hickok:problemy_lemmatizace - 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.
====== Problémy lemmatizace ======

Zde evidujeme problematické/nejasné případy lemmatizace tvarů ve staročeském a středněčeském etalonu. (**[[hickok:stc_strdc_ud|Základní dokumentace zde]]**.)

<fs larger>**<fc #ff0000>Nové problémy pište prosím červeně, ať máme odlišeno, co je ještě nedořešené.</fc>**</fs>

===== Lemmatizace slov nedochovaných do současné češtiny =====

obizný: lze nechat v této hláskové podobě (odpovídala by i stč. i nč.)

zvicě: v nč. hláskově odpovídá podoba zvice

doňedž: v nč. by odpovídalo donědž

leský: v nč. stejná hlásková podoba

omračiti: v nč. odpovídá omračit

ijeden: v nč. stejná hlásková podoba

jěšutenstvie: nč. ješitenství

skonaný: v nč. stejná podoba

slavitel, krmitel: stejná podoba v nč.??

počívati: //jak lematizovat do nč.??//

veštek: všechny deriváty od //veš// lemmatizovat jako //všechen//

lemma //okrsl//? nebo //okršl//?

hubenstvie: lemma //hubenství//

podvstati: lemma //podvstat// (?)

skazovati: lemma //skazovat//

prokní: //jak lemmatizovat v nč.???//

<fc #ff0000>sbrojě > sbroje </fc>

<fc #ff0000>čúš > totiž (?) </fc>

<fc #ff0000>junošě > jinoše (?) </fc>

===== Lemmatizace slov s přechodem k jinému flexivnímu typu  =====

==== substantiva ====

strážě > stráž

viečce > víčko (?? nebo nechat v podobě víčce?)

jmě > jméno

<fc #ff0000>hřěbí > hřebík</fc>

<fc #ff0000>panošě > panoš</fc>

<fc #ff0000>rámě > rameno (??? – formu rámě uvádí SSČ i Příručka, byť jako zastaralé)</fc>

<fc #ff0000>vojšče > vojště (ne vojsko); též f. vojska! </fc>

<fc #ff0000>markrabie, hrabie, purgrabie > markrabí, hrabí, purgrabí vs. markrabě, hrabě, purgrabě atd.</fc>

<fc #ff0000>kázn > kázeň</fc>
==== slovesa ====
- jako lemmata vždy uvádět formy podle současné češtiny (tj. neuvádět starší (původní) infinitivní formy)

přisieci > přisáhnout

uvrci > uvrhnout

<fc #ff0000>sžéci > sežehnout</fc>

obsiesti > obsednout

přijieti > přijmout

tvary //plovúcě//, //poplovú// lemmatizovat jako //plout//? (odpovídá stč. //plúti//, i když dnes tvary od //plout// zněly jinak, cca //plujíce//, //poplují//)

tvar //dune// lemmatizovat jako //dunout//? Je to stč. //dunúti//, dnes je tomu nejblíž sloveso //dout//, ale není to pravidelný přechod mezi konjug. typy.

tvary sloves typu //otvracovati//, //opuščovati//: Lemmatizovat jako //odvracovat//, //opušťovat//, nikoli jako //odvracet//, //opouštět//, protože tohle není pravidelný přechod mezi třídami typu vrci > vrhnout, navíc se to týká celého paradigmatu, ne jen jeho části

<fc #ff0000>sžěliti > zžel**e**t</fc>
==== adjektiva ====

<fc #ff0000>//cizý// > //cizí//</fc>

<fc #ff0000>//vlastný// > //vlastní//</fc>

<fc #ff0000>//valní// > //valný//</fc>
===== Lemmatizace homonymních tvarů odpovídajících více možným lemmatům =====

**obecný** vs. **obecní**: homonymní nom. pl. m. (//obecní//): je možno lemmatizovat jako //obecný// nebo //obecní// na základě významu podle současné češtiny

**břich** vs. **břicho**: pokud není možno z pádových forem rozeznat, o jakou formu se jedná (např. //břichem//), jako lemma uvést tu frekventovanější (tj. //břicho//)

**najdolejší**: lemmatizovat jako //dolní//; stejně tak //hořejší// lemmatizovat jako //horní//

**mysliti** vs. **mysleti**: lemmatizovat jako //myslet//



===== Nepravidelné hláskové změny =====

- co nejvíce připodobňovat podobu současné češtině: odstraňovat vkladné vokály (//sirdce// > //srdce//); u slov, kde proběhla metateze, dávat mladší formu (//inhed// > //ihned//); doplňovat chybějící hlásky (//pravedlnost// > //spravedlnost//); u starších forem, které se vyznačují hláskovými odlišnostmi (např. //skýba//) upravit podle současné češtiny (tj. //skýva//); kvantitu rovněž upravovat podle současné češtiny
 
přikázaní > přikázání 

usta > ústa

sirdce > srdce 

nenější > nynější

anjel > anděl 

zěviti > zjevit

Israhel > Izrael

zasloniti: lemma //zaclonit//

poprslkóv > paprsek 

rosýpati > rozsypat

zečtu: případy tohoto typu řešit podle současné češtiny, tj. //sečíst//; stejně tak //ssáti// – lemmatizovat jako //sát//, vedle toho //ssebrati// jako //sebrat//

dens: lemmatizovat na //dnes//?

mhla > mlha

skýba > skýva

<fc #ff0000>črtek > čertek</fc>

<fc #ff0000>vytiekati > vytékat </fc>

<fc #ff0000>vzučný > zvučný </fc>

<fc #ff0000>hrzati > ržát </fc>

<fc #ff0000>škříně > skříň </fc>

<fc #ff0000>jediné > jedině </fc>

<fc #ff0000>bohactvo > bohatstvo </fc>

<fc #ff0000>komorničstvo > komornictvo </fc>

<fc #ff0000>mezh > mezek </fc>

<fc #ff0000>stlúp > sloup </fc>

<fc #ff0000>malečko > maličko </fc>

<fc #ff0000>korfešt > kurfiřt </fc>
====== Další problematické jevy ======
přichodit: lematizovat jako přijít? JZ: to bych rozhodně nedělala vzhledem k rozdílnému vidu obou sloves; nč. lemma přijít bych nechala pro stč. přijíti


JZ, 15. 3. 2024: Při snaze o přiřazení „novočeského lemmatu“ se mi jeví jako problematické, že anotované vlastnosti staročeského slova (tj. toho, které se reálně nachází v textu) a novočeského slova (tj. toho, které bylo přiřazeno jako „novočeské lemma“) se mohou lišit - např. stč. právě lze stupňovat i negovat, zatímco nč. právě nikoliv; u stč. jmenovati slovníky uvádějí pouze nedok. vid, zatímco nč. jmenovat může mít oba vidy. Nebude to matoucí? Nebylo by dobré mít kromě „novočeského lemmatu“ také staročeské (rekonstrukce k roku 1300), resp. středněčeské (rekonstrukce k roku 1500)? Nebo se s tím počítá? (Teď se omlouvám, možná nejsem úplně v obraze, co se týče konečného výsledku…)

**//viec//** ve funkci zájmenné číslovky (v komparativu): lemmatizovat jako //hodně//

**//juž//**: lemma //již// (nikoli //už//)

**//kehdyžto//**: lemma //kdyžto//

**předložky //s//, //z//**: lemmatizovat podle formy (včetně asimilace znělosti), nebrat v úvahu pády!

<fc #ff0000>**//když// ve funkci příslovce**: lemmatizovat jako //kdy//? (Nebo jako //když//??)</fc>

<fc #ff0000>**//věčšú//, tj. komparativ adjektiva**: lemmatizovat jako //veliký//? (Nebo jako //velký//??)</fc>

<fc #ff0000>**//kolivěk//**: lemmatizovat jako //koli// (?) </fc> DZ: V novočeských datech jsou oddělená lemata slov končících na //-koli// a //-koliv//, takže //-kolivěk// by klidně mohlo být oddělené taky. Mně by ve skutečnosti celkem dávalo smysl, kdyby to bylo sloučené, ale pak bych to musel sloučit i v těch ostatních treebancích. (A nevím, jestli pro to autoři morfologického slovníku měli nějaký důvod, resp. pokud se sloučí tohle, tak co dalšího by se ještě mělo zvážit.)

<fc #ff0000>**//obláščí//**: lemmatizovat jako //obláští//, nebo upravit na //obzvláštní//? dávám druhou možnost </fc>

<fc #ff0000>**//tu//**: lemmatizovat adv. //tu// jako //tady//, nebo jako //tu//? </fc>

<fc #ff0000>**//odtad//**: lemmatizovat jako //odtad//, nebo //odtud//? </fc>

====== Problematické jevy řešené na schůzi 20. 3. 2024 ======

//úfati//: lemmatizovat jako //doufat//, od nč. odlišit vid (PERF)

//pravedlnost//: lemmatizovat jako //spravedlnost//

//všickny, všeckna//: všechny deriváty od //veš// lemmatizovat jako //všechen//

//takež/takož//: lemmatizovat jako //tak//

//Kráľu// lemmatizovat jako //král// 

//lidé//: lemma //člověk//; ALE //lid//: lemma //lid//

//protivu// (předl.): lemma //proti//

//sám// vs. //samý//: lemmatizovat jako //sám//

//v > u// vzniklé disimilací  – lemmatizovat jako //u//; PrepType "voc" (je to tak i pro 19. století) 

slovesa typu //uvrci// vs. //uvrhnout// – lemmatizovat jako formu, která je známá ze současné češtiny, tj. //uvrhnout//; 
pokud se ale jedná o lexikální jednotku, která zanikla, formu hláskově či morfologicky přiblížit současné češtině, např. //ješutenstvie// lemmatizovat jako //ješitenství//

při lemmatizaci – zrušit průvodní vokály (//sirdce > srdce//), opravit metateze (//ihned > ihned//), doplnit podle nč. chybějící hlásky (//pravedlnost > spravedlnost//) 

//zečíst// vs. //sčíst// – lemmatizovat jako nč. podobu //sečíst//; //ssáti// – lemmatizovat jako //sát//, vedle toho //ssebrati// jako //sebrat//

//břich// vs. //břicho// – pokud není poznat z pádové formy, o jaký tvar se jedná, dát tam tu frekventovanější formu (tj. //břicho//)

slovesa typu //myslit// vs. //myslet// – lemmatizovat jako //myslet//

infinitivy na //-ci (moci)// – lemmatizovat jako //moci//

//najdolejší// – adjektiva vždy lemmatizovat v pozitivu, tj. lemma //dolní//; stejně tak adjektivum //hořejší// lemmatizovat jako //horní//

//rok// vs. //let//: //rok// lemmatizovat jako //rok//; //let// – lemmatizovat jako //léto//

pronominální formy typu //kohož// – lemmatizovat jako //kdož//

substantivizace adjektiv – typy //"kající"//, //"milý"//, //"tři cestující nastoupili"// = vždy anotovat jako ADJ; typ //"hajný"//, //"průvodčí"// (tj. pokud už dané adjektivum v současnosti nefunguje jako samostatné adjektivum) = NOUN 

zájmena //on, ona, ono// – lemma //on//

zájmena //jeho, její, jejich// – lemma //jeho//

jmenné formy adjektiv – jako lemma uvádět vždy složenou formu, uvádět u nich vždy stupeň i pád

příčestí typu //dělán// – anotovat jako ADJ, vyplnit pád, rozlišit životnost

u přechodníků V PLURÁLU nerozlišovat rod,  V SINGULÁRU rozlišovat podle kontextu, nikoli podle formy!!!

forma //ješto// – pokud bude fungovat jako zájmeno, které se k něčemu vztahuje = lemmatizovat jako //jenžto//, pokud se bude jednat o spojku, lemmatizovat jako //ježto//; pokud se jedná o zájmeno //jenžto//, anotovat i pád, číslo, rod; pouze v případě, že je to ve struktuře s resumptivním zájmenem, pád, číslo a rod neuvádět
Historie: • tagery • dotazovaci_jazyk • pozice • problemy_lemmatizace • periodicity • kwic • kwic • syntakticka_analyza • nastroje • srovnatelny