cnk:syn2020:tag - 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 SYN2020: Morfologické značkování ======

Morfologická značka (tag) má **15 pozic** (místo dřívějších 16 pozic). Značení **slovesného vidu** se přesouvá ze zrušené 16. pozice na původně neobsazenou 13. pozici, jinak je struktura tagu totožná s dosavadními korpusy řady SYN. Následuje podrobný přehled změn značek na jednotlivých pozicích v tagu.


===== 1. pozice Slovní druh =====

==== Cizí slovo (F) ====

Slovní druh **F** je přiřazen rozpoznaným cizím slovům a slovním tvarům, které se v češtině neskloňují/nečasují a které se obvykle vyskytují jen ve víceslovných cizojazyčných citacích nebo v rámci názvů. 

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.

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).
==== Zkratka (B) ====

Nový slovní druh **B** nahrazuje dosavadní značení zkratky na 15. pozici (pomocí hodnoty **8**). Slovní druh je přiřazen jednoslovným zkratkám, akronymům a zkratkovým slovům, která nemění svůj tvar, např. //prof//, //tzv//, //ODS//, //DAMU//. 

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//).

Poznámka: běžně skloňovaná zkratková slova (např. //ČEDOK//, //mašíbl//, //smska//) mají slovní druh podle své funkce ve větě. 

==== Segment (S) ====

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 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----%%.

==== Slovnědruhové přehodnocení některých skupin ====

=== Číslovky ===

Značení **číslovek (C)** bylo rozšířeno na úkor jiných slovních druhů. Jako číslovky jsou oproti dřívějším korpusům řady SYN značena:
  * **původní substantiva**: základní číslovky substantivně skloňované (//sto//, //tisíc//, //milion//, //miliarda// atd.); několik číslovek dílových (//polovina//, //půl//, //polovic//, //čtvrt//); všechny úhrnné číslovky (//čtvero//, //patero//, //desatero// atd.; //dvé//, //tré//) 
  * **původní adjektiva**: násobné číslovky adjektivně skloňované (např. //dvojitý//, //čtyřnásobný//, //mnohonásobný//)
  * **původní adverbia**: násobné číslovky adverbiální (//osminásobně//, //dvojnásob//, //několikanásobně//), některé adverbiální spřežky (//nadvakrát//, //zatřetí//, //naponěkolikáté//)

Dochází tak k většímu souladu značkování číslovek v korpusu s tradičním dělením číslovek ve slovnících a gramatikách. K podrobnému dělení číslovek viz další oddíl.

=== Predikativa ===

Bylo rozšířeno značení tvarů **predikativ jako adverbií (D)**, a to na úkor dřívějšího značení těchto tvarů jako substantiv (N) (//černo//, //čerstvo//), nebo jako jmenných tvarů adjektiv (A, detailní určení slovního druhu C) (//ošklivo//, //vhodno//, //možno//). Řadě predikativ byly také přidány stupňované tvary, aby je bylo možno přiřadit k různým lemmatům (tvar //čistěji// v kontextu //pokoj vypadá čistěji// patří k lemmatu //čistě//), v kontextu //je tu čistěji// k lemmatu //čisto//).

=== 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//). 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: 
  * tvary, které mohou fungovat jako predikativum (D) (//je sladko žít//) i jako jmenný tvar (A) (//na sladko//), se ve značkování rozlišují;
  * tvary, které standardně fungují jen po předložce jako součást adverbiale (//na stojato//, //na kolmo//), jsou vždy značeny jako jmenné tvary (A); 
  * tvary, které fungují primárně jako standardní adverbium (//dlouho//), se naopak vždy označují jako D (tedy i ve spojení //na dlouho//).

===== 2. pozice Detailní určení slovního druhu =====

Souhrnný přehled značek na 1. a 2. pozici najdete na [[cnk:syn2020:tag:prehled_pozic_1_a_2|zvláštní stránce]].

Původní funkce některých značek byly kvůli změnám ve slovnědruhovém značení **zrušeny**:
  * **!**, **.**, **;**, **~**, **3** (dříve různé typy zkratek)
  * **?** (dříve typ číslovky)
  * **0**, **Y** (dříve různé typy dnešních agregátů)
  * **2** (dříve slova před pomlčkou)

Pro detailní určení nových slovních druhů byly **zavedeny** výše uvedené značky:
  * **%** (cizí slova)
  * **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]].

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):

==== Nové členění číslovek ====

Číslovky se nově člení podle tří os: a) základní sémantiky, b) určitosti/neurčitosti, c) typu flexe. 

Tento systém drobně porušují pouze kategorie **l** (kde je kromě určitých číslovek zahrnuta i číslovka neurčitá //nejeden//), kategorie **z** (kde jsou zahrnuty i číslovky //sto// a //tisíc// s dvojím způsobem skloňování) a kategorie **y** (kde se číslovky //půl//, //čtvrt// a //polovic// ve skloňování částečně odlišují od ostatních číslovek dílových).

^ 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 |
| **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“ |
| **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') |
| **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“ …) |
| **d** | číslovka druhová a souborová | "dvojí", "obojí", "čtverý", "desaterý"  včetně tvarů "dvoje", "oboje", "čtvery", "desatery"; "obé"; "jedny" | číslovka druhová, adjektivní skloňování („jedny“, „dvojí“, „desaterý“ …) |
| **h** | číslovka druhová a souborová neurčitá a tázací | "několikerý", "tolikerý", "kolikerý" včetně tvarů "několikery", "tolikery", "kolikery"; "nejedny" | číslovky druhové „jedny“ a „nejedny“ |
| **j** | číslovka úhrnná | "čtvero", "patero", "devatero", "dvé", "tré" | číslovka druhová >= 4, substantivní postavení („čtvero“, „desatero“ …) |
| **k** | číslovka úhrnná neurčitá a tázací | "několikero", "tolikero", "kolikero" | číslovka druhová >= 4, adjektivní postavení, krátký tvar („čtvery“ …) |
| **u** | číslovka násobná (adjektivní typ) | "dvojitý", "trojitý"; "dvojnásobný", "osminásobný"; "desateronásobný"... | číslovka tázací násobná „kolikrát“ |
| **3** | číslovka násobná neurčitá a tázací (adjektivní typ) | "mnohonásobný", "xnásobný", "kolikanásobný"... | zkratka jako číslovka |
| **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“ …) |
| **=** | 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 |

Byla zrušena značka **?**, která vymezovala jedinou číslovku //kolik//.
	
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 tag již nemá 16. pozici. Možné hodnoty jsou **I**, **P** a **B**.

===== 15. pozice Varianta =====

Hodnota číslo **8** (dosud vyhrazená zkratkám) se nově využívá jako značka pro další hovorovou variantu následující po číslech **6** a **7**.

\\
%%%% >> [[cnk:syn2020|Zpět na hlavní stránku Korpus SYN2020]]
Historie: • tag • gen2 • ortofon • audience • nahodne_vzorky • skript_vyhledavani_a_subkorpusy • orwell • asociacni_miry • strukturni_atributy_intercorp • online