kurz:hledani_v_diachronnim_korpusu

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.
====== Specifika vyhledávání v diachronním korpusu ======

Při vyhledávání v korpusu [[cnk:diakorp|Diakorp]] je třeba počítat s tím, že:

  * korpus **není lemmatizovaný ani morfologicky označkovaný** (na rozdíl např. od korpusů řady [[cnk:syn|SYN]]) - je tedy možné klást pouze dotazy vycházející z konkrétních lexikálních jednotek (nikoli z gramatických kategorií) a pro obecnější zadání (např. //mohla v minulosti stát vokalizovaná předložka před slovem začínajícím na samohlásku?//) je nutné využít klikacích voleb grafického rozhraní nebo přímo [[pojmy:regularni_vyrazy|regulárních výrazů]];
  * texty jsou **transkribované** a pravidla přepisu se musela vyrovnat jak s dosavadní ediční praxí, tak s faktem, že se v průběhu sedmi staletí vývoje češtiny pravopisné systémy měnily - důsledkem je, že pravopisné jevy lze v korpusu zkoumat jen v omezené míře;
  * jedno slovo (slovní tvar) může mít více **variant** (podobně jako v [[kurz:hledani_v_mluvenych_korpusech|mluvených korpusech]]), např. //tehdy - tehdyť - tehdyž - tehda - tehdaž - tehdať - tehdas - tehdá - tehdáž// - některé z nich bývají uvedeny ve slovnících, je však vhodné zkontrolovat možnosti variant pomocí regulárních výrazů (např. ''[word=%%"%%(?i)tehd.*%%"%%]'')

===== Jak se v korpusu snadno zorientovat? ===== 

Základní přehled o tom, co Diakorp obsahuje, můžeme získat po kliknutí na nabídku **Specifikovat dotaz podle metainformací**. Zobrazí se seznamy [[cnk:diakorp#anotace_textovych_typu|textových kategorií]] zastoupených v korpusu, obecnější ''txtype_group'' a konkrétnější ''txtype''. Pokud nás zajímá některá z kategorií, můžeme hledání rovnou omezit jen na ni. 

[{{:kurz:kurz_metainfo.png?300 |Výběr skupiny textů}}] [{{ :kurz:kurz_cas.png?300|Výběr časového úseku}}]

Podobně je možné prohledávat pouze data z určitého časového období. K urychlení výběru textů podle roku vzniku (tj. aby nebylo nutné zaklikávat všechny jednotlivé roky) slouží textové pole, kam napíšeme počáteční a koncový rok (např. 1460 a 1620). Volbou ''částečně vyhovující hodnoty > vyřadit'' můžeme vyloučit texty, které do vybraného úseku patří jen vlivem nepřesné datace (např. 1450±10).


===== Jak v dotazu využít strukturního značkování textů? =====


[{{ :kurz:dotaz_diakorp1.png?nolink&400|Hledání v Diakorpu pomocí podmínky within}}]

Značky vymezující zvláštní součásti textu (poznámky pod čarou <n></n>, verše <v></v>, nadpisy <k></k>, cizojazyčný text <o></o> ad.) jsou v Diakorpu verze 6 [[pojmy:atributy_strukturni|strukturními atributy]] a lze v jejich rámci hledat pomocí podmínky ''[[pojmy:within|within]]''. Můžeme např. zjistit, jak často začínaly nadpisy či součásti nadpisů v různých dílech tázacím příslovcem //Proč//, anebo předložkou //O//.

[{{ :kurz:dotaz_diakorp2.png?nolink&300|Zadání negativního filtru}}]
     
Pomocí strukturních atributů můžeme také odstranit ta vyhledaná klíčová slova ([[pojmy:kwic|KWIC]]), která spadají do nežádoucí součásti textu. Hledáme např. slovní tvary s koncovou diftongizací //-uo(v)// a chceme odfiltrovat všechen cizojazyčný text (např. //quo//). Po zadání dotazu typu CQL ''[word=%%"%%.*uov?%%"%%]'', kterým nalezneme slovní tvary končící jak na //-uov//, tak na //-uo// (zápis doslova říká, že koncové //-v// je "s otazníkem"), zvolíme v horní nabídce rozhraní KonText ''Filtr > Negativní'' a zapíšeme, co má být z konkordance vymazáno.



Zápis můžeme číst jako "vymaž jakékoli klíčové slovo (KWIC), které je součástí cizojazyčného textu".

Počáteční (<nowiki><k></nowiki>) a koncovou část atributů (<nowiki></k></nowiki>) můžeme použít také samostatně, k vyhledání slovního tvaru stojícího na začátku nebo na konci daného textového úseku. Ani tehdy se strukturní atribut neuvádí v uvozovkách ani v jiných závorkách (např. CQL: ''<v> [word=%%"%%A%%"%%]'' - kdy veršovaný úsek začíná spojkou //A//?) 

===== Jak najít původní podobu upraveného slova? =====

Pokud se editor setkal s neočekávanou grafickou podobou slova a vyhodnotil tuto odchylku spíše jako záležitost pravopisu než fonologie, podobu slova upravil (**emendoval**) a původní, transliterovaný zápis uložil do [[pojmy:atributy_pozicni|pozičního atributu]] **"e"**. Tato informace je užitečná zejména ve dvou případech:

  - hledáme v korpusu slovo, na které jsme narazili jinde a je rovněž neobvyklé, např. //polowjce// (polovina) - standardní dotazy žádný výskyt nenaleznou (např. Slovní tvar: ''polovíce''; CQL: ''[word=%%"%%(?i)poloví[cč].*%%"%%]''), ale dotaz na opravené podoby ano: CQL: ''[e=%%"%%(?i)polowj[cč].*%%"%%]''. Poziční atribut "e" se zobrazuje i hledá podobně jako [[pojmy:lemma|lemma]], [[pojmy:word|word]] a jiné známé atributy.
  - potřebujeme odfiltrovat emendovaná slova z konkordance - do ''Filtr > Negativní'' zadáme podmínku "kdykoli atribut něco obsahuje": CQL: ''[e=%%"%%.+%%"%%]'' (znak ''+'' je na místo znaku ''*'' právě proto, aby byl vyloučen nulový obsah).

První případ zmiňujeme i proto, že rozhodování mezi emendací (s uložením původní podoby), nebo pouhou transkripcí neprobíhalo u některých méně jasných případů zcela konzistentně (roli hrálo mj. množství editorů, různé stáří textů a rozdíly mezi edičními zásadami uplatňovanými na texty z různých období, doklady nalezené i mimo slovníky apod.). Uživatelům je doporučeno kontrolovat u variantních tvarů s kolísající délkou samohlásky i atribut "e".
Historie: • srovnavaci_seznamy • abc_seznamy • syntakticke_znacky • hledani_kolokaci • seznamy • pokrocile_dotazy • totalita • verze13ud • txtype • genre