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
Následující verzeObě strany příští revize
pojmy:atributy_strukturni [2017/06/01 11:24] – [Strukturní atributy mluvených korpusů] Martina Waclawičovápojmy:atributy_strukturni [2019/12/17 13:45] Zuzana Komrsková
Řádek 34: Řádek 34:
 | ''[word=<nowiki>"</nowiki>život<nowiki>"</nowiki>][word=<nowiki>"</nowiki>\.<nowiki>"</nowiki>]</doc>'' | výskyty sekvence slov //život// a "." na konci (libovolného) dokumentu | | ''[word=<nowiki>"</nowiki>život<nowiki>"</nowiki>][word=<nowiki>"</nowiki>\.<nowiki>"</nowiki>]</doc>'' | výskyty sekvence slov //život// a "." na konci (libovolného) dokumentu |
 | ''<doc> [lemma=<nowiki>"</nowiki>kdepak<nowiki>"</nowiki>]'' | výskyty lemmatu //kdepak// na začátku (libovolného) dokumentu | | ''<doc> [lemma=<nowiki>"</nowiki>kdepak<nowiki>"</nowiki>]'' | výskyty lemmatu //kdepak// na začátku (libovolného) dokumentu |
-| ''[word=<nowiki>"</nowiki>jak<nowiki>"</nowiki>][]*[word=<nowiki>"</nowiki>tak<nowiki>"</nowiki>] within <s />'' | výskyty slov //jak// a //tak// v proměnlivé vzdálenosti v rámci jakékoli jedné věty ((Vyhodnocení dotazu s touto podmínkou může trvat delší dobu.)) |+| ''[word=<nowiki>"</nowiki>jak<nowiki>"</nowiki>][]*[word=<nowiki>"</nowiki>tak<nowiki>"</nowiki>] within <s />'' | výskyty slov //jak// a //tak// v proměnlivé vzdálenosti v rámci jakékoli jedné věty((Vyhodnocení dotazu s touto podmínkou může trvat delší dobu.)) |
 ==== Struktura korpusů mluvené češtiny ==== ==== Struktura korpusů mluvené češtiny ====
  
 V korpusech **[[pojmy:mluveny|mluvené]] češtiny** je vnitřní struktura jiná, strukturní jednotky zde užívané mají proto následující podobu: V korpusech **[[pojmy:mluveny|mluvené]] češtiny** je vnitřní struktura jiná, strukturní jednotky zde užívané mají proto následující podobu:
-  * **doc** - dokument; v případě dialogických mluvených korpusů řady ORAL ([[cnk:oral2006|ORAL2006]] a [[cnk:oral2008|ORAL2008]]) se jedná o jednu sondu (ucelený rozhovor) +  * **doc** - dokument; v případě dialogických mluvených korpusů se jedná o jednu sondu (ucelený rozhovor) 
-  * **sp** - mluvčí (//speaker//)resp. jedna jeho promluva +  * **sp** - vyšší technická jednotka členění mluveného textuvázaná na identitu mluvčího a nesoucí jeho metadata 
-  * **seg** - technické (tj. nijak lingvisticky motivované) členění promluv **sp** na kratší úseky+  * **seg** - nižší technická jednotka členění mluveného textu, v rámci jednotek **sp** 
 + 
 +Struktuře **sp** se tradičně v textech o mluvených korpusech ČNK říká **promluva**, nicméně s [[http://sas.ujc.cas.cz/archiv.php?art=203|lingvistickým konceptem téhož jména]] nemá nic společného: pokyn členit projev na promluvy v tomto smyslu nebyl nikdy součástí pravidel pro přepis. V korpusech [[cnk:oral2006|ORAL2006]] a [[cnk:oral2008|ORAL2008]] lze do velké míry hovořit o tom, že hranice jednotek **sp** odpovídají hranicím **replik**, přičemž replikou zde míníme souvislý projev jednoho mluvčího bez delších pauz. V novějších korpusech je pak korelace hranic jednotek **sp** s jakýmikoli lingvisticky relevantními předěly nesoustavná a nelze na ni spoléhat.
  
 ^ Dotaz ^ Vyhodnocení ^ ^ Dotaz ^ Vyhodnocení ^
Řádek 130: Řádek 132:
 |     | vzdelani      | vzdělání mluvčího (hrubé rozlišení) | ''{A''(altus, vysokoškolské včetně pouze započatého)'',B''(basis, základní a středoškolské)''}'' nebo ''Y'' | |     | vzdelani      | vzdělání mluvčího (hrubé rozlišení) | ''{A''(altus, vysokoškolské včetně pouze započatého)'',B''(basis, základní a středoškolské)''}'' nebo ''Y'' |
 |     | vzdelanityp   | vzdělání mluvčího (jemnější rozlišení) | ''{SŠ,VŠ,ZŠ}'' nebo ''Y'' | |     | vzdelanityp   | vzdělání mluvčího (jemnější rozlišení) | ''{SŠ,VŠ,ZŠ}'' nebo ''Y'' |
-|     | oblast        | nářeční oblast, kde se mluvčí narodil | ''{česko-moravská,jihozápadočeská,pohraničí české,pohraničí moravské,severovýchodočeská,slezská,středočeská,středomoravská,východomoravská}'' nebo ''Y'' |+|     | oblast        | nářeční oblast místa pobytu mluvčího v dětství (do 15 let) | ''{česko-moravská,jihozápadočeská,pohraničí české,pohraničí moravské,severovýchodočeská,slezská,středočeská,středomoravská,východomoravská}'' nebo ''Y'' |
  
 **Atributy dostupné pouze v korpusu [[cnk:oral2013|ORAL2013]]** **Atributy dostupné pouze v korpusu [[cnk:oral2013|ORAL2013]]**
Řádek 148: Řádek 150:
 | doc.formality     | neformální   | neformální situace | ''{neformální, formální}'' | v korpusu ORAL se vyskytují převážně nahrávky neformální, nicméně několik nahrávek zachycuje formální situace; informace je zaznamenána na konci id nahrávky (''N'' pro neformální, ''F'' pro formální) | ''N'', ''F'' | doc.formality     | neformální   | neformální situace | ''{neformální, formální}'' | v korpusu ORAL se vyskytují převážně nahrávky neformální, nicméně několik nahrávek zachycuje formální situace; informace je zaznamenána na konci id nahrávky (''N'' pro neformální, ''F'' pro formální) | ''N'', ''F''
 | doc.preparedness  | nepřipravená | označení, zda byl rozhovor předem připraven, či ne | ''{připravená, nepřipravená}'' | souvisí se strukturním atributem doc.formality; formální hovory lze považovat za připravené a naopak | | doc.preparedness  | nepřipravená | označení, zda byl rozhovor předem připraven, či ne | ''{připravená, nepřipravená}'' | souvisí se strukturním atributem doc.formality; formální hovory lze považovat za připravené a naopak |
-| doc.audio         | ne           | je k transkriptu dostupný zvuk| ''{ano, ne}''| nahrávky z korpusů ORAL2006 a ORAL2008 nejsou propojeny se zvukem, naopak korpusy ORAL2013 a ORAL-Z ano |+| doc.audio         | ne           informace, zda je k transkriptu dostupný zvuk | ''{ano, ne}''| nahrávky z korpusů ORAL2006 a ORAL2008 nejsou propojeny se zvukem, naopak korpusy ORAL2013 a ORAL-Z ano |
 | doc.year          | 2006         | rok pořízení nahrávky | | doc.year          | 2006         | rok pořízení nahrávky |
 | doc.location      | Praha        | místo pořízení nahrávky | | doc.location      | Praha        | místo pořízení nahrávky |
Řádek 160: Řádek 162:
  
 ^ Strukturní atribut ^ Příklad ^ Vysvětlení ^ Možné hodnoty ^  ^ Strukturní atribut ^ Příklad ^ Vysvětlení ^ Možné hodnoty ^ 
-| sp.nickname      | Milena_2633    | automaticky vygenerovaná ezdívka, ze které je patrné pohlaví: ezdívky pro muže končí souhláskou, pro ženy samohláskou |+| sp.nickname      | Milena_2633    | automaticky přiřazená ezdívka |
 | sp.gender        | M              | pohlaví mluvčího | ''{Z'' (žena)'', M ''(muž)''}'' nebo ''Y'' | | sp.gender        | M              | pohlaví mluvčího | ''{Z'' (žena)'', M ''(muž)''}'' nebo ''Y'' |
 | sp.edu_level     | SŠ             | nejvyšší dosažené vzdělání | ''{SŠ, VŠ, ZŠ}'' nebo ''Y'' | sp.edu_level     | SŠ             | nejvyšší dosažené vzdělání | ''{SŠ, VŠ, ZŠ}'' nebo ''Y''
 | sp.age           | 54             | věk mluvčího |  | sp.age           | 54             | věk mluvčího | 
-| sp.reg_current   | středomoravská | místo současného pobytu mluvčího | ''{česko-moravská, jihozápadočeská, pohraničí české, pohraničí moravské, severovýchodočeská, středomoravská, slezská, středočeská, východomoravská}'' nebo ''Y''+| sp.reg_current   | středomoravská | nářeční oblast současného pobytu mluvčího | ''{česko-moravská, jihozápadočeská, pohraničí české, pohraničí moravské, severovýchodočeská, středomoravská, slezská, středočeská, východomoravská}'' nebo ''Y''
 | sp.proportion    | 23 %           | procentuální zastoupení řeči mluvčího v rámci celé nahrávky | | sp.proportion    | 23 %           | procentuální zastoupení řeči mluvčího v rámci celé nahrávky |
 | sp.confederate   | ne             | informace, zda se daný mluvčí vyskytuje i v jiných nahrávkách | ''{ano, ne}'' | | sp.confederate   | ne             | informace, zda se daný mluvčí vyskytuje i v jiných nahrávkách | ''{ano, ne}'' |
 | sp.edu_binary    | B              | vzdělání mluvčího (hrubé rozlišení) | ''{A'' (altus, vysokoškolské včetně pouze započatého)'',B'' (basis, základní a středoškolské)''}'' nebo ''Y'' | | sp.edu_binary    | B              | vzdělání mluvčího (hrubé rozlišení) | ''{A'' (altus, vysokoškolské včetně pouze započatého)'',B'' (basis, základní a středoškolské)''}'' nebo ''Y'' |
 | sp.age_binary    | I              | věk mluvčího (hrubé rozlišení) | ''{I'' (iunior, mladší: cca 20–35 let)'',V'' (vetus, starší: 35 let a více)''}'' nebo ''Y'' | | sp.age_binary    | I              | věk mluvčího (hrubé rozlišení) | ''{I'' (iunior, mladší: cca 20–35 let)'',V'' (vetus, starší: 35 let a více)''}'' nebo ''Y'' |
-| sp.reg_childhood | středomoravská | místo pobytu mluvčího v dětství (do 15 let) | ''{česko-moravská, jihozápadočeská, pohraničí české, pohraničí moravské, severovýchodočeská, středomoravská, slezská, středočeská, východomoravská}'' nebo ''Y''+| sp.reg_childhood | středomoravská | nářeční oblast místa pobytu mluvčího v dětství (do 15 let) | ''{česko-moravská, jihozápadočeská, pohraničí české, pohraničí moravské, severovýchodočeská, středomoravská, slezská, středočeská, východomoravská}'' nebo ''Y''
 | sp.occupation    | kvalifikovaný pracovník ve stavebnictví | specifikace zaměstnání podle klasifikace zaměstnání, viz https://www.czso.cz/csu/czso/klasifikace_zamestnani_-cz_isco- | ''{kvalifikovaný pracovník ve stavebnictví, student, důchodce, pedagog, jiný odborný pracovník, bez zaměstnání, technik, kancelářský pracovník, prodavač}'' a další | | sp.occupation    | kvalifikovaný pracovník ve stavebnictví | specifikace zaměstnání podle klasifikace zaměstnání, viz https://www.czso.cz/csu/czso/klasifikace_zamestnani_-cz_isco- | ''{kvalifikovaný pracovník ve stavebnictví, student, důchodce, pedagog, jiný odborný pracovník, bez zaměstnání, technik, kancelářský pracovník, prodavač}'' a další |
-| sp.overlap       | ano            | značí, zda se se promluva daného mluvčího nachází v překryvu | ''{ano, ne}'' |+| sp.overlap       | ano            | značí, zda se promluva daného mluvčího nachází v překryvu | ''{ano, ne}'' |
  
 === Atributy dostupné pro mluvené korpusy s dvouúrovňovou transkripcí === === Atributy dostupné pro mluvené korpusy s dvouúrovňovou transkripcí ===
Řádek 183: Řádek 185:
 |             | locsize_longest    | město nad 100 tisíc  | velikost sídla, kde mluvčí žil nejdelší dobu  | ''{město nad 100 tisíc, město nad 50 tisíc, město nad 10 tisíc, město pod 10 tisíc, vesnice}'' nebo ''Y''  | |             | locsize_longest    | město nad 100 tisíc  | velikost sídla, kde mluvčí žil nejdelší dobu  | ''{město nad 100 tisíc, město nad 50 tisíc, město nad 10 tisíc, město pod 10 tisíc, vesnice}'' nebo ''Y''  |
 |             | locsize_current    | město nad 100 tisíc  | velikost sídla, kde mluvčí žije v současné době  | ''{město nad 100 tisíc, město nad 50 tisíc, město nad 10 tisíc, město pod 10 tisíc, vesnice}'' nebo ''Y''  | |             | locsize_current    | město nad 100 tisíc  | velikost sídla, kde mluvčí žije v současné době  | ''{město nad 100 tisíc, město nad 50 tisíc, město nad 10 tisíc, město pod 10 tisíc, vesnice}'' nebo ''Y''  |
-|             | soundfile          | 5/3/ef2e315f.mp3  |   +|             | soundfile          | 5/3/ef2e315f.mp3  | číslo a formát nahrávky    
-|             | id                 | 3784  | číselné označení mluvčího v rámci jedné nahrávky  | číslo a formát nahrávky  (na rozdíl od sp.nickname - označení téhož mluvčího ve všech nahrávkách, ve kterých se vyskytuje)  |+|             | id                 | 3784  | identifikátor segmentu (struktury sp)  | 
 |             | edu_field          | chemické obory  | obor vzdělání  | ''{ekologie a ochrana životního prostředí, strojírenství, elektrotechnika, zdravotnictví, doprava a spoje, právo a právní činnost}'' a další, výběr oborů z předdefinovaného seznamu  | |             | edu_field          | chemické obory  | obor vzdělání  | ''{ekologie a ochrana životního prostředí, strojírenství, elektrotechnika, zdravotnictví, doprava a spoje, právo a právní činnost}'' a další, výběr oborů z předdefinovaného seznamu  |
 |             | occupation         | sociální pracovník  |    |             | occupation         | sociální pracovník  |   
Řádek 221: Řádek 223:
  
 ^ Strukturní atribut ^ Příklad ^ Vysvětlení ^ Možné hodnoty (položky jsou řazeny podle abecedy) ^ Poznámka ^ ^ Strukturní atribut ^ Příklad ^ Vysvětlení ^ Možné hodnoty (položky jsou řazeny podle abecedy) ^ Poznámka ^
-| sp.id             | 2533                 jedinečný kód mluvčího +| sp.id             | 2533                 identifikátor segmentu (struktury sp) 
-| sp.prezdivka      | Dalibor_208          | automaticky vygenerovaná přezdívka, ze které je patrné pohlaví: přezdívky pro muže končí souhláskou, pro ženy samohláskou |+| sp.prezdivka      | Dalibor_208          | automaticky vygenerovaná přezdívka, ze které je patrné pohlaví |
 | sp.explorator     | ano                  | mluvčí je/není explorátor | ''{ano, ne}'' | | sp.explorator     | ano                  | mluvčí je/není explorátor | ''{ano, ne}'' |
 | sp.pohlavi        | M: muž               | pohlaví mluvčího | ''{M: muž, Z: žena}'' | | sp.pohlavi        | M: muž               | pohlaví mluvčího | ''{M: muž, Z: žena}'' |
Řádek 240: Řádek 242:
 | sp.mistodet       | Zápy                 | místo pobytu mluvčího v dětství (do 15 let) | | část obce v kulatých závorkách, např. Kamenný Újezd (Kosov)| | sp.mistodet       | Zápy                 | místo pobytu mluvčího v dětství (do 15 let) | | část obce v kulatých závorkách, např. Kamenný Újezd (Kosov)|
 | sp.noblastdet     | východomoravská      | pobyt mluvčího v dětství (do 15 let) - nářeční oblast | ''{českomoravská, jihočeská, pohraničí české, severovýchodočeská, slezská, sředočeská, středomoravská, východomoravská, západočeská}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál | | sp.noblastdet     | východomoravská      | pobyt mluvčího v dětství (do 15 let) - nářeční oblast | ''{českomoravská, jihočeská, pohraničí české, severovýchodočeská, slezská, sředočeská, středomoravská, východomoravská, západočeská}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |
 +
 +**Atributy pro korpus [[cnk:orator|ORATOR]]: údaje k nahrávce**
 +^ Struktura ^ Atribut ^ Popis ^ Možné hodnoty (položky jsou řazeny podle abecedy) ^
 +| doc | id                | jednoznačný identifikátor sondy | |
 +|     | year              | rok pořízení nahrávky           | |
 +|     | location          | místo nahrávky                  | obce ČR |
 +|     | situation         | typ situace | ''ceremoniál, instruktáž, jednání, kázání, prohlídka, přednáška, slavnostní projev, školení, uvedení uměleckého díla, veřejné shromáždění, zahájení, zakončení'' |
 +|     | framing           | zaměření projevu                | ''oficiální, popularizační, politické, profesní, vědecké'' |
 +|     | genre             | žánr projevu                    | hodnoty shodné s [[cnk:klasifikace_textu_syn2015?s[]=genre|genderem]] u psaných korpusů |
 +|     | audience_present  | přítomnost publika              | ''ano, ne'' |
 +|     | intended_audience | jakému publiku je projev určen  | ''skupina, veřejnost'' |
 +|     | special           | speciální příznak projevu       | ''čtené, pro děti, Y'' (pro projevy bez příznaku) |
 +|     | source            | zdroj                           | ''vlastní sběr, volně dostupná nahrávka'' |
 +|     | speakers          | počet mluvčích v nahrávce       | |
 +|     | length            | délka nahrávky v minutách       | |
 +|     | tokens            | počet všech tokenů v nahrávce   | |
 +
 +**Atributy pro korpus [[cnk:orator|ORATOR]]: údaje k mluvčímu**
 +^ Struktura ^ Atribut ^ Popis ^ Možné hodnoty (položky jsou řazeny podle abecedy) ^
 +| sp | id          | identifikátor segmentu                                      |  |
 +|    | nickname    | přezdívka mluvčího                                          | náhodně přidělená příjmení |
 +|    | gender      | pohlaví                                                      |
 +|    | proportion  | procentuální zastoupení řeči mluvčího v rámci celé nahrávky |  |
 +|    | soundfile   | číslo a formát nahrávky                                      |
 +
 +
  
 ==== Strukturní atributy korpusu InterCorp ==== ==== Strukturní atributy korpusu InterCorp ====