kurz:reseni_ukolu - 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.
====== Řešení úkolů ======

Zde najdete řešení úloh ze všech lekcí z [[kurz:uvod|Kurzu práce s ČNK]]. 

===== Lekce 1 =====

V korpusu [[cnk:syn2020|SYN2020]] bylo nalezeno 43 výskytů adjektiva //nejvznešenější//, z toho třikrát se daný tvar nachází na začátku věty (je s velkým počátečním písmem) a jednou je celý zapsán velkými písmeny. 
Lemma //vznešený// se v tomtéž korpusu vyskytuje 1314krát.
===== Lekce 2 =====

V korpusu [[cnk:syn2020|SYN2020]] byste měli najít tyto údaje:

  * 7 919 výskytů lemmatu //vědomí// -- [[https://www.korpus.cz/kontext/view?maincorp=syn2020&viewmode=kwic&pagesize=415&attrs=word&attr_vmode=visible-kwic&base_viewattr=word&refs=%3Ddoc.title&q=~HScUEoOyYuy4|výsledek zde]]
  * 6 698 výskytů tvaru //vědomí// přesně v této podobě -- [[https://www.korpus.cz/kontext/view?maincorp=syn2020&viewmode=kwic&pagesize=415&attrs=word&attr_vmode=visible-kwic&base_viewattr=word&refs=%3Ddoc.title&q=~900EUm4Ug6OS|výsledek zde]]
  * zdrojový jazyk: např. //es: španělština//, //cs: čeština// nebo //en: angličtina//
  * překladatel: např. //Faltýsková, Alena//, //Dvořák, Libor// nebo //Petkevič, Vladimír//
  * autor: např. //Mitosek, Zofia//, //Komárek, Stanislav// či //Habermas, Jürgen//

===== Lekce 3 =====

<WRAP clear/>

  * Frekvenční distribuce všech předložek předcházejících lemmatu //vědomí// získáme [[vyhodnoceni_dotazu#frekvencni_distribuce_slovnich_druhu_v_okoli_kwicu|analogickým postupem]], jakým jsme hledali příslovce rozvíjející dvojici adjektiv //proslulý// a //věhlasný//, tzn. pomocí atributu **pos** a pozice **1L** v menu **Frekvence → Vlastní**. Zajímat nás bude hned první řádek ([[seznamy:tagy#pozice_1_-_slovni_druh|prepozice jsou značeny zkratkou R]]), na nějž aplikujeme pozitivní filtr a provedeme opět frekvenční distribuci výrazů v pozici 1L, tentokrát však s atributem **lemma**. Výsledek v korpusu [[cnk:syn2020|SYN2020]] by měl vypadat [[https://www.korpus.cz/kontext/freqs?maincorp=syn2020&viewmode=kwic&pagesize=100&attrs=word%2Clemma%2Ctag&attr_vmode=mouseover&base_viewattr=word&structs=s&refs=%3Ddoc.title&q=~ZU2qMgasugci&fcrit=lemma%2Fe%20-1%3C0&flimit=1&fpage=1&ftt_include_empty=0|takto]]:

[{{:kurz:frekvdispredlozkyvedomi.png?direct&338|Frekvenční distribuce předložek předcházejících lemmatu //vědomí// v SYN2020}}]


<WRAP clear/>

  * Též jsme se pokusili odhalit, jak se liší výskyt výplňového slova //vole// v mluvě mužů a žen. Výsledky (po zaokrouhlení) shrnuje následující tabulka:

^ mluvený korpus ^ absol. frekvence //**vole**// ^ <fc #008000>relat. frekvence ([[pojmy:ipm|ipm]])</fc> ^ <fc #800000>muži ipm</fc> ^ <fc #FF0000>ženy ipm</fc> ^
| ORAL2006 |  684 |  <fc #008000>521</fc> |  <fc #800000>1369</fc> |  <fc #FF0000>147</fc> |
| ORAL2008 |  1343 |  <fc #008000>995</fc> |  <fc #800000>1732</fc> |  <fc #FF0000>269</fc> |
| ORAL2013 |  3552 |  <fc #008000>1081</fc> |  <fc #800000>1975</fc> |  <fc #FF0000>152</fc> |
| ORAL v1 |  5977 |  <fc #008000>940</fc> |  <fc #800000>1865</fc> |  <fc #FF0000>187</fc> |

Můžeme rozhodně vyvodit závěr, že <fc #800000>**mužům**</fc> je //vole// v mluvě mnohem bližší nežli <fc #FF0000>**ženám**</fc>. Ale co s těmi značnými rozdíly v <fc #008000>**relativní frekvenci**</fc> při srovnávání jednotlivých korpusů (téměř poloviční výskyt v jednom korpusu ve srovnání s dvěma ostatními)? Více mohou napovědět třeba podrobné informace o korpusu [[cnk:oral2006|ORAL2006]] a [[cnk:oral2008|ORAL2008]], někdy je však velmi těžké na příčinu podobných rozdílů přijít.





===== Lekce 4 =====

Hledáme v korpusu [[cnk:syn2015|SYN2015]].

== Slova obsahující sekvenci -kořen-, po níž následuje a jíž předchází alespoň jeden znak ==

Výchozí atribut: **lemma**

Dotaz (s aktivovanými regulárními výrazy): ''.+kořen.+''

<wrap lo>
Pozn.: V dotazu je třeba použít sekvenci ''.+'', protože v zadání je uvedeno, že předcházet i následovat musí alespoň jeden znak. Z toho důvodu nelze použít sekvenci ''.*'', protože ta odpovídá i nulovému řetězci. </wrap>

Počet výsledků: [[https://www.korpus.cz/kontext/view?maincorp=syn2015&viewmode=kwic&pagesize=100&attrs=word%2Clemma%2Ctag&attr_vmode=mouseover&base_viewattr=word&structs=p%2Cs&refs=%3Ddoc.title%2C%3Ddoc.author%2C%3Ddoc.pubyear&q=~IAcYwMWa8ioy|1749]]

Nejfrekventovanější výsledky (lemmata): //zakořeněný// (382), //zakořenit// (323), //okořenit// (299), //pokoření// (160), //okořeněný// (142), //pokořený// (82)...

== Infinitivy odvozené od slovesa téct/téci s prefixem ==

Výchozí atribut: **word**

Dotaz (s aktivovanými regulárními výrazy): ''.+téc[it]''


Počet výsledků: [[https://www.korpus.cz/kontext/view?maincorp=syn2015&viewmode=kwic&pagesize=100&attrs=word%2Clemma%2Ctag&attr_vmode=mouseover&base_viewattr=word&structs=p%2Cs&refs=%3Ddoc.title%2C%3Ddoc.author%2C%3Ddoc.pubyear&q=~0EsUMsEueu4q|1997]]

Nejfrekventovanější výsledky: //utéct// (1622), //utéci// (230), //odtéct// (24), //protéct// (15), //přitéct// (14), //vytéct// (12), //stéct// (10)...

== Tvary negativního superlativu (pouze nom. sg.) ==

Výchozí atribut: **word**

Dotaz (s aktivovanými regulárními výrazy): ''nejne.+[šč]í'' (stejný výsledek v tomto korpusu dostaneme i při zadání ''nejne.*[šč]í'')

Počet výsledků: [[https://www.korpus.cz/kontext/view?maincorp=syn2015&viewmode=kwic&pagesize=100&attrs=word%2Clemma%2Ctag&attr_vmode=mouseover&base_viewattr=word&structs=p%2Cs&refs=%3Ddoc.title%2C%3Ddoc.author%2C%3Ddoc.pubyear&q=~PgEWGcaiQsSA|673]]

Nejfrekventovanější výsledky: //nejnebezpečnější// (220), //nejnevhodnější// (38), //nejnepříjemnější// (34), //nejnepatrnější// (27), //nejneuvěřitelnější// (24), //nejnevinnější// (19), //nejnemožnější// (18)...

===== Lekce 5 ====

1. Nejprve hledáme aktualizace přísloví //těžko na cvičišti, lehko na bojišti//. Pohled do korpusu [[cnk:syn2015|SYN2015]] příliš zajímavý není, na dotaz ''[word=%%"cvičišti"][]{1,10}[word="bojišti"%%]'' dostaneme [[https://kontext.korpus.cz/view?q=~yvns3xpG&attr_allpos=kw&attrs=word&corpname=syn2015&ctxattrs=word&pagesize=40&refs=%3Ddoc.title&structs=s&viewmode=kwic&|těchto 14 výskytů]], z nichž aktualizací jsou jen první a pátý. O něco zajímavější data nalezneme v SYN2013PUB, týž dotaz najde 152 případů. Zde už bude vhodné uplatnit negativní filtr, rozsah hledání nastavíme na **od -2 do -2**, zrušíme volbu **včetně KWIC** a typ dotazu nastavíme na **Slovní tvar**, načež vepíšeme nejběžnější formu na dané pozici (2L): ''těžko|těžce''. Výsledkem by měla být [[https://kontext.korpus.cz/view?q=~TbBJljWz&attr_allpos=kw&attrs=word&corpname=syn2013pub&ctxattrs=word&pagesize=40&refs=%3Dopus.nazev&structs=p%2Cg%2Cerr%2Ccorr&viewmode=kwic&|tato konkordance]], z níž je patrné, že toto přísloví mělo stabilnější formu a bylo méně náchylné k modifikacím než to o vlku a koze. Doložena je nicméně i [[https://kontext.korpus.cz/view?q=~jQgjF6OO&attr_allpos=kw&attrs=word&corpname=syn2013pub&ctxattrs=word&pagesize=40&refs=%3Dopus.nazev&structs=p%2Cg%2Cerr%2Ccorr&viewmode=kwic&|varianta obrácená]] (zde stačilo jen v dotazu prohodit oba slovní tvary).

2. Dále nás zajímaly kletby odvozené od slovního spojení //Herr Gott// a dostupné prostřednictvím korpusu [[cnk:oral2013|ORAL2013]]. Nejprve zkusíme dosáhnout co nejvyšší hodnoty [[pojmy:recall|recall]] pomocí jednoduchého dotazu (s využitím regulárních výrazů) ''.*her.*'', ovšem výrazy typu //nádhera// ukazují, že umístění základu //her// uprostřed hledaného řetězce k ideálnímu výsledku nepovede. Potřebujeme také eliminovat frekventovaný //hermelín// a //herce// s //herečkami// -– možný dotaz vypadá takto: ''[word=%%"her[^cme][^cč].*"%%]''. Výsledných 65 výskytů se jeví lépe, ovšem stále obsahuje hodně //heren// a //herních// odvozenin.  Jak je vyřadit, když hlásku //n// musíme ponechat kvůli //hernajs//? Vyloučíme alespoň frekventované nejkratší tvary tím, že nás budou zajímat pouze výrazy o šesti a více znacích -- kvantifikátor ''*'' nahradíme kvatifikátorem ''+'' a zadáme dotaz v této podobě: ''[word=%%"her[^cme][^cč].+"%%]''. Zbývajících 41 případů už snadno vyfiltrujeme manuálně pomocí okének na začátku příslušných konkordančních řádků, nepotřebujeme-li ale výsledná data ukládat či s nimi dále pracovat, postačí pohled na frekvenční distribuci tvarů (**Frekvence → Slovní druhy**). Zajímavé je, že mezi nimi figuruje pouze //hergot// (27krát) a jedno //hernajs//. O něco pestřejší je [[https://kontext.korpus.cz/view?q=~KHaUPHs9&attr_allpos=kw&attrs=word&corpname=oral2006&ctxattrs=word&pagesize=40&refs=%3Ddoc.id&structs=p%2Cg%2Cerr%2Ccorr&viewmode=kwic&|situace v ORAL2006]].

===== Lekce 6 =====

1. Začněme pohledem do aktuálního synchronního korpusu psané češtiny [[cnk:syn2015|SYN2015]]. Hledáme v něm lemma //tratoliště//, které se tu vyskytuje 61krát, odfiltrujeme však všechna užití //tratoliště krve//. V menu zvolíme [[manualy:kontext:filtr|Filtr → Negativní]], rozsah hledání upravíme na **od 1 do 1** (jde nám o bezprostřední pravostranný kolokát), jako typ dotazu zvolíme **Lemma** a do řádku vepíšeme dotaz //krev//. Zredukovaná konkordance odhalí ještě dva případy, kdy je substantivum //krev// rozvito adjektivem //vlastní//, bude tedy lepší rozšířit rozsah hledání na **od 1 do 2**.

Po odfiltrování by nám mělo zbýt [[https://kontext.korpus.cz/view?q=~CwuAPcNv&attr_allpos=kw&attrs=word&corpname=syn2015&ctxattrs=word&pagesize=40&refs=%3Ddoc.title&structs=s&viewmode=kwic&|těchto 19 výskytů]]. Patrně nás nepřekvapí, že s výjimkou jediného případu pocházejí všechny z beletrie. Vedle metafor krotčejších (//tratoliště voleje, rozbředlého sněhu, moče, vzpomínek, minut, vlastního světla...//) najdeme sem tam nějakou peprnější, např. Hrabalovo //tratoliště básnických chcanek//.

V [[cnk:syn2010|SYN2010]] je situace obdobná: lemma //tratoliště// se tu objevuje 53krát, nejtypičtější je pro beletrii (32krát), hojně je využívá ale i publicistika (17krát). Ve valné většině případů se objevuje ve spojení //v tratolišti krve// -- v této podobě (hledáme jako frázi) celkem 35krát. Po aplikaci stejného negativního filtru nám z původních 53 výskytů zbude [[https://kontext.korpus.cz/view?q=~Kyq0AA2S&attr_allpos=kw&attrs=word&corpname=syn2010&ctxattrs=word&pagesize=40&refs=%3Dopus.nazev&structs=s&viewmode=kwic&|těchto 8 případů]].

V korpusu [[cnk:oral|ORAL v1]] se toto slovo -- s jedinou, o to však půvabnější výjimkou, za niž by se nemusel stydět ani Hrabal (// ...eště si ho vodšoupne jako dál a žere a tam prostě pod nim **tratoliště drobků**, a já na něj koukám a řikám Láďo proč si myslíš že sem ti tam dala ten talíř?//) -- nevyskytuje. Ovšem ruku na srdce, kdy naposledy jste o //tratolišti// hovořili vy sami?

2. Porovnáváme kolokační profily adverbií //teď// a //nyní// a zamyšlíme se nad mírou jejich synonymnosti. Prvním rozdílem je jejich odlišná frekvence v korpusu SYN2015: 85 940 výskytů //teď// oproti 34 570 výskytům //nyní// -- první slovo je tedy téměř dvaapůlkrát častější než druhé. Ještě výmluvněji by tento rozdíl byl znát na mluvených korpusech, např. v ORAL2013 je to 8066 případů proti 4 (sic! a to jsme nezapočetli všechny možné varianty typu //teďkon%%(c)%%//, //teďka// apod., které si lze dohledat [[hledani_v_mluvenych_korpusech#jak_spravne_zadat_hledane_„slovo|zde]]). Mimochodem, obdobné výsledky získáte i pomocí [[http://syd.korpus.cz/x0iwEkwx.syn|nástroje SyD]].

Závěrů, které lze z kolokační analýzy odvodit, je celá řada. Vybereme si proto jen ty nejviditelnější. Na první pohled upoutá fakt, že v první desítce kolokátů podle atributu **lc** najdeme jen dva společné: //teprve// a //už//. Synonymní //již// je vyhrazeno skoro výlučně lemmatu //nyní//, což může být důsledek toho, že jak //nyní//, tak //již// mají příznak knižnosti.

^ Pořadí podle logDice ^ Kolokáty //nyní// ^ Kolokáty //teď// ^
^ 1. |  již  |  už  |
^ 2. |  už  |  právě  |
^ 3. |  teprve  |  ale  |
^ 4. |  čeká  |  tady  |
^ 5. |  však  |  když  |
^ 6. |  žije  |  teprve  |
^ 7. |  pracuje  |  zrovna  |
^ 8. |  hrozí  |  ?  |
^ 9. |  máme  |  mám  |
^ 10. |  je  |  co  |

Povšimněte si rovněž, že mezi nejčastějšími kolokáty lexému //teď// převažují slova gramatická, kdežto u jeho protějšku je daleko více slov plnovýznamových (autosémantik). Viditelná je zejména preference sloves pojit se s //nyní// (v první desítce jich objevíme hned 6), zatímco //teď// má ve svém okolí spíš modifikátory (adverbia a částice). 

Přesnou povahu kolokací zjistíme kliknutím na modře zvýrazněný pozitivní filtr (<fc #6495ed>p</fc>). Tímto způsobem např. ověříme, že slovo //už// se objevuje jak na levé, tak na pravé straně obou adverbií, kdežto jiná slova téměř výhradně na jedné straně (//teprve teď/nyní//). Lexém //tady// se kombinuje většinou s //teď//, a to ve spojení //tady a teď// (331krát), ale i //teď a tady// (120) -- zato v úzkém spojení s //nyní// se vyskytuje jen ojediněle (po 1 případu //tady a nyní// a //nyní a tady//).

===== Lekce 7 =====

Publicistické texty z roku 2001 pokrývá korpus [[cnk:syn2005|SYN2005]], zvolíme si proto ten a zadáme v něm tento CQL dotaz: ''[lemma=%%"(?i)dvojče" & word="D.*"%%] within <opus txtype=%%"PUB" & rokvyd="2001"%% />''. Většina z 31 případů se týká právě newyorských mrakodrapů, manuální filtrací nežádoucích výskytů (pomocí volby **Výběr řádků → Odstranit z výsledku vybrané řádky**) by vám mělo zůstat [[https://kontext.korpus.cz/view?q=~MbHCmhfq&attr_allpos=kw&attrs=word&corpname=syn2005&ctxattrs=word&pagesize=40&refs=%3Dopus.nazev&viewmode=kwic&|těchto 22 výskytů]]. Trvalý subkorpus vytvoříte obdobně zformulovaným dotazem, měl by mít přes 7,8 milionů pozic. Pro kontrolu v něm zkuste zadat první část výše uvedeného dotazu, tedy ''[lemma=%%"(?i)dvojče" & word="D.*"%%]'', opět by vám mělo vyjít 31 výsledků.

Publicistiku z roku 2011 najdeme v korpusu [[cnk:syn2015|SYN2015]]. První část dotazu zůstane stejná (tzn. hledáme lemma //dvojče//, které se v textu vyskytuje s velkým písmenem), oproti starším korpusům se však změnilo označení metainformací, je tedy zapotřebí zapsat dotaz ''[lemma=%%"(?i)dvojče" & word="D.*"%%] within <doc txtype_group=%%"NMG.*" & pubyear="2011"%% />''. Výsledků je na první pohled výrazně méně, celkem 14, z nichž je navíc zapotřebí odstranit 5 nerelevantních případů, zůstane tak pouze [[https://kontext.korpus.cz/view?q=~xsN03OB8&attr_allpos=kw&attrs=word&corpname=syn2015&ctxattrs=word&pagesize=40&refs=%3Ddoc.title&structs=s&viewmode=kwic&|těchto 9 výskytů]]. Trvalý subkorpus publicistických textů z r. 2011 by měl obsahovat přes 8 milionů wordů.

Aktualizace lexému //tunel// hledáme pomocí dotazu ''[lemma=%%".*tunel.*"%%] within <opus txtype=%%"PUB" & rokvyd="2001"%% />'', případně v již vytvořeném subkorpusu jednoduchým dotazem (s aktivovanými regulárními výrazy a výchozím atributem **lemma**) ''.*tunel.*''. V obou případech dostaneme 339 výskytů. Zatímco samotné základové slovo //tunel// si ve většině případů ponechává svůj původní význam, [[https://kontext.korpus.cz/freqs?q=~GDULH4Ir&attr_allpos=kw&attrs=word&corpname=syn2005&ctxattrs=word&pagesize=40&refs=%3Dopus.nazev&usesubcorp=pok01&viewmode=kwic&&fcrit=lemma/e+0~0%3E0&ml=0|jeho odvozeniny]] už mají většinou význam přenesený (až na výjimky typu //podtunelování// -- odborný termín, //Eurotunel// -- jméno firmy apod.). 

V subkorpusu publicistiky z r. 2011 najdeme 292 výskytů, frekvenční distribuci lemmat můžeme vzájemně porovnat a shrnout např. do následující tabulky (červeně zvýrazněny jsou případy, jež nás zajímají):
^ Lemma ^ 2001pub ^ 2011pub ^ 
^ tunel |  233  |  245  |	
^ <fc #ff0000>tunelář</fc> |  29  |  3  |
^ <fc #ff0000>tunelování</fc> |  25  |  15  |
^ <fc #ff0000>vytunelovaný</fc> |  10  |  6  |
^ <fc #ff0000>vytunelování</fc> |  9  |  5  |
^ <fc #ff0000>vytunelovat</fc> |  9  |  1  |	
^ <fc #ff0000>tunelovat</fc> |  8  |  4  |
^ tunelový |  8  |  10  | 	
^ <fc #ff0000>tunelovaný</fc> |  1  |  0  |
^ tunelovitý |  1  |  0  |	
^ <fc #ff0000>tuneláž</fc> |  0  |  1  |
^ nano-tunel |  0  |  1  |
^ Eurotunel |  0  |  1  |

Vidíme, že s jedinou výjimkou (//tunelář//) jsou počty dokladů přibližně stejné, což signalizuje dostatečnou etablovanost daného významu v tuzemské publicistice za posledních 15 let. Zajímavé doklady však najdeme též v [[pojmy:txtype_group|jiných typech textů]], byť tam převažuje původní význam slova. Vyhledávání stejného slovního základu v celém korpusu SYN2005, resp. SYN2015 odhalí např. tyto další deriváty:

//Veřejnost, která volá po tvrdší odplatě za činy zlosynů, //tunelujících// a plenících naši zem.// (SYN2005)

[...] //moskevská prokuratura ho má za obyčejného //velkotuneláře// a neúspěšně žádala jeho vydání.// (SYN2005)

//Václav Havel v Rudolfinu s vážnou tváří pronesl, že "ekonomická základna je //protunelovaná//, protože se nevyvíjela v řádu Božích přikázání".// (SYN2005)

//A do toho strach, že jsou //podtunelovaný// další banky a že je jen otázka času, kdy se zhroutěj.// (SYN2015)

//Úřady znovu vyšetřují jeho podíl na //vytunelovávání// CS Fondů a okolnostech, za kterých získal MUS.// (SYN2015)

[...] //po letech vrátila bodrý úsměv řadě //supertunelářů//, šéfů H-systému a velkozlodějů všeho druhu.// (SYN2015)
Historie: • bigram • afun • ngram • genre • mluveny • genre_group • prototypicnost • morfologicka_analyza • strukturni_atributy_mluvene • konkordance