Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

--- kurz:chvala_korpusu [2013/09/01 23:57]
Olga Richterova [5. kontrastivní výzkum]
+++ kurz:chvala_korpusu [2018/08/13 15:14]
Václav Cvrček [Hledáme veškerou interpunkci v mluveném korpusu (počet pozic obsazených slovy)]
@@ Řádek 1: / Řádek 1: @@
 ====== Jak na výzkumné otázky ======
-v manuálu [[ | ]] jsme si postupně v sedmi lekcích ukázali, jak položit [[ |pokročilé dotazy]] pomocí [[ |dotazovacího jazyka]] a osvojili jsme si principy práce s [[ |regulárními výrazy]], [[ |kombinacemi podmínek]] či třeba [[subkorpusy]]. Chcete-li se nechat provést všemi zásadními tématy souvisejícími s korpusovým výzkumem, nalistujte si právě [[manuál]].
-Tato stránka pak slouží k nastínění postupů používaných při řešení konkrétních výzkumných problémů na základě korpusových dat. Nečiní si nárok na úplnost, doufáme ale, že zde najdete inspiraci a pokud si s něčím i po prostudování manuálu nebudete vědět rady, [[kontaktujte nás]]!
+V [[kurz:uvod|kurzu]] jsme si postupně v sedmi lekcích ukázali, jak položit [[pokrocile_dotazy|pokročilé dotazy]] pomocí [[pojmy:dotazovaci_jazyk|dotazovacího jazyka]] a osvojili jsme si principy práce s [[pokrocile_dotazy#regularni_vyrazy|regulárními výrazy]], [[pokrocile_dotazy#kombinace_podminek_v_ramci_jedne_pozice|kombinacemi podmínek]] či třeba [[subkorpusy|subkorpusy]]. Chcete-li se nechat provést všemi zásadními tématy souvisejícími s korpusovým výzkumem, nalistujte si právě náš základní kurz.
+Tato stránka pak slouží k nastínění postupů používaných při řešení konkrétních výzkumných problémů na základě korpusových dat. Nečiní si nárok na úplnost, doufáme ale, že zde najdete inspiraci a pokud si s něčím i po prostudování [[kurz:uvod|kurzu]] a [[manualy:kontext:index|manuálu]] nebudete vědět rady, [[https://podpora.korpus.cz/projects/poradna/boards|kontaktujte nás]] (pouze pro [[kurz:zaciname|registrované]] uživatele)!
 ====== Různé typy výzkumných otázek ======
@@ Řádek 10: / Řádek 11: @@
   - výzkum určitého lineárního uspořádání (slovosledu, syntaxe, ...)
   - kontrastivní výzkum (na paralelních korpusech řady InterCorp)
+  - volba vhodného vzorku
 ===== 1. výzkum určitého typu jazyka =====
@@ Řádek 23: / Řádek 25: @@
   - Zvolte si korpus SYN, typ dotazu CQL.
   - Zkoumaným jevem bude distribuce citoslovcí v překladech z angličtiny a původně českých textech.
-  - Zadejte dotaz: [tag="I.*"] within <srclang=""/> a [tag="I.*"] within <srclang="ENG"/>
+  - Zadejte dotaz: [tag=%%"I.*"%%] within <srclang=%%""%%/> a [tag=%%"I.*"%%] within <srclang=%%"ENG"%%/>
   - Porovnejte frekvenční distribuce (na lemmatu).
 </WRAP>
-Výsledek: ....
+Výsledek: FIXME
 **Shrnutí - atribut srclang**
-  * V korpusech řady SYN je pro zkoumání //čisté češtiny// třeba vyhledávat zkoumaný jev v těch textech, které splňují podmínku within <srclang=""/>.
+  * V korpusech řady SYN je pro zkoumání //čisté češtiny// třeba vyhledávat zkoumaný jev v těch textech, které splňují podmínku within <srclang=%%""%%/>.
-  * V korpusech z paralelní řady zvané InterCorp už atribut [[srclang="cs"]] zanesený je. Všimněte si ale, že u hodnoty atributů záleží i na velikosti písmen:
+  * V korpusech z paralelní řady zvané InterCorp už atribut [[pojmy:srclang|srclang="cs"]] zanesený je. Všimněte si ale, že u hodnoty atributů záleží i na velikosti písmen.
-  *
 ==== Autorský jazyk a sociolingvistické proměnné ====
@@ Řádek 45: / Řádek 45: @@
 === Autorský jazyk v překladech ===
 Známí překladatelé, manželé Pellarovi, jsou v souboru SYN zastoupeni řadou děl.
-Texty, které překládali pouze oni, nalezneme za pomoci této podmínky: ''within <opus preklad="Pellar.*" />'', potřebujeme však v textech splňujících tento atribut nalézt nějaký jev. Nepříliš frekventovaná a současně zajímavá jsou citoslovce.
+Texty, které překládali pouze oni, nalezneme za pomoci této podmínky: ''within <opus preklad=%%"%%Pellar.*<nowiki>"</nowiki> />'', potřebujeme však v textech splňujících tento atribut nalézt nějaký jev. Nepříliš frekventovaná a současně zajímavá jsou citoslovce.
-''[tag="I.*"]  within <opus preklad="Pellar.*" />''
+''[tag=%%"I.*"%%]  within <opus preklad=%%"Pellar.*"%% />''
-{{:manual:syn_autorsky_jazyk_pellar.jpg?direct&300|}}
+{{syn_autorsky_jazyk_pellar.jpg?direct&300|}}
-{{:manual:tag_interjekce.jpg?300|}}
+{{tag_interjekce.jpg?300|}}
 Frekvenčnímu seznamu dominuje následujících 30 lemmat:
-{{:manual:interjekce_pellar.jpg?300|}}
+{{interjekce_pellar.jpg?300|}}
 Další srovnávání podobně utvářených a funkčně blízkých výrazů typu //propánakrále// a //prokristapána// ukazuje, že první lexém je používaný především jako charakterizační prostředek jazyka hlavní postavy románu Kdo chytá v žitě. Naopak **//prokristapána//** je mnohem rovnoměrněji zastoupeno ve vyšším počtu děl, konkrétně sedmi.
@@ Řádek 109: / Řádek 109: @@
-==== 2. výzkum určitých forem ====
+===== 2. výzkum určitých forem =====
-==== Adjektivum ‘kách’ v současné češtině (SYN2010) ====
+==== Adjektivum ‘kách’ v současné češtině ====
-Z rakouské němčiny přejatý výraz pro //rychle// ještě úplně neupadl v zapomnění. Nejprve hledáme prosté ''[lemma="kách"]'' a nalezneme např.:
+Z rakouské němčiny přejatý výraz pro //rychle// ještě úplně neupadl v zapomnění. Nejprve hledáme prosté ''[lemma="kách"]'' (SYN2010) a nalezneme např.:
 ''Ti druzí umřeli moc **kách** .''
@@ Řádek 130: / Řádek 130: @@
+===== 3. výzkum určitých kategorií =====
-==== 3. výzkum určitých kategorií ====
+Díky tagování máme k dispozici informace o celé řadě morfologických kategorií.
 ==== Negace: Hledáme adjektiva v negovaném tvaru, jejichž lemmata nejsou afirmativní ====
@@ Řádek 154: / Řádek 154: @@
-==== 4. výzkum určitého lineárního uspořádání ====
+===== 4. výzkum určitého lineárního uspořádání =====
+pozice, v rámci jedné věty, kontrast vět tázacích a rozkazovacích...
+==== Hledáme veškerou interpunkci v mluveném korpusu (počet pozic obsazených slovy) ====
+**Můžeme si v mluvených korpusech ověřit, kolik slov - zde definovaných jako řetězce obsahující alfabetické znaky - obsahují?** Jelikož [[cnk:oral2008|ORAL2008]] ani jiný [[pojmy:mluveny|korpus mluveného jazyka]] není [[pojmy:lemma|lemmatizovaný]] (natož [[pojmy:tag|otagovaný]]), je třeba optat se přímo na konkrétní tvary interpunkčních znamének a ty odečíst z celkového počtu pozic v daném korpusu. Zpětné lomítko způsobí, že např. tečka ztratí svůj zvláštní význam coby libovolný zástupný znak (viz [[pojmy:regularni_vyrazy|regulární výrazy]]).
+Nejprve zadáme jednoduchý dotaz s nejběžnějšími interpunkčními znaménky:
+''[word=<nowiki>"</nowiki>\.|\?|\!|\;|\:|\,<nowiki>"</nowiki>]''
+^ korpus ^ celková velikost ^ počet nealfabetických výskytů ^ zbývající pozice obsazené slovními tvary ^
+| ORAL2008 | 1 349 536 | 284 909 | 1 064 627 |
+Eliminujeme-li výše uvedená interpunkční znaménka, zbývá nám skutečně 1 064 627 pozic obsazených slovy?
+Nikoli. Po bližším pohledu vyjde najevo, že mluvené korpusy obsahují řadu dalších značek, které nelze označit za interpunkční znaménka, ovšem zaujímají strukturní pozice. Jejich přehled lze nalézt v  [[seznamy:index#pravidla_pro_prepis|Pravidla pro přepis nahrávek]].
+Řešením se zdá být dotaz po všech znacích nealfabetické povahy.
+Takový dotaz umožní vyloučit mj. i situační komentáře psané do závorek (např. ''(zvuky televize)'' nebo ''(do telefonu)''):
+''[word!=<nowiki>"</nowiki>[a-zA-Z]+<nowiki>"</nowiki>]''
+Výsledek v ORALu2008: 704 515 výskytů. Dotaz totiž zahrnul i veškerá slova obsahující diakritiku - asi nepřekvapí, že regulární výrazy nejsou adaptované na češtinu. Další precizování dotazu:
+''[word!=<nowiki>"</nowiki>[a-zA-ZžňčťďřšěéáíýóúůŽŇČŤĎŘŠĚÉÁÍÝÓÚŮüäöëÿ]+<nowiki>"</nowiki>]''
+Výsledek:
+^ korpus ^ celková velikost ^ počet nealfabetických výskytů ^ zbývající pozice obsazené slovními tvary ^
+| ORAL2008 | 1 349 536 | 337 247 | 1 012 289 |
+Jenže tento dotaz vyřadí i nedořečená slova, ukončená pomocí hvězdičky (např. ''babič*''), stejně jako slova postrádající začátek (např: ''*šjak'') a slova obsahující spojovník (''e-mail'' ((vyvstává ovšem otázka, do jaké míry zde přepisovatelé namísto sledování mluvy sledovali běžnou ortografii)) ).
+Pokud stanovíme, že v mluveném korpusu slova nemusí být dořečená, ba mohou obsahovat i spojovník, dostaneme následující dotaz a výsledek:
+''[word!=<nowiki>"</nowiki>[a-zA-ZžňčťďřšěéáíýóúůŽŇČŤĎŘŠĚÉÁÍÝÓÚŮüäöëÿ]+<nowiki>"</nowiki>&word!=<nowiki>"</nowiki>.*\*|\*.*|.+\-.+<nowiki>"</nowiki>]''
+^ korpus ^ celková velikost ^ počet nealfabetických výskytů ^ zbývající pozice obsazené slovními tvary ^
+| ORAL2008 | 1 349 536 | 323 267 | 1 026 269 |
+| ORAL2006 | 1 312 282 | 288 460 | 1 023 822 |
+Takový výsledek již lze považovat za směrodatný.
+Ještě poznámka: ačkoliv se různé mluvené korpusy liší, např. [[cnk:schola2010|SCHOLA2010]] obsahuje interpunkci a rozdílné závorky pro různé typy komentářů ([[seznamy:index#pravidla_pro_prepis|Pravidla pro přepis nahrávek]]), tento dotaz platí i pro něj:
+^ korpus ^ celková velikost ^ počet nealfabetických výskytů ^ zbývající pozice obsazené slovními tvary ^
+| SCHOLA2010 | 1 046 600 | 218 562 | 828 038 |
+Odkaz na tento dotaz [[http://bit.ly/14kx4s2|naleznete zde]].
 ===== 5. kontrastivní výzkum =====
+Srovnávání více jazyků umožňují korpusy řady InterCorp.
-==== Ekvivalenty v překladech: //Macher// ====
+==== Ekvivalenty v překladech: „Macher“ ====
 //False friends// jsou výrazy, na něž je klasický slovník často krátký. Patří mezi ně třeba německé //Macher// - není to totiž namyšlený český //machr//, ale docela obyčejný //hybatel dění// či //strůjce//, //původce//.
-Lépe než slovník k nalezení vhodného překladu poslouží [[paralelní rozhraní]]:
+Lépe než slovník k nalezení vhodného překladu poslouží [[kurz:hledani_v_paralelnim_korpusu|paralelní rozhraní]]:
 ==== Adverbiale na počátku věty v angličtině ====
 Chceme najít příslovečná určení na začátcích anglických vět, oddělená čárkou:
-** ''<s>[tag="IN][word!="V.*"]{1,2}[word=","]'' **
+** ''<s>[tag=%%"IN][word!="V.*"]{1,2}[word=","%%]'' **
 Nejfrekventovanější výskyty ukazují, že nám tento dotaz dává spíše větná uvození:
-{{:manual:intercorp_adverbiale.jpg?300|}}
+{{intercorp_adverbiale.jpg?300|}}
  --- Olga Richterová
+===== Volba vhodného vzorku =====
+**Absolutní komparativ** - Bc. práce
+ --- //Václav Cvrček//

Historie:

Rozdíly

Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence