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.*"%%]'') 

[{{ :kurz:kurz_metainfo.png?direct&300|Výběr skupiny textů}}]

===== Jak se v korpusu snadno zorientovat? ===== 
Základní přehled o tom, co Diakorp obsahuje, získáme po kliknutí na nabídku **Omezit hledání**. Zobrazí se seznamy [[cnk:diakorp#anotace_textovych_typu|textových kategorií]] zastoupených v korpusu (pod hlavičkou ''txtype_group'' jsou obecnější skupiny textů, pod ''txtype'' konkrétnější). Pokud nás některá kategorie zajímá, můžeme hledání rovnou omezit jen na ni.

[{{ :kurz:kurz_cas.png?direct&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 rozmezí patří jen vlivem nepřesné datace (např. 1450±10). 

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


[{{  :kurz:dotaz_diakorp1.png?direct&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>'' aj.) 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//.
     
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//, zvolíme v horní nabídce rozhraní KonText **Filtr → Negativní** a zapíšeme, co má být z konkordance vymazáno.

[{{ :kurz:dotaz_diakorp2.png?direct&300|Zadání negativního filtru. Zápis můžeme číst jako "vymaž jakékoli klíčové slovo (KWIC), které je součástí cizojazyčného textu".}}]

Počáteční (''<k>'') a koncovou část atributů (''</k>'') 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 či v jiných závorkách (např. CQL dotazem ''<v> [word=%%"A"%%]'' hledáme všechny případy, 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 -- v nabídce **Filtr → Negativní** zadáme podmínku ''[e=%%".+"%%]''((Znak ''+'' je namísto znaku ''*'' právě proto, aby byl vyloučen nulový obsah)) (kdykoli atribut něco obsahuje).

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".


----
<WRAP center round box 64%>
[[manualy:kontext:index|Manuál rozhraní KonText]] • [[cnk:uvod|Korpusy ČNK]] •
[[zaciname|Jak začít pracovat s ČNK]] • [[pojmy:prehled_pojmu|Přehled pojmů
korpusové lingvistiky]] • [[uvod#zaklady_prace_s_korpusem_v_7_lekcich|Kurz
práce s korpusem v 7 lekcích]] • [[pojmy:dotazovaci_jazyk|Dotazovací jazyk]] • [[pojmy:regularni_vyrazy|Regulární výrazy]] • [[pojmy:subkorpus|Subkorpus]] • [[pojmy:kolokace|Kolokace]] </WRAP>
Historie: • afun • hledani_kolokaci • seznamy • oral2006 • hledani_v_mluvenych_korpusech • oral2013 • verze13ud • audience • pokrocile_dotazy • txtype