mít tag %%SNFS1-----A----%%. | Jako **sufixoidy** se značkují pouze striktně vymezené koncové části substantiv a adjektiv po lomítku (a případně po spojovníku), jimiž pisatel značí morfologickou alternativu: např. //učitel / // __//ka//__, //pověřený / -// __//á//__. U slovesných příčestí (např. //viděl / a//, //unaven / -a//) budou kvůli chybě ve zpracování sufixoidy anotovány až od korpusu SYNv10. V tagu sufixoidy přebírají na dalších pozicích všechny značky od morfologické třídy, kterou zastupují, např. //ka// z výše uvedeného příkladu bude mít tag %%SNFS1-----A----%%. |
| |
| ==== Slovnědruhové přehodnocení některých skupin ==== | ==== Slovnědruhové přehodnocení některých skupin ==== |
| === Zvláštní jmenné tvary adjektiv === | === Zvláštní jmenné tvary adjektiv === |
| |
| Jako **jmenné tvary adjektiv (A, detailní určení slovního druhu C)** se nově značkují ustrnulé adjektivní tvary v rámci předložkové konstrukce, která celá funguje jako adverbiále (//po anglicku//, //do růžova//, //do mrtva//). Tyto tvary dostávají značku AC se značením pádu (např. //anglicku// ACNS6-----A----) a jejich lemma se rovná tvaru (tj. např. lemma //anglicku//). Dříve byly tyto tvary nejednotně značeny buď jako tvar teoretického substantiva (N) (lemma //anglicko//), nebo jako adverbium (D) (lemma //růžova//), nebo jako jmenný tvar adjektiva (A) (lemma //mrtvý//). | Jako **jmenné tvary adjektiv (A, detailní určení slovního druhu C)** se nově značkují ustrnulé adjektivní tvary v rámci předložkové konstrukce, která celá funguje jako adverbiále (//po anglicku//, //do růžova//, //do mrtva//). Tyto tvary dostávají značku AC se značením pádu (např. //anglicku// ACNS6-----A----) a jejich lemma se rovná tvaru (tj. např. lemma //anglicku//). Seznam ustrnulých jmenných tvarů je uveden ve [[cnk:syn2020:seznamy:jmenne_tvary_sublemmata#zvlastni_lemmatizace_ustrnulych_jmennych_tvaru_po_predlozkach|zvláštní sekci]]. Dříve byly tyto tvary nejednotně značeny buď jako tvar teoretického substantiva (N) (lemma //anglicko//), nebo jako adverbium (D) (lemma //růžova//), nebo jako jmenný tvar adjektiva (A) (lemma //mrtvý//). |
| |
| Poznámky ke značkování: | Poznámky ke značkování: |
| * **2** (prefixoidy) | * **2** (prefixoidy) |
| |
| V souvislosti se změnami v **tokenizaci** byla vytvořena nová značka **0** u slovního druhu **Z** pro identifikaci nekoncové interpunkce, která se týká tečky, dvojtečky, vykřičníku a spojovníku. Hodnotu **0** dostávají tečka za zkratkou (//např .//), iniciálou (//T . G . M.//) nebo pořadovou číslicí (//22 .//) uprostřed věty, dvojtečky mezi číslicemi (//16 : 30//), vykřičníky, které jsou součástí názvu (//Aha !//), a všechny spojovníky, které byly původně psány dohromady (//Rakousko - Uhersko//, //bude - li//), viz též stránka [[cnk:syn2020:tokenizace]]. | V souvislosti se změnami v **tokenizaci** byla vytvořena nová značka **0** u slovního druhu **Z** pro identifikaci nekoncové interpunkce, která se týká tečky, dvojtečky, vykřičníku a spojovníku. Hodnotu **0** dostávají tečka za zkratkou (//např .//), iniciálou (//T . G . M.//) nebo pořadovou číslicí (//22 .//) uprostřed věty, dvojtečky mezi číslicemi (//16 : 30//), vykřičníky, které jsou součástí názvu (//Aha !//), a všechny spojovníky, které byly ve zdrojovém textu psány dohromady (//Rakousko - Uhersko//, //bude - li//), viz též stránka [[cnk:syn2020:tokenizace]]. |
| |
| Komplexně bylo upraveno **členění číslovek**, u nichž byla funkce většiny značek pro detailní určení slovního druhu změněna (k slovnědruhovému značení číslovek viz též předchozí oddíl): | Komplexně bylo upraveno **členění číslovek**, u nichž byla funkce většiny značek pro detailní určení slovního druhu změněna (k slovnědruhovému značení číslovek viz též předchozí oddíl): |
| |
| ^ značka ^ nová funkce ^ příklady ^ původní funkce značky ^ | ^ značka ^ nová funkce ^ příklady ^ původní funkce značky ^ |
| | **l** | číslovka základní 1-4 + nejeden | "jeden", "dva", "oba", "tři", "čtyři", "nejeden" | číslovky základní 1--4, „půl“ …; "sto" a "tisíc" v nesubstantivním skloňování | | | **l** | číslovka základní 1--4 + nejeden | "jeden", "dva", "oba", "tři", "čtyři", "nejeden" | číslovky základní 1--4, „půl“ …; "sto" a "tisíc" v nesubstantivním skloňování | |
| | **n** | číslovky základní 5--99 + jejich slitky i s dalšími číslovkami | "pět", "šest", "dvacet", "pětaosmdesát"...; "dvacetpět", "pětset", "stotřicet", "pětapůl" … | číslovky základní >= 5 | | | **n** | číslovky základní 5--99 + jejich slitky i s dalšími číslovkami | "pět", "šest", "dvacet", "pětaosmdesát"...; "dvacetpět", "pětset", "stotřicet", "pětapůl" … | číslovky základní >= 5 | |
| | **z** | číslovka základní se substantivním skloňováním | "sto", "tisíc", "milion", "triliarda"...; "nula", "raz" | číslovka tázací řadová „kolikátý“ | | | **z** | číslovka základní se substantivním skloňováním | "sto", "tisíc", "milion", "triliarda"...; "nula", "raz" | číslovka tázací řadová „kolikátý“ | |
| | **a** | číslovka základní neurčitá a tázací | "mnoho", "tolik", "několik", "kdovíkolik", "kolik" | číslovka neurčitá („mnoho“, „málo“, „tolik“, „několik“, „kdovíkolik“ …) | | | **a** | číslovka základní neurčitá a tázací | "mnoho", "tolik", "několik", "kdovíkolik", "kolik" | číslovka neurčitá („mnoho“, „málo“, „tolik“, „několik“, „kdovíkolik“ …) | |
| | **y** | číslovka dílová | "půl" , "polovic", "čtvrt"; "polovina", "třetina", "osmina"...| zlomky zakončené na „-ina“ (značkováno jako slovní druh: číslovka - 'C') | | | **y** | číslovka dílová | "půl" , "polovic", "čtvrt"; "polovina", "třetina", "osmina" ...| zlomky zakončené na „-ina“ (značkováno jako slovní druh: číslovka -- 'C') | |
| | **r** | číslovka řadová | "první", "druhý", "třetí", "pátý" | číslovky řadové | | | **r** | číslovka řadová | "první", "druhý", "třetí", "pátý" | číslovky řadové | |
| | **w** | číslovka řadová neurčitá a tázací | "tolikátý", "několikátý", "kolikátý" | číslovky neurčité s adjektivním skloňováním („nejeden“, „tolikátý“, „několikátý“ …) | | | **w** | číslovka řadová neurčitá a tázací | "tolikátý", "několikátý", "kolikátý" | číslovky neurčité s adjektivním skloňováním („nejeden“, „tolikátý“, „několikátý“ …) | |
| | **v** | číslovka násobná (adverbiální typ, včetně spřežek) | "pětkrát", "osminásobně", "trojnásob", "jednou", "raz", "dvojitě", "čtvermo", "nadvakrát", "poprvé", "začtvrté", "napodesáté" | číslovky násobné („-krát“: „pětkrát“, „poprvé“ …) | | | **v** | číslovka násobná (adverbiální typ, včetně spřežek) | "pětkrát", "osminásobně", "trojnásob", "jednou", "raz", "dvojitě", "čtvermo", "nadvakrát", "poprvé", "začtvrté", "napodesáté" | číslovky násobné („-krát“: „pětkrát“, „poprvé“ …) | |
| | **o** | číslovka násobná neurčitá a tázací (adverbiální typ, včetně spřežek) | "mnohokrát", "několikanásobně", "xkrát", "bůhvíkolikrát", "nejednou", "naněkolikrát","pokolikáté", "naponěkolikáté" | číslovky násobné neurčité („-krát“: „mnohokrát“, „tolikrát“ …) | | | **o** | číslovka násobná neurčitá a tázací (adverbiální typ, včetně spřežek) | "mnohokrát", "několikanásobně", "xkrát", "bůhvíkolikrát", "nejednou", "naněkolikrát","pokolikáté", "naponěkolikáté" | číslovky násobné neurčité („-krát“: „mnohokrát“, „tolikrát“ …) | |
| | **=** | číslo psané arabskými číslicemi | "12", "42", "1,5" | číslo psané číslicemi (značkováno jako slovní druh: číslovka - 'C') | | | **=** | číslo psané arabskými číslicemi | "12", "42", "1,5" | číslo psané číslicemi (značkováno jako slovní druh: číslovka -- 'C') | |
| | **}** | číslo psané římskými číslicemi | "VII", "XXVI" | číslovka psaná římskými číslicemi | | | **}** | číslo psané římskými číslicemi | "VII", "XXVI" | číslovka psaná římskými číslicemi | |
| |
| Poznámka: U druhových a souborových číslovek se nově nerozlišuje, zda jde o číslovku s adjektivním dlouhým skloňování (původní lemma //čtverý//), nebo o číslovku se jmenným adjektivním skloňováním (původní lemma //čtvery//). Nově jsou všechny tyto číslovky lemmatizovány jen dlouhým tvarem na -ý (//čtverý//). | Poznámka: U druhových a souborových číslovek se nově nerozlišuje, zda jde o číslovku s adjektivním dlouhým skloňování (původní lemma //čtverý//), nebo o číslovku se jmenným adjektivním skloňováním (původní lemma //čtvery//). Nově jsou všechny tyto číslovky lemmatizovány jen dlouhým tvarem na -ý (//čtverý//). |
| |
| | ===== 13. pozice Vid ===== |
| | |
| | Dříve nevyužívaná 13. pozice se nyní používá pro slovesný vid, a proto již tag nemá 16. pozici. Možné hodnoty jsou **I**, **P** a **B**. Na rozdíl od předchozích korpusů je značka **B** vyhrazena pro skutečná obouvidá slovesa (např. //soustředit se//, //analyzovat//, apod.), zatímco slovesa vidově homonymní (např. //zahýbat//, //nalétat// apod.) jsou desambiguována. |
| |
| ===== 15. pozice Varianta ===== | ===== 15. pozice Varianta ===== |
