seznamy:strukturni_atributy_syn

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 u korpusů řady SYN =====

==== 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 (povídková kniha, 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.


==== 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>. 

^ Struktura ^ Atribut ^ Popis ^ Hodnoty atributu ^
| //Základní hierarchické struktury a jejich atrituby//||||
| doc | title | název dokumentu nebo periodika | např. //Gejzír// |
| ::: | author | autor dokumentu | např. //Diviš, Ivan// |
| ::: | issue | vydání (u periodik) | např. //č. 10/2015// |
| ::: | publisher | vydavatel | např. //Odeon// |
| ::: | pubplace | místo vydání | např. //Praha// |
| ::: | pubyear | rok vydání | např. //2009// |
| ::: | translator | překladatel | např. //Syrovátka, Tomáš// |
| ::: | [[seznamy:srclang|srclang]] | zdrojový jazyk | [[seznamy:srclang#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:txtype_group|txtype_group]] | skupina textových typů | [[seznamy:txtype_group#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:txtype|txtype]] | textový typ | [[seznamy:txtype#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:genre_group|genre_group]] | skupina oborů/témat | [[seznamy:genre_group|seznam hodnot]] |
| ::: | [[seznamy:genre|genre]] | žánr/oblast | [[seznamy:genre#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:med|medium]] | médium dokumentu | [[seznamy:med#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:periodicity|periodicity]] | periodicita | [[seznamy:periodicity|seznam hodnot]] |
| ::: | [[seznamy:audience|audience]] | cílový adresát (obecný/dětský čtenář) | [[seznamy:audience|seznam hodnot]] |
| ::: | isbnissn | ISBN/ISSN | např. //978-80-207-1299-8// |
| ::: | biblio | generovaný bibliografický údaj | např. //Diviš, Ivan (2009): Gejzír. Praha: Odeon.// |
| ::: | syn | atribut používaný pouze u korpusů [[cnk:syn|SYN]]; označuje, z jakého korpusu text původně pochází | např. //SYN2020// |
| ::: | id | jednoznačný identifikátor dokumentu | např. //resp1510// |
| text | [[seznamy:section|section]] | generovaný typ rubriky (jen u vybraných textů z publicistiky) | [[seznamy:section|seznam hodnot]] |
| :::  | section_orig | původní název rubriky (jen u vybraných textů z publicistiky) | např. //Komentáře / očkování / politická korektnost// |
| :::  | id | jednoznačný identifikátor textu | např. //resp1510:11// |
| p    | id | jednoznačný identifikátor odstavce | např. //resp1510:11:3// |
| :::  | type | běžný odstavec / nadpis (jen v korpusech SYN2015 a SYN (verze 4 až 8)) | ''{normal, head}'' |
| s    | id | jednoznačný identifikátor věty | např. //resp1510:11:3:1// |
| //Další struktury a jejich atributy (zachovávají informace o původním formátování textu)// ||||
| hi   | rend | zvýraznění a řezy písma - tam, kde byly zachyceny ve vstupním formátu | ''{italic, bold, underline, expanded, subscript, superscript}'' a jejich kombinace |
| lb   | - | označení hranice verše v poezii (nepárová struktura) | - |
| //Další struktury (použité počínaje korpusy SYN2020 a SYN (verze 9))// ||||
| head    | - | označení nadpisů - tam, kde byly zachyceny ve vstupním formátu | - |
| g    | - | místo, kde mezi dvěma po sobě následujícími tokeny nebyla v textu mezera (nepárová struktura), např. „70<g/>. léta“ | - |
| table | - | místo, kde byla v původním textu tabulka (nepárová struktura) | - |
| ref  | - | místo, kde byl v původním textu webový odkaz (nepárová struktura) | - |
| email | - | místo, kde byla v původním textu e-mailová adresa (nepárová struktura) | - |
| graphic | - | místo, kde byl v původním textu grafický symbol, rovnice apod. (nepárová struktura) | - |
| 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 ====

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:

^ Struktura ^ Atribut ^ Popis ^
| opus | autor | autor/autoři opusu, příp. informace, že je autor nezjistitelný |
| ::: | nazev | název opusu (hlavní titul) |
| ::: | nakladatel | organizace, která dílo vydala |
| ::: | mistovyd | místo vydání |
| ::: | rokvyd | rok vydání té verze opusu, která je zařazena do korpusu (nemusí se tedy jednat o první vydání díla) |
| ::: | isbnissn | identifikátor ISBN, příp. ISSN |
| ::: | preklad | překladatel díla (nejedná-li se o původně české dílo) |
| ::: | [[pojmy:srclang|srclang]] | zdrojový jazyk (nejedná-li se o původně české dílo - v tom případě tento atribut nenabývá žádné hodnoty: ''srclang=<nowiki>"</nowiki><nowiki>"</nowiki>'') |
| ::: | [[pojmy:txtype_group|txtype_group]] | makroskupina textových typů: beletrie, odborná, publicistika |
| ::: | [[pojmy:txtype|txtype]] | typ textu (blíže určený) |
| ::: | [[pojmy:genre|genre]] | žánr (text vymezený na základě pojednávaného tématu) |
| ::: | [[pojmy:medium|med]] | médium (původní způsob přenosu textu) |
| ::: | syn | atribut používaný pouze u nereferenčního korpusu [[cnk:syn|SYN]]; označuje, z jakého referenčního korpusu text původně pochází |
| doc | id | identifikátor dokumentu v rámci opusu|
| s | id | identifikátor věty |

==== Strukturní atributy korpusu SYN2000 ====

V korpusu [[cnk:syn2000|SYN2000]] je nabídka strukturních atributů výrazně omezená, všechny se navíc vážou ke strukturní jednotce ''<doc>'':

^ Struktura ^ Atribut ^ Popis ^
| doc | opus | identifikátor díla (v pozdějších korpusech řady SYN odpovídá atributu ''id'') |
| ::: | txtype | typ textu |
| ::: | 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.
Historie: • czesl-sgt • srovnatelny • korpusy • pozice • strukturni_atributy_syn • syntakticka_analyza • anotace • lockwords • paradigmaticky • paralelni