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) — 2026-01-26T15:45:48+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:

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) — 2025-05-28T14:01:57+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: *