2.1 Organisační začlenění a financování.

    ”Ruční” anotace českých vět se provádí v rámci experimentálního ověřování definice formální representace analysy českých vět (projekt GAČR 405/96/0198, ”Formální representace jazykových struktur”). Takto získaný materiál (data) bude využitelný v mnoha oblastech výzkumu v počítačové lingvistice, především jako výchozí (trénovací) data v projektech jazykového modelování, které jsou řešeny především v rámci ”Laboratoře pro zpracování jazykových dat” (projekt MŠMT VS96151). Tato data budou využita i jako ověřovací materiál pro různé subprojekty v rámci komplexního programu GAČR 405/96/K214 (”Čeština ve věku počítačů”). Z těchto dvou dalších zdrojů je ruční anotování dodatečně podporováno i finančně zejména proto, aby byl k disposici objem dat dostatečný i pro statistické experimenty.

2.2 Vazby v rámci projektu.

    Projekt anotování českého textu má tři úrovně: morfologickou, analytickou a tektogramatickou.
   Pro anotování na všech úrovních se vychází z českého textu ve formátu csts, který je základním formátem Českého národního korpusu (ČNK). Většina textů byla rovněž převzata přímo z ČNK. V tomto formátu jsou již české texty rozděleny na slova (slovní tvary), věty a odstavce. Je rovněž explicitně označena interpunkce a tam, kde to bylo možné, je zachována i grafická informace z původního textu. Čísla psaná číslicemi jsou rovněž označena a desetinná čísla jsou normalizována.
   K anotaci na všech úrovních se používá identických textů, zvolených náhodně (v blocích) z textů ČNK a z materiálů poskytnutých FI MU Brno.

***n1 zde popis textů ***

2.2.1 Morfologická úroveň.

    Na morfologické úrovni je anotování (tagging) lineární. Ke každému původnímu slovnímu tvaru (jméno atributu: origf, SGML atribut <w>) v textu se přiřadí tři atributy, obsahující slovní tvar, lemma a tag.
   Anotuje se ručně pomocí celoobrazovkového programu sgd, který pracuje v prostředí Linuxu, ale který lze provozovat vzdáleně i např. z DOSu. Program sgd vyžaduje, aby původní text byl morfologicky předpracován, tj. aby ke každému slovnímu tvaru půvoního textu byl připojen seznam možných lemmat a jejich (možných) morfologických kategorií. Toto přiřazení se provádí automaticky na základě elektronického slovníku pro aplikace ve zpracování přirozeného jazyka, který v současné době pokrývá asi 98-99% běžného novinového nebo časopiseckého textu (včetně jmen). Zbylé tvary se doplňují při ruční anotaci. Překlepy se v textu ponechávají v atributu origf, ale jsou (ručně) opraveny a zpracovány v atributu form.
   Morfologickou anotaci pomocí programu sgd lze provádět před anotováním textu na analytické úrovni i po něm.
   Vstupní i výstupní data pro program sgd jsou v SGML formátu podle DTD csts.
   Objemovým cílem je ve spolupráci s FI MU Brno dosáhnout 1 milionu anotovaných slovních tvarů.

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

    Slovní tvar je ve většině případů identický s původním slovním tvarem tak, jak byl uveden v původním textu, včetně zápisu malých a velkých písmen. Liší se jen v těch případech, kdy původní slovní tvar byl

• číslice s desetinnou čárkou,
• slova aby a kdyby,
• spojený tvar předložky a zájmena (např. naň, proň, zaň, oč, zač),
• slovo s připojeným -s jako indikací 2. os. j. č. slovesa být (např. tys, ses, udělals),
• slovo s připojeným -ť jako indikací příčiny (arch.) (např. bylť),
• překlep.

V těchto případech je slovní tvar (form) odvozen z původního slovního tvaru (origf) takto:
 

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

    Lemma jednoznačně identifikuje slovo jako lexikální jednotku. Je representováno řetězcem písmen a znaků, který ve většině případů odpovídá tzv. slovníkovému tvaru slova, neboli tvaru slova, pod kterým je dané slovo obvykle uváděno ve slovnících.
 

2.2.1.3 Morfologická značka (atribut tag, SGML atribut <t>).

    Morfologická značka je tvořena posloupností velkých písmen anglické abecedy a číslic. První znak v zásadě identifikuje slovní druh slova, a buď samostatně nebo dohromady s dalšími několika znaky určuje možné kombinace morfologických kategorií, které následují bezprostředně za tímto znakem nebo znaky. Na konci tagu může být rozlišení podobné rozlišení u atributu lemma, avšak zde je použito jako rozlišení formální (např. pro odlišení variant, obecných koncovek apod.), nikoli významové.
 
    Rozlišení slovního druhu podle prvního znaku tagu:
 

***n2 zde bude popis tagů; nejprve anglický popis (kopie ”notes”), později česky. ***

2.2.2 Analytická úroveň.

    Analytická úroveň je v této době hlavní úroveň pro strukturní anotaci. Opouští se zde lineární anotace, kdy je každé slovo bráno samostatně bez ohledu na kontext, a do anotace textu zavádí se větná struktura (nikoli však ještě struktura textu). Všechna původní slova textu zůstávají zachována a dostávají ve výsledné struktuře svou funkci.
    Strukturou se rozumí strom (orientovaný acyklický graf s jedním kořenem), jehož uzly jsou ohodnoceny atributy (pozn.: slovo atribut zde používáme v matematickém smyslu, nikoli lingvistickém ve smyslu přívlastek - viz kap. 4.1 Seznam analytických funkcí). Každý uzel má nyní 12 atributů. Hrany stromu representují vztahy ”závislosti” mezi lexikálními jednotkami, příp. vztahy jiného typu (podle hodnot atributů). Základním cílem anotace je správná struktura věty a označení typu závislosti. Typ závislosti je jedním z atributů každého uzlu a je z pochopitelných důvodů orientován ”nahoru”, tj. směrem ke svému ”řídícímu” uzlu.
    Podrobný popis analytické úrovně je uveden v kapitolách 3 Zásady anotace a 4 Pravidla anotace.
    Objemový cíl je stejný jako na morfologické úrovni, tj. 1 milión slov při použití stejných textů.

2.2.3 Tektogramatická úroveň.

    Tektogramatická úroveň je nejvyšší anotační úroveň. Odpovídá tzv. tektogramatické rovině popisu jazyka, jak je definována v řadě publikací. Struktura representace zůstává stejná jako na analytické úrovni, avšak některé uzly se vypouští, některé se přidávají, a struktura věty může být obecně jiná, než na analytické úrovni. Z technického hlediska bude specifikována později a práce na ručním anotování budou probíhat v roce 1998.
    Objemový cíl se zde neklade. Předpokládáme vytvoření podstatného vzorku v rozsahu cca 1000 vět.

3 Zásady anotace.

    ”Zásadami” se rozumí základní východiska pro anotaci na analytické rovině.

3.1 Formální struktura.

    Representace struktury věty je zachycena spojitým acyklickým orientovaným grafem, ve kterém do žádného uzlu nevede více než jedna hrana (stromem), a jehož uzly jsou ohodnoceny komplexními symboly (množinou atributů). Hrany ohodnoceny nejsou (v technickém smyslu - viz poznámka u atributu afun v kap. 3.2 Atributy uzlu).

3.2 Atributy uzlu.

    Atributů uzlu je v současné době dvanáct.
 

3.3 Vztah k morfologické úrovni.

    Strom věty obsahuje všechny slovní tvary věty včetně interpunkčních symbolů. Navíc obsahuje pouze kořen, jehož atributy obsahují následující hodnoty.
 

4 Pravidla anotace.

    V následujícím textu se pojmem označení nebo funkce myslí vždy hodnota atributu afun. Formulace ”pověsit uzel x na uzel y”, příp. ”uzel x (zá)visí na uzlu y” znamená, že uzel x je závislý na uzlu y, neboli y je pro uzel x uzlem řídícím. V grafické reprezentaci je řídící uzel vždy výše než uzel závislý. (Definice grafu representace věty viz kap. 2.2.2 Analytická úroveň.)
    Pravidla pro anotaci na analytické úrovni se zabývají pouze strukturou věty (tj. určením, které slovo závisí na kterém slově), a typy závislostí (analytickými funkcemi). Struktura věty se zachycuje přímo v grafu věty, analytická funkce se zapisuje jako hodnota atributu afun. Ostatní atributy slouží pouze pro informaci anotátora - jejich hondoty jsou buď již fixní, nebo budou určeny jinak. Anotátoři smějí zapisovat kromě hodnot atributu afun pouze poznámky do hodnot dohodnutých atributů (origap pro celou větu, mstag pro jednotlivé uzly). Z technických důvodů jsou v grafu representace i takové hrany, které neodpovídají tradičnímu pojmu gramatické závislosti (např. koordinace, aposice, ”vzdálenᔠzávislost, je-li ve větě elipsa, složené (nevlastní) předložky a spojky atd.). Pro jednoduchost budeme i pro takové hrany používat pojmů ”(zá)visí, je závislý, atd.”. V případě nejasností explicitně uvádíme, kdy jde o gramatickou a kdy o ”technickou” závislost.

    Pro ruční anotaci jsou vstupní data předzpracována programy (projekty 28xx), které větě anotované na morfologické úrovni (nebo alespoň větě předzpracované morfologickým programem) přiřadí iniciální strukturu a konvertují ji do formátu vyžadovaného programem pro ruční anotaci (program GRAPH). Iniciální struktura je triviální - každé slovo je považováno za závislé na slově bezprostředně předcházejícím. Výjimku tvoří pouze interpunkce na konci věty, která je zavěšena na kořen stromu. Při této inicialisaci jsou předběžně přiřazeny i ty funkce, u kterých je vysoká pravděpodobnost, že budou automaticky přiřazeny správně. Atributu afun u ostatních uzlů je přiřazena hodnota ???, aby při práci s programem GRAPH bylo na první pohled možno identifikovat dosud nezpracované uzly.

    Při anotaci postupujeme následovně:
    1. Vrcholem stromu je přidaný uzel se znakem # (viz kap. 4.2.8.1 AuxS).
    2. Na tomto uzlu je při nepříznakové stavbě věty zavěšen predikát hlavní věty a koncová interpunkce. Nemá-li věta přísudek, bývají zde vedle sebe zavěšeny "zbylé" větné členy (viz bod 4). Případně zde může viset hlavní uzel pro koordinaci (viz bod 5), jde-li např. o souvětí souřadné.
    3. Řídíme se zásadami pro závislostní rozbor:
- vyhledáme přísudek věty (ten bude zavěšen podle bodu 2, viz kap. 4.2.1 Přísudek (predikát) Pred, Pnom, AuxV),
- najdeme podmět věty (v našem pojetí je závislý na přísudku, viz kap. 4.2.2 Podmět (subjekt) Sb),
- najdeme všechna ostatní slovesná doplnění (4.2.4 Obj, 4.2.5 Adv, příp. 4.2.6 Atv, AtvV),
- stanovíme rozvíjející členy slovesných doplnění (4.2.3 Atr, 4.2.4 Obj, 4.2.5 Adv, 4.2.6 Atv, AtvV).
Svoji závislost (někdy jen čistě technickou) však musí mít i všechny ostatní (zbývající) uzly (4.2.7 Pomocné větné členy AuxC, AuxP, AuxZ, AuxO, AuxT, AuxR, AuxY a 4.2.8 Grafické symboly (interpunkce) AuxK, AuxX, AuxG.).
    4. Dojde-li k elipse a chybí-li k nějakému členu řídící uzel, používáme speciální označení ExD (4.3.1 ExD). Jako elipsu v podstatě chápeme i jednočlennou neslovesnou větu (4.3.2 ExD).
    5. Problém koordinace a aposice (4.4.1 Coord, <afun>_Co a 4.4.2 Apos, <afun>_Ap) řešíme technicky tak, že zvolíme tzv. hlavní uzel (spojka, čárka a podobně), který je zavěšen závislostně, a jednotlivé členy koordinace či aposice visí na tomto uzlu (technicky).
    6. Parentetické části vět označujeme zvláštní příponou (4.5 Parentese).

    Podrobně jsou všechny pravidla a funkce popsány v kapitolách jim určených. Kromě toho manuál obsahuje ještě kapitolu 4.6 Komplexní jevy, ve které jsou popsána řešení některých složitějších jevů, které nemohly být zařazeny do výše zmíněných kapitol.
    Pravidla byla stanovována a formlována tak, aby pokryla co největší jazykový prostor. Díky povaze přirozených jazyků však není možné, aby zachytila zcela všechno. Proto se v korpusu budou vyskytovat i struktury pro věty, které nejsou v našich pravidlech popsány. V těchto výjimečných případech byla rozhodnutí ponechána na jazykovém citu anotátorů, kteří pak rozhodovali jednotlivě.

    Pravidla pro anotaci na analytické úrovni (neboli popis representace věty na analytické úrovni a jeho vztah k úrovni morfologické) vycházejí především z anotačních zásad (kap. 3 Zásady anotace), z požadavků na konsistenci, z potřeby explicitně zachytit vztahy mezi všemi výskyty slovních tvarů ve větě a berou ohled i na předpokládanou representaci věty na tektogramatické úrovni. Kde je to možné, přidržují se tradičních pojmů české mluvnice, jak je popsána zejména v ”Současné mluvnici českého jazyka” V. Šmilauera. Je nutno poznamenat, že k odchylkám dochází poměrně často vzhledem k ”nepočítačové” orientaci zmíněné příručky, ve které není řada i častých jevů explicitně, systematicky a někdy ani konsistentně popsána. Odchylkou je i to, že subjekt chápeme jako závislý na predikátu (viz část predrozv v kap. 4.2.1 Přísudek a část sbvymeze v kap. 4.2.2 Podmět).
    Na příklad problém přísudku je složitý, neboť jej často tvoří více slov a my musíme zachytit každé zvlášť. Proto kromě funkce Pred pro hlavní uzel přísudku byly zavedeny ještě AuxV pro pomocné sloveso být (viz část predsloz v kap. 4.2.1 Přísudek) a Pnom pro jmennou část přísudku (viz část prsljmst v kap. 4.2.1 Přísudek). U přísudku složeného zase používáme pro infinitiv funkci Obj, která označuje klasický předmět (viz část prslslst v kap. 4.2.1 Přísudek). Také použití funkce Atr je širší. Nepoužíváme ji jen pro klasický přívlastek, ale i pro složky adres a jmen (viz kap. 4.6.2 Adresy a jména osob a institucí), pro složky cizojazyčného textu (viz kap. 4.6.10 Cizojazyčné složky rozebíraného textu) a pro složky číselných výrazů, které je vůbec složité zachytit (vznikají tam rozličné další problémy, viz celou kapitolu 4.6.3 Výrazy s číslovkami, číslice v různých funkcích). Navíc zavádíme i tzv. kombinované funkce (viz část atrkombi v kapitole 4.2.3 Atr).
    Oproti Šmilauerovu pojetí vymezujeme trochu jinak i vzájemné hranice jednotlivých větných členů, zvláště pak předmětu (viz 4.2.4 Obj, část objvymez), příslovečného určení (viz 4.2.5 Adv, část advvymez) a doplňku (viz 4.2.6 Atv, AtvV, část atvvymez).
 
    U některých příkladů k jednotlivým pravidlům je použito grafů representace částí vět zhruba v tom tvaru, ve kterém jsou při anotaci zobrazována anotačním programem GRAPH. Zobrazují se hodnoty atributů form (horní text u uzlu) a afun (text dolní, pod hodnotou atributu form). Tyto grafy se v podobě obrázků skrývají za ikonkami, které mají následující podobu:

    V příkladu pod touto ikonou je pro uzly označené (Peče/Pred) i (./AuxK) řídícím uzlem uzel (#1/AuxS) (tento uzel je i řídícím uzlem celé věty). Hodnoty "#1", "peče", " a "." jsou hodnotami atributu form. Hodnoty AuxS, Pred a AuxK jsou hodnotami atributu afun. Je-li v příkladech uvedena hodnota ??? atributu afun, znamená to, že tato hodnota není v daném příkladu podstatná.

4.1 Seznam analytických funkcí.

    V následující tabulce jsou uvedeny všechny přípustné hodnoty atributu afun. Ve druhém, třetím a čtvrtém sloupci tabulky je křížkem označeno, které hodnoty mohou být uvedeny s ”příponou” _Co (tj. být součástí koordinace), resp. _Ap (tj. být součástí aposice), resp. _Pa (tj. být řídícím uzlem vsuvky (parentese)).
 

    Odkazy do knihy Vl. Šmilauera Novočeská skladba na části týkající se problémů této kapitoly:
Odd 1 jednočlenné věty 3 I. G.,
Odd 1 jednočlenné věty 3 II. (kompletní),
Odd 2 dvojčlenné věty 4 (kompletní),
Odd 3 určování 5-86 (kompletní).