Rozdíly

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

--- pojmy:syntakticka_komplexita [2024/10/01 09:25] – [Co se považuje za jmennou frázi] alexandrrosen
+++ pojmy:syntakticka_komplexita [2024/10/18 20:34] (aktuální) – [Odkazy] alexandrrosen
@@ Řádek 3: / Řádek 3: @@
 Verze 16ud korpusu InterCorp je anotována několika mírami syntaktické komplexity. Jsou uvedeny jako metadata pro každou větu a každý text, pro každý lingvisticky anotovaný jazyk. V KonTextu je lze zobrazit a používat v dotazech stejně jako jakékoli jiné položky metadat, např. autor textu nebo ID věty.
-Kromě měr syntaktické složitosti obsahuje každý dostatečně dlouhý text také dvě míry **[[cs:pojmy:lexikalni_bohatost|lexikální diverzity]]**.
+Kromě měr syntaktické složitosti obsahuje každý dostatečně dlouhý text také dvě míry **[[pojmy:lexikalni_bohatost|lexikální diverzity]]**.
 ===== Míry pro věty =====
@@ Řádek 11: / Řádek 11: @@
   * **maxNPLength**: počet slov v nejdelší jmenné frázi
     * Interpunkce se ignoruje.
-    * Definice jmenné fráze viz níže [[https://wiki.korpus.cz/doku.php/en:pojmy:syntakticka_komplexita#what_counts_as_a_noun_phrase|Co se považuje za jmennou frázi]].
+    * Definice jmenné fráze viz níže [[https://wiki.korpus.cz/doku.php/pojmy:syntakticka_komplexita#co_se_povazuje_za_jmennou_frazi|Co se považuje za jmennou frázi]].
   * **maxNPDepth**: pro jemnnou frázi s nejdelším řetězcem vnoření: počet takových vnoření
     * Pro ničím nerozvitý řídící člen jmenné fráze je míra rovna 0.
@@ Řádek 17: / Řádek 17: @@
     * Interpunkce se ignoruje.
     * Koordinace nepředstavuje další úroveň zanoření.
-    * Definice jmenné fráze viz níže [[https://wiki.korpus.cz/doku.php/en:pojmy:syntakticka_komplexita#what_counts_as_a_noun_phrase|Co se považuje za jmennou frázi]].
+    * Definice jmenné fráze viz níže [[https://wiki.korpus.cz/doku.php/pojmy:syntakticka_komplexita#co_se_povazuje_za_jmennou_frazi|Co se považuje za jmennou frázi]].
   * **sLength**: délka věty v počtu slov
     * Interpunkce se ignoruje.
-  * **subRatio**: subordinační poměr = (počet T-jednotek + počet klauzí) / počet T-jednotek.
+  * **subRatio**: subordinační poměr = (počet T-units + počet klauzí) / počet T-units.
-    * T-jednotka je hlavní věta včetně všech závislých klauzí. Každý člen koordinace na úrovni hlavní věty včetně všech závislých klauzí se počítá jako T-jednotka.
+    * T-unit je hlavní věta včetně všech závislých klauzí. Každý člen koordinace na úrovni hlavní věty včetně všech závislých klauzí se považuje za jeden T-unit.
-    * Jiné konstituenty než klauze se ignorují. Klauze jsou definovány jako podstromy řízené uzlem, jejichž ''deprel'' má některou z následujících hodnot: ''csubj'', ''ccomp'', ''xcomp'', ''advcl'' nebo ''acl'' (viz níže [[https://wiki.korpus.cz/doku.php/en:pojmy:syntakticka_komplexita#what_counts_as_a_clause|Co se považuje za klauzi]]).
+    * Jiné konstituenty než klauze se ignorují. Klauze jsou definovány jako podstromy řízené uzlem, jejichž ''deprel'' má některou z následujících hodnot: ''csubj'', ''ccomp'', ''xcomp'', ''advcl'' nebo ''acl'' (viz níže [[https://wiki.korpus.cz/doku.php/pojmy:syntakticka_komplexita#co_se_povazuje_za_klauzi|Co se považuje za klauzi]]).
     * Funkční slova (např. pomocná slovesa nebo spojky) se ignorují.
   * **maxTreeDepth**: pro větu s nejdelším řetězcem vnořených klauzí: počet takových klauzí.
     * Pro ničím nerozvitý řídící člen věty je míra rovna 0.
-    * Jiné konstituenty než klauze se ignorují. Klauze jsou definovány jako podstromy řízené uzlem, jejichž ''deprel'' má některou z následujících hodnot: ''csubj'', ''ccomp'', ''xcomp'', ''advcl'' nebo ''acl'' (viz níže [[https://wiki.korpus.cz/doku.php/en:pojmy:syntakticka_komplexita#what_counts_as_a_clause|Co se považuje za klauzi]]).
+    * Jiné konstituenty než klauze se ignorují. Klauze jsou definovány jako podstromy řízené uzlem, jejichž ''deprel'' má některou z následujících hodnot: ''csubj'', ''ccomp'', ''xcomp'', ''advcl'' nebo ''acl'' (viz níže [[https://wiki.korpus.cz/doku.php/pojmy:syntakticka_komplexita#co_se_povazuje_za_klauzi|Co se považuje za klauzi]]).
     * Koordinace nepředstavuje další úroveň zanoření.
     * Funkční slova (např. pomocná slovesa nebo spojky) se ignorují.
@@ Řádek 86: / Řádek 86: @@
   * K určení jmenných frází pro míry ''maxNPLength'' a ''maxNPDepth'' se používá slovní druh (''upos'') řídícího slova. Kromě ''NOUN'', ''PRON'' a ''PROPN'' to může být také ''DET'' v substantivním, nikoli atributivním užití.((V některých jazycích používá UD ''DET'' také pro některá slova, která jsou tradičně klasifikována jinak, např. jako ukazovací zájmena.)) Tyto míry se tedy počítají i pro jmenné fráze, jejichž řídící slovo má jako slovní druh ''DET'' v substantivní pozici.
   * V UD je řídící slovo přísudkového jména, obvykle v konstrukci se sponou, nejen řídícím slovem jmenné fráze, ale také celé věty. Můžou na něm pak záviset některé další větné členy, jako např. podmět nebo příslovečné určení. Aby bylo možné v takových případech správně vypočítat míry ''maxNPLength'' a ''maxNPDepth'', větné členy mimo jmennou frázi se ignorují. Například ve větě //Tohle je často náš hlavní problém// se míry počítají pro jmennou frázi //náš hlavní problém// a nezahrnují další závislé členy řídícího slova jmenné fráze: podmět (//Tohle//), sponu (//je//) a příslovečné určení (//často//).
-==== Související odkazy ====
+==== Co se považuje za klauzi ====
+  * Jakýkoliv podstrom s řídícím slovem, které má jeden z níže uvedených závislostních vztahů (''deprel''), se považuje za klauzi (vedlejší větu). Klauze může být finitní i nefinitní.
+    * ''csubj'' – klauze ve funkci podmětu
+    * ''ccomp'' – klauze ve funkci předmětu, tj. jako předmět slovesa nebo přídavného jména
+    * ''xcomp'' – klauze bez vlastního podmětu, tj. nefinitní klauze, jejíž (skrytý) podmět odkazuje na argument řídícího slova; obvykle jde o infinitiv (//Doktor mi doporučil **zůstat** doma//), ale může jít také o přídavné jméno (//Mámu mám **skvělou**//) nebo podstatné jméno (//Pracovala jako **pošťačka**//).
+    * ''advcl'' – adverbiální klauze, tj. vedlejší věta příslovečná (i nefinitní)
+    * ''acl'' – atributivní (adnominální) klauze, tj. vedlejší věta přívlastková (i nefinitní)
+  * Podle morfosyntaktické kategorie řídícího slova se v různých jazycích podobné větné členy mohou a nemusí považovat za klauze. Ve francouzštině je nejpravděpodobnější funkcí atributivně užitého příčestí  ''acl'' (adnominální klauze), zatímco jeho český protějšek by byl ''amod'' (adjektivní modifikátor), a to kvůli svému slovnímu druhu ''ADJ'' (přídavné jméno).
+==== Hodnoty jako desetinná čísla ====
+  * U měr, kde se mohou vyskytovat desetinná čísla, by za desetinnou tečkou měly vždy následovat dvě číslice, i když je druhá číslice nebo obě číslice nula, např. 5.30 místo 5.3 nebo 2.00 místo 2.
+  * Toto pravidlo platí pro všechny textové míry syntaktické komplexity, ale neplatí pro čtyři ze šesti větných měr, které jsou vždy celá čísla: ''sLength, maxTreeDepth, maxNPLength'' a ''maxNPDepth''.
+==== Prázdné hodnoty ====
+  * Pokud míru nelze vypočítat, např. protože věta je příliš krátká (např. míra mdd pro jednoslovnou větu), hodnota je nahrazena znakem podtržítka (_).
+==== Víceslovné tokeny ====
+  * Víceslovné tokeny (např. //abychom//, //oč//, //přišels//, anglické //can't//, //isn't// nebo francouzské a německé aglutinované předložky se členem (//aux//, //zum//) se pro míru délky věty (''sLength'') počítají jako jeden token, ale pro všechny ostatní míry se počítají jako samostatná slova.
+==== Středníky nerozdělují věty pro textové míry ====
+  * Míry komplexity jsou citlivé na hranice vět. K dělení vět se používají standardní pravidla, která se uplatňují v celém InterCorpu, včetně toho pravidla, že středník (;) se považuje za oddělovač vět. Textové míry se ale počítají až po spojení vět rozdělených tímto způsobem. To pomáhá zohlednit možné rozdíly v mírách napříč jazyky nebo typy textů, které vznikají pouze kvůli odlišnému užívání středníků.
+===== Odkazy =====
+Jagaiah, T., Olinghouse, N.G. & Kearns, D.M. (2020). Syntactic complexity measures: variation by genre, grade-level, students’ writing abilities, and writing quality. //Read Writ// **33**, 2577–2638 (2020). [[https://doi.org/10.1007/s11145-020-10057-x]]
+Nádvorníková, O. & Rosen, A. (2024). Vyhledávání v paralelním korpusu za použití anotace Universal Dependencies. Workshop 17. 9. 2024 jako doprovodná akce [[https://bcl2024.ff.cuni.cz|Bienále české lingvistiky]]. [[https://www.youtube.com/watch?v=5l5Vbb1eQDw|video]] [[https://jakobson.korpus.cz/~rosen/BCL2024/P18_SLIDES/Prezentace_Bienale2024_WorkShop.pdf|prezentace]]
+Alexandr Rosen (2024): Lexical and syntactic variability
+of languages and text genres – a corpus-based study. [[https://www.youtube.com/watch?v=E2ujmqt7Q2E|Záznam přednášky]] ze 14. 10. 2024, [[https://zil.ipipan.waw.pl/seminarium|Seminarium „Przetwarzanie języka naturalnego”]] [[https://zil.ipipan.waw.pl|Zespołu Inżynierii Lingwistycznej]] w [[https://ipipan.waw.pl|Instytucie Podstaw Informatyki]] [[https://pan.pl|Polskiej Akademii Nauk]], viz též [[https://zil.ipipan.waw.pl/seminarium-archiwum?action=AttachFile&do=view&target=2024-10-14.pdf|prezentace]].
+[[https://docs.google.com/document/d/1nSPzyhT6oHKUDN8A_uYmWrZH6tAmxTH_pUMOdjg01Eg/edit?usp=sharing|InterCorp a Universal Dependencies: nové možnosti výzkumu]] (workshop 20. a 27. 3. 2024 v rámci Teoreticko-metodologického semináře Ústavu českého jazyka a teorie komunikace)
+Rosen, A. (2024). [[https://drive.google.com/file/d/1L9yTjj0bTrGgf8lDcOAsJoJOoeYEoPEm/view?usp=sharing|Exploring InterCorp v16ud: the potential of a multilingual parallel treebank with complexity and diversity metrics]] (slides from the seminar at the University of Warsaw, 10 July 2024)
-<WRAP round box 50%>
-xxx • xxx
-</WRAP>

Historie:

Rozdíly

Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence