Seznamy zdrojů a zkratek

V této sekci jsou k dispozici různé seznamy pro práci s korpusy ČNK.

Poziční atributy:

• morfologické značky (tagy)
• syntaktické značky
  • atributy afun, p_afun, ep_afun a jejich hodnoty
  • atributy parent a eparent
  • atributy p_tag, p_lemma, ep_tag, ep_lemma, p_pos, p_case, ep_pos, ep_case
  • atribut prep
• poziční atributy specifické pro mluvené korpusy: fon, ort/dial, uid
• frazémová anotace (col_lemma, col_type)

Strukturní atributy:

• hodnoty strukturního atributu txtype_group (skupina textových typů)
• hodnoty strukturního atributu txtype (textový typ)
• hodnoty strukturního atributu genre_group (skupina oborů)
• hodnoty strukturního atributu genre (tematická oblast)
• hodnoty strukturního atributu srclang (zdrojový jazyk)
• hodnoty strukturního atributu med (médium)
• hodnoty strukturního atributu periodicity (periodicita)
• hodnoty strukturního atributu audience (adresát)
• hodnoty strukturního atributu authsex a transsex (pohlaví autora a překladatele)
• hodnoty strukturního atributu section (rubrika)

Ostatní:

• přehled entit použitých v korpusech ČNK

Seznamy ve formátu OpenOffice.org a MS Excel obsahují kompletní výčet opusů ve všech korpusech. Ke každému textu v korpusu jsou v tabulce uvedeny následující údaje:

• id - jednoznačný identifikátor textu
• autor - autor nebo autoři textu (je-li tato informace dostupná)
• nazev - název díla, případně číslo periodika
• rokvyd - rok vydání díla (nemusí být nutně prvním vydáním)
• srclang - zdrojový jazyk
• txtype_group - skupina textových typů
• txtype - textový typ (seznam zkratek)
• genre - tematická oblast (seznam zkratek)
• med - médium textu (seznam zkratek)
• korpus - původní zařazení textu do jednoho z referenčních korpusů SYN2000, SYN2005, SYN2006PUB, SYN2009PUB nebo SYN2010
• délka - celkový počet pozic v daném textu¹⁾

• Přehled verzí rozhraní KonText

Metainformace (strukturní atributy) dostupné v korpusech řady ORAL jsou popsané zde včetně hodnot, kterých mohou nabývat.

• Sběr a přepis dopisů - KSK
• Sběr nahrávek vyučovacích hodin -- zásady pro přepis
• Pravidla přepisu Oral2006
• Pravidla přepisu Oral2008
• Pravidla přepisu Oral2013

Z korpusů SYN2000, SYN2005, SYN2010 a SYN2015 jsme vytvořili seznamy slovních tvarů a lemmat setříděné podle abecedy.

Reprezentativní korpusy řady SYN představují každý sondu do jazyka své doby. Aby bylo možné vývoj jazyka v jednotlivých obdobích analyzovat, je třeba vzít v úvahu to, že tyto korpusy byly zpracovávány různými nástroji a jejich složení se liší. Pro snazší analýzu jazykového vývoje na základě těchto dat jsme pro vás připravili srovnávací seznamy.

Nástroje pro tagování a lemmatizaci různých jazyků, které se užívají mj. v rámci paralelního korpusu InterCorp, shrnuje následující přehled.

Seznamy slov, s jejichž pomocí se tokenizují a lemmatizují slovní tvary v korpusu SYN2020.