Báze znalostí z korpusové lingvistiky http://wiki.korpus.cz/ 2026-04-21T12:27:19+00:00 http://wiki.korpus.cz/ http://wiki.korpus.cz/lib/exe/fetch.php/wiki:dokuwiki.svg text/html 2024-03-04T09:18:13+00:00 Anonymous (anonymous@undisclosed.example.com) http://wiki.korpus.cz/doku.php/hickok:anotace_v_tabulkovem_procesoru?rev=1709543893&do=diff Anotační nástroje a formát souboru Základním formátem pro anotovaná data v UD je formát CoNLL-U, což je v podstatě textový formát, ve kterém každý token má svůj řádek a na tomto řádku je deset tabulátorem oddělených sloupců s předepsanými hodnotami. Nebýt toho, že na začátku a konci věty jsou řádky, které neodpovídají žádnému tokenu a vypadají jinak, šlo by vlastně o velkou tabulku. text/html 2024-03-11T08:13:44+00:00 Anonymous (anonymous@undisclosed.example.com) http://wiki.korpus.cz/doku.php/hickok:kondicional?rev=1710144824&do=diff Kondicionál Segmentace na slova v (novo)českých UD rozděluje tvary abych, abys, ..., kdybych, kdybys, ... na dvě slova: spojku a kondicionálové bych, bys, by, bychom, byste. Podobně jsou rozděleny agregáty zájmena a pomocného jsi, např. text/html 2024-07-07T14:04:46+00:00 Anonymous (anonymous@undisclosed.example.com) http://wiki.korpus.cz/doku.php/hickok:poskozene_texty?rev=1720361086&do=diff Pravidla pro anotaci poškozených textů Pokud je zdrojový rukopis poškozený, projevuje se to dvěma pro nás relevantními typy jevů (pro ilustraci viz např. edici RadaOtcR, verše 49 a dál). Zaprvé se nám tam objevují torzovitá slova, v nichž je jen dochovaná část znaků, zatímco zbytek je reprezentován trojtečkou (např. text/html 2025-08-06T07:45:11+00:00 Anonymous (anonymous@undisclosed.example.com) http://wiki.korpus.cz/doku.php/hickok:problemy_lemmatizace?rev=1754466311&do=diff Problémy lemmatizace Zde evidujeme problematické/nejasné případy lemmatizace tvarů ve staročeském a středněčeském etalonu. (Základní dokumentace zde.) Nové problémy pište prosím červeně, ať máme odlišeno, co je ještě nedořešené. Lemmatizace slov nedochovaných do současné češtiny text/html 2026-01-16T10:06:40+00:00 Anonymous (anonymous@undisclosed.example.com) http://wiki.korpus.cz/doku.php/hickok:problemy_morfologie?rev=1768558000&do=diff Problémy anotace morfologie (POS, features) Tabulka slouží k zapisování, diskusi a řešení nejasností/problémů při anotaci slovních druhů (POS) a morfologických rysů (features) v staročeském a středněčeském UD etalonu. Vyřešené problémy budou průběžně doplňovány do text/html 2026-02-16T14:59:10+00:00 Anonymous (anonymous@undisclosed.example.com) http://wiki.korpus.cz/doku.php/hickok:problemy_tokenizace?rev=1771253950&do=diff Tokenizace a slovní segmentace UD se od jiných anotačních schémat odlišuje tím, že má dvě roviny segmentace věty na menší jednotky. Nižší z obou rovin odpovídá klasické tokenizaci, kde token je buď ohraničen mezerami, nebo předělem mezi písmeny a jinými znaky, zejména interpunkcí. Druhé z obou rovin se někdy říká slovní segmentace (word segmentation) a uplatňuje se v případech, kdy je důvod rozdělit token složený z písmen. V terminologii UD jde o víceslovný token (multiword token) a části, na k… text/html 2026-03-03T12:17:05+00:00 Anonymous (anonymous@undisclosed.example.com) http://wiki.korpus.cz/doku.php/hickok:stc_strdc_ud?rev=1772540225&do=diff UD anotace staročeského a středněčeského etalonu Vychází se jednak z anotačních pravidel UD (a to jak obecných, tak těch specifických pro slovanské jazyky a češtinu), jednak ze zkušeností z pilotního projektu v roce 2022 (anotace Matoušova evangelia z Bible drážďanské a olomoucké). K tomu externí odkazy: text/html 2024-01-29T11:03:23+00:00 Anonymous (anonymous@undisclosed.example.com) http://wiki.korpus.cz/doku.php/hickok:uvod?rev=1706526203&do=diff Interní stránky projektu HiČKoK Celý namespace hickok v rámci této wiki je vyhrazen pro interní potřeby projektu HiČKoK. UD anotace staročeského a středněčeského etalonu: stránka pro dokumentaci O projektu HiČKoK Cílem projektu HiČKoK je vytvořit datové, softwarové a znalostní zázemí pro studium češtiny v celém jejím historickém kontinuu (od 13. do 21. století). Projekt je unikátní tím, že se vůbec poprvé pokouší propojit jednotlivá centra, v nichž se nezávisle budovaly textové korpusy pro r… text/html 2024-05-15T19:43:20+00:00 Anonymous (anonymous@undisclosed.example.com) http://wiki.korpus.cz/doku.php/hickok:zivotnost?rev=1715802200&do=diff Životnost DZ: Toto je zatím (27.2.2024) otevřený problém a níže je pouze nástin možného řešení. Rozlišování životnosti u mužských jmen dává smysl a běžně se děje v novočeských korpusech, ale u staročeských není jasné, jak by se s ní mělo zacházet, protože neživotná jména běžně mívají i životné tvary a platí to i opačně. Pokud bychom se rozhodli anotovat staročeská data bez životnosti, tak zase máme jiné problémy: 1) UDPipe, který se natrénuje na novočeských nebo smíšených datech, v tom bude mí…