2007
Korpus jako zdroj dat pro opravy chyb automatické morfologické analýzy
OSOLSOBĚ, KláraZákladní údaje
Originální název
Korpus jako zdroj dat pro opravy chyb automatické morfologické analýzy
Název česky
Korpus jako zdroj dat pro opravy chyb automatické morfologické analýzy
Název anglicky
Corpus as Source of Amendements for Automatic Morphological Analysis
Autoři
OSOLSOBĚ, Klára (203 Česká republika, garant)
Vydání
1. vyd. Praha, Grammar & Corpora, 2nd International Conference, Abstracts, od s. 59-61, 3 s. 2007
Nakladatel
Ústav pro jazyk český AV ČR, V. v. i.
Další údaje
Jazyk
čeština
Typ výsledku
Stať ve sborníku
Obor
60200 6.2 Languages and Literature
Stát vydavatele
Česká republika
Utajení
není předmětem státního či obchodního tajemství
Kód RIV
RIV/00216224:14210/07:00020828
Organizační jednotka
Filozofická fakulta
ISBN
80-86496-35-X
Klíčová slova anglicky
corpus; automatical morphological analysis; verb form; word class; gradation
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 26. 2. 2008 11:10, doc. PhDr. Klára Osolsobě, Dr.
V originále
Cílem našeho příspěvku je ukázat, jak mohou korpusová data přispět k doplnění popisů gramatických jevů zachycených ve slovnících a gramatikách na straně jedné a v lingvistických bázích automatických morfologických analyzátorů na straně druhé. Ke značkování řádově stamilionových korpusů se běžně používají automatické nástroje. V prostředí českých korpusů jsou to především dva analyzátory (taggery) pro morfologické značkování. Morfologický analyzátor Jana Hajiče dále HA (Hajič, 1995, 2004, http://ucnk.ff.cuni.cz/bonito/index.html) a morfologický analyzátor Radka Sedláčka Ajka (Sedláček, 2005, http://nlp.fi.muni.cz/projekty/wwwajka). Lingvistickou bázi těchto analyzátorů byly mluvnice a slovníky, o něž se opíraly algoritmické popisy flexe (Hajič 1995, Osolsobě, 1996). Při aplikaci na jazykový materiál korpusů se ukázalo, že celá řada interpretací, které byly přiřazeny jednotkám na úrovni strojových slovníků, se plně nekryje s bohatstvím přirozeného jazyka, jak je prezentuje korpus. Vyšlo najevo, že s ohledem na zkušenosti z konkrétní praxe, je třeba některé interpretace zpětně verifikovat. V našem příspěvku si všimneme tří jevů: 1) syntetické futurum, 2) stupňování adjektiv a adverbií a 3) slovnědruhové přechody vybraných slov.
Anglicky
The aim of this paper is to present how a corpus can be used as a device (source) to improve the description of chosen grammatical phenomena in dictionary and grammar on one hand and in morpholigical taggers on the other hand. Two automatic morphological taggers used for tagging of Czech language corpora (Hajič, 2004 and Sedláček, 2005) will be compared. We shall analyze how three phenomena: a) synthetic future in Czech, b) comparison of adjectiv and c) word class transposition of words like hodně, mnoho, moc, are annotated in CNK and how are they described in Czech dictionaries (Slovník spisovného jazyka českého and Slovník spisovné češtiny pro školu a veřejnost) and grammars (Mluvnice češtiny, 1986, Česká mluvnice, 1989, Příruční mluvnice češtiny, 1996, Čeština, řeč a jazyk, 1996). We shall discuss how the analysis of corpus mined data can be used for detecting of gaps in examined materials and how can it contribute to filling them in.
Návaznosti
| GV405/96/K214, projekt VaV |
|