Seminář ÚČNK

Čeština je velmi flexibilní z hlediska užití formálně interogativních zájmen. Kromě interogativní funkce (Co uletělo? Ptala se, co uletělo.) mohou být použita v různých typech korelativních konstrukcí (Co uletělo, to necháme být. Ať uletělo cokoliv, necháme to být.), v tzv. volných vztažných větách (Posbírali jsme, co(koliv) uletělo.), vztažných větách s pronominální hlavou (Posbírali jsme všechno, co uletělo.) a konečně i ve standardních vztažných v větách s nominální hlavou (Posbírali jsme noviny, co/které uletěly.). Z kroslingvistického, morfosyntaktického, sémantického i diachronního hlediska si tyto jednotlivé funkce nejsou rovny. Interogativní funkce (I) se jeví jako základní a relativní (R) jako odvozená, přičemž korelativní užití (C) je někde mezi (I < C < R). V naší studii si klademe otázku, jak si děti jednotlivé funkce interogativních zájmen osvojují. Naší hypotézou je, že osvojování probíhá v souladu s danou hierarchií. K otázce přistupujeme skrze analýzu longitudinálního korpusu konverzací rodičů s dětmi (CHILDES; Chromá et al. 2020). Součástí přednášky bude obecná charakteristika korpusu CHILDES a jeho specifik.

V přednášce popisuji své zkušenosti s empirickým diachronním, „corpus-based“ výzkumem češtiny, dolní a horní lužické srbštiny (z nabídky ČNK). Uvedu několik dílčích výsledků naší práce, na kterých chci exemplifikovat výhody a problémy, ukázat, jak jsme hledali a (ne)našli „ideální“ způsob práce s korpusy, a proč je špatný korpus pořád lepší než žádný korpus. Přednáška se opírá o výsledky grantu GAČR č. P406 16-10866S (2016-2018) a následnou publikaci Brankačkec, Martínek, Paap 2019: Lehnprägungen im Tschechischen und Sorbischen.

V rámci mluvené sekce už delší dobu přemýšlíme, jak naše mluvené korpusy obohatit o další vrstvy anotace, které by blíže zachytily různé zvukové aspekty promluv a usnadnily tak uživatelům orientaci v datech a práci s nimi. Např. v korpusu ORTOFON v2 je 7802 výskytů typu protože: když uživatelům nabídneme možnost je roztřídit do různých kategorií (podle trvání, intonačního průběhu, odchylek od kanonické výslovnosti atp.), bude se jim nejen snáze hledat pověstná jehla v kupce korpusového sena, ale bude to bezpochyby i zdrojem nových výzkumných otázek a podnětů ke studiu druhů funkční variability v mluveném jazyce, které doposud prostřednictvím našich korpusů studovány nebyly.

V současné době tuto roli granulárnější kategorizace vycházející ze zvukové realizace plní ručně připravovaná fonetická transkripce, s jejíž pomocí můžeme např. u onoho protože rozlišit podtypy jako bře, prže apod. Její éra ale příští rok s ORTOFONem v3 pro dohlednou budoucnost skončí, i kvůli časové, finanční a personální náročnosti. V přednášce rozeberu její připravované i zvažované (realistické i méně realistické) automaticky generované alternativy či doplňky, jejich výhody i omezení, a doufám, že nám vaše zpětná vazba pomůže vytipovat a případně dopilovat obzvlášť slibné kandidáty.

Although some aspects of the phenomenon of Polish multisegmental discourse and pragmatic markers (MDPMs) were subject to the analysis and description in Grochowski et al. 2018, Grochowski 1986, 1997, Bogusławski 1997, 2005, Weiss 1975, 2005 or Birzer 2015, 2017 there is still a significant group of expressions, in case of which it cannot be simply decided whether they are (a) the fully formed and frozen outcome of lexicalization or (b) constructions (understood as in Fried & Östman 2004 or Fried 2010)  the subject of the ongoing pragmaticalization. This contradiction is painfully present (1) in the contemporary Polish dictionaries (both mono- and bilingual) along with texts representing the so-called written (official) register of Polish on the one hand and (2) in spoken, living language, which is difficult to track and pin on the other. Although on the basis of the former type of sources the hypothesis of lexicalization of the expressions such as: by tak rzec, że tak powiem (‘so to speak’, ‘as it were’, ‘if you will’), by nie rzec _, że nie powiem (no to say _), co by nie mówić (‘whatever they say’, ‘anyway’, ‘however’, ‘after all’), nie wspominając / mówiąc (już) o czymś (‘not to mention sth’) seems to be strongly supported, digging deeper into the types of texts that more adequately reflect the contemporary spoken language provides the data-samples that challenge this claim. None of the above mentioned papers and monographs - to my knowledge – has taken into account the problem of the small but quite meaningful sequence nie (‘not’). Since nie also happens to be a negation marker in Polish and tends to be the part of them many MDPMs (some of also have their counterparts without nie) this makes a quite interesting field for further research.

Paralelní korpus InterCorp je ve verzi 13ud nově dostupný s morfologickou a syntaktickou anotací podle Universal Dependencies (UD), tedy podle standardu, který je navržen jako obecný pro všechny jazyky. Po stručném úvodu do principů UD a představení úprav anotace pro vyhledávač Manatee + KonText projdeme postup značkování, jehož základem je sada nástrojů UDPipe. Ve druhé části semináře ukážeme, jak lze UD využít při kontrastivním zkoumání konkrétních forem a jevů v textech více jazyků. V průběhu semináře upozorníme na výhody i záludnosti jednotné anotace v této podobě, konkrétně třeba na příkladu kontrastivního výzkumu syntaktické komplexity ve čtyřech jazycích.

V přednášce shrneme hlavní vlastnosti slovotvorné sítě DeriNet vyvíjené pro češtinu v Ústavu formální a aplikované lingvistiky MFF UK. Nastíníme rozmanitost podobně zaměřených databází vznikajících pro jiné jazyky, jakož i neskromné vyhlídky na jejich syntézu ve stopách Universal Dependencies. Dále se budeme věnovat dvěma tématům, kterými se v souvislosti s DeriNetem zabýváme v poslední době. První souvisí s aplikovatelností tzv. paradigmatického přístupu k odvozování v češtině, kontrastovaného se stromovým přístupem zvoleným v DeriNetu. Druhým tématem je segmentace českých lemmat na morfémy; jakkoli je morfém jedním z “nejklasičtějších” lingvistických pojmů, jeho rigorózní datové uchopení se zdá být překvapivě nesnadnou výzvou.

Centrální romština je romská nářeční skupina, jejímiž varietami hovoří (či tradičně hovořilo) romské obyvatelstvo dlouhodobě etablované na území historického Uherského království a později (od dob habsburských) také na území českých zemí a Haliče. Ačkoli první popisy centrální romštiny pocházejí už z počátku 19. století, systematický sběr jazykových dat v romských řečových komunitách po celém tradičním území centrální romštiny započal terénním výzkumem pro plánovaný atlas centrální romštiny v roce 2008. V rámci projektu bylo dosud základně zdokumentováno téměř 400 lokálních variet centrální romštiny a analyticky zpracováno a zmapováno přes tisíc strukturních rysů. Cílem této přednášky je stručně představit výzkumný kontext a metodologii probíhajícího projektu, zvláště s ohledem na získávání, databázové zpracování a geografickou reprezentaci dat.

Linguistic fieldwork (as well as laboratory work) is a daily bread of everybody who conducts research on topics such as language acquisition, age-related changes in multidimensional characteristic of speech (including semantic fluency, phonation, articulation, or prosody), different speech, and language disorders – all of this in both monolingual and multilingual individuals. Gathering spoken data, along with metadata, orthographic and phonetic transcripts, followed by different kinds of annotation and segmentation requires hours of hard or – to be more accurate - even painstaking work. Unfortunately, after the project is finished (including bachelor’s and master’s degree projects in speech and language therapy classes), a lot of the data end up in external storage, no longer used by anyone else. Taking into consideration the amount of effort needed for collecting and analyzing it, this is a huge waste. Although there are different initiatives such as DELAD and TalkBank/CHILDES established to provide a platform for speech data sharing, most of them demand a lot of additional work without offering much in return – especially when we talk about Slavic languages. Just a few examples: TalkBank/CHILDES platform is a great and well-known initiative, but it does not include tokenization and lemmatization for Slavic languages, not to mention part of speech and morphological tag set or a parser for syntactic dependency tree, yet these features are necessary for some of the most used measures in assessing speech development in children, normal and disordered speech across lifespan: type/token ratio, part of speech percentage or syntactic complexity. Polish Inforex or Korpusomat, both being a wonderful tool for building a customized corpus from text samples collected independently by a researcher, do not include sound-to-transcript alignment. Spokes and the Spokes.mix are not exactly the dynamic corpora that would allow comparing data sets (which is necessary when comparing speech samples from the control and research group). It seems that there is no other way for us than to build a speech corpus from its rudiments, but – as will be shown in the presentation – not necessarily from scratch.
In the presentation, I will show:

(1)   different kinds of data that our team already has;
(2)   our plans for expanding the database, including already existing protocols for samples collection, storage, and analysis;
(3)   what kind of features are necessary and to what extent it can be covered by already existing computing and corpus linguistic tools (including maximal possible automatization);
(4)   why Teitok is the platform that is most suitable for our goals and where we have to make a compromise between what we need and want to achieve and what is yet possible,
(5)   and – if possible in the designated time frame – how the basic, preliminary topic-focus articulation annotation for Polish can be combined with prosodic features on the one hand and pragmatic markers on the other.

Seminář pojednává o tvorbě diachronního korpusu 2. poloviny 19. století (DIA1900), která zahrnuje výběr a zpracování textového materiálu, který bude korpus obsahovat, dále pak principy tvorby morfologického slovníku a v neposlední řadě také metodologii zpracování chystaného korpusu.

V přednášce představíme náš výzkum zaměřený na výrazy typu navzdory a počínaje, které je možné hodnotit jako tzv. ambipozice, tedy adpozice, které mohou stát jak před svým komplementem, tak za ním.

V tomto výzkumu jsme se na základě analýzy korpusových dokladů vybraných ambipozic (navzdory, nevyjímaje, nemluvě o, počínaje, konče, počínaje-konče) pokusili zjistit, které faktory ovlivňují vzájemné postavení ambipozice a jejího komplementu. Zaměřili jsme se přitom na délku a syntaktickou komplexitu komplementu, pozici ve větě a typ textu, ve kterém je adpoziční fráze užita. K ověření validity výsledků jsme využili metodu random forests.

Od vydání korpusu SYN2020 (prosinec 2020) je v tomto korpusu i v mladších korpusech (SYNv9 a SYNv10) současné češtiny možné vyhledávat podle všech slovesných morfologických kategorií, a to i těch, které se vztahují k analytickým (víceslovným) slovesným tvarům, jež v češtině převažují. Kromě atributu "tag" je totiž možné využívat i atributu "verbtag", který obsahuje údaje o tom, zda sloveso (spolu)vytvářející slovesný význam je pomocné, nebo plnovýznamové, dále údaj o slovesném způsobu, diatezi, osobě, číslu a čase. Značkování se týká jak jednoslovných slovesných tvarů (indikativ 3. osoby prézentu: Pracuji v Ústavu anorganické chemie.), tak tvarů víceslovných (minulý čas 1. a 2. osoby: Pak jsi dostala, Evo, lépe placené místo.; kondicionál 3. osoby singuláru: Pak by se dalo něco dělat.). Autoři představí celkové pojetí značkování atributem "verbtag", jednotlivé sledované morfologické kategorie a jejich hodnoty a na příkladech předvedou, co se jak značkuje. Ukážou dále příklady snadného značkování analytických slovesných tvarů a také značkování případů složitějších, kde je značkování případně interpretačně nejasné, a rovněž struktury, s nimiž má automatické značkování potíže. Naznačí také, jaké má značkování výhody a využití.

Ve svém příspěvku stručně představíme budovaný (a k brzkému spuštění verze 1.0 spějící) Korpus současné české poezie. Podělíme se o své zkušenosti při jeho výstavbě, o komplikace a problémy s ní spojené a – na dílčích studiích již publikovaných i chystaných – ukážeme, k čemu je takováto datová základna vlastně dobrá.

Prezentace představuje projekt „Language across generations: Contact induced change in morphosyntax in German-Polish bilingual speech“ (LanGener), jehož součástí je i česko-německý projekt zaměřený na strukturní výpůčky v jazyce česko-německých bilingvních mluvčích. Východiskem analýzy těchto fenoménů jsou jazyková data česky a německy vedených jazykověbiografických interview, jež jsou rovněž zdrojem metajazykových dat. Na příkladu výběru, sběru, dokumentaci, transkripci a anotaci zmíněných dat v rámci česko-německého projektu se v prezentaci ilustrují posuny při produkci jazykových a metajazykových dat, jež jsou nejen východiskem, ale i výsledkem lingvistické analýzy a lingvistického výzkumu. Tím prezentace na jedné straně přibližuje, co lze očekávat od dat v rámci vznikajícího dílčího korpusu ČNK, na druhé straně klade obecnější otázky k validitě dat, jež se v korpusech stávající východiskem kvantitativních analýz.

This talk addresses the morphological word formation process that is known as clipping. In English, that process yields shortened word forms such as lab (<< laboratory), exam (<< examination), or gator (<< alligator). Existing work (Davy 2000, Durkin 2009, Haspelmath & Sims 2010, Don 2014) characterizes clipping as a highly variable phenomenon, arguing that it is difficult to predict how a given source word will be shortened. Recently however, the view that clipping is unsystematic or unpredictable has been empirically challenged (Lappe 2007, Jamet 2009, Berg 2011, Alber & Arndt-Lappe 2012, Arndt-Lappe 2018). This talk continues that line of research and presents new empirical insights. Specifically, the talk will report on new results that have been obtained on the basis of a newly-compiled large database of English clippings, and through experimental, psycholinguistic methods. The studies take into account variables that include phonological, morphological, syntactic, and semantic distinctions, along with corpus-based measurements of type and token frequency, as well as distribution.

Earlier research on clippings has emphasized the importance of factors such as the principle of least effort (Zipf 1949), the recoverability of the source word (Tournier 1985), and phonological factors such as stress and syllable structure (Lappe 2007). While the individual influence of these factors on clipping has been recognized, their interaction and their relative importance remains to be fully understood. Addressing this research gap, this talk presents two sets of results. The first of these is based on a multivariate analysis of factors that reveal systematic patterns in the formation of clippings. On the basis of such a multivariate analysis, it is discussed what underlying factors are implicated in the clipping process and how these factors interact. The second set of results is based on experimental studies in which speakers of English are prompted to choose between clipping alternatives, or to propose a clipping of their own on the basis of a source word.

The empirical studies allow a precise assessment of the phonological, semantic, and frequency-related factors that are at work in clipping formation. The overall conclusion is that clipping has been unjustly characterized as an unpredictable word formation process. Not only are clippings formed on the basis of systematic patterns, but these patterns also reflect functional pressures that act on the speaker and the hearer.

References

Arndt-Lappe, Sabine. 2018. Expanding the lexicon by truncation: Variability, recoverability, and productivity. In Sabine Arndt-Lappe, Angelika Braun, Claudine Moulin & Esme Winter-Froemel (eds.), Expanding the lexicon: Linguistic innovation, morphological productivity, and ludicity, 141–170. Berlin: De Gruyter Mouton.

Berg, Thomas. 2011. The clipping of common and proper nouns. Word Structure 4(1). 1–19.

Davy, Dennis. 2000. Shortening phenomena in Modern English word formation: An analysis of clipping and blending. Franco-British Studies 29. 59–76.

Don, Jan. 2014. Morphological theory and the morphology of English. Edinburgh: Edinburgh University Press.

Durkin, Philip. 2009. The Oxford guide to etymology. Oxford: Oxford University Press.

Haspelmath, Martin & Andrea D. Sims. 2010. Understanding morphology. Second edition. London: Arnold.

Jamet, Denis. 2009. A morpho-phonological approach of clipping in English: Can the study of clipping be formalized? Lexis – E-Journal in English Lexicology. HS1. 15-31.

Lappe, Sabine. 2007. English prosodic morphology. Dordrecht: Springer.

Tournier, Jean. 1985. Introduction descriptive à la lexicogénétique de l’anglais contemporain. Paris-Genève: Champion-Slatkine.

Zipf, George K. 1949. Human behavior and the principle of least effort. Cambridge: Addison Wesley.

Explaining how speakers align their expectations is central to understanding human vocal communication. Spontaneous articulations are produced by dynamic and kinematic processes that guarantee a considerable amount of deviation in the way speech sounds and sequences are produced, such that many of the gestures speakers produce in spontaneous conversations are actually unintelligible in isolation (Pollack and Pickett, 1963; Bard and Anderson, 1983; Ernestus et al., 2002). In spite of the mess of noisy physical properties that speech signals comprise, people invariably tend to experience them as speech sounds, words and phrases. This mismatch between the measurable attributes of the signal and their appearance to a receiver poses a deep puzzle: How do we bring order to this apparent chaos?

In my work, I approach this question as a probabilistic puzzle rooted in information theory (Shannon, 1948), seeking to resolve an apparent contradiction between the formal definition of information, and the specific kind of periodic structure its implementations require on one hand, and the apparent absence of this structure in the signal produced by speakers on the other. Crucially, applying the notion of information to speech embraces the idea that communication is a predictive process made possible because the speech stream contains regularities that are predictable across speakers. However, an obvious difference between speech (and natural language) and other information-theoretic codes is that the former has to be learned, and this means that speakers' experience of codes -- and their internal models of them -- will inevitably vary. This makes the whole idea of predictable regularities in speech signals seem problematic: How do speakers ever manage to learn to align their individual expectations about what spoken signals should sound like, and thus make any regularities in them mutually predictable and informative in the first place?

In this talk I will address the sources of information (signals) that allow speakers to co-ordinate their expectations and communicate successfully. I show that regular patterns of co-occurrence between speech cues at various levels of abstraction - speech sounds, words and phrases - serve as context to structure the systemic uncertainty of communications while gradually increasing the rate at which differences in articulations are perceived. I argue that this leads to a predictable ebb and flow of uncertainty that allows for maintenance of shared expectations about rates at which informative changes occur in speech signals. I discuss how speakers' experience affects the structure of discrete and continuous time interval distributions that segment speech sequences into phones, words and phrases.

I když je pohyb v prostoru jednou z nejzákladnějších lidských zkušeností, jazyky se v jeho vyjádření liší. Jedním z rozdílů je popis událostí, ve kterých dochází k překročení tzv. boundary: mluvčí románských jazyků a dalších tzv. V-jazyků (dráhu pohybu kódují primárně na verbu) musí v těchto případech dráhu na slovesu vyjádřit. Informaci o způsobu pohybu pak nezbývá než vynechat, nebo vyjádřit pomocí neobligatorního doplnění slovesa. Naproti tomu mluvčí jazyků, které dráhu běžně kódují mimo slovesný kořen na tzv. satelitu (S-jazyky), mohou sloveso ke kódování způsobu pohybu využít; k těm patří mezi jinými i jazyky germánské a slovanské.

(1) He staggered into Arthur 's sitting room (Adams Sbohem, InterCorp v. 13)

Vpotácel se do Arthurova obýváku

Entró tambaleándose en el cuarto de estar de Arthur

Cílem příspěvku je přispět k poznání intratypologických rozdílů mezi S-jazyky srovnáním angličtiny s češtinou. Mapuji vliv typu konstrukce vyjadřující boundary crossing (konkrétněji pohyb dovnitř ohraničení) na lexikální diverzitu sloves v těchto konstrukcích. Ve shodě s Lewandowski & Mateu (2020) očekávám, že česká konstrukce s vázaným morfémem v- bude klást vyšší nároky na slovesa do ní vstupující než anglická konstrukce s morfémem volným (in/to), a bude v ní tedy nižší lexikální diverzita; roli bude nicméně hrát i nemožnost kombinovat několik satelitních prefixů. Představím výsledky dvou korpusových studií, založených na obousměrném paralelním korpusu vytvořeném v rámci korpusu InterCorp (Čermák and Rosen 2012). V závěru se pokusím o souhrnnější kontrastivní analýzu identifikovaných sloves pohybu v angličtině a češtině, zejména se zaměřením na jednotlivé kategorie způsobu pohybu a obligatornost jeho vyjádření. Cílem příspěvku je také připomenout metodologické problémy kontrastivních sémanticko-typologických analýz: problémy s kategorizací způsobů pohybu (různorodost kritérií vede k různým klasifikacím u různých autorů a několika možným klasifikacím téhož slovesa) či s pouhou klasifikací slovesa jako slovesa pohybu (někdy je pohyb dodán pouze konstrukcí), s vymezením pojmu typ (proti tokenu) v jazyce s kategorií vidu, s vlivem lexikalizace, s nedostatkem srovnatelných dat a metodologií pro případné srovnání češtiny s jinými slovanskými jazyky a nakonec též s vytvářením obousměrného paralelního korpusu v případě jazyků odlišného morfologického typu.

Bibliografie:

Čermák, F. & A. Rosen. 201). The case of InterCorp, a multilingual parallel corpus. International Journal of Corpus Linguistics 17(3): 411–427.

Lewandowski, W. & J. Mateu. 2020. Motion events again: Delimiting constructional patterns. Lingua, 247(C), 1-25.

• Martinkova-abstrakt.pdf

Příspěvek bude věnován problémům segmentace vybraných jazykových jednotek z perspektivy Menzerathova–Altmannova zákona. Zákon popisuje vztah mezi délkami jednotek bezprostředně sousedících jazykových rovin, z čehož vyplývá potřeba specifické operacionalizace jednotek. U každé roviny je třeba stanovit jednak které jednotky jsou bezprostředně hierarchicky sousedící, jednak jak tyto jednotky dělit na segmenty o úroveň nižší. V prezentaci budou blíže představeny problémy segmentace v rovině morfologické a syntaktické. U morfologické segmentace bude popsán algoritmus segmentace slov na morfémy, u roviny syntaktické bude představena nově postulovaná jednotka zvaná lineárně dependenční segment.