seznamy:strukturni_atributy_mluvene

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
===== Struktury a strukturní atributy mluvených korpusů =====

==== Struktury korpusů mluvené češtiny ====

V korpusech **[[pojmy:mluveny|mluvené]] češtiny** se používají následující strukturní hierarchické jednotky:
  * **doc** - dokument; v případě dialogických mluvených korpusů se jedná o jednu sondu (ucelený rozhovor)
  * **sp** - vyšší technická jednotka členění mluveného textu, vázaná na identitu mluvčího a nesoucí jeho metadata (korpusy ORAL obsahují i nižší jednotku **seg**)

Struktuře **sp** se tradičně v textech o mluvených korpusech ČNK říká **promluva**, nicméně s [[http://sas.ujc.cas.cz/archiv.php?art=203|lingvistickým konceptem téhož jména]] nemá nic společného: pokyn členit projev na promluvy v tomto smyslu nebyl nikdy součástí pravidel pro přepis. V korpusech [[cnk:oral2006|ORAL2006]] a [[cnk:oral2008|ORAL2008]] lze do velké míry hovořit o tom, že hranice jednotek **sp** odpovídají hranicím **replik**, přičemž replikou zde míníme souvislý projev jednoho mluvčího bez delších pauz. V novějších korpusech je pak korelace hranic jednotek **sp** s jakýmikoli lingvisticky relevantními předěly nesoustavná a nelze na ni spoléhat.

^ Dotaz ^ Vyhodnocení ^
| ''[word=<nowiki>"</nowiki>ne<nowiki>"</nowiki>]</doc>'' | výskyty slova //ne// na konci sondy |
| ''<sp> [word=<nowiki>"</nowiki>hm<nowiki>"</nowiki>]'' | výskyty slova //hm// na začátku promluvy |

Strukturním jednotkám (strukturám) mohou být přiřazeny další údaje (tzv. [[pojmy:metadata|metadata]]), a to prostřednictvím strukturních atributů. Přehled těchto atributů a jejich možné hodnoty u jednotlivých korpusů uvádíme níže. Společně s tím uvádíme i další, tzv. nehierarchické struktury, které jsou u některých korpusů použity.


==== Strukturní atributy korpusu ORTOFON a spojeného korpusu ORAL ====

Korpusy [[cnk:ortofon|ORTOFON]] a [[cnk:oral|ORAL]] obsahují následující údaje:

^ Struktura ^ Atribut ^ Příklad ^ Vysvětlení ^ Možné hodnoty ^
| doc | id            | 06H080N      | identifikační označení nahrávky - první dvojčíslí uvádí rok pořízení, písmeno na konci značí neformální (N) či formální situaci (F) | ''<řetězec čísel a velkých písmen>'' |
| ::: | month         | březen       | měsíc pořízení nahrávky | ''<řetězec malých písmen>'' |
| ::: | speakers      | 5            | počet všech mluvčích v nahrávce | ''<číslo>'' |
| ::: | formality     | neformální   | neformální situace (pozn.: v korpusu ORAL se vyskytují převážně nahrávky neformální, nicméně několik nahrávek zachycuje formální situace; informace je zaznamenána na konci id nahrávky (''N'' pro neformální, ''F'' pro formální)) | ''{neformální, formální}'' | 
| ::: | preparedness  | nepřipravená | označení, zda byl rozhovor předem připraven, či ne (pozn.: souvisí se strukturním atributem doc.formality; formální hovory lze považovat za připravené a naopak) | ''{připravená, nepřipravená}'' | 
| ::: | audio         | ne           | informace, zda je k transkriptu dostupný zvuk (pozn.: nahrávky z korpusů ORAL2006 a ORAL2008 nejsou propojeny se zvukem, naopak korpusy ORAL2013 a ORAL-Z ano) | ''{ano, ne}''| 
| ::: | year          | 2006         | rok pořízení nahrávky |
| ::: | location      | Praha        | místo pořízení nahrávky |
| ::: | relationship | přátelský    | vztah mluvčích v nahrávce (pozn.: pod označení přátelský jsou zařazeny i rodinné vztahy) | ''{přátelský, znají se, neznají se}'' | 
| ::: | situation     | návštěva     | označení, za jaké situace k hovoru došlo | ''{návštěva, rozhovor doma, rozhovor u jídla doma, restaurace, oslava, posezení na zahradě}'' a další | 
| ::: | tokens        | 9008         | počet všech tokenů v nahrávce |
| ::: | oral          | 2006         | označuje korpus, z něhož nahrávka pochází | ''{2006, 2008, 2013, Z}''|
| ::: | number        | 2            | počet mluvčích v nahrávce|
| ::: | //Tyto atributy pod strukturou ''doc'' jsou obsažené pouze v korpusu ORTOFON:// ||||
| ::: | generations        | 1  | počet generací mluvčích v nahrávce  | ''{1'' (vrstevníci)'',2'' (mladší a starší mluvčí v nahrávce)''}'' atd.  |
| ::: | genders            | smíšené  | |''{jen ženy, jen muži, smíšené}''  |
| sp  | nickname      | Milena_2633    | automaticky přiřazená přezdívka |
| ::: | gender        | M              | pohlaví mluvčího | ''{Z'' (žena)'', M ''(muž)''}'' nebo ''Y'' |
| ::: | edu_level     | SŠ             | nejvyšší dosažené vzdělání | ''{SŠ, VŠ, ZŠ}'' nebo ''Y'' | 
| ::: | age           | 54             | věk mluvčího | 
| ::: | reg_current   | středomoravská | nářeční oblast současného pobytu mluvčího | ''{česko-moravská, jihozápadočeská, pohraničí české, pohraničí moravské, severovýchodočeská, středomoravská, slezská, středočeská, východomoravská}'' nebo ''Y'' | 
| ::: | proportion    | 23 %           | procentuální zastoupení řeči mluvčího v rámci celé nahrávky |
| ::: | confederate   | ne             | informace, zda se daný mluvčí vyskytuje i v jiných nahrávkách | ''{ano, ne}'' |
| ::: | edu_binary    | B              | vzdělání mluvčího (hrubé rozlišení) | ''{A'' (altus, vysokoškolské včetně pouze započatého)'',B'' (basis, základní a středoškolské)''}'' nebo ''Y'' |
| ::: | age_binary    | I              | věk mluvčího (hrubé rozlišení) | ''{I'' (iunior, mladší: cca 20–35 let)'',V'' (vetus, starší: 35 let a více)''}'' nebo ''Y'' |
| ::: | reg_childhood | středomoravská | nářeční oblast místa pobytu mluvčího v dětství (do 15 let) | ''{česko-moravská, jihozápadočeská, pohraničí české, pohraničí moravské, severovýchodočeská, středomoravská, slezská, středočeská, východomoravská}'' nebo ''Y'' | 
| ::: | occupation    | kvalifikovaný pracovník ve stavebnictví | specifikace zaměstnání podle klasifikace zaměstnání, viz https://www.czso.cz/csu/czso/klasifikace_zamestnani_-cz_isco- | ''{kvalifikovaný pracovník ve stavebnictví, student, důchodce, pedagog, jiný odborný pracovník, bez zaměstnání, technik, kancelářský pracovník, prodavač}'' a další |
| ::: | overlap       | ano            | značí, zda se promluva daného mluvčího nachází v překryvu | ''{ano, ne}'' |
| ::: | //Tyto atributy pod strukturou ''sp'' jsou obsažené pouze v korpusu ORTOFON:// ||||
| ::: | locsize_childhood  | město nad 100 tisíc  | velikost sídla, kde mluvčí žil do 15 let věku  | ''{město nad 100 tisíc, město nad 50 tisíc, město nad 10 tisíc, město pod 10 tisíc, vesnice}'' nebo ''Y''  |
| ::: | locsize_longest    | město nad 100 tisíc  | velikost sídla, kde mluvčí žil nejdelší dobu  | ''{město nad 100 tisíc, město nad 50 tisíc, město nad 10 tisíc, město pod 10 tisíc, vesnice}'' nebo ''Y''  |
| ::: | locsize_current    | město nad 100 tisíc  | velikost sídla, kde mluvčí žije v současné době  | ''{město nad 100 tisíc, město nad 50 tisíc, město nad 10 tisíc, město pod 10 tisíc, vesnice}'' nebo ''Y''  |
| ::: | soundfile          | 5/3/ef2e315f.mp3  | číslo a formát nahrávky  |  
| ::: | id                 | 3784  | identifikátor segmentu (struktury sp)  | 
| ::: | edu_field          | chemické obory  | obor vzdělání  | ''{ekologie a ochrana životního prostředí, strojírenství, elektrotechnika, zdravotnictví, doprava a spoje, právo a právní činnost}'' a další, výběr oborů z předdefinovaného seznamu   |
| ::: | occupation         | sociální pracovník  |   
| ::: | occupation_category  | jiný odborný pracovník  | specifikace zaměstnání podle [[https://www.czso.cz/csu/czso/klasifikace_zamestnani_-cz_isco-|ČZSO]] | 
| ::: | loc_childhood      | Praha  | místo, kde mluvčí žil do 15 let  |
| ::: | reg_longest        | severovýchodočeská  | nářeční oblast, v níž mluvčí žil nejdéle  | ''{česko-moravská, jihočeská, pohraničí české, pohraničí moravské, severovýchodočeská, středomoravská, slezská, středočeská, východomoravská, západočeská}'' nebo ''Y'' |
| //Nižší hierarchická struktura - obsažená pouze v korpusu ORAL:// |||||
| seg | - | - | nižší technická jednotka členění mluveného textu |
| //Další struktury a atributy jsou obsažené pouze v korpusu ORTOFON:// |||||
| para   | type               | šeptem  | označení slov nebo skupin slov, která jsou vyslovena s určitým charakteristickým/výrazným/nápadným doprovodným rysem  | ''{šeptem, s plnou pusou, se smíchem, cizojazyčný projev, čtený text, s křikem, s pláčem, nahlas, potichu, imitace, záměrné zkomolení slova, přeřeknutí, recitováno, potichu, s povzdechem, rychle, slabikováno, zpíváno, se zíváním}''  |
| pw | -  | - | struktura obaluje pozice, které tvoří jedno zvukové slovo (přízvukový takt) | - | 
| overlap | - | - | struktura obaluje pozice řečené v překryvu s jiným mluvčím | - | 
| unclear | - | - | struktura obaluje pozice, u nichž si přepisující nebyl jist obsahem řečeného | - | 


==== Strukturní atributy korpusu ORATOR ====

Korpus [[cnk:orator|ORATOR]] obsahuje tyto údaje:

^ Struktura ^ Atribut ^ Popis ^ Možné hodnoty (položky jsou řazeny podle abecedy) ^
| doc | id                | jednoznačný identifikátor sondy | |
| ::: | year              | rok pořízení nahrávky           | |
| ::: | location          | místo nahrávky                  | obce ČR |
| ::: | situation         | typ situace | ''{ceremoniál, instruktáž, jednání, kázání, prohlídka, přednáška, slavnostní projev, školení, uvedení uměleckého díla, veřejné shromáždění, zahájení, zakončení}'' |
| ::: | framing           | zaměření projevu                | ''{oficiální, popularizační, politické, profesní, vědecké}'' |
| ::: | genre             | žánr projevu                    | hodnoty shodné s atributem [[cnk:klasifikace_textu_syn2015?s[]=genre|genre]] u psaných korpusů |
| ::: | audience_present  | přítomnost publika              | ''{ano, ne}'' |
| ::: | intended_audience | jakému publiku je projev určen  | ''{skupina, veřejnost}'' |
| ::: | special           | speciální příznak projevu       | ''{čtené, pro děti, Y}'' (''Y'' pro projevy bez příznaku) |
| ::: | source            | zdroj                           | ''{vlastní sběr, volně dostupná nahrávka}'' |
| ::: | speakers          | počet mluvčích v nahrávce       | |
| ::: | length            | délka nahrávky v minutách       | |
| ::: | tokens            | počet všech tokenů v nahrávce   | |
| sp | id          | identifikátor segmentu                                      | unikátní číslo pro každý segment |
| ::: | nickname    | přezdívka mluvčího                                          | náhodně přidělená příjmení |
| ::: | speaker_id  | číslo doplňující přezdívku mluvčího                         | stejně jako příjmení bude toto číslo stejné u každé promluvy od stejného mluvčího|
| ::: | gender      | pohlaví                                                     |  |
| ::: | proportion  | procentuální zastoupení řeči mluvčího v rámci celé nahrávky |  |
| ::: | soundfile   | číslo a formát nahrávky                                     |  |


==== Strukturní atributy korpusu DIALEKT ====

Korpus [[cnk:dialekt|DIALEKT]] obsahuje tyto údaje:

^ Struktura ^ Atribut ^ Příklad ^ Vysvětlení ^ Možné hodnoty (položky jsou řazeny podle abecedy) ^ Poznámka ^
| doc | id          | 001-C-SVC-1957-SA               | identifikační označení nahrávky - obsahuje zkratku nářeční oblasti, rok pořízení nahrávky |
| ::: | zdroj       | Ústav Českého národního korpusu | zdroj nahrávky | ''{Soukromý sběr nahrávek, Soukromý sběr nahrávek - publikované nahrávky, Universitní sběr nahrávek - JU FF v Českých Budějovicích, Universitní sběr nahrávek - MU FF v Brně,  Ústav Českého národního korpusu, Ústav pro jazyk český AV ČR - ČJA}'' |
| ::: | rok         | 1957                            | rok pořízení nahrávky | | 195X - blíže neurčený rok v padesátých letech |
| ::: | vrstva      | stará                           | nářeční vrstva | ''{nová, stará}'' |
| ::: | misto       | Křečovice                       | místo pořízení nahrávky | | část obce v kulatých závorkách, např. Kamenný Újezd (Kosov) |
| ::: | sidlotyp    | městská lokalita                | typ sídla | ''{městská lokalita, venkovská lokalita}'' |
| ::: | sidlovelikost | nad 100 tis. | místo pořízení nahrávky - velikost sídla | ''{méně než 500, nad 1 tis., nad 10 tis., nad 100 tis., nad 5 tis., nad 50 tis., nad 500}'' |
| ::: | stat        | Česká republika                 | místo pořízení nahrávky - stát | ''{Česká republika, Polsko}'' |
| ::: | region      | Čechy                           | místo pořízení nahrávky - region | ''{Čechy, Morava, Slezsko}'' |
| ::: | noblast     | středočeská                     | místo pořízení nahrávky - nářeční oblast | ''{českomoravská, jihočeská, pohraničí české, severovýchodočeská, slezská, sředočeská, středomoravská, východomoravská, západočeská}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |
| ::: | npodskupina | jižní (slovácká)                | místo pořízení nahrávky - nářeční podskupina | ''{centrální středomoravská (hanávýchodomoravskácká), jižní (slovácká), jižní středomoravská, severní (valašská), slezskomoravská (lašská), slezskopolská, východní středomoravská, žádná, západní středomoravská okrajová}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |
| ::: | núsek       | západní (opavský)               | místo pořízení nahrávky - nářeční úsek | ''{českomoravský okrajový, jihočeský okrajový, jižní (frenštátský), severovýchodočeský okrajový, středočeský okrajový, východní (ostravský), žádný, západní (opavský), západní okrajový, západočeský okrajový}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |
| ::: | ntyp        | doudlebský                      | místo pořízení nahrávky - nářeční typ | ''{čuhácký, dolský, domažlický (chodský), doudlebský, horský, jemnický, lounsko-litoměřický, manětínský, náchodský a kladský, nářečí kopaničářského typu, ostravický, podještědský a podkrkonošský, slavkovsko-bučovický, těšínský, východolitomyšlský, (petácký), zábřežský, žádný, západoopavský, žďársko-bystřický, židlochovický, znojemský}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |
| ::: | okres       | Domažlice                       | místo pořízení nahrávky - okres |
| ::: | promluvatyp | monolog                         | typ promluvy podle dialogičnosti | ''{dialog, monolog, převážně dialog, převážně monolog}'' |
| ::: | tema        | Vánoce                          | téma promluvy |
| ::: | pocetml     | 2                               | celkový počet mluvčích v nahrávce |
| ::: | explorator  | ano                             | přítomnost exploratora v nahrávce | ''{ano, ne}'' |
| sp  | id             | 2533                 | identifikátor segmentu (struktury sp) |
| ::: | prezdivka      | Dalibor_208          | automaticky vygenerovaná přezdívka, ze které je patrné pohlaví |
| ::: | explorator     | ano                  | mluvčí je/není explorátor | ''{ano, ne}'' |
| ::: | pohlavi        | M: muž               | pohlaví mluvčího | ''{M: muž, Z: žena}'' |
| ::: | rok            | 1877                 | rok narození mluvčího |
| ::: | veknum         | 85                   | věk mluvčího v době pořízení nahrávky | | 5X - věk mezi padesáti a šedesáti lety |
| ::: | vek            | V: nad 35 let        | věková kategorie užívaná v mluvených korpusech | ''{I: do 35 let, V: nad 35 let}'' |
| ::: | vzdelanitypI   | A: vysokoškolské     | vzdělání - typ užívaný ve všech mluvených korpusech | ''{A: vysokoškolské, B: základní či střední}'' |
| ::: | vzdelanitypII  | ZŠ                   | vzdělání - typ užívaný v mluvených korpusech řady ORAL | ''{SOU, SŠ, VŠ, ZŠ}'' |
| ::: | profese        | cestář               | nejdelší zaměstnání mluvčího |
| ::: | mistonej       | Stachy               | místo nejdelšího pobytu mluvčího | | část obce v kulatých závorkách, např. Kamenný Újezd (Kosov)|
| ::: | statnej        | Česká republika      | nejdelší pobyt mluvčího - stát | ''{Česká republika, Polsko}'' |
| ::: | regionnej      | Čechy                | nejdelší pobyt mluvčího - region | ''{Čechy, Morava, Slezsko}'' |
| ::: | noblastnej     | českomoravská        | nejdelší pobyt mluvčího - nářeční oblast | ''{českomoravská, jihočeská, pohraničí české, severovýchodočeská, slezská, sředočeská, středomoravská, východomoravská, západočeská}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |
| ::: | npodskupinanej | severní (valašská)   | nejdelší pobyt mluvčího - nářeční podskupina | ''{centrální středomoravská (hanávýchodomoravskácká), jižní (slovácká), jižní středomoravská, severní (valašská), slezskomoravská (lašská), slezskopolská, východní středomoravská, západní středomoravská okrajová, žádná}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |
| ::: | nuseknej       | východní (ostravský) | nejdelší pobyt mluvčího - nářeční úsek | ''{českomoravský okrajový, jihočeský okrajový, jižní (frenštátský), severovýchodočeský okrajový, středočeský okrajový, východní (ostravský), západní (opavský), západní okrajový, západočeský okrajový, žádný}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |
| ::: | ntypnej        | jemnický             | nejdelší pobyt mluvčího - nářeční typ | ''{čuhácký, dolský, domažlický (chodský), doudlebský, horský, jemnický, lounsko-litoměřický, manětínský, náchodský a kladský, nářečí kopaničářského typu, ostravický, podještědský a podkrkonošský, slavkovsko-bučovický, těšínský, východolitomyšlský, (petácký), zábřežský, západoopavský, znojemský, žádný, žďársko-bystřický, židlochovický}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |
| ::: | mistodet       | Zápy                 | místo pobytu mluvčího v dětství (do 15 let) | | část obce v kulatých závorkách, např. Kamenný Újezd (Kosov)|
| ::: | noblastdet     | východomoravská      | pobyt mluvčího v dětství (do 15 let) - nářeční oblast | ''{českomoravská, jihočeská, pohraničí české, severovýchodočeská, slezská, sředočeská, středomoravská, východomoravská, západočeská}'' | pouze hodnoty, pro které se v korpusu nachází nářeční materiál |


==== Strukturní atributy korpusů ORAL2006, ORAL2008 a ORAL2013 ====

Korpusy [[cnk:oral2006|ORAL2006]], [[cnk:oral2008|ORAL2008]] a [[cnk:oral2013|ORAL2013]] obsahují následující údaje:

^ Struktura ^ Atribut ^ Popis ^ Možné hodnoty ^
| doc | id            | jednoznačný identifikátor sondy | ''<řetězec čísel a velkých písmen>'' |
| ::: | temp          | rok nahrání sondy | např. ''2008'' |
| ::: | pocet         | počet mluvčích v sondě | ''<číslo>'' |
| ::: | promluva      | typ promluvy | ''N'' (neformální) |
| ::: | //Další atributy pod strukturou ''doc'' jsou obsažené pouze v korpusu ORAL2013:// |||
| ::: | vztah         | vztah mezi mluvčími | ''{přátelskost,známost}'' |
| ::: | situace       | typ situace, v níž byla nahrávka pořízena | ''{hovor při jídle doma,hovor při společné činnosti,hovor v práci,jiné,jízda dopravním prostředkem,na chatě,na zastávce,návštěva,oslava,posezení na zahradě,procházka,restaurace,rozhovor doma,společenská hra,ve škole mimo vyučování,výlet}'' |
| sp  | num           | číselné označení mluvčího **v rámci sondy (doc)** | od ''00'' výš (podle počtu mluvčích, přičemž ''00'' označuje mluvčího, který rozhovor nahrával); možné je i ''Y'' |
| ::: | pohlavi       | pohlaví mluvčího | ''{M'' (muž)'', Z'' (žena)''}'' nebo ''Y'' |
| ::: | vek           | věková kategorie mluvčího | ''{I'' (iunior, mladší: ca 20–35 let)'',V'' (vetus, starší: 35 let a více)''}'' nebo ''Y'' |
| ::: | veknum        | věk mluvčího (číselně) | ''<číslo>'' |
| ::: | vzdelani      | vzdělání mluvčího (hrubé rozlišení) | ''{A''(altus, vysokoškolské včetně pouze započatého)'',B''(basis, základní a středoškolské)''}'' nebo ''Y'' |
| ::: | vzdelanityp   | vzdělání mluvčího (jemnější rozlišení) | ''{SŠ,VŠ,ZŠ}'' nebo ''Y'' |
| ::: | oblast        | nářeční oblast místa pobytu mluvčího v dětství (do 15 let) | ''{česko-moravská,jihozápadočeská,pohraničí české,pohraničí moravské,severovýchodočeská,slezská,středočeská,středomoravská,východomoravská}'' nebo ''Y'' |
| ::: | //Další atributy pod strukturou ''sp'' jsou obsažené pouze v korpusu ORAL2013:// |||
| ::: | oznacenishody | jednoznačné označení mluvčího **v rámci celého korpusu** | ''<řetězec malých písmen>'' |
| ::: | prekryv       | nachází se tato promluva daného mluvčího v překryvu? | ''{ano,ne}'' |
| seg | - | nižší hierarchická jednotka členění mluveného textu |

Pozn. Některé atributy mluvených korpusů připouštějí hodnotu ''Y'', která značí, že údaj není znám. Bývá uveden u mluvčích, kteří se v rozhovoru objevují krátce (např. servírka v rozhovoru vedeném v restauraci).
Historie: • txtype • txtype_group • anonymizace • deverbativni_adj_sublemmata • kontext_verze • hledani_v_paralelnim_korpusu • desambiguace • syntakticke_znacky • strukturni_atributy_mluvene • verbtagy_detail