Nastavení

Poziční atributy

Pozičními atributy v korpusech jsou myšleny dodané informace, které se vztahují k jednomu tokenu (k jedné textové pozici). Každý text je při vstupu do korpusů zpřístupňovaných rozhraním KonText opatřen anotací. Ta část anotace, která neobsahuje informace o textu jako celku, z něhož hledaný jev pochází, ale o jevu samotném, je dostupná právě pomocí pozičních atributů. (Jinými slovy jde o rozdíl mezi informacemi metatextovými, z nichž se některé musí doplňovat ručně – např. autor textu, rok vydání apod. – a automaticky přiřazovanými informacemi vnitrotextovými, k jejichž získání se užívají různé nástroje, např. tagger nebo parser).

Základními pozičními atributy jsou:

  • word - slovní tvar (např. kočce, piš, při )
  • lemma - základní (slovníkový) tvar (např. kočka, psát, pře nebo při)
  • sublemma (od SYN2020) - základní (slovníkový) tvar odpovídající variantě (např. filosof, filozof nebo mejdlo, mýdlo)
  • tag - značka zachycující morfologickou (příp. i jinou, obvykle gramatickou) informaci
  • verbtag (od SYN2020) - značka gramatických kategorií slovesa

Z těchto základních atributů jsou pro snazší práci s korpusy odvozeny následující atributy:

  • sforma (od SYN2020) - syntaktický slovní tvar, v rámci agregátu odpovídá jeho uspořádání (např. se|s, slyšela|s, a|by, kdy|bych), jinak je totožný s atributem word
  • lc - (z angl. lowercase) slovní tvar malými písmeny (odvozen z atributu word)
  • lemma_lc - (z angl. lemma in lowercase) lemma malými písmeny (odvozeno z atributu lemma)
  • sublemma_lc - (z angl. sublemma in lowercase) sublemma malými písmeny (odvozeno z atributu sublemma)
  • pos - (z angl. part of speech) slovní druh (odvozen z atributu tag, odpovídá 1. pozici tagu)
  • case - pád (odvozen z atributu tag, odpovídá 5. pozici tagu)

Syntaktickou anotaci (od SYN2015) zachycují atributy:

  • afun, p_afun, ep_afun - u každého tokenu uvádí syntaktickou funkci
  • parent - relativní pozice tokenu, na němž je daný token závislý
  • eparent - pouze u autosémantických slov; vyjadřuje relativní pozici nejbližšího autosémantického tokenu, na němž je daný token závislý
  • p_tag, p_lemma - tag a lemma řídícího tokenu
  • ep_tag, ep_lemma - totéž jako p_tag a p_lemma, ale pouze u autosémantických slov
  • prep - u jmen řízených předložkou uvádí lemma předložky

Frazémovou anotaci zajišťují (pouze v korpusech SYN, verze 4 až 8) atributy:

  • col_lemma (collocation lemma) - lemma víceslovné jednotky v podobě slovníkového hesla v základním tvaru
  • col_type - (collocation type) - určuje druh víceslovné jednotky a rozlišuje její hlavní a závislá slova

Poziční atributy specifické pro některé mluvené korpusy:

  • fon - fonetický přepis slovního tvaru (pokud primární vrstva word obsahuje standardizovaný přepis)
  • dial - nářeční přepis slovního tvaru (pokud primární vrstva word obsahuje standardizovaný přepis)
  • ort - standardizovaný přepis slovního tvaru (pokud primární vrstva word obsahuje nářeční přepis)
  • uid - sdružuje pozice vyslovené v rámci jedné repliky

Méně využívané nebo neaktuální poziční atributy:

  • proc - informace o konkrétním procesu, který je zodpovědný za disambiguaci
  • k - slovní druh (odvozen z atributu tag, nahrazeno atributem pos)
  • g - jmenný rod (odvozen z atributu tag)
  • c - pád (odvozen z atributu tag, nahrazeno atributem case)

Různé korpusy mají typicky rozdílnou sadu pozičních atributů v závislosti na propracovanosti anotace a výzkumných cílech, s nimiž byl daný korpus vytvářen.

Související odkazy