Rozdíly

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

--- manualy:wag [2019/10/14 10:15] – [WaG: Slovo v kostce] jankocek
+++ manualy:wag [2021/05/12 14:08] (aktuální) – jankocek
@@ Řádek 3: / Řádek 3: @@
 {{ :wag-logo_cs.png?nolink&350|}}
-Aplikace Slovo v kostce (Word at a Glance, WaG) slouží k vytvoření základního přehledu o tom, jak se používá zadané slovo. Soustředí v sobě informace, které lze získat z [[cnk:uvod|korpusů ČNK]] pomocí dostupných nástrojů, a vytváří tak přehledný profil slova z různých perspektiv.
+Aplikace **Slovo v kostce** (Word at a Glance, WaG) slouží k vytvoření základního přehledu o tom, jak se používá zadané slovo či sousloví. Soustředí v sobě informace, které lze získat z [[cnk:uvod|korpusů ČNK]] pomocí dostupných nástrojů, a vytváří tak přehledný profil slova z různých perspektiv.
-V současnosti (říjen 2019) je WaG implementován pouze pro české zdroje a obsahuje dva základní moduly:
+Aktuálně je WaG implementován pouze pro české zdroje a obsahuje tři základní moduly:
-  * profil slova v češtině (modul //Vyhledat slovo//)
+  * profil slova či víceslovné jednotky v češtině (modul //Vyhledat slovo//)
+  * komparace profilů dvou (či více) českých slov či sousloví (modul //Porovnat slova//)
   * informace o možných překladech zadaného slova do jiných jazyků (modul //Hledat ve dvou jazycích//)
+Výsledky analýzy zadaného slova jsou v aplikaci uspořádány do dlaždic. Každá dlaždice obsahuje informaci o tom, z jakého zdroje údaje pocházejí, odkaz vedoucí do některé z aplikací pro práci s korpusy ČNK, kde lze zpravidla vyhledat detailnější údaje, a rovněžstručná nápověda, která poskytuje dodatečné informace o zdrojích dat a o možnostech interpretace výsledků. V některých případech lze údaje v dlaždici zobrazit ve formě tabulky či upravit výsledky dodatečným nastavení volitelných parametrů. Dlaždice jsou seskupeny do tematických celků (Frekvenční informace, Psaný jazyk, Mluvený jazyk).
+Všechny prezentované údaje jsou získány automatickou analýzou -- přesnost a věrohodnost frekvenčních informací závisí na tom, jak spolehlivá je [[pojmy:anotace|anotace]] v korpusech. Klíčová je přitom především role [[pojmy:lemma|lemmatizace]] (tj. přiřazení základního tvaru) a [[pojmy:tag|morfologického značkování]], jejichž chybovost ani s použitím nejmodernějších nástrojů nemůže být nulová. Pro podrobné a spolehlivé vyhodnocení je tedy klíčové ověřovat výsledky ve zdrojových datech, a to zejména s ohledem na adekvátnost anotace.
 Aplikace je dostupná na adrese: **[[https://www.korpus.cz/slovo-v-kostce/]]** nebo přímo z dotazovacího okna na hlavní straně portálu ČNK.
-Součástí aplikace je kontextová nápověda, která poskytuje dodatečné informace o zdrojích dat a o možnostech interpretace výsledků.
+===== Přehled jednotlivých prvků =====
+=== Frekvenční informace ===
+== Lemma ==
+ukazuje, jak jsme zadané slovo interpretovali. Pokud jste zadali slovo v jiném než základním tvaru (například //kočku//), základní tvar neboli lemma jsme mu přiřadili (//kočka//). Vyhledány jsou pak všechny tvary tohoto slova (tedy //kočky//, //kočce//, //kočkách// atd.). Případné ostatní interpretace se zobrazí nahoře pod vyhledávacím políčkem, kde lze také vybrat, jakou interpretaci chcete dále analyzovat (např. tvar //sní// může být zařazen k lemmatu //snít// nebo k lemmatu //sníst//).
+== Slovní druh ==
+Zadané slovo bylo námi určitým způsobem interpretováno a přiřazeno k určitému slovnímu druhu. Výsledek je vhodné překontrolovat, zvláště hledáte-li slovo, které může mít více významů (například //stát// může být slovesem nebo podstatným jménem). Podobně jako v předchozím případě se vám naše interpretace nemusí líbit, vtom případě si ji můžete snadno změnit nahoře pod vyhledávacím políčkem.
+== Frekvenční pásmo ==
+názorně ukazuje, jak frekventované dané slovo je, tj. jak často ho najdete v českých //psaných// textech. Čím víc má hvězdiček, tím je častější. Pět hvězdiček má jen velmi malý počet slov, která se ale v psaných textech vyskytují mimořádně často, např. //ale//, //já// nebo //muset//. Čtyři hvězdičky mají velmi častá slova jako //český//, //slovo// nebo //psát//. Naopak jednu hvězdičku mají málo frekventovaná slova, např. //chichotání//, //rozřezávat//, //pálenice// nebo //reverzibilní//.
+== Kolikrát v milionu slov ==
+Údaj podobně jako frekvenční pásmo (nebo [[pojmy:ipm|ipm]]) ukazuje, jak často se s daným slovem setkáte -- zde v přepočtu na korpus o velikosti 1 milion slov. Například hodnota 10 000 znamená, že přibližně každé sté slovo v českých textech bude vámi hledaný výraz, tedy že ho najdete na jedné stránce třeba i několikrát. Hodnota 1 znamená, že se zadané slovo vyskytuje průměrně v milionu slov jen jednou , tzn. že byste museli přečíst třeba i několik tlustých románů, než byste na něj vůbec narazili. (Pro představu, jedno z nejčastějších českých slov //že// má hodnotu ipm 7923, na druhou stranu slovo //kvadrant// má ipm 1)
+== Slova s podobně častým výskytem ==
+je seznam výrazů, které najdete v textech přibližně stejně často jako vámi hledané slovo. Tento výčet není úplný, jde pouze o náhodný výběr z podobně frekventovaných slov.
+== Slovní tvary ==
+Vyhledány jsou všechny tvary zadaného slova. Pokud jste tedy do vyhledávacího políčka napsali //kočka//, vyhledali jsme i pádové tvary //kočky//, //kočce//, //kočkách// atd. Četnost těchto tvarů je graficky znázorněna velikostí písma: čím větším písmem je zaznamenán učitý tvar, tím častěji na něj v textech narazíte (barvy jsou vybírány náhodně).
+Pomocí ikonky v pravém horním rohu si lze dlaždici přepnout do režimu tabulky. Tak se můžete podívat nejenom na relativní četnost (procentuální zastoupení) jednotlivých tvarů, ale i na absolutní počet, tedy kolikrát jsme daný slovní tvar našli v korpusu [[cnk:syn2015|SYN2015]].
+== Frekvence podle typu textu ==
+Z grafu je patrné, v jakém [[pojmy:txtype_group|typu textů]] se vyhledané slovo používá nejčastěji. Údaje jsou uváděny v relativní frekvenci, absolutní četnosti výskytů jsou k dispozici v tabulce.
+Tip: Pro srovnání si můžete vyhledat slova, která se typicky vyskytují v jednom z typů textů, např.: //premiér//, //nebesa//, //experiment//, //prostě//.
+{{:manualy:wag_frekvencni_informace.png?nolink&900|}}
+=== Psaný jazyk ===
+==Kolokace==
+[[pojmy:kolokace|Kolokace]] jsou ustálená (tj. nenahodilá) smysluplná spojení slov v blízkém kontextu. Příkladem můžou být třeba kolokace //letní prázdniny//, //zavázat (si) tkaničky//, //hladká mouka//, //vypálit (někomu) rybník// nebo //tmavě modrá//. K nalézání kolokací se užívají statistické metody (tzv. [[pojmy:asociacni_miry|asociační míry]]). Čím větším písmem je dané slovo zaznamenáno, tím silnější kolokaci se zadaným slovem tvoří (barvy jsou vybírány náhodně).
+Kliknutím na ikonku nastavení můžete omezit prohledávaný kontext pouze na levou, či pravou stranu. Najetím kurzoru na konkrétní slovo se podbarví odpovídající příkladová věta v dlaždici vpravo. (Pozor! Kolokace může překračovat hranici věty, a kolokát se tudíž nemusí v příkladové větě objevit.)
+Příklady použití kolokací v autentických psaných textech vidíte na vedlejší dlaždici **Ukázky kolokací v textech**. Informační ikonka skrývá údaje o textu (např. autor, rok vydání, typ textu).
+==Frekvence výskytu slova v čase==
+Graf naznačuje trend v užívání slova za poslední dvě desetiletí, především však v jazyce publicistiky (která tvoří cca 90 % korpusu SYN verze 7). Hodnoty za jednotlivé roky zaznamenávají [[pojmy:ipm|počet výskytů v milionu slov]].
+Tloušťka čáry v grafu se odvozuje od tzv. konfidenčního intervalu, který udává, jak spolehlivá data pro výzkum zadaného jevu máme. Čím je čára tlustší, tím méně spolehlivá data pro identifikaci daného trendu máme.
+Kliknutím na ikonku nastavení můžete výsledky porovnat s vývojem jiného slova (porovnejte např. slova //média// a //tisk//).
+==Podobně používaná slova==
+Dlaždice ukazuje slova, která jsou kontextově podobná slovu zadanému. Vzhledem k tomu, že kontext slova lze chápat jako věrné zrcadlo jeho funkce a významu, můžeme předpokládat, že slova vstupující do společných kontextů mají také podobný význam či funkci.
+Pro určení podobných slov byl použit program Wang2Vec (alternativa k známějšímu Word2Vec) s metodou pro výpočet parametrů modelu Noise Contrastive Estimation.
+{{:manualy:wag_psany_jazyk.png?nolink&900|}}
+=== Mluvený jazyk ===
+==Frekvence slova podle mluvčích (sociodemografické údaje)==
+Z grafů je patrné, jak často je zadané slovo používáno skupinami mluvčích podle pohlaví, věku a nejvyššího dosaženého vzdělání. Pro představu si můžete vyhledat slova jako //vole// (lemma //vůl//), //princip// nebo //řasenka//. Všechny frekvenční údaje jsou uváděny v ipm.
+==Oblasti podle tradičního nářečního členění==
+Mapa znázorňuje používání zadaného slova v různých nářečních oblastech ČR. Konkrétní nářeční oblast se zobrazí po najetí kurzoru na růžový ovál s informací o frekvenci. Frekvenční údaje jsou uváděny v ipm. Pro představu si můžete vyhledat slova //slunko// a //sluníčko//, případně dobře známou dvojici //hele// a //tož//, případně podkrkonošské //kyselo//. Vymezení jednotlivých oblastí je kombinací tradičního nářečního členění podle Jaromíra Běliče a dělení používaného v [[https://cja.ujc.cas.cz/|Českém jazykovém atlase]]. Pomocí ikonky v pravém horním rohu si můžete dlaždici přepnout do režimu tabulky.
+==Ukázka autentické promluvy==
+Ukázky použití slova v autentických promluvách, jak je máme zachyceny v korpusu mluvené češtiny [[cnk:oral|Oral]]. Kliknutím na šipky směrem nahoru a dolů rozšíříte vybranou ukázku, šipka doprava vybere novou ukázku. Kliknutím na ikonku reproduktoru si lze přehrát krátkou část ukázky, pokud chcete přehrát ukázku celou, klikněte na Přehrát vše.
+{{:manualy:wag_mluveny_jazyk.png?nolink&900|}}
+=== Překlad na základě paralelního korpusu ===
+==Doložené překlady==
+Dlaždice ukazuje překladové ekvivalenty získané pomocí nástroje [[manualy:treq|Treq]], jenž využívá data paralelního korpusu [[cnk:intercorp|InterCorp]]. [[manualy:treq|Treq]] automaticky vyhodnocuje kandidáty na překladové ekvivalenty a řídí se pravidlem, že čím se častěji konkrétní překlad vyhledávaného slova v korpusu objevil, tím je větší pravděpodobnost, že se běžně používá. Výsledek není tedy ručně ověřován. Velikost písma souvisí s četností překladu daného ekvivalentu.
+==Překlad v různých typech textu==
+Zde se lze podívat na přehled různých překladů podle jednotlivých typů textů, které často souvisí s jiným kontextem. Např. jinak se bude překládat do angličtiny lexém //hustý// v publicistice (//dense//), a jinak ve filmových titulcích (//cool//). Díky tomuto srovnání lze nahlížet nejen na samotný překladový ekvivalent, ale i na jeho vhodnost s ohledem na určitý žánr.
+==Ukázky překladu==
+Ukázky překladu v paralelních textech pocházejí z korpusu [[cnk:intercorp|InterCorp]]. Informační ikonka skrývá údaje o textu (např. autor, rok vydání, typ textu)
 ===== Jak citovat WaG =====
@@ Řádek 19: / Řádek 120: @@
 Tomáš Machálek (2019): Slovo v kostce -- agregátor slovních profilů. FF UK, Praha. Dostupný z WWW: <http://korpus.cz/slovo-v-kostce/>.
-Tomáš Machálek (2019): Word at a Glance – a Customizable Word Profile Aggregator. In: //[[https://office.clarin.eu/v/CE-2019-1512_CLARIN2019_ConferenceProceedings.pdf|Proceedings of the CLARIN Annual Conference 2019]]//, s. 85–88.
+Tomáš Machálek (2020): Word at a Glance: Modular Word Profile Aggregator. In: //[[http://www.lrec-conf.org/proceedings/lrec2020/pdf/2020.lrec-1.866.pdf|Proceedings of LREC 2020]]//, s. 7011–7016.
 </WRAP>

Historie:

Rozdíly

Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence