OSOLSOBĚ, Klára. Využití corpus driven metod při corpus based výzkumu. Online. In Děngeová, Zuzana; Vališová, Pavlína. Proměna jazyka a jeho výzkumu v době nových médií a technologií. 1. vyd. Praha: Ústav pro jazyk český AV ČR, 2015. s. 3-12. ISBN 978-80-86496-87-0. [citováno 2024-04-23]
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Využití corpus driven metod při corpus based výzkumu
Název anglicky The Corpus-driven and Corpus-based Approach in Practice
Autoři OSOLSOBĚ, Klára (203 Česká republika, garant, domácí)
Vydání 1. vyd. Praha, Proměna jazyka a jeho výzkumu v době nových médií a technologií, od s. 3-12, 10 s. 2015.
Nakladatel Ústav pro jazyk český AV ČR
Další údaje
Originální jazyk čeština
Typ výsledku Stať ve sborníku
Obor 60203 Linguistics
Stát vydavatele Česká republika
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
WWW URL
Kód RIV RIV/00216224:14210/15:00083001
Organizační jednotka Filozofická fakulta
ISBN 978-80-86496-87-0
Klíčová slova česky korpus; corpus based; corpus driven; přegenerovávání; podgenerovávání; lemma; tag; slovotvorba
Klíčová slova anglicky corpus; corpus based; corpus driven; overgeneration; undegeneration; lemma; tag; word formation
Příznaky Mezinárodní význam
Změnil Změnila: doc. PhDr. Klára Osolsobě, Dr., učo 1996. Změněno: 19. 2. 2018 10:00.
Anotace
Jedním z podstatných rysů aplikací automatické analýzy přirozeného jazyka je tzv. přegerovávání. Formální definici odpovídají jednotky, které tvoří homogenní skupinu (tu, kterou se prostřednictvím formálního zadání snažíme definovat), ale i jednotky, které jsou vůči této skupině heterogenní. Tento jev spadá na vrub obecné vlastnosti přirozeného jazyka, jíž je nejednoznačnost (homonymie) na všech úrovních. Rubem téže mince je tzv. podgenerovávání, tedy případ, kdy formální zadání je vymezeno příliš úzce, takže nejsou zachyceny jednotky, které se jeho prostřednictvím snažíme definovat. Na konkrétním příkladu ukážeme postup optimalizace vyhledávání dat pro korpusově založený (corpus based) výzkum slovotvorby, který vychází z korpusově řízené (corpus driven) metody zpřesňování formálního zadání na základě pozorování přegenerovaných dat.
Anotace anglicky
Overgeneration is a property of formal rules which does not cover the exact language data it was designed for. It is equivalent to low precision and occurs when a formal rule (corpus query) is too widely defined. Undergeneration is equivalent to low recall and occurs when a formal rule (corpus query) is too narrowly specified. Both are caused by the ambiguity of natural language. In this article we shall demonstrate how to use corpus driven method in optimization of retrieval technique for corpus based analysis. On a specific example of retrieval of candidates for a word formation model (kutil) we shall show how to use observation of corpus data for progressive specification of corpus query.
Návaznosti
MUNI/A/1165/2014, interní kód MUNázev: Čeština v jednotě synchronie a diachronie - 2015
Investor: Masarykova univerzita, Čeština v jednotě synchronie a diachronie - 2015, DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty
VytisknoutZobrazeno: 23. 4. 2024 16:45