2.1 Organisa�n� za�len�n� a financov�n�.

    �Ru�n�� anotace �esk�ch v�t se prov�d� v r�mci experiment�ln�ho ov��ov�n� definice form�ln� representace analysy �esk�ch v�t (projekt GA�R 405/96/0198, �Form�ln� representace jazykov�ch struktur�). Takto z�skan� materi�l (data) bude vyu�iteln� v mnoha oblastech v�zkumu v po��ta�ov� lingvistice, p�edev��m jako v�choz� (tr�novac�) data v projektech jazykov�ho modelov�n�, kter� jsou �e�eny p�edev��m v r�mci �Laborato�e pro zpracov�n� jazykov�ch dat� (projekt M�MT VS96151). Tato data budou vyu�ita i jako ov��ovac� materi�l pro r�zn� subprojekty v r�mci komplexn�ho programu GA�R 405/96/K214 (��e�tina ve v�ku po��ta���). Z t�chto dvou dal��ch zdroj� je ru�n� anotov�n� dodate�n� podporov�no i finan�n� zejm�na proto, aby byl k disposici objem dat dostate�n� i pro statistick� experimenty.

2.2 Vazby v r�mci projektu.

    Projekt anotov�n� �esk�ho textu m� t�i �rovn�: morfologickou, analytickou a tektogramatickou.
   Pro anotov�n� na v�ech �rovn�ch se vych�z� z �esk�ho textu ve form�tu csts, kter� je z�kladn�m form�tem �esk�ho n�rodn�ho korpusu (�NK). V�t�ina text� byla rovn� p�evzata p��mo z �NK. V tomto form�tu jsou ji� �esk� texty rozd�leny na slova (slovn� tvary), v�ty a odstavce. Je rovn� explicitn� ozna�ena interpunkce a tam, kde to bylo mo�n�, je zachov�na i grafick� informace z p�vodn�ho textu. ��sla psan� ��slicemi jsou rovn� ozna�ena a desetinn� ��sla jsou normalizov�na.
   K anotaci na v�ech �rovn�ch se pou��v� identick�ch text�, zvolen�ch n�hodn� (v bloc�ch) z text� �NK a z materi�l� poskytnut�ch FI MU Brno.

***n1 zde popis text� ***

2.2.1 Morfologick� �rove�.

    Na morfologick� �rovni je anotov�n� (tagging) line�rn�. Ke ka�d�mu p�vodn�mu slovn�mu tvaru (jm�no atributu: origf, SGML atribut <w>) v textu se p�i�ad� t�i atributy, obsahuj�c� slovn� tvar, lemma a tag.
   Anotuje se ru�n� pomoc� celoobrazovkov�ho programu sgd, kter� pracuje v prost�ed� Linuxu, ale kter� lze provozovat vzd�len� i nap�. z DOSu. Program sgd vy�aduje, aby p�vodn� text byl morfologicky p�edpracov�n, tj. aby ke ka�d�mu slovn�mu tvaru p�von�ho textu byl p�ipojen seznam mo�n�ch lemmat a jejich (mo�n�ch) morfologick�ch kategori�. Toto p�i�azen� se prov�d� automaticky na z�klad� elektronick�ho slovn�ku pro aplikace ve zpracov�n� p�irozen�ho jazyka, kter� v sou�asn� dob� pokr�v� asi 98-99% b�n�ho novinov�ho nebo �asopiseck�ho textu (v�etn� jmen). Zbyl� tvary se dopl�uj� p�i ru�n� anotaci. P�eklepy se v textu ponech�vaj� v atributu origf, ale jsou (ru�n�) opraveny a zpracov�ny v atributu form.
   Morfologickou anotaci pomoc� programu sgd lze prov�d�t p�ed anotov�n�m textu na analytick� �rovni i po n�m.
   Vstupn� i v�stupn� data pro program sgd jsou v SGML form�tu podle DTD csts.
   Objemov�m c�lem je ve spolupr�ci s FI MU Brno dos�hnout 1 milionu anotovan�ch slovn�ch tvar�.

2.2.1.1 Slovn� tvar (atribut form, SGML atribut <f>).

    Slovn� tvar je ve v�t�in� p��pad� identick� s p�vodn�m slovn�m tvarem tak, jak byl uveden v p�vodn�m textu, v�etn� z�pisu mal�ch a velk�ch p�smen. Li�� se jen v t�ch p��padech, kdy p�vodn� slovn� tvar byl

• ��slice s desetinnou ��rkou,
• slova aby a kdyby,
• spojen� tvar p�edlo�ky a z�jmena (nap�. na�, pro�, za�, o�, za�),
• slovo s p�ipojen�m -s jako indikac� 2. os. j. �. slovesa b�t (nap�. tys, ses, ud�lals),
• slovo s p�ipojen�m -� jako indikac� p���iny (arch.) (nap�. byl�),
• p�eklep.

V t�chto p��padech je slovn� tvar (form) odvozen z p�vodn�ho slovn�ho tvaru (origf) takto:
 

2.2.1.2 Lemma (lemma, SGML atribut <l>).

    Lemma jednozna�n� identifikuje slovo jako lexik�ln� jednotku. Je representov�no �et�zcem p�smen a znak�, kter� ve v�t�in� p��pad� odpov�d� tzv. slovn�kov�mu tvaru slova, neboli tvaru slova, pod kter�m je dan� slovo obvykle uv�d�no ve slovn�c�ch.
 

2.2.1.3 Morfologick� zna�ka (atribut tag, SGML atribut <t>).

    Morfologick� zna�ka je tvo�ena posloupnost� velk�ch p�smen anglick� abecedy a ��slic. Prvn� znak v z�sad� identifikuje slovn� druh slova, a bu� samostatn� nebo dohromady s dal��mi n�kolika znaky ur�uje mo�n� kombinace morfologick�ch kategori�, kter� n�sleduj� bezprost�edn� za t�mto znakem nebo znaky. Na konci tagu m��e b�t rozli�en� podobn� rozli�en� u atributu lemma, av�ak zde je pou�ito jako rozli�en� form�ln� (nap�. pro odli�en� variant, obecn�ch koncovek apod.), nikoli v�znamov�.
 
    Rozli�en� slovn�ho druhu podle prvn�ho znaku tagu:
 

***n2 zde bude popis tag�; nejprve anglick� popis (kopie �notes�), pozd�ji �esky. ***

2.2.2 Analytick� �rove�.

    Analytick� �rove� je v t�to dob� hlavn� �rove� pro strukturn� anotaci. Opou�t� se zde line�rn� anotace, kdy je ka�d� slovo br�no samostatn� bez ohledu na kontext, a do anotace textu zav�d� se v�tn� struktura (nikoli v�ak je�t� struktura textu). V�echna p�vodn� slova textu z�st�vaj� zachov�na a dost�vaj� ve v�sledn� struktu�e svou funkci.
    Strukturou se rozum� strom (orientovan� acyklick� graf s jedn�m ko�enem), jeho� uzly jsou ohodnoceny atributy (pozn.: slovo atribut zde pou��v�me v matematick�m smyslu, nikoli lingvistick�m ve smyslu p��vlastek - viz kap. 4.1 Seznam analytick�ch funkc�). Ka�d� uzel m� nyn� 12 atribut�. Hrany stromu representuj� vztahy �z�vislosti� mezi lexik�ln�mi jednotkami, p��p. vztahy jin�ho typu (podle hodnot atribut�). Z�kladn�m c�lem anotace je spr�vn� struktura v�ty a ozna�en� typu z�vislosti. Typ z�vislosti je jedn�m z atribut� ka�d�ho uzlu a je z pochopiteln�ch d�vod� orientov�n �nahoru�, tj. sm�rem ke sv�mu ���d�c�mu� uzlu.
    Podrobn� popis analytick� �rovn� je uveden v kapitol�ch 3 Z�sady anotace a 4 Pravidla anotace.
    Objemov� c�l je stejn� jako na morfologick� �rovni, tj. 1 mili�n slov p�i pou�it� stejn�ch text�.

2.2.3 Tektogramatick� �rove�.

    Tektogramatick� �rove� je nejvy��� anota�n� �rove�. Odpov�d� tzv. tektogramatick� rovin� popisu jazyka, jak je definov�na v �ad� publikac�. Struktura representace z�st�v� stejn� jako na analytick� �rovni, av�ak n�kter� uzly se vypou�t�, n�kter� se p�id�vaj�, a struktura v�ty m��e b�t obecn� jin�, ne� na analytick� �rovni. Z technick�ho hlediska bude specifikov�na pozd�ji a pr�ce na ru�n�m anotov�n� budou prob�hat v roce 1998.
    Objemov� c�l se zde neklade. P�edpokl�d�me vytvo�en� podstatn�ho vzorku v rozsahu cca 1000 v�t.

3 Z�sady anotace.

    �Z�sadami� se rozum� z�kladn� v�chodiska pro anotaci na analytick� rovin�.

3.1 Form�ln� struktura.

    Representace struktury v�ty je zachycena spojit�m acyklick�m orientovan�m grafem, ve kter�m do ��dn�ho uzlu nevede v�ce ne� jedna hrana (stromem), a jeho� uzly jsou ohodnoceny komplexn�mi symboly (mno�inou atribut�). Hrany ohodnoceny nejsou (v technick�m smyslu - viz pozn�mka u atributu afun v kap. 3.2 Atributy uzlu).

3.2 Atributy uzlu.

    Atribut� uzlu je v sou�asn� dob� dvan�ct.
 

3.3 Vztah k morfologick� �rovni.

    Strom v�ty obsahuje v�echny slovn� tvary v�ty v�etn� interpunk�n�ch symbol�. Nav�c obsahuje pouze ko�en, jeho� atributy obsahuj� n�sleduj�c� hodnoty.
 

4 Pravidla anotace.

    V n�sleduj�c�m textu se pojmem ozna�en� nebo funkce mysl� v�dy hodnota atributu afun. Formulace �pov�sit uzel x na uzel y�, p��p. �uzel x (z�)vis� na uzlu y� znamen�, �e uzel x je z�visl� na uzlu y, neboli y je pro uzel x uzlem ��d�c�m. V grafick� reprezentaci je ��d�c� uzel v�dy v��e ne� uzel z�visl�. (Definice grafu representace v�ty viz kap. 2.2.2 Analytick� �rove�.)
    Pravidla pro anotaci na analytick� �rovni se zab�vaj� pouze strukturou v�ty (tj. ur�en�m, kter� slovo z�vis� na kter�m slov�), a typy z�vislost� (analytick�mi funkcemi). Struktura v�ty se zachycuje p��mo v grafu v�ty, analytick� funkce se zapisuje jako hodnota atributu afun. Ostatn� atributy slou�� pouze pro informaci anot�tora - jejich hondoty jsou bu� ji� fixn�, nebo budou ur�eny jinak. Anot�to�i sm�j� zapisovat krom� hodnot atributu afun pouze pozn�mky do hodnot dohodnut�ch atribut� (origap pro celou v�tu, mstag pro jednotliv� uzly). Z technick�ch d�vod� jsou v grafu representace i takov� hrany, kter� neodpov�daj� tradi�n�mu pojmu gramatick� z�vislosti (nap�. koordinace, aposice, �vzd�len� z�vislost, je-li ve v�t� elipsa, slo�en� (nevlastn�) p�edlo�ky a spojky atd.). Pro jednoduchost budeme i pro takov� hrany pou��vat pojm� �(z�)vis�, je z�visl�, atd.�. V p��pad� nejasnost� explicitn� uv�d�me, kdy jde o gramatickou a kdy o �technickou� z�vislost.

    Pro ru�n� anotaci jsou vstupn� data p�edzpracov�na programy (projekty 28xx), kter� v�t� anotovan� na morfologick� �rovni (nebo alespo� v�t� p�edzpracovan� morfologick�m programem) p�i�ad� inici�ln� strukturu a konvertuj� ji do form�tu vy�adovan�ho programem pro ru�n� anotaci (program GRAPH). Inici�ln� struktura je trivi�ln� - ka�d� slovo je pova�ov�no za z�visl� na slov� bezprost�edn� p�edch�zej�c�m. V�jimku tvo�� pouze interpunkce na konci v�ty, kter� je zav�ena na ko�en stromu. P�i t�to inicialisaci jsou p�edb�n� p�i�azeny i ty funkce, u kter�ch je vysok� pravd�podobnost, �e budou automaticky p�i�azeny spr�vn�. Atributu afun u ostatn�ch uzl� je p�i�azena hodnota ???, aby p�i pr�ci s programem GRAPH bylo na prvn� pohled mo�no identifikovat dosud nezpracovan� uzly.

    P�i anotaci postupujeme n�sledovn�:
    1. Vrcholem stromu je p�idan� uzel se znakem # (viz kap. 4.2.8.1 AuxS).
    2. Na tomto uzlu je p�i nep��znakov� stavb� v�ty zav�en predik�t hlavn� v�ty a koncov� interpunkce. Nem�-li v�ta p��sudek, b�vaj� zde vedle sebe zav�eny "zbyl�" v�tn� �leny (viz bod 4). P��padn� zde m��e viset hlavn� uzel pro koordinaci (viz bod 5), jde-li nap�. o souv�t� sou�adn�.
    3. ��d�me se z�sadami pro z�vislostn� rozbor:
- vyhled�me p��sudek v�ty (ten bude zav�en podle bodu 2, viz kap. 4.2.1 P��sudek (predik�t) Pred, Pnom, AuxV),
- najdeme podm�t v�ty (v na�em pojet� je z�visl� na p��sudku, viz kap. 4.2.2 Podm�t (subjekt) Sb),
- najdeme v�echna ostatn� slovesn� dopln�n� (4.2.4 Obj, 4.2.5 Adv, p��p. 4.2.6 Atv, AtvV),
- stanov�me rozv�jej�c� �leny slovesn�ch dopln�n� (4.2.3 Atr, 4.2.4 Obj, 4.2.5 Adv, 4.2.6 Atv, AtvV).
Svoji z�vislost (n�kdy jen �ist� technickou) v�ak mus� m�t i v�echny ostatn� (zb�vaj�c�) uzly (4.2.7 Pomocn� v�tn� �leny AuxC, AuxP, AuxZ, AuxO, AuxT, AuxR, AuxY a 4.2.8 Grafick� symboly (interpunkce) AuxK, AuxX, AuxG.).
    4. Dojde-li k elipse a chyb�-li k n�jak�mu �lenu ��d�c� uzel, pou��v�me speci�ln� ozna�en� ExD (4.3.1 ExD). Jako elipsu v podstat� ch�peme i jedno�lennou neslovesnou v�tu (4.3.2 ExD).
    5. Probl�m koordinace a aposice (4.4.1 Coord, <afun>_Co a 4.4.2 Apos, <afun>_Ap) �e��me technicky tak, �e zvol�me tzv. hlavn� uzel (spojka, ��rka a podobn�), kter� je zav�en z�vislostn�, a jednotliv� �leny koordinace �i aposice vis� na tomto uzlu (technicky).
    6. Parentetick� ��sti v�t ozna�ujeme zvl�tn� p��ponou (4.5 Parentese).

    Podrobn� jsou v�echny pravidla a funkce pops�ny v kapitol�ch jim ur�en�ch. Krom� toho manu�l obsahuje je�t� kapitolu 4.6 Komplexn� jevy, ve kter� jsou pops�na �e�en� n�kter�ch slo�it�j��ch jev�, kter� nemohly b�t za�azeny do v��e zm�n�n�ch kapitol.
    Pravidla byla stanovov�na a formlov�na tak, aby pokryla co nejv�t�� jazykov� prostor. D�ky povaze p�irozen�ch jazyk� v�ak nen� mo�n�, aby zachytila zcela v�echno. Proto se v korpusu budou vyskytovat i struktury pro v�ty, kter� nejsou v na�ich pravidlech pops�ny. V t�chto v�jime�n�ch p��padech byla rozhodnut� ponech�na na jazykov�m citu anot�tor�, kte�� pak rozhodovali jednotliv�.

    Pravidla pro anotaci na analytick� �rovni (neboli popis representace v�ty na analytick� �rovni a jeho vztah k �rovni morfologick�) vych�zej� p�edev��m z anota�n�ch z�sad (kap. 3 Z�sady anotace), z po�adavk� na konsistenci, z pot�eby explicitn� zachytit vztahy mezi v�emi v�skyty slovn�ch tvar� ve v�t� a berou ohled i na p�edpokl�danou representaci v�ty na tektogramatick� �rovni. Kde je to mo�n�, p�idr�uj� se tradi�n�ch pojm� �esk� mluvnice, jak je pops�na zejm�na v �Sou�asn� mluvnici �esk�ho jazyka� V. �milauera. Je nutno poznamenat, �e k odchylk�m doch�z� pom�rn� �asto vzhledem k �nepo��ta�ov� orientaci zm�n�n� p��ru�ky, ve kter� nen� �ada i �ast�ch jev� explicitn�, systematicky a n�kdy ani konsistentn� pops�na. Odchylkou je i to, �e subjekt ch�peme jako z�visl� na predik�tu (viz ��st predrozv v kap. 4.2.1 P��sudek a ��st sbvymeze v kap. 4.2.2 Podm�t).
    Na p��klad probl�m p��sudku je slo�it�, nebo� jej �asto tvo�� v�ce slov a my mus�me zachytit ka�d� zvlṻ. Proto krom� funkce Pred pro hlavn� uzel p��sudku byly zavedeny je�t� AuxV pro pomocn� sloveso b�t (viz ��st predsloz v kap. 4.2.1 P��sudek) a Pnom pro jmennou ��st p��sudku (viz ��st prsljmst v kap. 4.2.1 P��sudek). U p��sudku slo�en�ho zase pou��v�me pro infinitiv funkci Obj, kter� ozna�uje klasick� p�edm�t (viz ��st prslslst v kap. 4.2.1 P��sudek). Tak� pou�it� funkce Atr je �ir��. Nepou��v�me ji jen pro klasick� p��vlastek, ale i pro slo�ky adres a jmen (viz kap. 4.6.2 Adresy a jm�na osob a instituc�), pro slo�ky cizojazy�n�ho textu (viz kap. 4.6.10 Cizojazy�n� slo�ky rozeb�ran�ho textu) a pro slo�ky ��seln�ch v�raz�, kter� je v�bec slo�it� zachytit (vznikaj� tam rozli�n� dal�� probl�my, viz celou kapitolu 4.6.3 V�razy s ��slovkami, ��slice v r�zn�ch funkc�ch). Nav�c zav�d�me i tzv. kombinovan� funkce (viz ��st atrkombi v kapitole 4.2.3 Atr).
    Oproti �milauerovu pojet� vymezujeme trochu jinak i vz�jemn� hranice jednotliv�ch v�tn�ch �len�, zvl�t� pak p�edm�tu (viz 4.2.4 Obj, ��st objvymez), p��slove�n�ho ur�en� (viz 4.2.5 Adv, ��st advvymez) a dopl�ku (viz 4.2.6 Atv, AtvV, ��st atvvymez).
 
    U n�kter�ch p��klad� k jednotliv�m pravidl�m je pou�ito graf� representace ��st� v�t zhruba v tom tvaru, ve kter�m jsou p�i anotaci zobrazov�na anota�n�m programem GRAPH. Zobrazuj� se hodnoty atribut� form (horn� text u uzlu) a afun (text doln�, pod hodnotou atributu form). Tyto grafy se v podob� obr�zk� skr�vaj� za ikonkami, kter� maj� n�sleduj�c� podobu:

    V p��kladu pod touto ikonou je pro uzly ozna�en� (Pe�e/Pred) i (./AuxK) ��d�c�m uzlem uzel (#1/AuxS) (tento uzel je i ��d�c�m uzlem cel� v�ty). Hodnoty "#1", "pe�e", " a "." jsou hodnotami atributu form. Hodnoty AuxS, Pred a AuxK jsou hodnotami atributu afun. Je-li v p��kladech uvedena hodnota ??? atributu afun, znamen� to, �e tato hodnota nen� v dan�m p��kladu podstatn�.

4.1 Seznam analytick�ch funkc�.

    V n�sleduj�c� tabulce jsou uvedeny v�echny p��pustn� hodnoty atributu afun. Ve druh�m, t�et�m a �tvrt�m sloupci tabulky je k���kem ozna�eno, kter� hodnoty mohou b�t uvedeny s �p��ponou� _Co (tj. b�t sou��st� koordinace), resp. _Ap (tj. b�t sou��st� aposice), resp. _Pa (tj. b�t ��d�c�m uzlem vsuvky (parentese)).
 

    Odkazy do knihy Vl. �milauera Novo�esk� skladba na ��sti t�kaj�c� se probl�m� t�to kapitoly:
Odd 1 jedno�lenn� v�ty 3 I. G.,
Odd 1 jedno�lenn� v�ty 3 II. (kompletn�),
Odd 2 dvoj�lenn� v�ty 4 (kompletn�),
Odd 3 ur�ov�n� 5-86 (kompletn�).