Příručka ČNK - pojmy

agregat

Anonymous (anonymous@undisclosed.example.com) — 2022-01-03T16:47:44+00:00

Agregát Agregáty jsou slova, jimž se v procesu anotace (počínaje korpusem SYN2020) přiřazují současně dvě (výjimečně i tři) řady pozičních atributů. A to z toho důvodu, že se tato slova sice v češtině píšou jako jedno slovo, avšak z pohledu syntaxe či určování gramatických kategorií se chovají spíše jako dvě (či více) slov. V terminologii standardu

akvizicni_korpus

Anonymous (anonymous@undisclosed.example.com) — 2015-10-23T13:36:54+00:00

Akviziční korpusy Akviziční korpusy představují speciální typ jazykových korpusů, které slouží primárně pro studium procesů spojených s osvojováním řeči a s jejím vyučováním jako prvního i druhého jazyka. Poskytuje informace o užívání jazyka mluvčími (různého věku), kteří si ho dosud neosvojili na úrovni dospělého rodilého mluvčího.

alignment

Anonymous (anonymous@undisclosed.example.com) — 2014-11-24T10:43:34+00:00

Alignment (zarovnání) Termínem alignment se rozumí zarovnání (různě velkých) úseků textu v originálním jazyce a jeho překladu (nebo odpovídajících si vět ve dvou různých překladech téhož textu z třetího jazyka). Alignment minimálně na úrovni odstavců, popř. vět je základním předpokladem pro vytváření překladových

anonymizace

Anonymous (anonymous@undisclosed.example.com) — 2014-11-24T10:46:14+00:00

Anonymizace dat Anonymizace je odstranění osobních údajů z korpusových dat. Týká se především korpusů mluveného jazyka, ve kterých jsou osobní data ze zvukového záznamu odstraněna a v přepise jsou dohodnutým způsobem kódována. Jedná se především o příjmení, přezdívky, místní jména, adresy, telefonní čísla a podobně. Kódování v přepise může být buď formou číselného či písmenného kódu, nebo zde může být použito „univerzální“ příjmení, místní jméno apod. Tento druhý způsob je výhodný pro následnou…

anotace

Anonymous (anonymous@undisclosed.example.com) — 2021-01-14T12:12:50+00:00

Anotace Proces, při němž se ručně či automaticky připojují interpretační lingvistické, strukturní údaje a/nebo metatextové údaje k textovým datům korpusu. Lingvistickými údaji jsou například morfologické značky (tagy) přiřazované jednotlivým slovním tvarům, značky syntaktické, přiřazované slovním tvarům či jejich skupinám, nebo údaje sémantické, popř. další.

arf

Anonymous (anonymous@undisclosed.example.com) — 2022-06-07T11:12:57+00:00

ARF (average reduced frequency, průměrná redukovaná frekvence) ARF je jednou z několika upravených frekvencí (adjusted frequencies) slovního tvaru v korpusu. Upravené frekvence přizpůsobují prostou frekvenci (počet výskytů) daného výrazu či jevu v korpusu míře rovnoměrnosti rozložení jeho výskytů, a berou tak v úvahu $N$$$ARF = \frac{1}{v} \sum_{i=1}^{f} \min (d_{i}, v)$$$f$$N$$d_{i}$$v$$v = \frac{N}{f}$$d_{i} = v$$i$

asociacni_miry

Anonymous (anonymous@undisclosed.example.com) — 2019-04-09T13:10:23+00:00

Asociační (kolokační) míry Asociační míry (association measures) jsou matematické postupy (vzorce) používané pro vyhledání kolokací v korpusu. Velká většina asociačních měr je omezena pouze na dvoučlenné kolokace (bigramy). Asociační míry mají převážně matematický základ vycházející ze statistického testování hypotéz, vyskytují se ale i jinak motivované míry včetně čistě empirických bez vztahu ke statistické relevanci.$$I(xy) = \log_{2} \frac{p(xy)}{p(x) p(y)}$$$p(x) = f(x) / N$$p(y) = f(y) /…

atributy_pozicni

Anonymous (anonymous@undisclosed.example.com) — 2026-01-25T23:39:29+00:00

Poziční atributy Pozičními atributy v korpusech jsou myšleny dodané informace, které se vztahují k jednomu tokenu (k jedné textové pozici). Každý text je při vstupu do korpusů zpřístupňovaných rozhraním KonText opatřen anotací. Ta část anotace, která neobsahuje informace o textu jako celku, z něhož hledaný jev pochází, ale o jevu samotném, je dostupná právě pomocí pozičních atributů. (Jinými slovy jde o rozdíl mezi informacemi

atributy_strukturni

Anonymous (anonymous@undisclosed.example.com) — 2022-08-25T15:17:31+00:00

Strukturní jednotky a atributy Každý korpus je strukturován do nějakých (většinou) hierarchicky uspořádaných jednotek. Takové uspořádání (zachycené pomocí metadat) se může u každého korpusu lišit. Důvodem je fakt, že každému typu dat vyhovuje jiná vnitřní

autorsky_korpus

Anonymous (anonymous@undisclosed.example.com) — 2024-09-16T11:19:02+00:00

Autorský korpus Autorský korpus (author corpus) je typem specializovaného korpusu, který obsahuje texty jednoho konkrétního původce. V užším pojetí sestává pouze z textů, jejichž jediným původcem je daný autor; v širším pojetí může autorský korpus zahrnovat také texty spoluautorské, překladové či edičně zpracované. Z hlediska typologie se obvykle jedná o korpusy jednojazyčné, psané a synchronní, mohou však obsahovat také texty ve více jazycích a texty mluvené. Vzhledem k relativně snadné dostup…

bigram

Anonymous (anonymous@undisclosed.example.com) — 2013-09-12T15:19:25+00:00

bundles

Anonymous (anonymous@undisclosed.example.com) — 2015-01-21T20:16:52+00:00

Lexical bundles K významovým jednotkám skládajícím se z více slov se váže řada termínů. Anglickým termínem lexical bundles („slovní svazky“) se odkazuje ke skupinám slov opakovaně se vyskytujícím v rámci jednoho žánru či rejstříku/textového typu. Na uvedeném termínu dosud nepanuje plná shoda, ovšem používá ho řada významných korpusových lingvistů (např. Douglas Biber či Susan Conrad). Vyhledávání lexical bundles je inkorporované i do řady korpusových nástrojů (např. AntConc).…

case-insensitive

Anonymous (anonymous@undisclosed.example.com) — 2013-09-12T15:18:50+00:00

case-sensitive

Anonymous (anonymous@undisclosed.example.com) — 2021-01-18T09:08:10+00:00

Case-sensitive versus case-insensitive Analýza textu může být prováděna vždy buď s ohledem na velikost písmen (case-sensitive), nebo se k velkým a malým písmenům přihlížet nemusí (case-insensitive). V případě case-insensitive analýzy jsou velká a malá písmena brána jako tentýž znak (slova

citaty

Anonymous (anonymous@undisclosed.example.com) — 2016-01-11T21:28:11+00:00

Okřídlené citáty korpusové lingvistiky Povahu korpusové lingvistiky do značné míry vystihuje několik slavných citátů * You shall know a word by the company it keeps. (J. R. Firth) * Slovo poznáš podle toho, na jakou společnost si potrpí.

containing

Anonymous (anonymous@undisclosed.example.com) — 2026-03-31T10:55:42+00:00

Příkaz containing Příkaz containing se používá v rámci dotazovacího jazyka pro omezení platnosti dotazu na určitou strukturu. Jedná se o příkaz svojí funkčností velmi podobný operátoru within, rozdíl najdeme pouze ve výsledku vyhládávání (v podobě KWICu). Syntax

corpus_based

Anonymous (anonymous@undisclosed.example.com) — 2019-03-06T21:04:52+00:00

Corpus-based přístup Corpus-based přístup je metodologický přístup uplatňovaný v korpusové lingvistice, viz též korpusem ověřovaný, příp. na korpusu založený přístup (český ekvivalent není ustálen). Jde o jeden ze dvou přístupů k vytěžování korpusů, vymezuje se v opozici ke

corpus_driven

Anonymous (anonymous@undisclosed.example.com) — 2019-03-06T21:03:59+00:00

Corpus-driven přístup Metodologický přístup uplatňovaný v korpusové lingvistice, viz též korpusem řízený přístup. Vymezuje se v opozici k corpus-based (korpusem ověřovanému) přístupu. Východiskem v corpus-driven přístupu (stejně jako v jakýchkoli jiných přístupech) je na

cql

Anonymous (anonymous@undisclosed.example.com) — 2013-10-03T10:17:13+00:00

data-driven_learning

Anonymous (anonymous@undisclosed.example.com) — 2016-09-06T14:35:12+00:00

Data-Driven Learning Data-Driven Learning (DDL) je metoda využití jazykových korpusů ve výuce cizích jazyků. Termín DDL byl zaveden britským korpusovým lingvistou Timem Johnsem, jenž jako první využíval korpusy ve výuce angličtiny. Tato metoda je založena na poznatcích studenta, který objevuje cizí jazyk na základě korpusových dat. Učitel je zde pouze koordinátorem studentovy práce, který zajišťuje vhodné prostředí, v němž bude student schopen dospívat k lingvistickým závěrům. Jedná se o rozvi…

desambiguace

Anonymous (anonymous@undisclosed.example.com) — 2021-01-14T11:11:33+00:00

Desambiguace Desambiguace (někdy též disambiguace, z lat. dis- vyjadřuje zápor, ambo oba, česky zjednoznačnění) je část (většinou automatického) procesu anotace jazykových dat, které vstupují do korpusu. Zjednoznačněním se většinou myslí odstranění homonymie, čili jednoznačná interpretace slovního tvaru či skupiny slovních tvarů nebo věty na základě kontextu či mimojazykové situace. Desambiguace se obecně týká všech jazykových rovin, nejčastěji se ovšem v korpusech češtiny uplatňuje na rovině…

diachronni

Anonymous (anonymous@undisclosed.example.com) — 2014-11-24T11:00:01+00:00

Diachronie, diachronní korpus Na rozdíl od korpusu synchronního, který je vždy vytvářen pro určité omezené období, se diachronní korpus snaží zachycovat proměny jazykového úzu v čase. V rámci ČNK se pokrýváním diachronie zabývá nereferenční korpus

dice

Anonymous (anonymous@undisclosed.example.com) — 2013-09-12T15:33:42+00:00

din

Anonymous (anonymous@undisclosed.example.com) — 2019-09-27T08:32:09+00:00

DIN DIN (Difference index) je tzv. effect size metrika, tedy míra navržená pro účely poměřování relevance rozdílu mezi čísly. DIN se uplatňuje zejména při analýze prominence klíčových slov v aplikaci KWords. Signifikance a relevance Při poměřování hodnot (např. frekvencí slov) nás zajímá jednak to, jestli je jejich rozdíl statisticky signifikantní, a jednak, jestli je z hlediska popisu relevantní. První typ informace zprostředkovávají testy statistické $$DIN = 100 \times \frac{RelFq(Ttxt) - R…

doc

Anonymous (anonymous@undisclosed.example.com) — 2022-08-29T11:31:35+00:00

dotazovaci_jazyk

Anonymous (anonymous@undisclosed.example.com) — 2023-11-19T19:49:00+00:00

Dotazovací jazyk Dotazovací jazyky jsou jazyky používané v informatice k dotazování databázových systémů; každý takový systém používá nějaký dotazovací jazyk s přesně definovanou syntaxí. Při práci s korpusy se dotazovací jazyk používá pro zadávání dotazů v

frekvence

Anonymous (anonymous@undisclosed.example.com) — 2021-02-22T17:36:25+00:00

Frekvence Frekvence v korpusové lingvistice označuje počet výskytů jevu v korpusu, četnost formy nebo jevu. Uvádí se buď v absolutních hodnotách, např. lemma pes se ve 100 milionovém korpusu SYN2020 vyskytuje 17 026krát, nebo jako údaj relativní$REL = \frac{ABS}{N} \times 1000000$$rr = \frac{r}{n}$$ E = p(A) \times N $$ p(\text{škola}) = \frac{f(\text{škola})}{N} = \frac{47872}{122419382} = 0,0003910492 = 3,91 \cdot 10^{-4} $$ E(\text{škola}) = p(\text{škola}) \times N = 3,91 \cdot 10^{-4} \tim…

genre

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T14:31:41+00:00

Genre (tematická oblast) Genre je strukturní atribut, který vymezuje tematické (případně žánrové) zařazení textu v korpusu. Svojí obecností stojí tento atribut nejníž, blíže specifikuje hierarchicky vyšší textový typ a skupinu textových typů. Na základě příslušnosti textu k tematické oblasti je pak korpus vytvářen tak, aby byl vyvážený s ohledem na zvolený přístup k

hapax

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T09:59:03+00:00

Hapax (legomenon) Termín odvozený z řeckého hapax legomenon (= jednou řečené). Jako hapaxy se v korpusové lingvistice označují takové jednotky, které se v korpusu (nebo textu) nacházejí právě jednou (jedná se tedy o typ, který má pouze jeden $V(1,N) = aN^{b}$$a = 1.6935112$$b = 0.6678874$$a = 57.28$$b = 0.5086$$\frac{V(1,N)}{N}$

heaps

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T10:01:25+00:00

Heapsův zákon Heapsův zákon popisuje, jak závisí přírůstek typů na přírůstku tokenů (tzv. token-type ratio, TTR). V podstatě tedy řeší úlohu tohoto typu: jak velký musíme mít korpus, pokud chceme, aby obsahoval nejméně určitý počet různých jednotek.$V(N) = a \times N^{b}$$a = 11.8287$$b = 0,5955$$a = 118.0895$$b = 0.5113$$a = 1.6935112$$b = 0.6678874$$a = 57.28$$b = 0.5086$

chi2

Anonymous (anonymous@undisclosed.example.com) — 2013-09-12T15:21:13+00:00

Test chi kvadrát (χ2 test) Test, který se užívá k určení statistické významnosti kvantitativního rozdílu v datech. V rámci korpusové lingvistiky se využívá v analýze klíčových slov a také jako asociační míra pro identifikaci kolokací. χ2 test při analýze klíčových slov

idiom

Anonymous (anonymous@undisclosed.example.com) — 2015-01-21T20:20:40+00:00

Idiom Idiom je termín užívaný především v anglosaské lingvistice, a to ve dvou významech: * styl vyjadřování charakteristický pro určitou osobu, * jako označení takového ustáleného spojení alespoň dvou komponent, jehož význam není odvoditelný z významu daných částí (viz též

introspekce

Anonymous (anonymous@undisclosed.example.com) — 2013-09-23T06:02:04+00:00

Introspekce Introspekce (pohled do vlastního nitra) je výzkumný postoj a metoda, která zkoumání jazyka opírá o vlastní jazykové povědomí či tzv. jazykový cit. V předkorpusové éře byla hojně využívaná mj. pro nedostupnost většího množství dat, v současnosti se k ní opět přiklánějí především diskurzivně zaměření korpusoví lingvisté (srov.

ipm

Anonymous (anonymous@undisclosed.example.com) — 2021-02-22T18:55:10+00:00

i.p.m. Zkratky i.p.m. (z angl. instances per million), příp. p.p.m. (z angl. parts per million) jsou jednotkami relativní frekvence. Vyjadřují průměrný počet výskytů jednotky nebo slova v hypotetickém textu/korpusu o délce 1 milion slov. Např.

keyword

Anonymous (anonymous@undisclosed.example.com) — 2015-01-21T20:23:59+00:00

Klíčové slovo (keyword) Termín klíčové slovo odkazuje ke dvěma významům: * Vyhledaný výraz (slovo, tvar, jeho část nebo kombinace slov) v rámci konkordance, KWIC. * Jednotka, jejíž frekvence v rámci textu je výrazně vyšší, než bychom mohli očekávat na základě frekvence této jednotky v referenčním korpusu (angl.

koligace

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T10:12:30+00:00

Koligace Koligace se v některých přístupech chápe jako specifický druh kolokace, která namísto lexikálně-sémantických vztahů mezi jednotkami zohledňuje vztahy mezi lexikální jednotkou a gramatickou kategorií a/nebo textovou strukturou. Příklady

kolokace

Anonymous (anonymous@undisclosed.example.com) — 2023-04-13T13:36:34+00:00

Kolokace Kolokací (dříve se užíval termín slovní spojení) se v rámci korpusové lingvistiky nejčastěji rozumí smysluplné, ustálené, syntagmatické spojení dvou (nebo víc) slovních tvarů (někdy celých lexémů) v blízkém kontextu.

konfidencni_intervaly

Anonymous (anonymous@undisclosed.example.com) — 2022-03-15T13:39:05+00:00

Binomické konfidenční intervaly a jejich interpretace Konfidenční intervaly (intervaly spolehlivosti) jsou jedním ze způsobů, jak zjistit, nakolik můžeme generalizovat data naměřená na vzorku. Pokud tedy například zjistíme, že v korpusu o sto milionech slov má nějaký jev $$ \frac{1}{1 + \frac{1}{n} z^2} \left[ \hat{p} + \frac{1}{2n} z^2 \pm z \sqrt{ \frac{1}{n}\hat{p} \left(1 - \hat{p}\right) + \frac{1}{4n^2}z^2 } \,\right] $$

konkordance

Anonymous (anonymous@undisclosed.example.com) — 2016-06-07T09:32:56+00:00

Konkordance Konkordance představuje všechny doklady (výskyty) hledaného jevu v korpusu spolu s okolním kontextem. V praxi se v rámci konkordance rozlišuje KWIC (tj. key word in context), tedy hledané slovo/jev a jeho pravý a levý kontext. Jeden řádek konkordančního seznamu se označuje jako konkordanční řádek.

korpus

Anonymous (anonymous@undisclosed.example.com) — 2021-10-23T03:06:15+00:00

Korpus Jazykový korpus (z lat. corpus „tělo, těleso“) je rozsáhlý soubor autentických textů (psaných nebo mluvených) převedený do elektronické podoby v jednotném formátu tak, aby v něm bylo možné jednoduše vyhledávat jazykové jevy, zejména slova a slovní spojení (

korpusove_casopisy

Anonymous (anonymous@undisclosed.example.com) — 2016-09-06T15:20:34+00:00

Korpusové časopisy Mezinárodní * International Journal of Corpus Linguistics * Corpus Linguistics and Linguistic Theory * Corpora * ICAME Journal * Literary and Linguistic Computing * Journal of Quantitative Linguistics České * KORPUS – GRAMATIKA – AXIOLOGIE Maillist * Corpora List, viz také http://www.hit.uib.no/corpora/sub.html Související odkazy Korpusové organizace a konference

korpusove_organizace

Anonymous (anonymous@undisclosed.example.com) — 2016-09-06T15:19:08+00:00

Korpusové organizace a konference Organizace * European Language Resources Association (ELRA) * International Computer Archive of Modern and Medieval English (ICAME) * Linguistic Data Consortium (LDC) * University of Oxford Text Archive Konference Cyklus konferencí Corpus Linguistics (Velká Británie) * Corpus Linguistics 2017 – Birmingham, July 2017. * Corpus Linguistics 2015 – Lancaster, July 2015. *

korpusovy_manazer

Anonymous (anonymous@undisclosed.example.com) — 2016-08-03T07:49:48+00:00

Korpusový manažer Korpusové manažery či prohlížeče (angl. corpus manager, corpus browser, corpus query system) jsou speciální aplikace, které umožňují efektivní vyhledávání v korpusových datech. Korpusovým manažerem či prohlížečem se obvykle rozumí komplexní nástroj k vyhledávání jazykových forem (či jejich sekvencí), vymezených případně konkrétním kontextem či s ohledem na jejich další lingvistickou a metatextovou

korpusy

Anonymous (anonymous@undisclosed.example.com) — 2021-10-23T03:23:55+00:00

Korpusy u nás a ve světě Vzniká nepřeberné množství různě velkých a různě zaměřených korpusů v nejrůznějších jazycích. Následující přehledové tabulky jsou pouhou ochutnávkou toho, o jak rozmanitou a neustále se zvětšující oblast se jedná. Níže proto najdete i odkazy na další seznamy a přehledy.

kwic

Anonymous (anonymous@undisclosed.example.com) — 2024-02-08T09:15:26+00:00

KWIC KWIC je zkratka z angl. key word in context (klíčové slovo v kontextu), kterou se označuje hledaný výraz (nebo sekvence výrazů) v různě velkém kontextu. Český ekvivalent klíčové slovo je homonymní s termínem označujícím jednotky, které jsou svojí frekvencí v textu prominentní a slouží tedy jako základ textové analýzy (

kwords

Anonymous (anonymous@undisclosed.example.com) — 2015-01-21T15:12:55+00:00

lc

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T12:26:09+00:00

lemma

Anonymous (anonymous@undisclosed.example.com) — 2022-01-03T16:52:00+00:00

Lemma Lemma je reprezentativní slovníková podoba hesla, při automatickém zpracování jazyka je pak tato podoba v procesu lemmatizace přidělována každé formě v korpusu. Přístupy k lemmatizaci se mohou v drobnostech lišit, obecně však platí, že

lexikalni_bohatost

Anonymous (anonymous@undisclosed.example.com) — 2024-10-18T19:10:12+00:00

Lexikální diverzita * InterCorp je ve verzi 16ud anotován dvěma mírami lexikální diverzity. Tyto míry se uvádějí jako metadata pro každý dostatečně dlouhý text v každém jazykovém anotovaném jazyce: * lexDivWord: průměrný počet různých tvarů slov na 1000 tokenů

lexikalni_hustota

Anonymous (anonymous@undisclosed.example.com) — 2013-09-14T22:14:06+00:00

Lexikální hustota Lexikální hustota (lexical density, Ld) je index klasifikující text nebo korpus s ohledem na poměr jeho obsahové a gramatické složky. Počítá se jako podíl počtu výskytů plnovýznamových slov (Nlex) k počtu výskytů všech slov ($$ Ld = \frac{Nlex}{N} (\times 100 \%) $$

lockwords

Anonymous (anonymous@undisclosed.example.com) — 2015-04-13T07:56:03+00:00

Lockwords Těžko přeložitelným termínem lockwords se označují výrazy, které na rozdíl od klíčových slov - keywords nevyzdvihují, co je pro určitý text či korpus charakteristické, ale mají stabilní frekvenci v různých korpusech (tj. nejčastěji gramatická slova).

logdice

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T12:48:25+00:00

loglikelihood

Anonymous (anonymous@undisclosed.example.com) — 2014-11-26T09:04:45+00:00

medium

Anonymous (anonymous@undisclosed.example.com) — 2016-09-06T14:38:00+00:00

Médium (med) Strukturní atribut připojovaný k jednotce nebo . Charakterizuje celý text s ohledem na to, z jakého média pochází. Atribut medium se používá téměř výlučně v korpusech psané češtiny řady SYN. Mezi nejčastěji používané hodnoty atributu medium

meet

Anonymous (anonymous@undisclosed.example.com) — 2016-09-06T14:42:54+00:00

Příkaz meet Operátor meet je jedním z příkazů dotazovacího jazyka CQL. Jeho účelem je hledat dvojici slov v určitém kontextovém okně. Jeho využitelnost tak tkví především při hledání konkrétních bigramů nebo kolokací, jejichž jednotlivé členy se nacházejí v proměnlivé vzdálenosti.

menzerath

Anonymous (anonymous@undisclosed.example.com) — 2016-12-15T14:10:22+00:00

Menzerath-Altmannův zákon Menzerath-Altmannův zákon se vyjadřuje ke vztahu délky jazykových jednotek a jejich konstituentů. Vychází původně ze vztahu, který pozoroval německý jazykovědec Paul Menzerath, mezi délkou slov a délkou slabik v nich. Později byl zákon zobecněn $y_i = A_i x_i^{-b_i}$$x_i$$y_i$$A_i$$b_i$$i$

metadata

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T12:49:24+00:00

Korpusová metadata Korpusová metadata jsou standardizované, strukturované informace doplňující vlastní text korpusu údaji o jeho obsahu, původu nebo lingvistické interpretaci. Metadata, která jsou běžnou součástí struktury korpusu, jsou obohacením textu a zvyšují možnosti využití korpusových dat.

mi-score

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T12:49:39+00:00

mluveny

Anonymous (anonymous@undisclosed.example.com) — 2020-02-24T11:09:49+00:00

Korpus mluveného jazyka Korpus mluveného jazyka (zkráceně též mluvený korpus) je jeden z typů korpusů, který se soustřeďuje na zachycení mluvy, mluveného jazyka. Zvukový záznam mluvy je v nich přepsán podle určitých transkripčních pravidel. Tento přepis (transkript) je zpravidla spojen se zvukovým záznamem. V transkriptu je možné vyhledávat podobně jako v psaných korpusech a speciální korpusový manažer umožňuje poslech zvukového záznamu příslušného vyhledaného úseku. Budování takovýchto korpusů…

monokolokabilita

Anonymous (anonymous@undisclosed.example.com) — 2015-01-13T08:43:24+00:00

Monokolokabilita Pojem zavedený Františkem Čermákem pro popis jevu typického především pro frazeologii a frazémy: některé výrazy mají velmi omezenou spojitelnost, ba existují i takové, které se de facto pojí s výrazem jediným (např. tratoliště

morfio

Anonymous (anonymous@undisclosed.example.com) — 2015-01-21T15:12:31+00:00

morfologicka_analyza

Anonymous (anonymous@undisclosed.example.com) — 2022-08-13T11:33:17+00:00

Morfologická analýza V rámci procesu automatického zpracovávání korpusu se morfologickou analýzou rozumí ta část, při níž se každému slovnímu tvaru v (korpusovém) textu přiřadí všechna jeho lemmata a všechny morfologické údaje včetně slovního druhu v podobě značky (

nastroje

Anonymous (anonymous@undisclosed.example.com) — 2020-10-05T10:24:26+00:00

Korpusové nástroje Na této stránce nabízíme stručný přehled vybraných nástrojů umožňujících různý způsob vytěžování korpusových dat. Obsahuje především nástroje, které jsou k dispozici zdarma, a to jak webové, tak i samostatné aplikace; přestože není v žádném případě vyčerpávající, doufáme v jeho inspirativnost. Záměrně v něm nejsou uvedeny

ngram

Anonymous (anonymous@undisclosed.example.com) — 2015-01-21T16:45:29+00:00

N-gram (bigram, trigram...) Jako n-gram se označuje prosté sřetězení, posloupnost n jednotek stejného druhu (písmen, častěji však slov) v textu. Mezi členy n-gramu se automaticky nepředpokládá lingvistický vztah. O n-gramech se mluví většinou jako o

opus

Anonymous (anonymous@undisclosed.example.com) — 2022-08-29T13:37:39+00:00

paradigmaticky

Anonymous (anonymous@undisclosed.example.com) — 2021-06-22T07:26:13+00:00

Paradigmatický dotaz Kromě syntagmatického dotazu (hledáme množinu tokenů, které tvoří KWIC spolu s okolním kontextem, přičemž výsledek se nám zobrazí v konkordanci) lze využít rovněž hledání paradigmatické, jež je vlastně kombinací několika dílčích syntagmatických dotazů a přináší průnik jejich frekvenčních distribucí. Výsledkem je tu tak množina

paralelni

Anonymous (anonymous@undisclosed.example.com) — 2019-08-21T10:35:01+00:00

Paralelní korpus Jeden z typů korpusů, jehož účelem je rozšířit metodologii, propracovávanou v rámci korpusové lingvistiky původně pouze pro jeden jazyk, také na výzkum kontrastivní (mezijazykové srovnání) a translatologický (porovnání jazyka překladu s nepřekladovými texty). Ačkoli dříve se pojmem paralelní korpusy souhrnně označovaly všechny typy vícejazyčných korpusů (vč. korpusů

parser

Anonymous (anonymous@undisclosed.example.com) — 2022-08-13T11:31:13+00:00

Parsing Parsing je proces, při němž se z věty jako posloupnosti slov, která jsou příp. morfologicky analyzována a desambiguována, vytváří syntaktická struktura typicky v podobě závislostního nebo složkového stromu, což jsou zvláštní případy orientovaného grafu. Parsing vytváří korpusy syntakticky anotovaných struktur, tzv.

pos

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:09:59+00:00

pozice

Anonymous (anonymous@undisclosed.example.com) — 2021-01-16T20:45:18+00:00

Textová pozice V souvislosti s tím, že každý text, který vstupuje do korpusu, prochází procesem tokenizace, se o jednotkách v korpusu nemluví jako o slovech, ale častěji jako o pozicích. Tokenizace se přitom u jednotlivých korpusů může lišit, pozicí se tak v různých korpusech může myslet různě vymezená jednotka.

ppm

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:11:36+00:00

precision

Anonymous (anonymous@undisclosed.example.com) — 2014-11-24T11:52:26+00:00

Precision a recall Oba pojmy - precision i recall - jsou původně převzaty z informatiky a je možné je přeložit jako přesnost a výtěžnost pokrytí zkoumaných dat daným přístupem. Využívají se zejména při hodnocení úspěšnosti automatických nástrojů na analýzu textu (např.

prehled_pojmu

Anonymous (anonymous@undisclosed.example.com) — 2024-10-01T09:47:39+00:00

Přehled základních pojmů korpusové lingvistiky Tento oddíl prezentuje základní teoretické pojmy korpusové lingvistiky a také termíny, které se používají specificky pro korpusy ČNK. Při sestavování tohoto stručného slovníčku pojmů jsme vycházeli především z hesel Nového Encyklopedického slovníku češtiny. Slovníček funguje zejména jako doplněk ke

prototypicnost

Anonymous (anonymous@undisclosed.example.com) — 2015-01-21T20:46:14+00:00

Korpusové pojetí prototypičnosti V korpusovém pojetí se prototypičnost tolik nedotýká přístupu známého z kognitivní lingvistiky jako teorie prototypů, která je založená na škálovitém vnímání přináležitosti k určité kategorii (pro koncept

psany

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:15:24+00:00

Korpus psaného jazyka Korpus psaný (resp. korpus psaného jazyka) představuje dnes nejběžnější a nejpoužívanější typ korpusů. Jeho cílem je poskytnout vzorek úzu psaného jazyka (většinou se jedná o texty vytvořené i publikované v psané podobě)

rank

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:17:36+00:00

recall

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:17:55+00:00

referencni

Anonymous (anonymous@undisclosed.example.com) — 2021-01-16T21:41:38+00:00

Referenční korpus Termín referenční korpus je používán minimálně ve dvou významech: * pro entitu sloužící jako standard pro porovnání * pro entitu, která je zpětně dostupná První význam je obvyklý zejm. v publikacích, v nichž se pozornost soustředí na porovnávání textů či korpusů, druhý význam se vžil zejména v prostředí ČNK pro označování korpusů, jejichž podoba se v čase nemění.

register

Anonymous (anonymous@undisclosed.example.com) — 2019-06-18T14:59:38+00:00

Register Termín register může odkazovat jak k lingvistickému pojmu, tak k atributu jazykových korpusů. Register jako atribut Register je strukturní atribut stanovený na základě automatické analýzy jazykových prostředků obsažených v textu. Více o jednotlivých kategoriích rozlišovaných v rámci tohoto atributu se dozvíte v popisu

regularni_vyrazy

Anonymous (anonymous@undisclosed.example.com) — 2015-01-21T20:51:26+00:00

Regulární výrazy Regulární výrazy (pojem pochází z teorie formálních jazyků, jeho význam běžně používaný v informatice je však poněkud odlišný) umožňují exaktně popsat množinu textových řetězců odpovídající hledanému výrazu či jevu. Pro tyto účely používají zástupné znaky se speciálním významem (tzv.

reprezentativnost

Anonymous (anonymous@undisclosed.example.com) — 2022-11-29T11:49:42+00:00

Reprezentativnost korpusu Reprezentativnost a vyváženost jsou v korpusové lingvistice často používané, ale nejednoznačně definované pojmy dotýkající se vztahu mezi korpusem (jako vybraným vzorkem jazyka) a jazykovou realitou (jako celou populací). Je třeba zdůraznit, že žádný korpus nepokrývá kompletní spektrum užití příslušného jazyka a že problém reprezentativnosti dosud nebyl uspokojivě vyřešen. V porovnání s metodami

s

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:32:52+00:00

segmentace

Anonymous (anonymous@undisclosed.example.com) — 2014-11-24T11:55:48+00:00

Segmentace Z pohledu korpusové lingvistiky je segmentace členění textu na menší úseky určitého typu či stejné povahy pro účely bližší analýzy. Provádí se zpravidla automatickými metodami. Nejběžnější je segmentace větná; obecně se však segmentace textů provádí i na morfémy či grafémy. Segmentace na slova se obvykle nazývá

semanticka_preference

Anonymous (anonymous@undisclosed.example.com) — 2016-08-12T09:22:54+00:00

Sémantická preference a prozódie Oba pojmy - sémantická preference i sémantická prozódie - ukazují k jevům souvisejícím s omezenou kombinovatelností jednotek na základě jejich sémantiky. Nevýhodou obou termínů je ovšem částečná terminologická neujasněnost.

semanticka_prosodie

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:37:30+00:00

sp

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:37:42+00:00

srclang

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:38:18+00:00

Srclang (zdrojový jazyk) Strukturní atribut srclang (zdrojový jazyk) se připojuje ke strukturní jednotce a popisuje, z jakého zdrojového jazyka byl text přeložen. Má-li např. srclang hodnotu HUN (srclang=„HUN“), znamená to, že text je přeložen z maďarštiny. Pokud je text původem český, je hodnota tohoto atributu prázdná.

srovnatelny

Anonymous (anonymous@undisclosed.example.com) — 2021-02-18T06:13:11+00:00

Srovnatelné korpusy Srovnatelné (comparable) korpusy se liší od korpusů paralelních tím, že neobsahují doslovné překlady textů, ale „texty vybrané podle týchž kritérií (žánru, zaměření, délky apod.) v různých jazycích (příp. v různých varietách jednoho jazyka)“

struktura_korpusu

Anonymous (anonymous@undisclosed.example.com) — 2023-08-02T15:12:08+00:00

Struktura korpusu Korpus - jako soubor textů - je vnitřně strukturován do různých celků. Jednotlivé celky v rámci korpusu se nazývají strukturní jednotky (jako opus, dokument, věta), k nimž se vážou různé strukturní atributy (např. autor, název díla, rok vydání apod.). Zároveň je většina korpusů opatřena dodanou lingvistickou informací, která se týká jednotlivých slov (tj.

subkorpus

Anonymous (anonymous@undisclosed.example.com) — 2019-04-28T18:10:30+00:00

Subkorpus Subkorpus (někdy také virtuální korpus, nebo virtuální subkorpus) je podmnožina (zdrojového) korpusu, která je určena výčtem strukturních jednotek nebo podmínkou, která tyto jednotky na základě strukturních atributů vymezuje. Subkorpus tak může být tvořen množinou děl (jednotka

syd

Anonymous (anonymous@undisclosed.example.com) — 2015-01-21T20:54:37+00:00

synchronni

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T15:59:05+00:00

Synchronie, synchronní korpus Synchronní korpus usiluje o záznam jazykového úzu v jednom (většinou v relativně úzce vymezeném období). Na rozdíl od korpusů diachronních tedy neposkytuje možnosti zkoumání jazykového vývoje, příp. jen ve velmi omezené míře. Z pohledu současného jazyka se jako synchronní jeví korpus, který zachycuje jazyk živý, tj. takový, který je užíván žijícími mluvčími.

syntakticka_analyza

Anonymous (anonymous@undisclosed.example.com) — 2026-01-19T08:55:48+00:00

Syntaktická analýza a syntaktické značkování V některých korpusech ČNK (SYN2025, SYN2020 a SYN2015) se používá syntaktická anotace, označující závislostní vztahy mezi slovy ve větě a skladební funkce jednotlivých slov. Tato syntaktická anotace vychází ze zásad pro anotaci na tzv. analytické rovině v

syntakticka_komplexita

Anonymous (anonymous@undisclosed.example.com) — 2025-01-29T16:49:52+00:00

Syntaktická komplexita Verze 16ud korpusu InterCorp je anotována několika mírami syntaktické komplexity. Jsou uvedeny jako metadata pro každou větu a každý text, pro každý lingvisticky anotovaný jazyk. V KonTextu je lze zobrazit a používat v dotazech stejně jako jakékoli jiné položky metadat, např. autor textu nebo ID věty.

t-score

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:52:31+00:00

tag

Anonymous (anonymous@undisclosed.example.com) — 2026-03-23T09:54:06+00:00

Morfologická značka (tag) Morfologická značka (běžně nazývaná tag) je sumarizací gramatické informace o hledaném slovu (pozici) v konkrétním kontextu. Možné tagy pro každý token se přiřazují na základě morfologické analýzy, výsledný tag je pak pro každý token vybrán během následné

tagset

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T13:54:52+00:00

token

Anonymous (anonymous@undisclosed.example.com) — 2021-01-16T20:55:44+00:00

Token Token je nejmenší jednotka textu, většinou se jedná o grafické slovo (tj. řetězec alfabetických znaků oddělený mezerou v textu), resp. o jednu jeho konkrétní realizaci. V některých případech je jedno grafické slovo rozděleno na dvě (např.

trigram

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T14:42:22+00:00

ttr

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T14:36:41+00:00

txtype_group

Anonymous (anonymous@undisclosed.example.com) — 2020-12-21T20:21:03+00:00

Txtype_group (textová skupina) Textová skupina (txtype_group) představuje v rámci strukturních atributů nejobecnější stylovou charakteristiku textu, která se objevuje v korpusech řady SYN (poprvé byl tento atribut explicitně použit v korpusu SYN2010). Atribut se připojuje ke strukturní jednotce

txtype

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T14:38:49+00:00

Txtype (textový typ) Text-type (txtype, textový typ) je jedním ze strukturních atributů, které se užívají v korpusech psané češtiny řady SYN. Charakterizuje text po stránce stylové na vyšší úrovni obecnosti než genre. Vzhledem k tomu, že hierarchicky vyšší jednotka

typ

Anonymous (anonymous@undisclosed.example.com) — 2022-12-19T14:38:21+00:00

Typ (type) Z hlediska korpusové lingvistiky je typ/type jednotka abstrakce, která vzniká v opozici k pojmu token. Zatímco tokenem se míní vždy konkrétní realizace jednotky (konkrétní výskyt formy) v určitém kontextu; typ je jednotka dekontextualizovaná (na kontextu nezávislá), která je schopna nabývat takových vlastností, jako je

ud

Anonymous (anonymous@undisclosed.example.com) — 2024-10-08T19:58:02+00:00

Universal Dependencies – UD Universal Dependencies je otevřený mezinárodní projekt, jehož cílem je shromažďovat a nabízet texty v mnoha jazycích, a to s lingvistickou anotací provedenou jednotným způsobem. Zásady morfologické a syntaktické anotace podle UD spolu s anotačními nástroji vytvořenými v rámci tohoto projektu byly využity k anotaci některých nedávno zveřejněných verzí (

union

Anonymous (anonymous@undisclosed.example.com) — 2016-08-30T08:51:01+00:00

Příkaz union Operátor union je příkazem dotazovacího jazyka CQL, který slouží ke sjednocování výsledků dvou dotazů využívajících operátor meet v jednu konkordanci. Syntax Obecný zápis použití příkazu union je následující: (union (meet ...) (meet

verbtag

Anonymous (anonymous@undisclosed.example.com) — 2022-11-18T11:51:15+00:00

Značka gramatických kategorií slovesa (verbtag) Atribut verbtag je zvláštní poziční atribut, který obsahuje (nad rámec základní morfologické značky, tagu) informace o gramatických kategoriích slovesa, a to jak u tvarů jednoduchých (napíšu), tak u tvarů

verzovany

Anonymous (anonymous@undisclosed.example.com) — 2016-09-14T15:45:36+00:00

Verzovaný korpus Specifický druh referenčního korpusu ČNK, který je víceméně pravidelně aktualizován (např. SYN, DIAKORP, InterCorp); součástí názvu korpusu je vždy číslo verze, která ho jednoznačně identifikuje. Jednotlivé verze jsou referenční, a tedy zpětně dostupné, a zajišťují tak potřebnou replikovatelnost výstupů. Uvádění čísla verze (např.

within

Anonymous (anonymous@undisclosed.example.com) — 2026-03-31T10:42:40+00:00

Příkaz within Pokud potřebujeme omezit platnost dotazu na specifickou strukturu, např. větu, můžeme využít operátor within, který je součástí dotazovacího jazyka CQL. Ten je svojí funkčností velmi podobný operátoru containing, rozdíly najdeme pouze v podobě výsledného

word

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T14:49:28+00:00

Slovní tvar (word) Slovní tvar (v korpusové terminologii běžně označovaný jako word) je jednotka, která si zachovává svoji morfologickou (a příp. i pravopisnou) specifičnost. Svojí obecností je mezi tokenem a lemmatem. Zatímco token je jedna konkrétní realizace jednotky, slovní tvar je jednotka typizovaná, jedná se o

zakovsky

Anonymous (anonymous@undisclosed.example.com) — 2015-04-13T08:02:44+00:00

Žákovský korpus Žákovské korpusy (learner corpora) obsahují texty většinou nerodilých mluvčích, kteří se jazyk teprve učí. Povětšinou se jedná o psané (školní) práce, zřídka nacházíme mluvené žákovské korpusy. Význam žákovských korpusů vzrůstá nejen s jejich rozsahem ale také s jejich

zanr

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T14:49:55+00:00

zipf

Anonymous (anonymous@undisclosed.example.com) — 2013-09-13T14:52:29+00:00

Zipfovy zákony Zipfovy zákony jsou formulací základních vztahů mezi frekvencí jednotky a její distribucí v jazyce. Ačkoli uplatnění Zipfových zákonů nemá povahu exaktních kvantitativních zákonitostí (spíše než o zákonu bychom měli mluvit o empirické pravidelnosti), na jejichž základě by bylo možné (bez dodatečných úprav) předvídat hodnoty, které u reálných textů skutečně naměříme, poskytují Zipfovy zákony adekvátní deskriptivní rámec pro popis rozložení četnosti v populaci (téměř libovolných) j…