Počínaje korpusem SYNv14 a korpusem syn_R25 označujeme v korpusech víceslovné lexikální jednotky (VLJ) novým značením propojeným s databází VLJ LEMUR (Lexicon of Multiword Expressions). Toto značkování navazuje na dosavadní značkování frazémů nástrojem FRANTA.
Automatické značkování VLJ nese některé nedostatky. Především si nečiní nárok na úplnost, řada výrazů tedy ve slovníku není zahrnutá. Dále je potřeba počítat s tím, že některé výrazy nemusejí být vůbec nalezeny (například proto, že nebyla detekována jejich nestandardní realizace), nebo může být naopak jako VLJ označeno užití v doslovném významu (např. Kocour si líže rány, které mu způsobil sousedův pes.).
Pro značkování používáme dva atributy: mwe_lemma a mwe_tag.
mwe_lemma (multi-word expression lemma): lemma víceslovné jednotky v podobě slovníkového hesla v základním tvaru (nominativ singuláru, infinitiv apod.); jednotlivé slovní tvary jsou v něm odděleny podtržítkem, konkrétní hodnota atributu mwe_lemma je tak např. bít_se_jako_lev. Heslo může zahrnovat více lexikálních variant téže VLJ, např. mwe_lemma bít_se_jako_lev zahrnuje varianty bít se jako lev, rvát se jako lev a bránit se jako lev.
mwe_tag (multi-word expression tag): poziční tag víceslovné jednotky s deseti pozicemi.
Na první pozici označujeme typ užití VLJ (např. přísloví, citace, slovesný frazém).
| 1. pozice | význam | příklad víceslovného lemmatu |
|---|---|---|
| c | citace | důvěřuj,_ale_prověřuj |
| f | cizojazyčné spojení | comme_il_faut |
| g | zeměpisný název | České_Budějovice |
| j | větný frazém: jiný než přísloví, pranostiky | nemůžu_si_pomoct |
| k | přirovnání | jako_malý_kluk |
| l | kolokace | hrát_roli |
| n | neslovesný frazém | s_odřenýma_ušima |
| o | otevřený frazém | ještě_štěstí,_že |
| p | přísloví | dvakrát_měř,_jednou_řež |
| q | kvazifrazém | dávat_smysl |
| r | pranostika | únor_bílý_pole_sílí |
| s | víceslovné synsémantikum | v_souvislosti_s |
| t | termín | umělá_inteligence |
| v | slovesný frazém | vidět_na_vlastní_oči |
Druhá pozice rozlišuje syntaktický typ dané VLJ (např. jmenná fráze, klauze, souvětí). Přesněji jde o syntaktický typ konkrétního dokladu dané VLJ, např. pod mwe_lemmatem vytřeštit_oči (typ v) jsou obsaženy i doklady vytřeštěné oči a třeštící oči (typ a).
| 2. pozice | význam | příklad víceslovného lemmatu |
|---|---|---|
| a | adjektivní fráze | na_hony_vzdálený |
| c | složená spojka | i_kdyby jednak_,_jednak |
| d | adverbiální fráze | zas_a_znova co_nejdříve |
| i | složené citoslovce | ach_bože čerta_starýho |
| j | jiný | in_memoriam nebo_co |
| k | klauze | co_se_něčeho_týká nedá_se_nic_dělat |
| l | slovesná fráze s kategoriálním/lehkým slovesem | položit_otázku mít_obavu |
| n | jmenná fráze | trestná_minuta moučkový_cukr |
| p | složená předložka | na_základě v_souvislosti_s |
| r | předložková fráze | v_podstatě mimo_jiné |
| s | souvětí | ať_se_děje,_co_se_děje |
| v | slovesná fráze plnovýznamová | lapat_po_dechu |
Je-li označená VLJ výsledkem syntaktické transformace (např. pasivizace či nominalizace) základní varianty VLJ, označujeme to na třetí pozici.
| 3. pozice | význam | přiklad dokladu (souvisejícího víceslovného lemmatu) |
|---|---|---|
| P | pasivum | je kladen důraz (klást_důraz) |
| R | reflexivní pasivum | pozornost se soustředí (soustředit_pozornost) |
| N | verbální substantivum na -ní, -tí | spáchání trestného činu (spáchat_trestný_čin) |
| O | verbální substantivum na -ost | použitelnost metody (použít_metodu) |
| A | verbální adjektivum odvozené od tvaru trpného příčestí | stanovený cíl (stanovit_cíl) |
| G | verbální adjektivum odvozené od tvaru přítomného přechodníku | zhoršující se situace (zhoršit_situaci) |
| S | verbální adjektivum odvozené od tvaru minulého přechodníku | položivší základy (položit_základ) |
| L | verbální adjektivum odvozené od tvaru minulého aktivního příčestí | jsme na sebe zvyklí (zvyknout_si_na_sebe) |
| T | verbální adjektivum zakončené na -telný/-itelný | viditelný pouhým okem (vidět_pouhým_okem) |
| V | jmenná fráze se vztažnou větou | jablko, které nepadlo daleko od stromu (jablko_nepadá_daleko_od_stromu) |
Na pozicích 4–9 se rozlišují různé typy idiomaticity, pokud se jimi daná VLJ vyznačuje. Vycházíme z Baldwinovy klasifikace idiomatiticy1) a rozlišujeme idiomatiticu lexikální, morfologickou, syntaktickou, sémantickou, pragmatickou a statistickou. Pokud daná VLJ určitý typ idiomaticity nemá, je hodnota na příslušné pozici „-“.
4. pozice vyjadřuje lexikální idiomaticitu.
| 4. pozice | význam | přiklad víceslovného lemmatu |
|---|---|---|
| l | lexikální idiomaticita | jáma_lvová |
| k | makaronská struktura | per_hubam |
5. pozice vyjadřuje morfologickou idiomaticitu.
| 5. pozice | význam | přiklad víceslovného lemmatu |
|---|---|---|
| z | alespoň jedno slovo je morfologicky idiomatické | podle_nosa_poznáš_kosa |
6. pozice vyjadřuje syntaktickou idiomaticitu.
| 6. pozice | význam | přiklad víceslovného lemmatu |
|---|---|---|
| a | anakolut | kdo_po_tobě_kamenem,_ty_po_něm_chlebem |
| t | atrakce | padni_komu_padni |
| v | zvláštní valence | osud_tomu_chtěl |
| p | apoziopeze | |
| e | elipsa | jeden_o_koze,_druhý_o_voze |
| s | neobvyklý pořádek slov | liška_podšitá |
| o | jiné typy syntaktické idiomaticity | člověče_nešťastná |
7. pozice vyjadřuje sémantickou idiomaticitu, již chápeme jako stupeň kompozicionality dané VLJ.
| 7. pozice | význam | přiklad víceslovného lemmatu |
|---|---|---|
| n | nekompozicionální | bláhová_naděje |
| z | zřídka kompozicionální | omlátit_o_hlavu |
| c | často kompozicionální | upadnout_na_nos |
| - | vždy kompozicionální, tj. VLJ není sémanticky idiomatická | ublížení_na_zdraví |
8. pozice vyjadřuje pragmatickou idiomaticitu.
| 8. pozice | význam | přiklad víceslovného lemmatu |
|---|---|---|
| p | pragmaticky idiomatické | smím_prosit |
9. pozice vyjadřuje statistickou idiomaticitu, tj. VLJ nevyjadřuje žádný jiný typ idiomaticity. Výraz odpovídá termínu nebo kolokaci, tedy frekventovanému souvýskytu dvou lexémů s plně kompozicionální sémantikou a pravidelnou, gramatickou morfologií a syntaxí.
| 9. pozice | význam | přiklad víceslovného lemmatu |
|---|---|---|
| s | statisticky idiomatické | diferenciální_rovnice v_dnešní_době |
V korpusu SYNv14 nejsou na těchto pozicích žádné hodnoty.
Poslední, 10. pozice je spíše technického rázu, právě jeden token z víceslovného výrazu je označen C, aby bylo možné při počítání frekvencí počítat každou VLJ jen jednou, ne podle počtu jejích tokenů.