Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

--- seznamy:strukturni_atributy_syn [2022/06/05 14:46] – jankrivan
+++ seznamy:strukturni_atributy_syn [2022/08/25 16:56] (aktuální) – jankrivan
@@ Řádek 1: / Řádek 1: @@
-==== Strukturní atributy u korpusů řady SYN ====
+===== Struktury a strukturní atributy korpusů řady SYN =====
-=== Strukturní atributy korpusu SYN2015 a novějších ===
+==== Struktury korpusů psané češtiny ====
+V **[[pojmy:psany|psaných]] korpusech** řady [[cnk:syn|SYN]] nacházíme počínaje korpusem SYN2015 tyto hierarchické strukturní jednotky opatřené jedinečnými identifikátory:
+  * **doc** - text nebo ucelený soubor textů (povídková kniha, jedno číslo novin)
+  * **text** - text či jeho část v rámci dokumentu, má-li nějakou vnitřní strukturaci (např. soubor povídek, článek v novinách apod.)
+  * **p** - odstavec (//paragraph//)
+  * **s** - věta (//sentence//)
+V dřívějších korpusech byly struktury odlišné. V korpusech SYN2005 až SYN2013PUB se využívaly jednotky **opus** (text nebo ucelený soubor textů, např. povídková kniha nebo jedno číslo novin) a **doc** (dokument v rámci opusů, má-li nějakou vnitřní strukturaci, např. soubor povídek). V korpusu SYN2020 byly použity pouze struktury **doc** a **s**. Srovnání nabízí následující tabulka:
+^ Strukturní jednotky v korpusech řady SYN počínaje SYN2015 ^ Strukturní jednotky v korpusech SYN2005 až SYN2013PUB ^ Strukturní jednotky v SYN2000 ^
+|  ''<doc>''   |  ''<opus>''  |  ''<doc>''  |
+|  ''<text>''  |  ''<doc>''   |             |
+|  ''<p>''     |              |             |
+|  ''<s>''     |  ''<s>''     |  ''<s>''    |
+Uvedené strukturní jednotky jsou vždy uspořádány hierarchicky, jejich hranice se tedy neprotínají (např. dokument nemůže být ukončen uprostřed věty).
+Strukturní jednotky se obvykle zapisují pomocí špičatých závorek, kde ''<doc>'' značí začátek jednotky, ''</doc>'' její konec a ''<doc />'' její obsah. Pomocí značek strukturních jednotek je možné v korpusu hledat jevy, které se nějakým způsobem vztahují k hranicím různých celků.
+^ Dotaz ^ Vyhodnocení ^
+| ''[word=<nowiki>"</nowiki>život<nowiki>"</nowiki>][word=<nowiki>"</nowiki>\.<nowiki>"</nowiki>]</doc>'' | výskyty sekvence slov //život// a "." na konci (libovolného) dokumentu |
+| ''<doc> [lemma=<nowiki>"</nowiki>kdepak<nowiki>"</nowiki>]'' | výskyty lemmatu //kdepak// na začátku (libovolného) dokumentu |
+| ''[word=<nowiki>"</nowiki>jak<nowiki>"</nowiki>][]*[word=<nowiki>"</nowiki>tak<nowiki>"</nowiki>] within <s />'' | výskyty slov //jak// a //tak// v proměnlivé vzdálenosti v rámci jakékoli jedné věty((Vyhodnocení dotazu s touto podmínkou může trvat delší dobu.)) |
+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 v některých korpusech použity.
+==== Strukturní atributy korpusu SYN2015 a novějších ====
 Základní jednotkou korpusů je ve shodě s mezinárodní konvencí dokument ''<doc>''. Ten se dále dělí na jednotlivé texty (každý dokument obsahuje alespoň jeden ''<text>'') a dále na odstavce ''<p>'' a věty ''<s>''. Většina [[pojmy:metadata|metadat]] je vázána na atributy <doc> a <text>.
@@ Řádek 44: / Řádek 73: @@
 | geo     | - | místo, kde byly v původním textu GPS souřadnice (nepárová struktura) | - |
+Podle hodnot, jichž jednotlivé strukturní atributy nabývají, je možné upřesňovat hledání v korpusech, omezovat výsledky pouze na určitou skupinu struktur, příp. i vytvářet subkorpusy.
+^ Dotaz ^ Vyhodnocení ^
+| ''[word=<nowiki>"</nowiki>ale<nowiki>"</nowiki>] within <doc author=<nowiki>"</nowiki>Diviš, Ivan<nowiki>"</nowiki> />'' | všechny výskyty slova //ale// z děl Ivana Diviše |
+| ''[word=<nowiki>"</nowiki>moc<nowiki>"</nowiki>] within <doc txtype_group=<nowiki>"</nowiki>(NFC.*)<nowiki>|</nowiki>(NMG.*)<nowiki>"</nowiki> />'' | všechny výskyty slova //moc// v dokumentech označených jako oborová literatura a publicistika |
-=== Strukturní atributy korpusů z let 2005 až 2013 ===
+==== Strukturní atributy korpusů z let 2005 až 2013 ====
 Většina strukturních atributů v korpusech [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2006pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]], [[cnk:syn2013pub|SYN2013PUB]] a v korpusu [[cnk:syn|SYN]] do verze 3 je vázána na strukturní jednotku ''<opus>''. Základními strukturními atributy v korpusech psané češtiny jsou:
@@ Řádek 66: / Řádek 100: @@
 | s | id | identifikátor věty |
-=== Strukturní atributy korpusu SYN2000 ===
+==== Strukturní atributy korpusu SYN2000 ====
 V korpusu [[cnk:syn2000|SYN2000]] je nabídka strukturních atributů výrazně omezená, všechny se navíc vážou ke strukturní jednotce ''<doc>'':
@@ Řádek 75: / Řádek 109: @@
 | ::: | temp | rok vydání díla (v pozdějších korpusech řady SYN odpovídá atributu ''rokvyd'') |
-Na základě jednoznačného identifikátoru ''doc.opus'' je možné zjistit všechny dodatečné informace o textu v [[seznamy:index|seznamech]] děl korpusu SYN2000. Při začlenění korpusu SYN2000 do korpusu [[cnk:syn|SYN]] byly všechny texty opatřeny anotací odpovídající pozdějším zvyklostem.
+Na základě jednoznačného identifikátoru ''doc.opus'' je možné zjistit všechny dodatečné informace o textu v [[seznamy:zdrojove_texty_korpusu|seznamech]] děl korpusu SYN2000. Při začlenění korpusu SYN2000 do korpusu [[cnk:syn|SYN]] byly všechny texty opatřeny anotací odpovídající pozdějším zvyklostem.

Historie:

Rozdíly

Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence