| Both sides previous revisionPrevious revisionNext revision | Previous revision |
| en:manualy:syd [2016/12/07 20:13] – veronikapojarova | en:manualy:syd [2021/03/09 15:10] (current) – jankocek |
|---|
| ====== SyD ====== | ====== SyD ====== |
| |
| {{ kurz:syd-logo.png?direct&200|}} | {{ :manualy:syd_logo.png?nolink&200|}} |
| |
| The SyD application (for the analysis of **Sy**nchronic and **D**iachronic variants) serves primarily to study competing linguistic phenomena. It serves as a supplementation of the more universal [[en:pojmy:korpusovy_manazer|corpus managers]], and can quickly and easily provide corpus results to lay users. As its name suggests, the application has two (essentially separate) parts: | The SyD application (for the analysis of **Sy**nchronic and **D**iachronic variants) serves primarily to study competing linguistic phenomena. It serves as a supplementation of the more universal [[en:pojmy:korpusovy_manazer|corpus managers]], and can quickly and easily provide corpus results to lay users. As its name suggests, the application has two (essentially separate) parts: |
| ===== The Synchronic part ===== | ===== The Synchronic part ===== |
| |
| In the synchronic part the user can input two (or even more) phenomena which he wants to compare. Konkurence se může týkat jak jejich pravopisné podoby (např. //filozofie// vs. //filosofie//), tak jejich morfologie (//bychom// vs. //bysme//), lze ale zkoumat i konkurenci lexikologickou (//stále// vs. //pořád// vs. //furt//), syntaktickou či slovoslednou (//sebe sama// vs. //sama sebe//). Dotazy můžou být formulovány velmi trivialně (stačí prosté zadání hledaného slova) nebo pomocí dotazovacího jazyka [[pojmy:cql|CQL]]. Aplikace všechny zadané dotazy vyhodnotí a zobrazí výsledky ve formě tabulek a grafů. | In the synchronic part the user can input two (or even more) phenomena which he wants to compare. The opposition may relate to their spelling (eg. //filozofie// vs. //filosofie//), or to their morphology (//bychom// vs. //bysme//), however it is also possible to study lexicological opposition (//stále// vs. //pořád// vs. //furt//), or even syntax and word order in general (//sebe sama// vs. //sama sebe//). The queries can be written very trivially (a simple input of the desired word will suffice) or with the help of a query language, [[en:pojmy:dotazovací_jazyk|CQL]]. The application will evaluate all queries and will display the results in the form of tables and graphs. |
| |
| Corpora used in the SyD application (in the 2.0 version): | Corpora used in the SyD application (in the 2.0 version): |
| * [[en:cnk:oral2006|Oral2006]] + [[en:cnk:oral2008|Oral2008]] + [[en:cnk:oral2013|Oral2013]] for spoken informal language | * [[en:cnk:oral2006|Oral2006]] + [[en:cnk:oral2008|Oral2008]] + [[en:cnk:oral2013|Oral2013]] for spoken informal language |
| |
| V synchronní části analýzy je možné využívat [[pojmy:lemma|lemmatizaci]] (tj. dotazovat se na celý lexém včetně všech jeho tvarů), při vyhodnocování výsledků je však třeba obezřetnosti. Zatímco v korpusech řady SYN se využívá standardní lemmatizace, data pro mluvenou češtinu a pro korespondenci lemmatizována nejsou a je zde proto rozsah lemmatu odhadován na základě psaného jazyka (dotaz je nejprve vyhodnocen v korpusu SYN2010 a na základě tvarů v něm identifikovaných je sestaven dotaz pro nelemmatizované korpusy). | In the synchronic part of the analysis it is possible to use [[en:pojmy:lemma|lemmatization]] (i.e. to search for an entire lexeme including all of its possible forms), however extra care must be taken when assessing the results. While the SYN series corpora use standard lemmatization, data for spoken Czech and for correspondence are not lemmatized, and therefore the extent of the lemma is estimated based on the written language (the query is first assessed in the SYN2010 corpus and based on the forms identified a query for the non-lemmatized corpora is constructed. |
| |
| Synchronní část poskytuje informaci o rozložení jevů v psaných textech (na základě [[pojmy:atributy_strukturni|strukturních atributů]] [[pojmy:txtype|txtype]] a [[pojmy:genre|genre]]) i v mluveném jazyce (na základě atribtutů pohlaví, věk, vždělání a regionální příslušnost). Všechny údaje jsou relativizovány s ohledem na velikost dané kategorie v korpusech. | The synchronic part provides information about the distribution of phenomena in written texts (based on the [[en:pojmy:atributy_strukturni|structural attributes]] //[[en:pojmy:txtype|txtype]]// and //[[en:pojmy:genre|genre]]//) and in spoken language (based on the attributes of gender, age, education and region). All data are made relative with regard to the size of the given category in the corpora. |
| |
| Pro analýzu lexikálních odlišností zkoumaných variant poskytuje aplikace SyD i zjednodušenou verzi [[pojmy:kolokace|kolokačních]] paradigmat k jednotlivým dotazům. | For the analysis of the lexical differences of the examined variants, the SyD application offers a simplified version of [[en:pojmy:kolokace|collocational]] paradigms to the individual queries. |
| |
| ===== The Diachronic part ===== | ===== The Diachronic part ===== |
| |
| Základem pro diachronní analýzu je korpus Diakon, který se skládá z textů korpusu [[cnk:diakorp|Diakorp]] rozšířených o další data z dřívějších podob češtiny, které dosud neprošly ruční kontrolou. Orientační výčet zdrojových textů do roku 1989 je k dispozici v sekci [[seznamy:index#zdrojove_texty_diachronnich_korpusu|seznamů]]. Nejmodernější období je reprezentováno výběrem ze synchronních korpusů řady [[cnk:syn|SYN]]. Vzhledem k tomu, že starší texty nejsou dosud [[pojmy:lemma|lemmatizovány]], je možné použít dotazy pouze na atribut [[pojmy:word|word]] (slovní tvar). | The basis for the diachronic analysis is the Diakon corpus which is composed of the [[en:cnk:diakorp|Diakorp]] corpus texts, expanded upon with data from earlier forms of Czech which have not yet been reviewed manually. A makeshift list of source texts before the year 1989 is available in the [[en:seznamy:index#zdrojove_texty_diachronnich_korpusu|lists]] section. The most modern period is represented by a selection from the synchronic corpora of the [[en:cnk:syn|SYN]] series. Due to the fact that the older texts are not yet [[en:pojmy:lemma|lemmatized]], it is possible to use only the [[en:pojmy:word|word]] attribute (word form) for queries. |
| |
| Aplikace SyD všechny zadané dotazy vyhodnotí a zjistí jejich relativní frekvenci v různých letech. Vzhledem k tomu, že pokrytí časové osy stále není optimální, je třeba brát časové údaje spíše orientačně a pro zobrazení trendů se užívá klouzavý průměr (s nastavitelným oknem). Zobrazení na časové ose obsahuje navíc ještě i míru chyby, s níž je třeba při analýze dat počítat. | The SyD application will evaluate all queries and find their relative frequencies in various timer periods. Because the coverage of all the time periods is not optimal, it is advisable to understand the temporal information to be more of an approximation, and to use a moving average (with an adjustable window) for displaying trends. The portrayal on the timeline also includes an error rate which should also be taken into account when analyzing data. |
| |
| ===== Application images ===== | ===== Application images ===== |
