Anonymizace dat
Anonymizace je odstranění osobních údajů z korpusových dat. Týká se především korpusů mluveného jazyka, ve kterých jsou osobní data ze zvukového záznamu odstraněna a v přepise jsou dohodnutým způsobem kódována. Jedná se především o příjmení, přezdívky, místní jména, adresy, telefonní čísla a podobně. Kódování v přepise může být buď formou číselného či písmenného kódu, nebo zde může být použito „univerzální“ příjmení, místní jméno apod. Tento druhý způsob je výhodný pro následnou morfologickou analýzu, protože zachovává gramatické kategorie původního jména.
V mluvených korpusech řady ORAL se používají pro anonymizaci následující značky:
- NP = příjmení
- NN = přezdívka
- NJ = křestní jméno
- NM = název místa
- NO = ostatní vlastní jména
Ukázka z korpusu ORAL2008
Dotaz, kterým najdeme všechny anonymizační značky v tomto korpusu, má tuto podobu: [word="N[PNJMO]"] a jeho výsledkem jsou např. tyto věty:
| byli v hospodě s tima , s bohemistama , jak | NJ | s nima vždycky chodí . . . hmm . . . a to |
| náš pes je fakt dobytek . hele , počkej , | NN | , tak teda jak zejtra ? to já nevim eště |
| tak sme šli chrápat , ty vole , a | NN | eště hrozně řešil : " no , ty vole |
| sou příjemný náhodou . sou . vopravdu jo . Jana | NP | je má v modrym . nó . na ty sem |
| jít na sociálku . ale volala , že jedou z | NM | , jesli sem doma , že za chvíli sou tam |
— M. Kopřivová, V. Cvrček
Související odkazy
Korpusy mluvené češtiny • Anotace korpusů • ORAL2006 • ORAL2008 • BMK • PMK
