| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| hickok:stc_strdc_ud [2024/09/09 08:56] – [Anotační nástroje a formát souboru] jiripergler | hickok:stc_strdc_ud [2025/02/15 09:39] (aktuální) – [Cizí slova] jiripergler |
|---|
| **Zájmena typu //kdo, co, který//** mohou být podle kontextu Int, Rel nebo Ind. Ind jsou tehdy, pokud je můžeme nahradit výrazy typu //někdo, něco, některý//. Mezi Int a Rel rozlišujeme tak, že za Int se to pokládá jen v přímých otázkách (v hlavní větě, s otazníkem), naopak v souvětích vždy Rel (např. i nevím/ptám se, kdo přišel. | **Zájmena typu //kdo, co, který//** mohou být podle kontextu Int, Rel nebo Ind. Ind jsou tehdy, pokud je můžeme nahradit výrazy typu //někdo, něco, některý//. Mezi Int a Rel rozlišujeme tak, že za Int se to pokládá jen v přímých otázkách (v hlavní větě, s otazníkem), naopak v souvětích vždy Rel (např. i nevím/ptám se, kdo přišel. |
| |
| **Forma //ješto//** – pokud je to ve vztažné funkci, lemmatizujeme jako //jenžto//. Anotuje se pád, číslo i rod+životnost bez ohledu na sklonnost/nesklonnost (pouze v případě přítomnosti resumptivního zájmena se tyto rysy neanotují). (Pokud se bude jednat o spojku, lemmatizujeme jako //ježto//). | **Forma //ješto//** – pokud je to ve funkci vztažného zájmena (PRON), lemmatizujeme jako //jenžto//. Kromě toho se může jednat i o vztažné příslovce (ADV) nebo o podřadicí spojku (SCONJ), v obou těchto případech lemmatizujeme jako //ježto// (protože je to neohebné). U zájmen s lemmatem //jenž// a //jenžto// anotujeme pád, číslo i rod+životnost bez ohledu na sklonnost/nesklonnost, pouze v případě přítomnosti resumptivního zájmena se tyto rysy neanotují (viz též tabulku dole). |
| | |
| | * Důvod tohoto postupu je ten, že v případě přítomnosti resumptivního zájmena jsou pád, číslo a rod vyjádřeny právě tím resumptivním zájmenem, zatímco samotné //ješto// (stejně jako //co//, případně i //jenž//, které se tak taky někdy ve staré češtině chovalo) tyhle kategorie formálně nijak nevyjadřuje, tj. má ve všech případech stejnou formu. Diskutovala se v zásadě tři možná řešení, přičemž dvě z nich nám přišla nevyhovující. Jedno z nich bylo, že se pád bude anotovat podle syntaktického kontextu, což by znamenalo, že např. ve struktuře "setkal se s člověkem, co/jenž/ješto jsem mu to dal" bude u co/jenž/ješto anotován dativ, což se nám nelíbilo, protože to znamená tvrdit, že např. //co// je dativní forma, tj. tohle řešení není vyhovující formálně. Druhé řešení bylo, že se v těchto případech u toho co/jenž/ješto bude anotovat nominativ. To odpovídá formálně, ale zase ne syntakticky, protože v té příkladové struktuře žádný prostor pro nominativ není. Proto vyšlo jako nejlepší to třetí řešení, tedy tyto kategorie tam vůbec neanotovat. Nejenže tam nic s ničím pak nekoliduje, ale zároveň to odpovídá i té jazykové realitě, že prostě jsou tyto kategorie vyjadřovány jinde (tj. na tom resumptivním zájmenu). |
| |
| **Zájmeno //sám/samý//**: vždy PronType=Emp a vždy lemma //sám//; krátká forma //sám// je odlišena tagem "Short" | **Zájmeno //sám/samý//**: vždy PronType=Emp a vždy lemma //sám//; krátká forma //sám// je odlišena tagem "Short" |
| ==== Cizí slova ==== | ==== Cizí slova ==== |
| |
| Zde máme na mysli nikoli slova přejatá z cizího jazyka (s těmi se zachází jako s každým jiným českým slovem), ale střídání kódů, tedy slova nebo fráze v cizím jazyce (např. v latině), která se ocitla uvnitř českého textu. UD umožňují [[https://universaldependencies.org/foreign.html|několik přístupů]], jak s takovým materiálem naložit. Na jednom konci škály je možnost anotovat cizí text podle gramatiky a anotačních pravidel cizího jazyka, na druhém konci pak možnost říct, že daný segment do hlavního jazyka textu nepatří, a více se jím nezabývat. My se přidržíme této druhé možnosti: Lemma je identické se slovním tvarem (<fc #ff0000>možná akorát převedené na malá písmena?</fc>), značka UPOS je ''X'', nejsou vyplněny žádné morfologické rysy s výjimkou ''Foreign=Yes''. <fc #ff0000>Ještě se musíme dohodnout, zda chceme ve sloupci MISC uchovávat kód jazyka (např. ''OrigLang=la'' pro latinu).</fc> Pravidla, jak rozhodnout, jestli je slovo ještě cizí, nebo už přejaté do češtiny, bude asi nutné v průběhu anotace dopracovat; zatím lze říct následující: | Zde máme na mysli nikoli slova přejatá z cizího jazyka (s těmi se zachází jako s každým jiným českým slovem), ale střídání kódů, tedy slova nebo fráze v cizím jazyce (např. v latině), která se ocitla uvnitř českého textu. UD umožňují [[https://universaldependencies.org/foreign.html|několik přístupů]], jak s takovým materiálem naložit. Na jednom konci škály je možnost anotovat cizí text podle gramatiky a anotačních pravidel cizího jazyka, na druhém konci pak možnost říct, že daný segment do hlavního jazyka textu nepatří, a více se jím nezabývat. My se přidržíme této druhé možnosti: **Lemma je identické se slovním tvarem** (převedným na malá písmena, u vlastních jmen dáváme první velké)**, značka UPOS je ''X'', nejsou vyplněny žádné morfologické rysy s výjimkou ''Foreign=Yes''.** <fc #ff0000>Ještě se musíme dohodnout, zda chceme ve sloupci MISC uchovávat kód jazyka (např. ''OrigLang=la'' pro latinu).</fc> Pravidla, jak rozhodnout, jestli je slovo ještě cizí, nebo už přejaté do češtiny, bude asi nutné v průběhu anotace dopracovat; zatím lze říct následující: |
| |
| * Má-li slovo tvar ovlivněný českou morfologií, jde o slovo přejaté. | * Má-li slovo tvar ovlivněný českou morfologií, jde o slovo přejaté. |
| * Věty a delší fráze, které jsou citáty z cizojazyčných textů, jsou asi tím nejjasnějším příkladem materiálu, se kterým se má zacházet jako s cizím. | * Věty a delší fráze, které jsou citáty z cizojazyčných textů, jsou asi tím nejjasnějším příkladem materiálu, se kterým se má zacházet jako s cizím. |
| |
| | Interpunkce zůstává interpunkcí, i pokud je obklopena cizojazyčným textem, tedy značka UPOS je ''PUNCT'' a rys ''Foreign=Yes'' se nedává. |
| ===== Gramatické kategorie ===== | ===== Gramatické kategorie ===== |
| |
| | DET Zájmeno "všechen", "veš", "vešken", ... | PronType=Tot, Gender+Animacy, Number, Case (lemma je vždy //všechen//) | | | | DET Zájmeno "všechen", "veš", "vešken", ... | PronType=Tot, Gender+Animacy, Number, Case (lemma je vždy //všechen//) | | |
| | DET Zájmeno "sám, samý" | PronType=Emp, Gender+Animacy, Number, Case | Variant=Short | | | DET Zájmeno "sám, samý" | PronType=Emp, Gender+Animacy, Number, Case | Variant=Short | |
| | DET Zájmeno typu "jaký, který, čí, nějaký, ..." | PronType, Gender+Animacy, Number, Case | | | | DET Zájmeno typu "jaký, který, nějaký, některý, ..." | PronType, Gender+Animacy, Number, Case | | |
| | | DET Zájmeno typu "čí, něčí, ničí" | PronType, Poss=Yes, Gender+Animacy, Number, Case | | |
| | DET Číslovka základní zájmenná ("kolik, mnoho") | PronType, NumType=Card, Case | | | | DET Číslovka základní zájmenná ("kolik, mnoho") | PronType, NumType=Card, Case | | |
| | DET Číslovka řadová zájmenná adjektivní ("kolikátý") | PronType, NumType=Ord, Gender+Animacy, Number, Case | | | | DET Číslovka řadová zájmenná adjektivní ("kolikátý") | PronType, NumType=Ord, Gender+Animacy, Number, Case | | |
| | NUM Číslovka základní "oba, obě" | NumType=Card, NumForm=Word, PronType=Tot, Gender, Number=<fc #ff0000>Dual/Plur???</fc>, Case | | | | NUM Číslovka základní "oba, obě" | NumType=Card, NumForm=Word, PronType=Tot, Gender, Number=<fc #ff0000>Dual/Plur???</fc>, Case | | |
| | NUM Číslovka základní "tři, čtyři, pět, ..." | NumType=Card, NumForm=Word, Number=Plur, Case | | | | NUM Číslovka základní "tři, čtyři, pět, ..." | NumType=Card, NumForm=Word, Number=Plur, Case | | |
| | NUM Číslovka pro množiny "jedny, dvoje, troje, čtvery, ..." | NumType=Sets, NumForm=Word, Number=Plur, Case | | | | NUM Číslovka základní "půl" | NumType=Card, NumForm=Word | | |
| | VERB/AUX Sloveso v infinitivu | VerbForm=Inf, Polarity, Aspect | Vynechat Aspect u obouvidých sloves. | | | NUM Číslovka pro množiny "jedny, dvoje, troje, čtvery, ..." | NumType=Sets, NumForm=Word, Number=Plur, Case <fc #ff0000>**JP:** jak to lemmatizovat?</fc> **DZ:** Lemmatizoval bych to na nominativ toho duálu/plurálu, tj. na tvary uvedené zde jako příklady. Problém ale je, že celá tahle kategorie pochází z nějaké dávné konverzní tabulky a když jsem teď hledal příklady v datech, tak jich tam jednak je málo, jednak ta jejich anotace neodpovídá. Vypadá to, že //dvoje// je teď analyzováno jako variantní tvar číslovky //dvojí//. | | |
| | | VERB/AUX Sloveso v infinitivu nebo supinu | VerbForm=Inf resp. Sup, Polarity, Aspect | Vynechat Aspect u obouvidých sloves. | |
| | VERB/AUX Sloveso v přítomném tvaru (včetně dokonavých) | VerbForm=Fin, Mood=Ind, Tense=Pres, Voice=Act, Person, Number, Polarity, Aspect | Vynechat Aspect u obouvidých sloves. | | | VERB/AUX Sloveso v přítomném tvaru (včetně dokonavých) | VerbForm=Fin, Mood=Ind, Tense=Pres, Voice=Act, Person, Number, Polarity, Aspect | Vynechat Aspect u obouvidých sloves. | |
| | AUX/VERB Sloveso v budoucím tvaru ("budu, půjdu") | VerbForm=Fin, Mood=Ind, Tense=Fut, Voice=Act, Person, Number, Polarity, Aspect=Imp | Vynechat Aspect u obouvidých sloves. | | | AUX/VERB Sloveso v budoucím tvaru ("budu, půjdu") | VerbForm=Fin, Mood=Ind, Tense=Fut, Voice=Act, Person, Number, Polarity, Aspect=Imp | Vynechat Aspect u obouvidých sloves. | |
| | VERB/AUX Přechodník v singuláru | VerbForm=Conv, Tense, Voice=Act, Gender+Animacy, Number=Sing, Polarity, Aspect | Vynechat Aspect u obouvidých sloves. | | | VERB/AUX Přechodník v singuláru | VerbForm=Conv, Tense, Voice=Act, Gender+Animacy, Number=Sing, Polarity, Aspect | Vynechat Aspect u obouvidých sloves. | |
| | VERB/AUX Přechodník v duálu/plurálu | VerbForm=Conv, Tense, Voice=Act, Number, Polarity, Aspect | Vynechat Aspect u obouvidých sloves. | | | VERB/AUX Přechodník v duálu/plurálu | VerbForm=Conv, Tense, Voice=Act, Number, Polarity, Aspect | Vynechat Aspect u obouvidých sloves. | |
| | ADV Příslovce stupňovatelné ("snadno") | Degree, Polarity | | | | ADV Příslovce stupňovatelné ("snadno, snadněji, nejsnadněji") | Degree, Polarity | | |
| | ADV Příslovce zájmenné ("kde, kdy, někde, ...") | PronType | | | | ADV Příslovce zájmenné kromě Tot ("kde, kdy, někde, ...") | PronType | | |
| | | ADV Příslovce zájmenné totální ("vždy, nevždy, ...") | PronType=Tot, Degree=Pos, Polarity | | |
| | ADV Číslovka násobná adverbiální ("kolikrát") | NumType=Mult | PronType | | | ADV Číslovka násobná adverbiální ("kolikrát") | NumType=Mult | PronType | |
| | ADV Číslovka řadová adverbiální ("pokolikáté") | NumType=Ord | PronType | | | ADV Číslovka řadová adverbiální ("pokolikáté") | NumType=Ord | PronType | |
| | ADV Příslovce //lzě, nelzě// | Polarity | | | | ADV Příslovce ostatní ("snad, lzě, nelzě, velmi, ...") | Degree=Pos, Polarity | | |
| | ADV Příslovce ostatní ("snad, ...") | |<fc #ff0000>JZ: a pak jsou ještě příslovce, u nichž se vyplní jen Polarity? třeba //velmi//, //vždy//?</fc>| | |
| | ADP Předložka | AdpType, Case | | | | ADP Předložka | AdpType, Case | | |
| | CCONJ Spojka souřadicí | | | | | CCONJ Spojka souřadicí | | | |
