hickok:zivotnost - 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.

====== Životnost ======

DZ: Toto je zatím (27.2.2024) otevřený problém a níže je pouze nástin možného řešení.

Rozlišování životnosti u mužských jmen dává smysl a běžně se děje v novočeských korpusech, ale u staročeských není jasné, jak by se s ní mělo zacházet, protože neživotná jména běžně mívají i životné tvary <fc #ff0000>(JP: platí i vice versa)</fc>. Pokud bychom se rozhodli anotovat staročeská data bez životnosti, tak zase máme jiné problémy: 1) UDPipe, který se natrénuje na novočeských nebo smíšených datech, v tom bude mít chaos; 2) Museli bychom stanovit nějaké umělé datum, od kterého čeština rozlišuje (a my anotujeme) životnost.

===== Současný stav v novočeských treebancích =====

  * Substantiva, která mají mužský rod (''Gender=Masc''), mají vždy uvedenou i životnost (''Animacy=Anim'' nebo ''Animacy=Inan''), a to bez ohledu na pád (tedy i v pádech, kde je životný a neživotný tvar stejný).
  * Dlouhé mužské tvary adjektiv mají vždy uvedenu životnost podle substantiva, které rozvíjejí (navzdory časté nejednoznačnosti tvarů).

U dalších slovních druhů se korpusy liší podle toho, zda původní anotace pochází z PDT (týká se i treebanků CAC, CLTT a PUD), nebo z ČNK (treebank FicTree). V PDT bylo zvykem u některých systematicky nejednoznačných tvarů používat sdružené hodnoty pro několik rodů. Pokud sdružená hodnota obsahovala mužský životný i mužský neživotný rod, projevilo se to po převodu do UD ztrátou rysu životnosti. Naproti tomu ČNK a FicTree konzistentně zjednoznačňuje rod podle kontextu (tedy to, co PDT dělá jen u dlouhých tvarů adjektiv), díky čemuž je mužský rod vždy rozdělen na životný a neživotný. Navrhuju přiklonit se ke zjednoznačňování jako v ČNK, nicméně zde uvádím shrnutí situací, kde v PDT životnost chybí (projeví se to mj., pokud použijeme UDPipe s modelem natrénovaným na PDT):

  * krátké tvary NT-ových příčestí //(adoptován, adresován, akceptován)//
  * krátké tvary obyčejných adjektiv //(bohat, dalek, dlužen)//
  * zájmena //on, jenž, veškerý//
  * determinátory //(jaký, který, čí)//
  * číslovky //jeden, nejeden, dva, oba//
  * slovesa (''AUX'' i ''VERB''):
    * L-ová příčestí //(byl, nebyl, býval)//
    * přechodníky //(jsa)//

Pokud se v novočeských datech výjimečně stane, že mužské neživotné substantivum má životný tvar (např. //trabanta, opla, žigulíka//), tak

  * substantivum samo má nadále anotovanou svou lexikálně danou životnost (tj. ''Animacy=Inan'')
  * případná adjektiva, která ho rozvíjejí, už jsou anotována jako životná (tj. ''Animacy=Anim'') (např. //policejního žigulíka//)

===== Návrh řešení =====

Nabízí se postupovat obdobně i u staročeských dat, byť tam podobné situace budou častější a nebudou se týkat jen genitivu/akuzativu singuláru, ale např. i nominativu plurálu (//národové// místo //národy//).

Historie: • kondicional • veda • poskozene_texty • case-sensitive • filtr • case-insensitive • zivotnost • ulozit • problemy_tokenizace • section