Taháky pro anotaci SYN2020 a podobných korpusů

Tento tahák obsahuje problematická slova v korpusu SYN2020 a dalších, tagovaných podle stejných zásad. Nejdříve jsou uvedeny typy problematických slov (příjmení, číslovky atp.) a potom jednotlivá slovíčka:

Problematické typy

Číslovky sto, tisíc apod.

Na rozdíl od starších korpusů mají vždy tag Cz.

Tvar tisíc, který se vyskytuje ve složených výrazech typu pět tisíc padesát má tag s genitivem a 1 na patnácté pozici: CzIP2---------1.
Tvar sto, který se vyskytuje ve složených výrazech jako se sto lidmi nebo bez sto padesáti lidí mají tag s příslušným pádem a 1 na patnácté pozici: CzNS7---------1, resp. CzNS2---------1.

Číslovky neurčité málo, méně apod.

Ve starších korpusech se rozlišovalo užití adverbiální (především u sloves) a číslovkové. V SYN2020 jsme skoro u všech ponechali pouze adverbium, až na mnoho, nemálo a nemnoho, u kterých se nadále rozlišuje číslovka a adverbium.

slovo	tag	použití
mnoho	`Dg-------1A----`	mnoho mluví
	`Ca`	následuje „počítaný předmět“ (i nepočitatelný)
nemnoho	`Dg-------1N----`	o lahůdky nemnoho stojí
	`Ca`	s počítaným předmětem
málo	`Dg-------1A----`	málo unavený; málo pracuje; málo lidí
	`Ca`	chybná nabídka, bude odstraněno
	`NN`	ani to málo; to málo, co; hlavně v dalších pádech s málem, bez mála atd.
nemálo	`Dg-------1N----`	nemálo hloupý; nemálo pracuje; nemálo lidí
	`NN`	jen v dalších pádech, jeden z nemála atd.
víc, více, míň, méně, hodně	`Dg`	jediná možnost
pár	`Db`	užito jako číslovka
	NN	pěkný pár, (jeden) pár bot

Příjmení ve tvaru adjektiva

Tato příjmení mají vždy tag NN a ženská příjení mají lemma v ženském rodě:

pan Červený - lemma: Červený, tag: NNMS1-----A----
paní Červená - lemma: Červená, tag: NNFS1-----A----

Adverbia odvozená od adjektiv chovající se jako částice

Některá adverbia odvozená od adjektiv získala význam částice. Jde o slova jako konečně, zřejmě a další. V původním adverbiálním významu je možné je stupňovat, či negovat; jako částice jsou ustrnulé v tom jediném tvaru:

slovo	tag	užití
konečně	`Dg`	v matematickém nebo fyzikálním smyslu; na rozdíl od nekonečně úředně: konečně platný (v konečném znění)
	`TT`	konečně přišli; no konečně, to je dost
zřejmě	`Dg`	zřejmým způsobem
	`TT`	určitý stupeň jistoty; zřejmě už odešli

Podobná jsou slova jistě, samozřejmě a další.

Zpodstatnělá přídavná jména

Je třeba posoudit, zda ve větě slovo vystupuje spíše jako adjektivum nebo substantivum, a to podle rozvití:

cestující do Brna - AG
spokojení cestující - NN

Není-li slovo rozvito, určete podle svého citu.

Cizí slova

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).
Další problém je velikost počátečního písmene u lemmatu. Přijali jsme zásadu, že jestliže je v nabídce u cizího slova (tag F%) velké i malé písmeno, volíme malé (i když jde o součást názvu psanou s velkými počátečními písmeny). Změnili jsme názor a lemma bude totožné s formou (i co do velikosti písmen).

Novinářské šifry

Zkratky jednotlivých novinářů psané v závorkách někde na začátku článku, např. (gap), nebo (zkř, opo) budou tagované jako zkratky:

(       (       Z:-------------
gap     gap     BN-------------
)       )       Z:-------------

Jednotlivá problematická slova

Adverbia, částice, spojky...

Mnoho slov se syntakticky chová jako adverbia, částice nebo spojky (příp. další slovní druhy) a není snadné rozhodnout, jaký mají mít tag. Zde je přehled těch nejčastějších:

slovo	tag	užití
ani	`J^`	ani ryba, ani rak
	`TT`	jinak (ani se neptej)
co	`PQ`	zájmeno (tázací nebo vztažné) v případě, že dokážeme určit pád (co to je?; vše, co mám)
	`Db`	spojovací výraz časový (od té doby, co ho znám; též den co den)
	`J,`	hovorový spojovací výraz (kluk, co přišel)
	`TT`	v ostatních případech
dál	`Dg`	jde-li o 2. stupeň ke slovu daleko (šli dál a dál)
	`Db`	ostatní případy (zpíval dál; pojďte dál)
jak	`J^`	ve spojení s tak (jak jeden, tak druhý)
	`J,`	připojení vedlejší věty (viděl ho, jak zakopl)
	`Db`	jakým způsobem (může být obtížně odlišitelné od `J,`: vyprávěl, jak jel na hory – buď vyprávěl o cestě (`J,`), anebo o tom, jakým způsobem cestoval (`Db`); též jak to? POZOR: jak si usteleš, tak si lehneš je `Db`
jedině	`Db`	jedině Tereza
	`Dg`	chybná nabídka, bude odstraněna
jen	`Db`	synonymum k pouze
	`J,`	ve spojovacím výrazu jen co (jen co si lehl, usnul)
	`TT`	v ostatních případech (jen tak tak; jen jestli!)
již, už	`Db`	v časovém významu (už přišel)
	`TT`	jinak (to už nespravíš)
přece	`J^`	ve spojení a přece
	`TT`	jinak
tak	`Db`	takto; takovým způsobem
	`J^`	jak… tak (jak jeden, tak druhý), nebo připojení věty (a) tak (nepřišel, tak jsme jeli sami) POZOR: ve větě jak řekli, tak udělali je jak i tak `Db`
	`TT`	výplňkové slovo
	`II`	chybná nabídka, bude odstraněna
to	`PD`	zájmeno je to v případě, že dokážeme určit pád a objekt nebo situaci, na které zájmeno odkazuje
	`TT`	v ostatních případech (to se nám to hezky šlape; to jo)
totiž	`J^`	vysvětlení, doplnění (nerozumím mu, mluví totiž anglicky)
	`TT`	jinak (upřesnění) (to je totiž tak)
trochu	`NN`	je-li zleva rozvito přívlastkem: malou trochu, jakou trochu?
	`Db`	jinak
třeba	`Db`	je třeba
	`TT`	synonymum k například
však	`J^`	synonymum k ale
	`TT`	jinak (však jsem to říkal)