Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
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 |
---|
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. | 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 ===== | ===== Míry pro věty ===== |
* **maxNPLength**: počet slov v nejdelší jmenné frázi | * **maxNPLength**: počet slov v nejdelší jmenné frázi |
* Interpunkce se ignoruje. | * 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 | * **maxNPDepth**: pro jemnnou frázi s nejdelším řetězcem vnoření: počet takových vnoření |
* Pro ničím nerozvitý řídící člen jmenné fráze je míra rovna 0. | * Pro ničím nerozvitý řídící člen jmenné fráze je míra rovna 0. |
* Interpunkce se ignoruje. | * Interpunkce se ignoruje. |
* Koordinace nepředstavuje další úroveň zanoření. | * 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 | * **sLength**: délka věty v počtu slov |
* Interpunkce se ignoruje. | * 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. | * Funkční slova (např. pomocná slovesa nebo spojky) se ignorují. |
* **maxTreeDepth**: pro větu s nejdelším řetězcem vnořených klauzí: počet takových klauzí. | * **maxTreeDepth**: pro větu s nejdelším řetězcem vnořených klauzí: počet takových klauzí. |
* Pro ničím nerozvitý řídící člen věty je míra rovna 0. | * 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. | * Koordinace nepředstavuje další úroveň zanoření. |
* Funkční slova (např. pomocná slovesa nebo spojky) se ignorují. | * Funkční slova (např. pomocná slovesa nebo spojky) se ignorují. |
* 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. | * 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//). | * 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> | |
| |