Příručka ČNK - seznamy

abc_seznamy

Anonymous (anonymous@undisclosed.example.com) — 2016-09-14T12:18:11+00:00

Abecední a retrográdní slovníky Abecední a retrográdní slovníky lemmat a slovních tvarů jsou založeny na reprezentativních korpusech SYN2000, SYN2005, SYN2010 a SYN2015. Protože je pro řadu účelů důležité jednotné zpracování všemi relevantními nástroji (tokenizace, segmentace, lemmatizace atd.), byly tyto seznamy odvozeny ze subkorpusů korpusu

afun

Anonymous (anonymous@undisclosed.example.com) — 2022-12-16T15:18:13+00:00

Syntaktické funkce, hodnoty atributů: afun, p_afun a ep_afun Atributy afun, p_afun, ep_afun vyjadřují syntaktickou funkci přiřazenou danému tokenu, respektive jeho rodiči (parent) či efektivnímu rodiči (eparent). Možné hodnoty těchto atributů jsou představeny v níže uvedené tabulce.

audience

Anonymous (anonymous@undisclosed.example.com) — 2015-12-17T17:49:36+00:00

Audience (adresát) – seznam hodnot Strukturní atribut audience (adresát) se nově používá v korpusu SYN2015 a může nabývat těchto dvou hodnot: * GEN: obecné publikum * JUN: děti a mládež Poznámka: Do kategorie JUN spadají v souladu s tradičním členěním (používaným např. v knihovnách) mladší i starší děti a teenageři. Tento atribut se vztahuje ke všem textovým typům, nikoli pouze na beletrii. Například encyklopedie pro děti jsou řazeny pod

authsex-transsex

Anonymous (anonymous@undisclosed.example.com) — 2015-12-17T17:36:52+00:00

Authsex (pohlaví autora), Transsex (pohlaví překladatele) – seznam hodnot Strukturní atributy authsex (pohlaví autora) a transsex (pohlaví překladatele) byly do korpusu SYN2015 převzaty z korpusu InterCorp a mohou nabývat těchto hodnot: * F: žena * M: muž * X: neuvedeno

eparent

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T15:13:35+00:00

Atribut eparent – efektivní rodič: určení řídícího tokenu Syntaktický atribut eparent (efektivní rodič) určuje relativní pozici nejbližšího autosémantického řídícího tokenu v závislostní syntaktické struktuře. Atribut eparent se určuje pouze u autosémantických slovních druhů (substantiva, adjektiva, zájmena, číslovky, slovesa, příslovce) a při určování efektivního rodiče hledá nejbližší autosémantický slovní druh, přeskakuje tedy v závislostní struktuře předložky, spojky, interpunkci reprezent…

frazemy

Anonymous (anonymous@undisclosed.example.com) — 2021-02-09T12:57:53+00:00

Automatická anotace frazémů a ustálených kolokací Jako součást korpusu SYN (od verze 4) byla zveřejněna pilotní verze automatické identifikace frazémů a ustálených kolokací nástrojem FRANTA (FRazémová ANotace a Textová Analýza). Program pracuje tak, že v korpusu vyhledává a označuje frazémy a ustálené kolokace (dále budeme používat zastřešující pojem

genre_group

Anonymous (anonymous@undisclosed.example.com) — 2016-01-25T13:30:59+00:00

Genre_group (skupina oborů) – seznam hodnot Strukturní atribut genre_group se nově objevuje v korpusu SYN2015, kde se vztahuje pouze na oborovou (dříve odbornou) literaturu: pro tři hlavní textové typy v rámci oborové literatury (SCI, PRO a POP) sdružuje příbuzné disciplíny do několika tradičně vymezovaných skupin, pro doplňující textové typy

genre

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T15:17:11+00:00

Genre (tematická oblast) – seznam hodnot Genre je jeden z atributů, které se v korpusech psaného jazyka užívají k bližšímu určení struktury nebo . Hodnoty atributu se v korpusech psané češtiny řady SYN liší pro korpusy zveřejněné do roku 2015 a od roku 2015 (počínaje korpusem

index

Anonymous (anonymous@undisclosed.example.com) — 2026-01-27T15:53:54+00:00

Seznamy značek, slov, nástrojů a zdrojů V této sekci jsou k dispozici různé seznamy pro práci s korpusy ČNK. Přehledy hodnot atributů Hodnoty pozičních atributů Seznam pozičních atributů je k dispozici na zvláštní stránce. Zde jsou podrobně popsány atributy, které nabývají standardizovaných nebo zvláštních hodnot:

kontext_verze

Anonymous (anonymous@undisclosed.example.com) — 2026-05-15T13:07:54+00:00

Přehled verzí rozhraní KonText Korpusový manažer KonText slouží pro všeobecnou práci s korpusy ČNK. Popis funkcí rozhraní KonText je dostupný v manuálu, podrobnější návod, jak využívat všech jeho možností najdete v kurzu práce s ČNK. KonText je rozšířenou a graficky upravenou verzí původní aplikace

med

Anonymous (anonymous@undisclosed.example.com) — 2016-08-12T13:54:16+00:00

Médium (med) – seznam hodnot Hodnoty strukturního atributu médium (med) se v korpusech psané češtiny řady SYN liší pro korpusy zveřejněné do roku 2015 a od roku 2015 (počínaje korpusem SYN2015). Nově od roku 2015 * B: kniha * J: časopis * NWS: noviny

mluvene_atributy

Anonymous (anonymous@undisclosed.example.com) — 2017-09-26T12:28:53+00:00

Poziční atributy specifické pro některé mluvené korpusy V některých mluvených korpusech se objevují kromě běžných doplňkových pozičních atributů odvozených procesem morfologického značkování ještě některé další. Souvisejí se specifickou povahou mluvených dat. Atributy fon, ort a dial

mwe

Anonymous (anonymous@undisclosed.example.com) — 2026-03-27T12:09:34+00:00

Značkování víceslovných lexikálních jednotek Počínaje korpusem SYNv14 označujeme v korpusech víceslovné lexikální jednotky (VLJ) novým značením propojeným s databází VLJ LEMUR (Lexicon of Multiword Expressions). Toto značkování je zatím spuštěno v pilotní verzi a navazuje na dosavadní

ord

Anonymous (anonymous@undisclosed.example.com) — 2025-12-17T17:25:29+00:00

Atribut ord: pořadí slova ve větě Atribut ord vyjadřuje pořadí slova ve větě, třetí slovo tak bude mít ord="3". Atribut p_ord je atribut odvozený od řídícího slova v závislostní syntaktické struktuře, vyjadřuje tedy pořadí ve větě řídícího tokenu a atribut

p_tag

Anonymous (anonymous@undisclosed.example.com) — 2025-12-17T17:29:07+00:00

Syntaktické atributy odvozené od řídících tokenů Atributy odvozené od řídícího tokenu Syntaktické atributy p_lemma a p_sublemma, p_tag, p_verbtag, p_pos, p_case, p_afun a p_ord uvádějí pro každý token hodnoty atributů jejich řídícího tokenu, tedy tokenu, na který odkazuje atribut

parent

Anonymous (anonymous@undisclosed.example.com) — 2026-04-21T11:48:18+00:00

Atribut parent – rodič: určení řídícího tokenu Syntaktický atribut parent (rodič) určuje relativní pozici řídícího tokenu v závislostní syntaktické struktuře. Pozice je vyjádřena číslem: * 0 vyjadřuje závislost na „kořeni“ věty, tj. daný token je sám řídícím tokenem hlavní věty (obvykle přísudek), popř. jde o koncovou interpunkci.

periodicity

Anonymous (anonymous@undisclosed.example.com) — 2015-12-17T17:47:01+00:00

Periodicity (periodicita) – seznam hodnot Strukturní atribut periodicity (periodicita) je novým atributem v korpusu SYN2015 a může nabývat těchto hodnot: * BI: nižší než měsíčník * DA: deník * MO: měsíčník * NP: neperiodická publikace * WE: týdeník, čtrnáctideník

pravidla_2006

Anonymous (anonymous@undisclosed.example.com) — 2023-12-15T15:52:35+00:00

Zásady přepisu pro korpus ORAL2006 Přepisovací pravidla pro korpus ORAL2006 připravil PhDr. Pavel Jančák, CSc. Vycházel přitom z pravidel užívaných v PMK. V průběhu sběru dat pak došlo k některým dílčím změnám, výsledkem jsou následující zásady.

pravidla_2008

Anonymous (anonymous@undisclosed.example.com) — 2018-08-13T13:50:08+00:00

Zásady přepisu pro korpus ORAL2008 Přepisovací pravidla pro korpus ORAL2008 byla sestavena na základě zásad pro korpus ORAL2006, které připravil PhDr. Pavel Jančák, CSc. s ohledem na pravidla užívaná v PMK. Uvedené tři korpusy mluvené češtiny jsou tedy díky tomu vzájemně srovnatelné.

pravidla_ksk

Anonymous (anonymous@undisclosed.example.com) — 2017-04-21T07:09:12+00:00

Sběr a přepis dopisů Sběr soukromé korespondence probíhal v ÚČJ FF MU od konce 90. let 20. století. V současné době archiv shromážděných textů obsahuje zhruba 3000 elektronických přepisů ručně psaných dopisů, 1500 e-mailů a cca 2500 SMS

prehled_entit_pouzitych_v_korpusech_cnk

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T15:31:53+00:00

Přehled entit použitých v korpusech ČNK Entity se používají v situacích, kdy je třeba ve zdrojovém textu nahradit nějaký speciální znak, symbol nebo celý úsek textu. Vedle standardizovaných html entit se v korpusech ČNK (zejm. u těch předcházejících korpusu

prep

Anonymous (anonymous@undisclosed.example.com) — 2015-12-17T09:52:11+00:00

Atribut prep Atribut prep je pomocný syntaktický atribut, který u jmen řízených předložkou (v závislostních strukturách „technicky“ závislých na předložce) uvádí lemma předložky, a to i tehdy, když je jméno (substantivum, adjektivum, zájmeno, číslovka) součástí koordinace, která je sama

proc

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T15:38:14+00:00

Atribut proc Poziční atribut proc informuje o tom, jaký nástroj byl použit v konečné fázi morfologické disambiguace. Podle spolehlivosti nástroje je pak možné odhadovat, jak důvěryhodná je daná značka. Atribut se používá v korpusech řady SYN (poprvé v

section

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T15:43:03+00:00

Atribut section Strukturní atribut section popisuje, v jaké rubrice vyšel daný text. Je vyplněn pouze u vybraných periodik, a to jako součást charakteristiky struktury (není tedy atributem celého dokumentu, ale pouze jeho části). Poprvé byl použit v korpusu

srclang

Anonymous (anonymous@undisclosed.example.com) — 2022-06-05T12:14:43+00:00

Srclang (zdrojový jazyk) – seznam hodnot Strukturní atribut srclang vypovídá o zdrojovém jazyku dokumentu (strukturní jednotka v korpusu SYN2015, ve starších korpusech s výjimkou SYN2000 jednotka ) zařazeného do korpusu. Atribut nabývá těchto hodnot: Nově od roku 2015:

srovnavaci_seznamy

Anonymous (anonymous@undisclosed.example.com) — 2016-09-14T12:18:23+00:00

Srovnávací seznamy SYN2000, SYN2005, SYN2010 a SYN2015 jsou synchronní reprezentativní korpusy současné psané češtiny, z nichž každý obsahuje 100 milionů textových slov (tokens bez započtení interpunkce). Tyto korpusy však mají kromě zmíněných shodných rysů také celou řadu rysů rozdílných, které se týkají jak složení textů, tak jejich zpracování - stručný popis rozdílů najdete na stránkách věnovaných popisu těchto korpusů. Tyto rozdíly je třeba vzít v úvahu zejména v případě, kdy chceme srovnáv…

strukturni_atributy_diakorp

Anonymous (anonymous@undisclosed.example.com) — 2022-08-31T21:27:48+00:00

Struktury a strukturní atributy diachronního korpusu Diakorp Struktury korpusu Diakorp (verze 6) V diachronním korpusu Diakorp nacházíme tyto hierarchické strukturní jednotky: * doc - text nebo ucelený soubor textů * page - číslo stránky v rámci dokumentu

strukturni_atributy_intercorp

Anonymous (anonymous@undisclosed.example.com) — 2026-01-12T18:03:33+00:00

Struktury a strukturní atributy korpusů InterCorp Struktury korpusů InterCorp V korpusech InterCorp nacházíme tyto hierarchické strukturní jednotky opatřené jedinečnými identifikátory: * doc -- dokument nebo ucelený soubor textů (povídková kniha, jeden zdroj dat)

strukturni_atributy_mluvene

Anonymous (anonymous@undisclosed.example.com) — 2026-06-15T08:17:35+00:00

Struktury a strukturní atributy mluvených korpusů Struktury korpusů mluvené češtiny V korpusech mluvené češtiny se používají následující strukturní hierarchické jednotky: * doc - dokument; v případě dialogických mluvených korpusů se jedná o jednu sondu (ucelený rozhovor)

strukturni_atributy_syn

Anonymous (anonymous@undisclosed.example.com) — 2022-08-25T14:56:23+00:00

Struktury a strukturní atributy korpusů řady SYN Struktury korpusů psané češtiny V psaných korpusech řady SYN nacházíme počínaje korpusem SYN2015 tyto hierarchické strukturní jednotky opatřené jedinečnými identifikátory: * doc - text nebo ucelený soubor textů (povídková kniha, jedno číslo novin)

syntakticke_znacky

Anonymous (anonymous@undisclosed.example.com) — 2026-01-19T09:01:10+00:00

Syntaktické značky Syntaktická anotace použitá v některých korpusech ČNK (SYN2025, SYN2020 a SYN2015) vychází z koncepce anotace na tzv. analytické rovině Pražského závislostního korpusu (PDT). Základními atributy, do nichž je syntaktická analýza zakódována, jsou: * afun, p_afun, ep_afun: u každého tokenu uvádí syntaktickou funkci podle

tagery

Anonymous (anonymous@undisclosed.example.com) — 2022-09-29T12:17:08+00:00

Taggers & lemmatizers Notice: The list is not kept up to date (last update 2/2015). Ahmet Akker (tool)Apertium (tool)BTTtagger (tool)COMPOST (tool)Freeling (tool)MYSTEM (tool)NLTK (tool)RDRPOSTagger (tool)RFTagger (tool)Stanford (tool)Treetagger (tool)Other Arabic x x Madamira (web, tool)Asturian x x Belarusian x

tagy_archiv

Anonymous (anonymous@undisclosed.example.com) — 2022-01-03T17:17:16+00:00

Původní morfologická značka (tag před SYN2020) Na této stránce je archivní přehled původní morfologické značky, jak byla aplikována na korpusy v období před zveřejněním SYN2020. Popis jednotlivých pozic značky Pozice jsou číslovány od 1 do 16 (16. pozice chybí pouze v korpusech

tagy

Anonymous (anonymous@undisclosed.example.com) — 2026-01-13T15:53:00+00:00

Morfologické značky (tagy) a jejich hodnoty Morfologické značky (tagy) jsou součástí výsledku (výstupem) morfologické analýzy, která pracuje s izolovanými slovními tvary, tedy bez ohledu na jejich kontext. Dalším výstupem analýzy je tzv. lemma, které identifikuje příslušnou lexikální jednotku ve smyslu slovníkového hesla. Počínaje korpusem

txtype_group

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T15:51:51+00:00

Txtype_group (skupina textových typů) – seznam hodnot Strukturní atribut txtype_group představuje nejvyšší rovinu klasifikace textů (dále se dělí na txtype a genre). V korpusech psané češtiny řady SYN se liší pro korpusy zveřejněné do roku 2015 a od roku 2015 (počínaje korpusem

txtype

Anonymous (anonymous@undisclosed.example.com) — 2015-12-18T15:49:29+00:00

Txtype (textový typ) – seznam hodnot Hodnoty strukturního atributu txtype se v korpusech psané češtiny řady SYN liší pro korpusy zveřejněné do roku 2015 a od roku 2015 (počínaje korpusem SYN2015). Ve starší klasifikaci byl atribut txtype svázán se strukturní značkou

verbtagy_detail

Anonymous (anonymous@undisclosed.example.com) — 2022-11-18T11:53:37+00:00

Morfologické kategorie a hodnoty v atributu verbtag a jejich značkování V tomto detailním přehledu je nejprve uvedeno, které morfologické kategorie a jejich hodnoty v atributu verbtag se při značkování zachycují a kterým slovním tvarům jsou tyto údaje připisovány. Poté se na příkladech předvádí, jak se struktury se složenými slovesnými tvary značkují v korpusech SYN2020, SYNv9 a SYNv10, a nakonec jsou stručně popsány některé aspekty složených slovesných tvarů z hlediska syntaxe (jednoduché a sl…

verbtagy

Anonymous (anonymous@undisclosed.example.com) — 2022-11-18T11:57:24+00:00

Značky gramatických kategorií slovesa (verbtagy) a jejich hodnoty Atribut verbtag (počínaje korpusem SYN2020) obsahuje informace o gramatických kategoriích slovesa, a to jak u tvarů jednoduchých (napíšu), tak u tvarů složených (budu psát, byli bychom napsali

zdrojove_texty_korpusu

Anonymous (anonymous@undisclosed.example.com) — 2022-01-03T16:02:59+00:00

Zdrojové texty korpusů Zdrojové texty synchronních korpusů Seznamy ve formátu OpenOffice.org a MS Excel obsahují kompletní výčet opusů ve všech korpusech. Ke každému textu v korpusu jsou v tabulce uvedeny následující údaje: *