Je otázka, jestli je to praktické, vzniká nám tím jakási introflexe... Spíš bych nechal i na 2. úrovni roztokané.

Domníváme se se Sašou, že by bylo žádoucí definovat v rámci NovaMorf u agregátů i (možné) dělení ortografických slov na syntaktická slova. Ortografické slovo by zůstalo jako "hlavní", ale jasně se řekne, že pro účely syntaktického zpracování lze agregát rozdělit na syntaktická slova, odpovídající níže v kapitole uvedeným kombinacím lemma+tag: naň: na|ň očs: o|č|s dělals: dělal|s abyste: a|byste kdybychom: kdy|bychom. U "abyste", "kdybychom" je to poněkud nepřirozené, ale asi nejlepší řešení. Nežádáme "interpretované tokeny" jako v UD.

To bohužel není úplně spolehlivé, tj. zdaleka ne každé nerozpoznané slovo končící na "s", které po odejmutí koncového "s" je rozpoznáno jako slovo běžně se v češtině vyskytující (dejme tomu substantivum), je skutečně agregátem. Pletou se do toho frekventovaná slova s anglickým původem, dále překlepy a slití předložky "s" s předchozím slovem v důsledku OCR a podobně. Nicméně to je věc spíše technická, ne koncepční.

se

Rozhodující je tedy frekvence? A kde je hranice? Bude-li třeba překlep / "chybný" tvar jako "jesm" nebo "vísledek" frekventovaný (jak moc?), má se s ním zacházet jako s variantou slova, které pisatel zřejmě zamýšlel?

či

Text si tu protiřečí. Na jednom místě "naprosto nesrozumitelný překlep" (což podle mě implikuje, že překlepy "srozumitelné" se značkují), o kousek níže se jako příklady neznámých slov vzniklých překlepy uvádějí právě tyto "srozumitelné" překlepy: překep, jesm, vísledek... Prosím o vyjasnění.

Výše v tabulce normalizováno (asi správné řešení) takto: ?!

Výše v tabulce normalizováno (asi správné řešení) takto: !?

Pozn. relativně často také jako improvizovaná šipka, "->", "--->" apod., cca 1000 výskytů v SYNv7 (oproti cca 2000 výskytů užití jako závorky).

Pozn. může být i kombinace uvedených, např. lomítko plus spojovník: Součet dílčích základů daně vašeho/-í manžela/-ky

Asi by bylo namístě upřesnit, že (jak vyplývá z jiných částí koncepce) součásti víceslovných částicových výrazů NovaMorf neiterpretuje nutně jako částice, např. v "jasně že ne" je "že" jen spojka, je to tak? A "jasně"? To může být i jednoslovná pozitivní odpověď ("Jdeš na oběd?" "Jasně!")?

Prosím o vyjasnění zde, mám dojem, neřešeného jevu "Palackého náměstí". V "pražské" morfologické anotaci se "Palackého" považuje v tomto kontextu za adjektivum (nesklonné). Jak se k tomu staví NovaMorf? Považuje typ Palackého náměstí a Negrelliho viadukt za genitiv substantiva nebo nesklonné adjektivum z tohoto genitivu odvozené?

?? Zkopírováno od koordinačních, ale v subordinačním vztahu členy na stejné úrovni nejsou, opravit prosím.

Takže předložka "od" bude mít čtyřnásobné lemma {od, ode, vod, vode}? Není to zbytečně komplikované, opravdu je k něčemu užitečné dávat do vícenásobného lemmatu vokalizovanou variantu? Ovšem bude-li mít celé vícenásobné lemma jednoho reprezentanta, jak navrhuji už v odd. 04, pak je to OK.

V závěru tohoto oddílu se ale říká něco jiného: vícenásobné lemma jen pro složitější případy, ne pro vokalizaci, ne pro protetické v.

Toto řešení se mi zamlouvá více než výše popisované řešení s vícenásobným lemmatem i pro vokalizované předložky a předložky s protetickým v {od, ode, vod, vode}. Nicméně je v rozporu s výše uvedeným.

S volbou souhlasím, jen by bylo dobře doplnit kritérium volby jednoho z více možných řešení: frekvence? Tj. častěji se (v určitém kontextu) vyskytující rekce se volí v případě víceznačnosti (třeba spor o 4 je výrazně častější než spor o 6, tudíž v případě víceznačnosti se volí spor o 4?).

Nejde o to, jaký systém bude provádět jakou anotaci. Tady by mělo hlavně zaznít, zda se v koncepci NovaMorf jednotlivé složky toho, co se třeba v PDT považuje za víceslovné předložky, budou anotovat jako samostatná slova bez jakékoli předložkové interpretace (tedy v souvislosti s: předložka, substantivum, předložka), nebo ne. Je to rozhodnutí, které má svá pro a proti, ale formulace zde by měla jasněji říct, co a jak.

Hodnota "F" (vzhledem k: vzhledem má "RF-----").

Z čistě praktického hlediska je žádoucí, aby mělo vícenásobné lemma, např. {okénko, okýnko, vokýnko} nebo {skrz, skrze, skrzevá, krz, krze, krzevá} jednoho reprezentanta, je jasné, že nebude vždy jednoznačné, které z lemmat zvolit, ale dostat v nějakém frekvenčním seznamu šesti- (nebo více) položkový seznam místo jednoho lemmatu by nebylo praktické. Primárně asi lemma s nulovou globální mutací, bude-li takových více, pak (asi) to frekventovanější, těžko říct...

Opravit formulaci... kategorie DEG se bude "sledovat" u všech adverbií; u těch, která nejsou pravidelně tvořena z adjektiv, bude jiná lemmatizace, ale kategorie DEG se bude určovat také.

Já screenshot nevidím...

pododdíly ?

Přechodník přítomný u dokonavých sloves se skutečně téměř neužívá a většina výskytů v SYNv7 jsou nesmysly, ale je opravdu nutné doložené (jakžtakž) smysluplné tvary záměrně vyřazovat ze slovníku, když už tam jsou? Zastaralé, ale užívané: řka, řkouc, řkouce; vezma ... Nešikovné, ale užívané: přijda, přijdouce, nechaje, nechajíc, počnouc ...

Za předpokladu, že se takový guesser využije... O guesseru se v koncepci mluví několikrát, ale vždy velmi vágně. Pokud by se nějaký guesser měl využívat, je třeba popsat jeho funkci přesněji.

Není to v rozporu s principy tokenizace dvou úrovní? Na první úrovni by se dle obecnějších pravidel tokenizace mělo tokenizovat jako n - tý ? Týká se také x-tý, k-tý, i-tý, j-tý apod. (v SYNv7 se vyskytují všechny víckrát, nejčastěji samozřejmě x-tý).

Je reálné rozlišovat automatickou desambiguací (bez ohledu na postup) "jednou" ve smyslu "jedenkrát" a "jednou" ve smyslu "někdy/kdysi"? V některých kontextech asi ano (např. "ještě jednou"), ale obecně?

dosavadními

pododdíly

Možná by stálo za to dát sem poznámku, že tvary osobních zájmen třetí osoby po předložce a bez předložky (jemu / k němu; jemuž / k němuž) se řeší v bodě 4.2 (flektivní mutace).

OK, jednoduché řešení zřejmě skutečně neexistuje, ale pro praktické nasazení je nutné podrobněji popsat, jak konkrétně bude značkování mutací vypadat, jak s ním bude moci pracovat uživatel. Přímo v tagu? A pozičně? Pak by byly tagy neprakticky dlouhé... Přímo v tagu, ale stylem atribut - hodnota? Tím by se narušila praktičnost pozičního systému :-( Samostatně jako dodatečný atribut?

Navrhněte prosím řešení...

Co když bude v jednom slově více globálních mutací stejného typu s odlišnou hodnotou, viz výše uvedený izomorfismus?

Rozumím-li tomu správně, nemohou být mutace (na rozdíl od všech výše uvedených gram. kategorií) pojaty jako jeden znak v pozičním tagsetu. Bylo by asi vhodné popsat, jak se s tím v tagsetu vyrovnat, zda navrhujete, aby byly v pozičním tagsetu hodnoty mutací uvedeny samostatně mimo tag, nebo máte nějaké jiné řešení...

Možná zde rovnou poznamenat, že informace o jmenném tvaru je v tagu jinde, bod 13.

V jak moc omezené míře? V první větě se píše o omezené míře a uvedený příklad je skutečně specifický (hlava nehlava), což naznačuje, že by se za negativní považovala jen substantiva s negací ve specifických spojeních (např. Zeman Nezeman, Sobotka Nesobotka, Zaorálek Nezaorálek). O něco níže je ale formulace jiná: pro záporné slovní tvary substantivní (nevýhoda)... Což je i ve shodě s bodem 6.2 u substantiv, kde se hodnota negace přiřazuje (až na výjimky) všem substantivům s prefixem ne-, u nichž existuje pozitivní tvar... Takže je tu drobný rozpor, chtělo by to asi upravit formulaci zde (v omezené míře číslovky (nemnoho).

Chybí uzavření druhé závorky.

Adjektiva ! Substantiva asi ne...

U mnoha zkratek, zvláště těch víceznačných, skutečně nelze (bez dokonalého porozumění textu) určit gramatické kategorie jako rod, číslo, leckdy i pád. Jinde však uvádíte "Nepřipouštíme proměnné (sdružené hodnoty)" (což je asi dobře). Budeme-li muset gram. kategorie u zkratek podspecifikovat, zbývá tedy jen možnost předložit uživateli více tagů pro jednu zkratku, v případě neznámého rodu, čísla a pádu třeba 50 tagů??? To by bylo velmi nepraktické. Nebylo by lepší u zkratek kategorie prostě neurčovat?

"Poprvé", "zaprvé" jsou opravdu řadové? A bude to nějak (v tagu) odlišeno od klasických řadových (druhý, několikátý)?

Rozlišuje se tedy mezi slovesem "být" pomocným a slovesem "být" existenčním a sponovým?

Zřejmě kombinace vykřičníků a otazníků.

A co případy, kdy je v textu teček za sebou více než tři?

Rozpoznání případů, kdy čárka patří do čísla a kdy ne, je velmi problematické. Opět vycházíme-li z ideálního textu zcela dle typografických norem, bude vše v pořádku, ale v reálných textech leckdy chybí po čárce (myšlené jako čárka oddělující čísla, nikoli jako čárka desetinná) mezera. Tudíž bych raději držel čísla a interpunkci odděleně. Lingvisticky to samozřejmě zajímavé není, pokud ta čárka náhodou nemá oddělovat dvě klauze.

Body 5. a 6. jdou zbytečně do detailu. Je-li skutečně třeba sjednocovat (normalizovat) posloupnosti interpunkčních znaků, pak by v jednom bodu mohl být seznam takových. Normalizuje-li se ?!?!?!, asi by se mělo podobně zacházet s ????? nebo !!!!!, ???!!!, !!!??? (v SYNv7 častější než ?!?!?!) a podobně.

Uvedené typy zdaleka nepokrývají všechny (ani ty frekventované), viz např. Praha-Západ (jak na 2. úrovni tokenizace)? Není asi na místě pokoušet se zde o úplný výčet všech relevantních typů, chtělo by to ale podrobněji vysvětlit obecné principy, kterými se navrhovaná tokenizace na 2. úrovni má řídit, tedy obecně co se má spojit a co se má držet rozdělené a proč.

Z hlediska zpracování jakéhokoli textu (např. velkého korpusu typu SYN) je problematické povolit jakoukoli kombinaci písmen a číslic. V dokonalém, bezchybném textu klidně, ale platí to i pro shluky jako "v18hodin"?

Návrh by měl být aplikovatelný / rozšiřitelný i na texty nestandardní, jak dialektické, tak např. žákovské korpusy, korpusy nerodilých mluvčích aj.

Parsery bych nezmiňoval, součástí NovaMorf není návrh syntaktického značkování.