Seznamy značek, slov, nástrojů a zdrojů

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

Seznam pozičních atributů je k dispozici na zvláštní stránce. Zde jsou podrobně popsány atributy, které nabývají standardizovaných nebo zvláštních hodnot.

• morfologické značky (atribut tag)
• značky gramatických kategorií slovesa (atribut verbtag)

• syntaktické značky (atributy afun, p_afun, ep_afun, parent, eparent, p_tag, p_lemma, ep_tag, ep_lemma, prep)
• frazémové značky (atributy col_lemma, col_type)

• značky transkripčních vrstev (atributy fon, ort, dial, uid)

• tokenizace numerických a interpunkčních znaků v korpusu SYN2020 (má vliv zejména na atribut word)
• variantní lemmata v korpusu SYN2020 (atributy lemma, sublemma)

Strukturní atributy jsou popsány na zvláštní stránce. Zde jsou uvedeny pouze atributy se standardizovanými hodnotami.

• skupina textových typů (atribut txtype_group)
• textový typ (atribut txtype)
• skupina oborů (atribut genre_group)
• tematická oblast (atribut genre)

• zdrojový jazyk (atribut srclang)

• médium (atribut med)
• periodicita (atribut periodicity)

• pohlaví autora a překladatele (atributy authsex, transsex)
• adresát (atribut audience)

• rubrika (atribut section)

Strukturní atributy dostupné v korpusech řady ORAL jsou popsány na zvláštní stránce.

• přehled entit použitých v korpusech ČNK

• seznamy zdrojových textů synchronních korpusů (SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN) a diachronních korpusů (Diakorp verze 5 a verze 6, Diakon do r. 1989)

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.

Další frekvenční seznamy jsou k dispozici v aplikaci Lists.

V aplikaci KorpusDB je uložena databáze všech rozpoznaných slovních tvarů lemmat, které se reálně vyskytují v některém ze zpracovaných korpusů ČNK: SYN v8 (současná psaná čeština), ORAL v1 a ORTOFON v1 (současná mluvená čeština), DIAKORP v6 a nezveřejněný korpus textů 19. stol.

Seznamy slov použité při anotaci korpusu SYN2020.

• Sběr a přepis dopisů (korpus KSK)
• Sběr nahrávek vyučovacích hodin a zásady pro přepis (korpus SCHOLA2010)
• Pravidla přepisu (korpus Oral2006)
• Pravidla přepisu (korpus Oral2008)
• Pravidla přepisu (korpus Oral2013)

• Přehled verzí rozhraní KonText
• Přehled nástrojů pro tagování a lemmatizaci různých jazyků, které se užívají mj. v rámci paralelního korpusu InterCorp.