Ruční anotace korpusů - návody a taháky

Nápovědy se liší podle typu anotovaného korpusu. V zásadě anotujeme tři typy korpusů:

• Korpusy řady SYN podle nového značkování (typ SYN2020)
• Ortofon podle nového značkování.
• Ortofon podle starého značkování.

Kromě návodů pro jednotlivé typy, jsou zde i návody obecné, platné pro všechny korpusy, jako „Jak značkovat cizí slova“ apod.

Někdy je nabídka při anotaci omezena programem nebo předchozí anotací a my si nejsme jisti, zda si máme vybrat z předložené nabídky, nebo volbu označit jako invalid. Můžeme tedy nabídku zjistit ve webové aplikaci. Také se můžeme podívat do publikovaných korpusů, abychom si ověřili, jak se určité slovo obvykle značkuje. Někdy jsou ale v korpusu chyby - přednost má to, co je napsané v příslušném taháku. Zde je přehled pomůcek a nástrojů, které můžeme použít:

• Morfologická nabídka pro SYN2020: http://utkl.ff.cuni.cz/morfflex.php. Do vstupního políčka můžete zadat několik slov, přičemž v některých případech je výsledek závislý na kontextu. Zpracování bohužel trvá asi 15 vteřin, tak mějte trpělivost.
  Aplikace nabízí 4 různá zobrazení výsledku, přičemž napoprvé se zobrazí výsledek LanGR. Ten se hodí, pokud potřebujete pracovat s verbtagy, jinak pro vás bude lepší výsledek Lemmata:
  • Morfflex: výsledek ze slovníku morfflex vytvořeného na MFF. Jde o verzi z loňského roku, mezitím byl morfflex ještě dále opraven a vylepšen (a místy změněn).
  • PseudoMorf: výsledek po uplatnění našich změn. Jde především o
    • doplnění neznámých slovíček
    • změnu tagu podle našich zásad
    • odstranění přebytečných interpretací
    • změnu lemmatu na sublemma
  • Lemmata: sublemmata jsou nahrazena lemmaty
  • LanGR: takto slova vstupují do programu LanGR, který pomocí lingvistických pravidel provádí desambiguaci; tagy jsou rozšířeny o verbtagy a nakonec jsou ještě připojeny dvě pozice, které jsou využívány programem LanGR a posléze smazány.
• Popis nové koncepce značkování na wiki ČNK: https://wiki.korpus.cz/doku.php/cnk:syn2020, anebo konkrétně popis
  • tokenizace: https://wiki.korpus.cz/doku.php/cnk:syn2020:tokenizace
  • lemmatizace: https://wiki.korpus.cz/doku.php/cnk:syn2020:lemmatizace
  • morfologických značek: https://wiki.korpus.cz/doku.php/cnk:syn2020:tag
  • verbtagů: https://wiki.korpus.cz/doku.php/cnk:syn2020:verbtag
• Korpusy na adrese https://www.korpus.cz/kontext. Podle toho, jaký typ textu značkujete, zvolte korpus SYN2020 nebo nějaký starší.

U cizích slov vzniká problém, zda je tagovat jako F%, nebo jako česká slov. Řídíme se hlavně tím, zda je slovo už přejaté do češtiny, hlavně zdali se skloňuje. Postupujeme takto:

• Pokud se slovo v češtině nedá skloňovat, dostane značku F%.
• Dá-li se skloňovat, dostane NN, i když je součástí víceslovného cizojazyčného názvu, např. Buffalo(NN) Sabres(F%); v tom případě je to 1. pád singuláru.
• Je-li v nabídce u cizího slova AA (např. New) nebo jiný slovní druh, je to chybná nabídka; v takovém případě vybereme F%, nebo invalid (pokud F% chybí).