AplikaceAplikace
Nastavení

Rozdíly

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

Odkaz na výstup diff

Obě strany předchozí revizePředchozí verze
Následující verze
Předchozí verze
kurz:hledani_v_mluvenych_korpusech [2022/04/22 08:31] – [ORAL2013] Michal Škrabalkurz:hledani_v_mluvenych_korpusech [2022/08/25 19:24] (aktuální) Jan Křivan
Řádek 1: Řádek 1:
-====== Specifika vyhledávání v mluvených korpusech ======+====== Specifika vyhledávání v mluvených korpusech: řada ORAL ======
  
 Vyhledávání v mluvených korpusech neprobíhá bezprostředně v originálních datech, jak je tomu u korpusů psaných,((Byť i u psaných korpusů je potřeba uvážit jistou míru zprostředkovanosti -- [[pojmy:segmentace#segmentace|tokenizace]] a [[pojmy:segmentace#segmentace_vetna|větná segmentace]], [[pojmy:tag|značkování]] -- ovšem nesrovnatelně menší.)) ale v **transkriptu** zvukové nahrávky. Jedná se tedy o určitou interpretaci "zvukové" skutečnosti zachycené v nahrávkách.  Vyhledávání v mluvených korpusech neprobíhá bezprostředně v originálních datech, jak je tomu u korpusů psaných,((Byť i u psaných korpusů je potřeba uvážit jistou míru zprostředkovanosti -- [[pojmy:segmentace#segmentace|tokenizace]] a [[pojmy:segmentace#segmentace_vetna|větná segmentace]], [[pojmy:tag|značkování]] -- ovšem nesrovnatelně menší.)) ale v **transkriptu** zvukové nahrávky. Jedná se tedy o určitou interpretaci "zvukové" skutečnosti zachycené v nahrávkách. 
Řádek 12: Řádek 12:
  
 ===== Rozdíly ve značení textu v mluveném a psaném korpuse ===== ===== Rozdíly ve značení textu v mluveném a psaném korpuse =====
-U psaného korpusu se doplňující informace týkají především díla samotného -- textu, jeho členění, roku vydání atp. U mluveného textu (transkriptu) máme základní informace o jeho autorovi (mluvčím) (viz [[pojmy:atributy_strukturni#struktura_korpusu_mluvene_cestiny|strukturu]]).+U psaného korpusu se doplňující informace týkají především díla samotného -- textu, jeho členění, roku vydání atp. U mluveného textu (transkriptu) máme základní informace o jeho autorovi (mluvčím) (viz [[seznamy:strukturni_atributy_mluvene#struktury_korpusu_mluvene_cestiny|strukturu]]).
 Transkript je ve všech mluvených korpusech členěn podle replik jednotlivých mluvčích; pouze korpus [[cnk:oral2013|ORAL2013]] zachycuje i souběžnou mluvu dvou mluvčích, tzv. „překryvy“, a dělí repliky na menší části, tzv. segmenty, které jsou spojeny se zvukem a lze je přehrát. Transkript je ve všech mluvených korpusech členěn podle replik jednotlivých mluvčích; pouze korpus [[cnk:oral2013|ORAL2013]] zachycuje i souběžnou mluvu dvou mluvčích, tzv. „překryvy“, a dělí repliky na menší části, tzv. segmenty, které jsou spojeny se zvukem a lze je přehrát.
  
Řádek 21: Řádek 21:
   - v mluvených korpusech je **větší variabilita forem** -- existují různé transkripční varianty stejného slova, nářeční varianty (//sme -- zme//) apod.,   - v mluvených korpusech je **větší variabilita forem** -- existují různé transkripční varianty stejného slova, nářeční varianty (//sme -- zme//) apod.,
   - mluvené korpusy převážně nedisponují [[pojmy:lemma|lemmatizací]] a [[pojmy:tag|morfologickým značkováním]] (varianty //sme -- zme// tedy nejde dohledat pomocí kombinace lemmatu //být// a značky odkazující k 1. os. mn. č. přítomného času, ale pouze zadáním konkrétní formy, tedy buď //sme//, anebo //zme//),   - mluvené korpusy převážně nedisponují [[pojmy:lemma|lemmatizací]] a [[pojmy:tag|morfologickým značkováním]] (varianty //sme -- zme// tedy nejde dohledat pomocí kombinace lemmatu //být// a značky odkazující k 1. os. mn. č. přítomného času, ale pouze zadáním konkrétní formy, tedy buď //sme//, anebo //zme//),
-  - mají jinou [[pojmy:atributy_strukturni#struktura_korpusu_mluvene_cestiny|strukturu]] (viz též [[pojmy:struktura_korpusu#vertikala_korpusy_mluveneho_jazyka|vertikála mluveného korpusu]]) a obsahují jiné [[pojmy:atributy_strukturni#strukturni_atributy_korpusu_rady_oral|atributy/metainformace]],+  - mají jinou [[seznamy:strukturni_atributy_mluvene#struktury_korpusu_mluvene_cestiny|strukturu]] (viz též [[pojmy:struktura_korpusu#vertikala_korpusy_mluveneho_jazyka|vertikála mluveného korpusu]]) a obsahují jiné [[seznamy:strukturni_atributy_mluvene#strukturni_atributy_korpusu_ortofon_a_spojeneho_korpusu_oral|atributy/metainformace]],
   - z povahy materiálu vyplývá, že je o něco složitější zorientovat se v konkordanci.   - z povahy materiálu vyplývá, že je o něco složitější zorientovat se v konkordanci.
  
Řádek 162: Řádek 162:
 ==== Omezení hledání ==== ==== Omezení hledání ====
  
-KonText také umožňuje [[manualy:kontext:novy_dotaz#omezit_hledani|omezit vyhledávání]] pouze na promluvy mluvčích, jejichž metainformace (věk, pohlaví apod.) splňují jistá kritéria. V zaklikávacím menu jsou dostupné metainformace ''sp.pohlavi'', ''sp.vek'', ''sp.vzdelani'', ''sp.vzdelanityp'' a ''sp.oblast'' (viz též [[pojmy:atributy_strukturni#struktura_korpusu_mluvene_cestiny|přehled metainformací v korpusech mluveného jazyka]]); ostatní metainformace lze specifikovat pouze pomocí dotazu v jazyce CQL (viz níže).+KonText také umožňuje [[manualy:kontext:novy_dotaz#omezit_hledani|omezit vyhledávání]] pouze na promluvy mluvčích, jejichž metainformace (věk, pohlaví apod.) splňují jistá kritéria. V zaklikávacím menu jsou dostupné metainformace ''sp.pohlavi'', ''sp.vek'', ''sp.vzdelani'', ''sp.vzdelanityp'' a ''sp.oblast'' (viz též [[seznamy:strukturni_atributy_mluvene#struktury_korpusu_mluvene_cestiny|přehled metainformací v korpusech mluveného jazyka]]); ostatní metainformace lze specifikovat pouze pomocí dotazu v jazyce CQL (viz níže).
  
 Např. dotaz specifikovaný podle obrázku níže se bude vyhledávat pouze v promluvách (resp. strukturách ''<sp/>''), které pronesla žena (''Z'') starší 35 let (''V'') základního nebo středoškolského vzdělání (''B'') ze středočeské či česko-moravské nářeční oblasti. Např. dotaz specifikovaný podle obrázku níže se bude vyhledávat pouze v promluvách (resp. strukturách ''<sp/>''), které pronesla žena (''Z'') starší 35 let (''V'') základního nebo středoškolského vzdělání (''B'') ze středočeské či česko-moravské nářeční oblasti.
Řádek 170: Řádek 170:
 ===== CQL ===== ===== CQL =====
  
-Jazyk CQL nabízí při prohledávání některé možnosti, které v rozhraní KonText jednoduše "naklikat" nejdou (nezapomeňte si při tom přepnout na správný [[manualy:kontext:novy_dotaz|typ dotazu]]). Pro zadávání takovýchto složitějších dotazů je nutné mít představu o tom, jak je korpus [[pojmy:atributy_strukturni#struktura_korpusu_mluvene_cestiny|strukturován]], zejména jak je lineárně reprezentován v tzv. [[pojmy:struktura_korpusu#vertikala_korpusy_mluveneho_jazyka|vertikále]]. Než se pustíte do dotazů v jazyce CQL v rámci korpusů mluveného jazyka, projděte si [[kurz:pokrocile_dotazy|lekci v Kurzu práce s ČNK]], kde si tento typ dotazů osvojíte na psaných korpusech.+Jazyk CQL nabízí při prohledávání některé možnosti, které v rozhraní KonText jednoduše "naklikat" nejdou (nezapomeňte si při tom přepnout na správný [[manualy:kontext:novy_dotaz|typ dotazu]]). Pro zadávání takovýchto složitějších dotazů je nutné mít představu o tom, jak je korpus [[seznamy:strukturni_atributy_mluvene#struktury_korpusu_mluvene_cestiny|strukturován]], zejména jak je lineárně reprezentován v tzv. [[pojmy:struktura_korpusu#vertikala_korpusy_mluveneho_jazyka|vertikále]]. Než se pustíte do dotazů v jazyce CQL v rámci korpusů mluveného jazyka, projděte si [[kurz:pokrocile_dotazy|lekci v Kurzu práce s ČNK]], kde si tento typ dotazů osvojíte na psaných korpusech.
  
 Pokud si potřebujete strukturu mluvených korpusů jen osvěžit, následuje rychlý přehled. Mluvené korpusy se člení na struktury ''<doc/>'', které představují jednotlivé sondy (ucelené rozhovory v rámci jedné komunikační situace), a ty jsou dále rozdělené na struktury ''<sp/>''. V korpusech ORAL2006 a ORAL2008 představuje jednotka ''<sp/>'' ucelenou promluvu jednoho mluvčího, v korpusu ORAL2013 jsou z technických důvodů hranice ''<sp/>'' i v místech, kde dochází k překrývání mluvčích, a neexistuje jednoduchý způsob, jak určit, která hranice ''<sp/>'' je lingvisticky relevantní (tj. představuje skutečný začátek/konec promluvy) a která je pouze technickou nutností. Pokud si potřebujete strukturu mluvených korpusů jen osvěžit, následuje rychlý přehled. Mluvené korpusy se člení na struktury ''<doc/>'', které představují jednotlivé sondy (ucelené rozhovory v rámci jedné komunikační situace), a ty jsou dále rozdělené na struktury ''<sp/>''. V korpusech ORAL2006 a ORAL2008 představuje jednotka ''<sp/>'' ucelenou promluvu jednoho mluvčího, v korpusu ORAL2013 jsou z technických důvodů hranice ''<sp/>'' i v místech, kde dochází k překrývání mluvčích, a neexistuje jednoduchý způsob, jak určit, která hranice ''<sp/>'' je lingvisticky relevantní (tj. představuje skutečný začátek/konec promluvy) a která je pouze technickou nutností.
Řádek 205: Řádek 205:
 ==== Zúžení prohledávaných struktur podle metainformací ==== ==== Zúžení prohledávaných struktur podle metainformací ====
  
-Množinu struktur (''doc'' nebo ''sp'', viz [[pojmy:atributy_strukturni#struktura_korpusu_mluvene_cestiny|Struktura korpusů mluvené češtiny]]), které budou v rámci dotazu prohledány, lze omezit tím, že specifikujeme, jakých hodnot musí, nebo naopak nesmějí některé atributy těchto struktur nabývat (atributy, s nimiž lze v korpusech řady ORAL pracovat, jsou shrnuty [[pojmy:atributy_strukturni#strukturni_atributy_korpusu_rady_oral|zde]]). K tomu slouží operátory [[pojmy:within]] nebo [[pojmy:containing]]. Oba operátory se liší pouze syntaxí -- ''X within Y'' je totéž co ''Y containing X'' -- a [[pojmy:containing#vysledek|způsobem zobrazení výsledné konkordance]].+Množinu struktur (''doc'' nebo ''sp'', viz [[seznamy:strukturni_atributy_mluvene#struktury_korpusu_mluvene_cestiny|Struktura korpusů mluvené češtiny]]), které budou v rámci dotazu prohledány, lze omezit tím, že specifikujeme, jakých hodnot musí, nebo naopak nesmějí některé atributy těchto struktur nabývat (atributy, s nimiž lze v korpusech řady ORAL pracovat, jsou shrnuty [[seznamy:strukturni_atributy_mluvene#strukturni_atributy_korpusu_ortofon_a_spojeneho_korpusu_oral|zde]]). K tomu slouží operátory [[pojmy:within]] nebo [[pojmy:containing]]. Oba operátory se liší pouze syntaxí -- ''X within Y'' je totéž co ''Y containing X'' -- a [[pojmy:containing#vysledek|způsobem zobrazení výsledné konkordance]].
  
 Obecný úvod do problematiky podmínek ''within'' je k dispozici [[kurz:subkorpusy#Podmínky within – hledání v rámci určitých struktur|v jedné z předchozích lekcí]]; zde se omezíme na pár příkladů využívajících struktury a atributy korpusů mluveného jazyka. Mohli bychom chtít hledat např.: Obecný úvod do problematiky podmínek ''within'' je k dispozici [[kurz:subkorpusy#Podmínky within – hledání v rámci určitých struktur|v jedné z předchozích lekcí]]; zde se omezíme na pár příkladů využívajících struktury a atributy korpusů mluveného jazyka. Mohli bychom chtít hledat např.: