| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| cnk:syn2020:tag [2020/12/23 22:50] – [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 ====== |
| |
| 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 **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 ==== |
| * **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“ | |
| 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 ===== |
