Hodnoty slovesných morfologických kategorií v korpusu SYN2020 — atribut verbtag

ČASOPIS PRO MODERNÍ FILOLOGII 104, 2022, Č.1, S. 89–109 Hodnoty slovesných morfologických kategorií vkorpusu SYN2020— atribut verbtag1 Tomáš Jelínek (Praha)— Vladimír Petkevič (Praha)— Hana Skoumalová (Praha) Tomáš Jelínek — Vladimír Petkevič — Hana Skoumalová VALUES OF VERBAL MORPHOLOGICAL CATEGORIES IN THE SYN2020 CORPUS— THE VERBTAG ATTRIBUTE The paper describes the verbtag attribute, which allows auser to search, in the SYN2020 corpus (and also subsequent corpora, SYNv9 and SYNv10) of contemporary Czech, for all values of morphological categories of verbs, i.e., not only those contained in the tag attribute, but also those related mainly to multi-word participial verb predicates, which are prevalent in Czech. The verbtag attribute contains information indicating whether the verb (co-)forming the verbal meaning is either auxiliary or autosemantic, as well as information about the verb mode, diathesis, person, number and tense. The annotation applies both to verb predicates expressed in asingle word (e.g., the 1st person indicative present tense: Čtu rád detektivní příběhy. ‘Ilike to read detective stories.’) and (especially) to verb predicates expressed in multiple words (e.g., the present conditional of the 1st person singular: Pak bych mu schutí nabídla výhodnou smlouvu. ‘Then Iwould gladly offer him agood deal.’). The authors introduce the motivation and the concept of the verbtag annotation, describe relevant morphological categories and their values in detail, and show, via examples, how various multiword structures expressing verbal meaning are annotated in the verbtag attribute. They also offer users aguide to the whole issue of verbal morphosyntax manifested in the verbtag attribute and possibilities for efficient search for and retrieval of morphological/morphosyntactic data. The paper shows which multiple verb complexes are simple in terms of annotation, but also identifies more complex cases (e.g., coordination of participles) which are not easy to automatically annotate, and/or whose annotation is unclear in terms of an adequate theoretical approach. The authors also present the method used for annotating multiword verbal complexes and its current success rate. KEYWORDS verbtag attribute, morphology of Czech verbs, morphological categories and values, automatic annotation, SYN2020 corpus KLÍČOVÁ SLOVA atribut verbtag, morfologie českých sloves, morfologické kategorie ahodnoty, automatické značkování, korpus SYN2020 DOI https://doi.org/10.14712/23366591.2022.1.5 1 Článek vznikl během práce na projektu velké infrastruktury reg. č. LM2018137. OPEN ACCESS 90 ČASOPIS PRO MODERNÍ FILOLOGII 104, 2022, Č.1 1. MOTIVACE Český národní korpus již řadu let nabízí jazyková data pro výzkum češtiny vpodobě jazykových korpusů. Tyto korpusy jsou opatřeny morfologickými značkami, aby uživatelé mohli skorpusy snáze pracovat. Morfologické značky (tagy) poskytují informace oslovním druhu slova, jemuž jsou přiřazeny, aojeho mluvnických kategoriích, např.tvaru jdu je přiřazena značka pro sloveso vpřítomném čase vprvní osobě jednotného čísla. Tyto značky se primárně vztahují kizolovaným slovním tvarům, např.infinitiv pracovat je označen jako infinitiv itehdy, je-li součástí složeného futura budu pracovat. Morfologické vlastnosti jednotlivých slovních tvarů (včetně jejich slovního druhu) se určují automaticky na základě kontextu celé věty, protože jedině kontext umožňuje rozpoznat uhomonymních tvarů, která zmožných interpretací je správná, například zda tvar se je předložka, nebo zvratné zájmeno, nebo zda tvar informací ve větě Zdroj informací je ověřený. je vinstrumentálu singuláru, nebo genitivu plurálu. Donedávna představovalo morfologické značkování vztažené kizolovaným tvarům obtíže pro uživatele, kteří chtěli vkorpusu zkoumat složené slovesné tvary, například minulý čas 1.a2.osoby nebo pasivní či kondicionálové konstrukce. Uslovesných příčestí (koupil, koupen) byla ve značce sice uvedena osoba (vrozporu se snahou, aby morfologická značka popisovala jen tvar, jemuž je přiřazena), ne však způsob. Čas je uněkterých tvarů uveden, ale jen vztažený kizolovanému tvaru (tedy minulé příčestí má vtagu přiřazen čas minulý ivpřípadě, kdy je součástí kondicionálu přítomného). Potřeboval-li uživatel tyto údaje, byl nucen je sám dohledat, využívaje složitých dotazů, zahrnujících například pro podmiňovací způsob přítomnost kondicionálového tvaru slovesa být nebo spojek aby či kdyby vtéže klauzi (ovšem ne nutně vtěsné blízkosti slovesného příčestí). Podobně nebylo snadné rozeznat od sebe tvary pomocného slovesa být od tvarů existenčního asponového být. Pro usnadnění práce se slovesy je slovům vreprezentativním korpusu současné psané češtiny SYN2020 ave všech nově publikovaných korpusech psané češtiny (tedy zatím také vkorpusech SYNv9 aSYNv10) přiřazován nový atribut: verbtag. Tento atribut obsahuje na jednom místě všechny důležité gramatické kategorie slovesného tvaru, ať už je složený, nebo prostý. Vyznačuje mimo jiné také pomocná slovesa. Přiřazuje se všem tokenům vkorpusu, pouze usloves (avmalé míře udeverbativních adjektiv) však nabývá jiných hodnot než „------“. Tento nový atribut podrobně popíšeme vnásledujících částech článku. Původní morfologické značky jsou naopak důsledně zbaveny přenesených kategorií, například se vnich tedy již neuvádí osoba upříčestí. Značkujeme kategorie gramatické (morfosyntaktické), nikoli sémantické; například historický prézens se tak značí jako jakýkoli jiný přítomný tvar. Atribut verbtag byl navržen tak, aby jím bylo možné spolehlivě asrozumitelně automaticky značkovat hodnoty morfologických kategorií vlibovolném psaném českém textu. Ve verbtagu tedy lze najít například informaci oslovesném způsobu nebo osobě jednoduchých isložených slovesných tvarů. Některé případy, unichž nelze spolehlivě automaticky rozhodnout, se již vnávrhu atributu řeší opatrně. Například utrpných příčestí, jež se nacházejí ve větě bez pomocného slovesa, nelze spolehlivě určit, zda jde osložené pasivum selidovaným pomocným slovesem, nebo odoplněk; OPEN ACCESS TOMÁŠ JELÍNEK — VLADIMÍR PETKEVIČ — HANA SKOUMALOVÁ 91 otakové rozlišení se tedy vůbec nepokoušíme atato příčestí značkujeme jako samostatně stojící („ostatní“ funkce trpného příčestí). Podobně nelze spolehlivě rozpoznat reflexivní pasivum (Petr se myje. oproti Nádobí se myje.), ve verbtagu se tedy takové pasivum vůbec neurčuje (shodnotou pro reflexivní pasivum se vůbec nepočítá, slovesům se přiřazuje verbtag jako pro aktivní tvary). Kromě zavedení atributu verbtag bylo zvoleno inové řešení pro textová slova, která zahrnují více slov syntaktických, jako je ses, oč nebo abychom. Taková slova se sice inadále považují za jeden token (jedno slovo, jehož tvar lze vkorpusu vyhledat), ale přiřazuje se jim více lemmat, morfologických značek ivíce hodnot atributu verbtag, například tvar ses dostává lemma se alemma být, značku pro zvratné zájmeno2 ipro 2.osobu singuláru prézentu slovesa být. Dále vtextu onich mluvíme jako ovíceslovných tokenech. Článek je rozvržen do těchto částí. Nejprve stručně pojednáváme označkování složených slovesných tvarů vněkterých jiných jazycích akorpusech ataké vjiných korpusech češtiny (část 2). Část 3 obsahuje stručný přehled slovesných kategorií zahrnutých ve verbtagu (3.1) ajejich podrobný popis jednotlivě včetně jejich možných hodnot (3.2). Dále je zde několik příkladů náležitého značkování (3.3), vysvětluje se tu také, proč nebyly některé jevy do verbtagu zahrnuty (3.4). Část 4 ukazuje na základě souvislostí mezi jednotlivými kategoriemi ajejich hodnotami ve verbtagu, jak se vcelé problematice snáze orientovat jako uživatel korpusu. Včásti 5 se probírají složitější případy složených slovesných tvarů, ato jednak zhlediska obtíží achyb vprocesu automatického přiřazení verbtagu tokenům vkorpusu, jednak zhlediska nejasností vsamém chápání morfosyntaktické povahy některých jevů. Část 6 se věnuje automatickému značkování korpusů, především automatickému přiřazování značky verbtag slovním tvarům vkorpusu, technickým souvislostem zavedení atributu verb tag ametodám iúspěšnosti desambiguace zvláště se zaměřením na verbtag. 2. ANOTACE SLOŽENÝCH SLOVESNÝCH TVARŮ VKORPUSECH Složené slovesné tvary se vyskytují snad ve všech indoevropských jazycích, experimenty sautomatickou anotací slovesného způsobu, rodu nebo času byly prováděny například pro angličtinu, němčinu nebo francouzštinu, viz např.(Ramm et al., 2017), (Dönicke, 2020). Tyto experimenty používají syntaktickou anotaci (tedy automatické určení souvztažnosti mezi jednotlivými částmi slovesného tvaru). Ve většině velkých, veřejně dostupných korpusů indoevropských jazyků (například Polský národní korpus, Britský národní korpus, Referenční korpus současné španělštiny3 aj.) se jednotlivé části složených slovesných tvarů značkují izolovaně, 2 Ureflexiva se nerozlišujeme zdůvodů technických (obtížnost automatické anotace) iteoretických (nejasná hranice mezi jevy) mezi reflexivním zájmenem (Myli se), tvarotvorným prostředkem se (Auta se vyrábějí) aslovotvorným prostředkem se (Usmála se na mě). 3 Polský národní korpus: www.nkjp.pl; Britský národní korpus: https://www.english-corpora.org/bnc/; Referenční korpus současné španělštiny: https://www.rae.es/banco-de-datos/crea. OPEN ACCESS 92 ČASOPIS PRO MODERNÍ FILOLOGII 104, 2022, Č.1 tedy minulému příčestí se přiřadí pouze značka pro minulé příčestí bez ohledu na to, jakého složeného tvaru je slovo součástí. Vanotačním standardu Universal Dependencies4 možnost anotovat složené tvary sloves existuje, ale v korpusech tímto standardem anotovaných se vesměs také značkují jednotlivé části slovesných tvarů izolovaně (min. příčestí: Tense=Past|VerbForm=Part). Anotace složených slovesných tvarů se objevuje vněkterých syntakticky anotovaných korpusech (treebancích), které však nejsou tak rozsáhlé jako korpusy textové. Je to například závislostní treebank češtiny PDT 2.5,5 ve kterém je na tektogramatické rovině usloves vyznačeno, zda jsou součástí složeného tvaru ajaký mají způsob. Vjiném, složkovém treebanku (Petkevič et al., 2015) jsou usémantické hlavy složeného slovesného tvaru uvedeny charakteristiky celého složeného tvaru. Slovesný způsob ačas jsou podobně uvedeny vpolském treebanku Składnica (Patejuk — Przepiórkowski, 2014).6 Vjiných treebancích, např.vruském Syntaktickém korpusu (Апресян et al., 2005),7 se dá informace ozpůsobu ačasu získat dotazem na plnovýznamové sloveso ana něm závislá pomocná slovesa, ale nikde není uvedena explicitně. 3. MORFOLOGICKÉ KATEGORIE AHODNOTY VATRIBUTU VERBTAG AJEJICH ZNAČKOVÁNÍ Vtéto části nejprve podrobně popíšeme, které morfologické kategorie ajejich hodnoty ve verbtagu zachycujeme akterým slovním tvarům jsou tyto údaje připisovány (3.1 a3.2). Poté předvádíme na příkladech, jak se struktury se složenými slovesnými tvary značkují vkorpusech SYN2020 aSYNv9 (3.3), avčásti 3.4 uvádíme vlastnosti, které ve verbtagu nevyjadřujeme. 3.1 MORFOLOGICKÉ KATEGORIE AHODNOTY VATRIBUTU VERBTAG Slovní tvary jsou vkorpusu SYN2020 (ataké vkorpusu SYNv9 aSYNv10) morfologicky značkovány dvěma atributy: základním 15pozičním tagem a6pozičním atributem verbtag. Atribut tag obsahuje gramatické kategorie vztažené přímo kizolovanému slovnímu tvaru, usloves tedy především: typ tvaru (imperativ, minulé příčestí, kondicionálový tvar), číslo, čas, osobu (utvarů přímo osobu vyjadřujících), jmenný rod (upříčestí apřechodníků), slovesný rod, vid. Atribut verbtag obsahuje informace ogramatických kategoriích slovesa, ato jak utvarů jednoduchých (napíšu, slyšet, jsem, hovořil), tak utvarů složených (budu psát, slyšeli jste, byli bychom připravili, být spasen). Odlišuje také pomocné tvary slovesa být abývat od tvarů plnovýznamových aod spony uverbonominálního predikátu, která 4 Anotační standard, který používá vsoučasné době nejvíce různých jazykových korpusů: www.universaldependencies.org. 5 http://hdl.handle.net/11858/00-097C-0000-0006-DB11-8. 6 https://clarino.uib.no/iness/page. 7 https://ruscorpora.ru/new/search-syntax.html. OPEN ACCESS TOMÁŠ JELÍNEK — VLADIMÍR PETKEVIČ — HANA SKOUMALOVÁ 93 se rovněž chápe jako plnovýznamová. Atribut verbtag tvoří šest pozic. Přiřazuje se všem tokenům vkorpusu (tedy včetně například substantiv či interpunkce), jen usloves audeverbativních adjektiv zakončených na -ný, -tý (viz popis 3.pozice níže) však nabývá jiných hodnot než hodnoty „------“ (irelevantní). Atribut verbtag tedy přenáší hodnoty některých gramatických kategorií od tvarů pomocného slovesa být ke slovesu plnovýznamovému, výjimečně iod zájmen (například tam, kde je osoba vyjádřena osobním zájmenem, nikoli slovesným tvarem: já nemohl spát). Nepřenáší však hodnoty gramatických kategorií od jiných sloves, například od sloves modálních či fázových, např.infinitiv po modálním slovese tedy bude mít pro osobu ačíslo hodnotu „-“ (irelevantní). Při určování gramatických kategorií daného tvaru atribut verbtag více využívá okolního kontextu aje interpretativnější než základní 15poziční morfologický tag. Například upříčestí neobsahuje tag kategorii osoby (samo izolované příčestí totiž osobu nevyjadřuje, typ slyšels je pojednán jako víceslovný token, viz výše), zato verbtag osobu určuje. Imperativ může mít vtagu pouze první či druhou osobu (chraňme, chraň, chraňte), ve verbtagu může ale vurčitých kontextech nabýt iosoby třetí (chraň Bůh). Rozpor mezi číslem upomocného slovesa aupříčestí vpřípadě vykání je zachycen hodnotou vpro gramatickou kategorii čísla ve verbtagu: například ve spojení abyste nepřišla bude mít příčestí nepřišla číslo vtagu hodnotu S(singulár), ve verbtagu hodnotu v(vykání). Nyní uvedeme nejprve přehledově apoté podrobně obsah atributu verbtag. Tvoří jej šest pozic stěmito hodnotami: — 1. pozice— druh slovesa: pomocné sloveso / plnovýznamové sloveso — 2. pozice— typ slovesného tvaru: indikativ / kondicionál / infinitiv / imperativ / přechodník; anavíc samostatně stojící trpné příčestí — 3. pozice— diateze: aktivní / pasivní — 4. pozice— osoba: první / druhá / třetí — 5. pozice— číslo: singulár / plurál / vykání — 6. pozice— čas: předminulý čas / minulý čas / prézens / futurum 3.2 PODROBNÝ POPIS JEDNOTLIVÝCH POZIC VERBTAGU 1. pozice— druh slovesa: pomocné/A, plnovýznamové/V, irelevantní/- Na této pozici mají plnovýznamová slovesa vjakémkoli tvaru asponové být, bývat hodnotu V(viz př. 1–5 níže); pomocná slovesa být, bývat včetně klitického sakondicionálových tvarů samostatných ispojených se spojkami aby, kdyby mají hodnotu A (viz př. 3–5); všechny ostatní slovní druhy včetně deverbativních substantiv aadjektiv mají hodnotu- (irelevantní). Upomocných sloves obsahuje celý verbtag právě jen hodnotu A, další hodnoty se neuvádějí (A-----). Sloveso mít za pomocné nepovažujeme ani vpřípadech jako mít uvařeno.8 8 Více orezultativních adalších konstrukcích voddíle 3.4. OPEN ACCESS 94 ČASOPIS PRO MODERNÍ FILOLOGII 104, 2022, Č.1 (1) Přišel/Vpozdě. (2) Jeho matka abratr tu budou/Vkaždou chvíli. (3) Proč ses/Asním hádala/V? (4) Měl/Vby/Ase pokusit/Vpřekonat/Vtu starou rivalitu. (5) Vzorce musí/Vbýt/Apoužity/Vpřesně. Obecně platí, že jednoduchý plnovýznamový slovesný tvar nebo složený slovesný tvar obsahuje právě jeden jednoduchý slovesný tvar shodnotou Vna první pozici verbtagu. Slovesný tvar mající hodnotu Vna první pozici verbtagu může mít vzávislosti na svém typu vyplněny všechny hodnoty na 2.až 6.pozici (viz níže). 2. pozice— typ slovesného tvaru: indikativ/D, kondicionál/C, imperativ/I, infinitiv/F, přechodník/T, ostatní funkce trpného příčestí/O(doplněk nebo predikát bez spony), irelevantní/- Písmeny označené hodnoty může mít jen slovesný tvar, který má na první pozici V. Hodnota Význam Příklady Dindikativ odešla, odejdu; byl doma; byl jsem přirovnáván; bude pršet Ckondicionál odešel bych; byla bys bývala chycena; abych/ kdybych byla potrestána Iimperativ odejdi; buďte chváleny Finfinitiv chci vědět; být úspěšný; být přirovnáván; Tpřechodník chutně vaříce; jsouc vystavována velké zátěži Oostatní funkce trpného příčestí poslouchal mne znuděn; mám jídlo uvařeno; bankovní loupež zmařena TABULKA 1.Typy slovesných tvarů — Hodnotu D (indikativ) na 2.pozici tedy mají aktivní tvary indikativu sloves (odcházím/D, odejdu/D), ato včetně sloves být, bývat vnepomocné funkci, tj.existenční asponové (ďábel je/D; byl/D doma), trpná příčestí vindikativu pasiva (byl jsem přirovnáván/D) atvary infinitivu vaktivním futuru nedokonavých sloves (budu tady sedět/D). — Hodnotu C (kondicionál) na 2.pozici mají minulá příčestí významových sloves asponového či existenčního být vaktivní kondicionálové konstrukci (odešel/C bych; byl bych (býval) odešel/C; byla/C bych smutná) atrpná příčestí plnovýznamových sloves vpasivní kondicionálové konstrukci (bylo by znárodněno/C; abyste nebyli překvapeni/C). OPEN ACCESS TOMÁŠ JELÍNEK — VLADIMÍR PETKEVIČ — HANA SKOUMALOVÁ 95 — Hodnotu I(imperativ) na 2.pozici mají aktivní tvary imperativu (odejdi/I, buď/Ipřipravený) atrpná příčestí plnovýznamových sloves vkonstrukci spasivním imperativem (buď připraven/I; buď pozdravena/I, Maria). — Hodnotu F (infinitiv) na 2.pozici mají všechny tvary infinitivu plnovýznamových sloves mimo opisné konstrukce pro tvoření aktivního futura nedokonavých sloves (tam mají hodnotu D): sedět/F na zahradě se mu líbilo; chci tady sedět/F; možnost odejít/F do zahraničí ji lákala; opak může býti/F pravdou atrpná příčestí plnovýznamových sloves vkonstrukci spasivním infinitivem: atak chci být připraven/F na všecko; nebývat osočován/F. — Hodnotu T (přechodník/transgresiv) na 2.pozici mají aktivní tvary přechodníku plnovýznamových sloves inepomocného být: předpokládaje/T, že budeme skeptičtí; anevyčkav/T odpovědi odešel si pro zákusek; sám jsa/T hříchu neschopen atrpná příčestí plnovýznamových sloves vpasivní přechodníkové konstrukci: odvětila dívka, jsouc dojata/T takovým náporem úcty alásky. — Hodnotu O(ostatní funkce trpného příčestí) na 2.pozici mají trpná příčestí ve funkci doplňku, vrezultativních konstrukcích ave funkci jmenného přísudku selidovanou sponou: poslouchal mne znuděn/O; mám jídlo uvařeno/O; na výsost znechucen/Ošpatným dojmem, který Clevinger vyvolával; koncert zrušen/Obez náhrady. Oproti tomu ve strukturách se sponou se trpná příčestí značkují podle typu slovesného tvaru, jaký pasivní konstrukce vyjadřuje, např.indikativ vklauzi: byl jsem zahrnován/D holdy jako milionář. 3. pozice— slovesný rod: aktivum/A, pasivum/P, deverbativní adjektivum odvozené zpasivního příčestí/p, irelevantní/- Hodnota Význam Příklady Aaktivum odešla; odešel bych; byl doma; popojdu; budou sedět Ppasivum byla bys chycena; buďte pochváleny pdeverbativní adjektiva odvozená od trpného příčestí dílo bylo vyvážené; ležel zabitý na trávníku; býval přirovnávaný kMozartovi; zabitá neděle TABULKA 2.Slovesný rod Na 3.pozici mají hodnotu A(aktivum) aktivní slovesné tvary, hodnotu P (pasivum) pasivní slovesné tvary. Tyto hodnoty jsou ve verbtagu totožné spříslušnými hodnotami vtagu (12.pozice). Hodnotu Anebo P může mít jen slovesný tvar, který má na první pozici V.Hodnotu p má pouze deverbativní adjektivum zakončené na -ný nebo -tý atoto adjektivum nemá žádné další hodnoty, jeho verbtag je tudíž vždy roven --p---. Tato hodnota umožňuje odlišit deverbativní adjektiva odvozená od pasiva od nedeverbativních adjektiv; adjektiva odvozená od přechodníků jsou rozlišena již vtagu (AG.*, AM.*: adjektivum od přítomného, resp. minulého přechodníku). Vkonstrukci se sponou adeverbativním adjektivem (např.byl unavený) je spona na rozdíl od pasiva značena jako plnovýznamové sloveso. OPEN ACCESS 96 ČASOPIS PRO MODERNÍ FILOLOGII 104, 2022, Č.1 Ve verbtagu nezachycujeme reflexivní diatezi (medium), tj.například ve větě: učešu si vlasy není uslovesného tvaru učešu uveden reflexivní význam (lexikálně signalizovaný reflexivem si). Ani vněm nezachycujeme reflexivní pasivum, značkujeme pouze pasivum opisné. Reflexivní pasivum totiž není snadné spolehlivě značkovat vzhledem kvelmi obtížně desambiguovatelné homonymii reflexivních částic se, si ivzhledem kneshodám vteoretickém pohledu na tento jev. 4. pozice— osoba: 1 / 2 / 3 / irelevantní/- Hodnoty označené čísly může mít jen slovesný tvar, který má na první pozici V. Hodnota Význam Příklady 1 první osoba přišel jsem; vylézáme; připravili bychom to; budeme zainteresováni; buďme odhodláni 2druhá osoba odejdete; odejděte; byla bys chycena; budete zastrašeni; buďte připraveny; hodně ses snažila 3třetí osoba přišel včas; byl ztracen; bude připravovat; je odhodlán; chraň Bůh TABULKA 3.Osoba Ve verbtagu se osoba (1/2/3) uvádí uvšech nepomocných tvarů morfologického prézentu (přinášíme, přinesou), futura (bude, půjdu), tvaru imperativního (vyskoč) auminulého (l-ového) příčestí, pasivního příčestí ainfinitivu ve finitní konstrukci: otec zemřel/3; byli bychom připravili/1; byl byste zatčen/2; nebudeme to odkládat/1. Osoba se neuvádí unefinitních konstrukcí infinitivních: být přinesen/-; být/- přinesený (ani když lze osobu dovodit například zmodálního slovesa), přechodníkových: nechtě/-; jsouc přinášeno/- autrpných příčestí ve funkci doplňku: silně rozrušen/-, odešel. Na 4.pozici verbtagu zachycujeme také sémanticky třetí osobu imperativu: chraň/3 Bůh; pozdrav/3 pánbůh; vem/3 to čert, která je morfologicky vyjádřena druhou osobou (chraň/2, pozdrav/2, vem/2) na 8.pozici tagu, neboť čeština morfologicky třetí osobu imperativu nevyjadřuje. 5. pozice— číslo: singulár/S, plurál/P, vykání/v, irelevantní/- Hodnoty označené písmeny může mít jen slovesný tvar, který má na první pozici V. Hodnota Význam Příklady S singulár přišel jsem; bude je škádlit; budeš sedět; připravil bych to; bude zabit; buď odhodlána Pplurál odejdete; vylézáme; nebyly by prodány; čtěme; nebuďte překvapeni; budou číst vvykání jednotlivci nedostavil jste se; měla byste, paní účetní, vědět TABULKA 4.Číslo OPEN ACCESS TOMÁŠ JELÍNEK — VLADIMÍR PETKEVIČ — HANA SKOUMALOVÁ 97 Hodnotu v(vykání jednotlivci) má pouze minulé příčestí atrpné příčestí plnovýznamového slovesa vsinguláru (vpřechodníkových konstrukcích se vdnešní češtině nevyskytuje) vkonstrukci svykáním jednotlivci, kde je rozpor včísle mezi plurálem pomocných sloves asingulárem plnovýznamového slovesa: vy byste to zařídil/voproti vy byste to zařídili/P. Neznačkuje se vykání vplurálu (tedy vykání skupině osob) vzhledem ktomu, že homonymii mezi vykáním anevykáním vplurálu nelze patrně nikdy pouze na základě textu desambiguovat. Uplnovýznamových sloves je hodnota S(singulár) nebo P (plurál) na 5.pozici verbtagu totožná shodnotou čísla (Snebo P) na 4.pozici tagu až na — minulá atrpná příčestí vaktivních apasivních konstrukcích svykáním jednotlivci (to byste viděl: tag obsahuje S(singulár), verbtag obsahuje v(vykání jednotlivci)) — infinitiv vaktivních konstrukcích tvořících opisné futurum (budeme pracovat: tag obsahuje- (irelevantní), verbtag obsahuje P (plurál)) — trpné příčestí vpasivních infinitivních konstrukcích (být stíhán: tag obsahuje S(singulár), verbtag obsahuje- (irelevantní)). 6. pozice— čas: prézens/P, futurum/F, prézens/futurum obouvidých sloves/B, minulý čas/R, předminulý čas/Q, irelevantní/- Hodnota atributu verbtag na této pozici vyjadřuje čas gramatický (tedy například přítomný čas ukondicionálu přítomného), ne čas sémantický (jako je třeba historický prézens nebo futurum vyjádřené přítomným časem). Hodnoty označené písmeny může mít jen slovesný tvar, který má na první pozici V. Hodnota Význam Příklady P prézens sedím; jsem doma; jsem přesvědčen; jsouc vychovávána jen italsky; udělal bych (kondicionál přítomný) Ffuturum budu pracovat; budu chtít spát; poběží; odešle; zítra budu vpráci; bude potrestán Bprézens/futurum obouvidých sloves rezignuji; věnuje9 Rminulý čas přišel; byl chycen; byl bych (býval) seděl; kdo by byl býval zarmoucen (kondicionál minulý); byvši vyzvána Qpředminulý čas pak jsem byl odešel; byl býval chytán -hodnota nevyplněna (irelevantní) být zraněn; buď připraven; znechucen odešel TABULKA 5.Slovesný čas 9 Slovesa věnovat avěnovat se jsou obouvidá: podle slovníků SSČ, SSJČ, PSJČ je sloveso svalencí věnovat něco někomu dokonavé, řidčeji nedokonavé, areflexivní věnovat se někomu/ něčemu je nedokonavé, řidčeji dokonavé. Sémantiku obou sloves nerozlišujeme, obě však mají vprézentu význam přítomnosti nebo budoucnosti. OPEN ACCESS 104 ČASOPIS PRO MODERNÍ FILOLOGII 104, 2022, Č.1 afunkce trpného příčestí odkazováno se tak nesprávně chápe jako doplněk; opět zde není shoda spředchozím příčestím citovány včísle. Ve větě (17) naopak nejde okoordinaci dvou příčestí, nýbrž okoordinaci dvou klauzí vrámci souvětí. b. sloveso být se sponovou apomocnou funkcí zároveň (18) Vítěz bude/VDA3SF znám avyhlášen/VOP-Sv18 hodin. (SYN2020) (19) Do února 1988 byl/A----- celý mechanismus připraven/VDP3SR ahotov krozjezdu. Ve větě (18) vystupuje finitní tvar futura bude ve dvojí funkci— jednak jako spona, jednak jako pomocné sloveso vpasivní konstrukci. Sloveso být je označeno jako plnovýznamové proto, že jmenná část přísudku stojí blíže14 než trpné příčestí připraven. Samo trpné příčestí je označeno jako „ostatní funkce trpného příčestí“ (O). Odlišně se značkuje tvar byl atrpné příčestí připraven ve větě (19), tvoří totiž těsnější strukturu stvarem byl, než je spojení byl … hotov. c. pomocné sloveso být ve futuru ainfinitiv nedokonavého slovesa (20) Ideální bude/VDA3SF/chybně:A----- psát/VFA---/chybně:VDA3SF knížku ve dvou. (SYNv9) (21) Nejdůležitější bude/VDA3SF/chybně:A----- umět/VFA---/chybně:VDA3SF nepracovat/VFA---. (SYN2020) Žádná zvět (20) a(21) neobsahuje konstrukci sopisným futurem: bude je tu vždy spona spojující podmět vinfinitivu (nedokonavé sloveso jít, resp.umět). Slovesa vobou větách jsou značkována nesprávně— konstrukce sinfinitivem nedokonavého slovesa se anotují obtížně vzhledem kmožné homonymii. d. složené tvary, kde se číslo pomocného slovesa neshoduje sčíslem slovesa plnovýznamového (22) Nešel/VCA2vP byste/A----- někdo na oběd? (SYNv9) (23) …, že jsme/A----- každý zaměstnán/VDP1vP/chybně:VDP1SP jinde. (SYNv9) Ve větě (22) nejde nutně ovykání, ikdyž slovesné tvary tak vypadají. Vsoučasné době se tyto konstrukce označují hodnotou vna pozici čísla amy předpokládáme, že rozšíříme definici této hodnoty. Nově bude zahrnovat případy neshody včísle ufinitního 14 Vpřípadech, kdy si ujednoho tvaru plnovýznamového slovesa konkurují dvě pomocná slovesa či jeden tvar slovesa být může být zároveň sponovým ipomocným vždy rozhoduje vzdálenost mezi těmito tvary. Jiné řešení by vyžadovalo, aby celý systém atributu verbtag byl kvůli okrajovému jevu výrazně složitější. OPEN ACCESS TOMÁŠ JELÍNEK — VLADIMÍR PETKEVIČ — HANA SKOUMALOVÁ 105 tvaru pomocného slovesa apříčestí, kdy pomocné sloveso je vplurálu apříčestí vsinguláru. Ive větě (23) tak bude hodnota čísla ve verbtagu rovna v. Uvedli jsme několik typů složených slovesných tvarů, unichž se hodnota atributu verbtag určuje nesnadno. Svýjimkou koordinace příčestí se tyto typy (ajejich kombinace) vyskytují vkorpusech dost výjimečně, to však neznamená, že by se jim vzájmu co nejlepšího značkování neměla vbudoucnu věnovat pozornost. 6. AUTOMATICKÉ ZNAČKOVÁNÍ AJEHO ÚSPĚŠNOST Vzhledem krozsahu korpusu se jeho lemmatizace aznačkování provádějí plně automaticky ato se samozřejmě týká iatributu verbtag. Obvyklý postup při značkování textů je takový, že každému slovu se při morfologické analýze přiřadí všechny jeho možné interpretace, tedy kombinace lemmat amorfologických značek (například slovu při se přiřadí tyto údaje: (i) lemma při aznačka pro předložku slokálem, (ii) lemma pře aznačky pro substantivum ženského rodu vdativu, akuzativu alokálu singuláru a(iii) lemma přít (se) aznačka pro sloveso ve 2.osobě singuláru imperativu) apotom se vprocesu zvaném desambiguace vybírá zmnožiny těchto interpretací jedna vdaném kontextu správná. Desambiguaci lze provádět jednak programy založenými na ručně vytvořených (lingvistických) pravidlech, která odstraňují nevhodné interpretace aponechávají pouze interpretace žádoucí (například tvar se, po němž následuje sloveso, jistě není vokalizovaná předložka s), jednak programy používajícími strojové učení, tzv.taggery, které se na menším souboru kvalitně, ručně označkovaných dat „naučí“, jak má být cílový jazyk značkován, avytvořený jazykový model se pak aplikuje na texty jiné, nedesambiguované. Pro značkování korpusů řady SYN Českého národního korpusu (ČNK) se používají metody obě, tzv.hybridní značkování: nejprve se uplatňuje systém lingvistických desambiguačních pravidel (zvláště syntaktických, ale isémantických afonetických), zvaný LanGr,15 apoté desambiguaci dokončí tagger, konkrétně „neuronový“ tagger MorphoDiTa,16 který desambiguuje případy, jež pravidla nedokázala při desambiguaci rozhodnout. Podrobnější popis postupu značkování je popsán jinde, srov.Květoň (2006), Jelínek et al. (2011), Petkevič (2014), Jelínek et al. (2021); zde se zaměříme jen na atribut verbtag. Pro přehlednější práci při přípravě korpusu je verbtag během zpracování textů spojen spůvodním tagem, dohromady tak vytvářejí komplexní 21poziční značku. Jako nově vytvořený atribut nebyl verbtag dosud obsažen vmorfologických slovnících, díky nimž je možné přiřadit slovům jejich možné interpretace, nepracovalo se sním vdesambiguačních pravidlech anebyl ani zahrnut vručně značkovaných „trénovacích“ datech pro tagger. Všechny tyto otázky bylo nutné vsouvislosti se zavedením verbtagu řešit. 15 LanGr je nástroj vytvořený pro desambiguaci založenou na lingvistických pravidlech vÚTKL FF UK, viz (Květoň, 2006). 16 https://ufal.mff.cuni.cz/morphodita. OPEN ACCESS 106 ČASOPIS PRO MODERNÍ FILOLOGII 104, 2022, Č.1 6.1 ÚPRAVA MORFOLOGICKÉHO SLOVNÍKU PRO PRÁCI SVERBTAGEM Morfologický slovník (Štěpánková et al., 2020) byl automaticky upraven tak, že počet původních pozic vmorfologické značce se rozšířil z15 na 21, konkrétně usloves tak, že zároveň mohlo dojít knavýšení počtu jejich značek. Například kjednoznačné interpretaci tvaru pracovat vtagu (infinitiv nedokonavého slovesa) přibylo sedm možností ve verbtagu: jeden verbtag pro aktivní infinitiv (VFA---) ašest různých hodnot atributu verbtag pro indikativ složeného futura vrůzných osobách ačíslech (například VDA2PF, tj.indikativ 2.osoby plurálu futura pro budete pracovat, uvedený uplnovýznamového slovesa pracovat). Uminulých příčestí se tak původní počet tagů zvýšil 14krát, utrpných příčestí dokonce 28krát. Průměrný počet různých tagů na token před desambiguací tak obecně vzrostl způvodního 4,06 na 5,67, usloves pak z2,49 na 11,83 tagu na token (měřeno na korpusu SYN2020). 6.2 ÚPRAVA PRAVIDLOVÉHO DESAMBIGUAČNÍHO SYSTÉMU VSOUVISLOSTI SVERBTAGEM Desambiguační pravidla systému LanGr byla se zavedením verbtagu rozšířena opravidla specificky zaměřená na verbtag, ato jak pravidla jednoduchá (například stojí- -li pozitivní tvar slovesa být vindikativu prézentu 1.nebo 2.osoby těsně po minulém příčestí se shodným číslem, např.přišla jsem, je sloveso být pomocné aminulé příčestí je značkováno jako tvar indikativu), tak pravidla složitější, zahrnující více slovesných tvarů vjedné klauzi nebo složené slovesné tvary, jež tvoří jeden celek, oddělené jinými slovy. Pravidla zaměřená na verbtag poměrně málo chybují, nezvládají však dosud některé složitější případy, jako je pomocné sloveso být oddělené od příčestí vloženou vedlejší větou, např.Zkrátka jsem se, co se věku týče, utrhl., avmnoha případech desambiguaci nedokončí, aponechají tak částečně desambiguovaný text kdokončení taggeru. Při vývoji pravidel zaměřených na verbtag byla vněkterých případech pravidla chybně formulována, například upo sobě stojících infinitivů modálního avýznamového nedokonavého slovesa byl iudruhého slovesa ponechán jako jediná možná interpretace indikativ futura avnásledné fázi už tagger nemohl tuto chybu napravit; často se tedy vkorpusu SYN2020 vyskytuje chybná konstrukce jako ve větě (24). Vkorpusu SYNv10 je tato chyba již zvětší části opravena. (24) Teď budeme/A----- muset/VDA1PF čekat/VFA---/chybně:VDA1PF. Během desambiguace se počet tagů na token snižuje z5,67 na 1,76 (cílový stav je právě jeden tag na token). 6.3 ÚPRAVA TRÉNOVACÍCH DAT PRO NEURONOVÝ TAGGER Tagger potřebuje ke své práci nejprve vhodná „trénovací data“. Po zavedení verbtagu byla původní trénovací data— korpus Etalon— manuálně doplněna overbtag (možné verbtagy byly doplněny automaticky adva anotátoři pak vkaždém víceznačOPEN ACCESS TOMÁŠ JELÍNEK — VLADIMÍR PETKEVIČ — HANA SKOUMALOVÁ 107 ném případě vybírali vdaném kontextu správnou značku; tam, kde se anotátoři neshodli, ověřil výsledek odborník). Nově upravená trénovací atestovací data byla zveřejněna (Skoumalová, 2021).17 Tagger MorphoDiTa (Straka et al., 2019), založený na tzv.hlubokém učení (či neuronových sítích), byl potom na těchto datech natrénován aotestován. Tagger má poměrně vysokou úspěšnost, tedy poměrně málo chybuje, ato jak obecně, tak při značkování verbtagu (viz níže), zřídka se však stává, že se dopouští i„hloupých“ chyb v(pro člověka) jednoznačných kontextech, například utěsně sousedícího pomocného slovesa být aminulého příčestí neurčí správně sloveso být jako pomocné (ovšem poté, co ani pravidlový systém LanGr zdůvodu přílišné opatrnosti nebo opomenutí tuto desambiguaci neprovede). 6.4 ÚSPĚŠNOST ZNAČKOVÁNÍ VČETNĚ VERBTAGU Následující tabulka ukazuje úspěšnost hybridního automatického značkování (podíl správně určených hodnot daného atributu podle testovacích dat). Uvádíme celkovou úspěšnost pro všechny atributy (tedy podíl tokenů, unichž je správně určeno lemma, tag iverbtag), dále úspěšnost určení slovního druhu, celé morfologické značky averbtagu usloves— měřeno na datech korpusu Etalon (10násobná křížová validace). Atribut Úspěšnost Lemma+tag+verbtag 97,36 % POS 99,56 % Tag 97,60 % Lemma 99,67 % Verbtag 99,77 % Verbtag usloves 98,57 % TABULKA 8.Úspěšnost značkování hybridním systémem Celková úspěšnost lemmatizace amorfologické anotace korpusu SYN2020 je 97,36 %, tj.2,64 % tokenu má chybně určené lemma, tag nebo verbtag. Úspěšnost určení verbtagu je zdánlivě velmi vysoká, 99,77 %, je to ale dáno tím, že uvšech slovních druhů kromě sloves je verbtag vždy jednoznačný. Úspěšnost značkování verbtagu měřená pouze na slovesech je 98,57 %, chybně určený verbtag má tedy 1,43 % sloves. 7. ZÁVĚR Nově zavedený atribut verbtag může být pro pokročilejší uživatele korpusů ČNK vhodným pomocníkem pro práci se slovesy vsynchronních korpusech řady SYN. Vpřehledném 6pozičním atributu může uživatel na jednom místě zjistit morfosyntaktické vlast17 https://wiki.korpus.cz/doku.php/cnk:etalon. OPEN ACCESS 108 ČASOPIS PRO MODERNÍ FILOLOGII 104, 2022, Č.1 nosti složeného slovesného tvaru, může vyhledávat slovesa podle způsobu, času, osoby atp., aniž by musel brát vúvahu specifika jednotlivých složených tvarů. Seznámit se satributem verbtag představuje pro uživatele ČNK užitečnou investici iproto, že se do budoucna počítá spoužíváním tohoto značkování uvšech dalších synchronních korpusů; plánuje se irozšíření stejného značkovacího standardu na mluvené korpusy ČNK avýhledově ina korpusy historické (přinejmenším na korpusy 19.a20.stol.). Uatributu verbtag nedojde vdohledné době ke změnám koncepce, věnujeme však úsilí zejména: — vyjasnění některých teoretických východisek — dalšímu zlepšení kvality značkování, tedy odstranění současných nedostatků achyb — adekvátnějšímu popisu aznačkování typů neshody pomocného tvaru slovesa být vplurálu al-ového atrpného příčestí vsinguláru, případně dalších zjištěných zvláštností. POUŽITÉ KORPUSY Křen, M.— Cvrček, V.— Henyš, J.— Hnátková, M.— Jelínek, T.— Kocek, J.— Kováříková, D.— Křivan, J.— Milička, J.— Petkevič, V.— Procházka, P.— Skoumalová, H.— Šindlerová, J.— Škrabal, M. (2020): SYN2020: reprezentativní korpus psané češtiny. Praha: Ústav Českého národního korpusu FF UK. https://www. korpus.cz Křen, M.— Cvrček, V.— Henyš, J.— Hnátková, M.— Jelínek, T.— Kocek, J.— Kováříková, D.— Křivan, J.— Milička, J.— Petkevič, V.— Procházka, P.— Skoumalová, H.— Šindlerová, J.— Škrabal, M. (2021): Korpus SYN, verze 9 z5.12.2021. Praha: Ústav Českého národního korpusu FF UK. https://www.korpus.cz LITERATURA Апресян, Ю., Д.— Богуславский, И., М.— Иомдин, Б., Л., и др. (2005): Синтаксически и семантически аннотированный корпус русского языка: современное состояние и перспективы // Национальный корпус русского языка: 2003—2005. М.: Индрик, s. 193–214. https:// ruscorpora.ru/new/sbornik2005/12apresyan. pdf Bejček, E. et al. (2011): Prague Dependency Treebank 2.5, LINDAT/CLARIAH-CZ digital library at the Institute of Formal and Applied Linguistics (ÚFAL). Prague: Faculty of Mathematics and Physics, Charles University, http://hdl.handle.net/11858/00-097C-00000006-DB11-8. Bejček, E.— Panevová, J.— Popelka, J.— Straňák, P.— Ševčíková, M.— Štěpánek, J.— Žabokrtský, Z. (2012): Prague Dependency Treebank 2.5— arevisited version of PDT 2.0. In: Proceedings of the 24th International Conference on Computational Linguistics (Coling 2012). Mumbai, India: Coling 2012 Organizing Committee, s.231–246. Dönicke, T. (2020): Clause-Level Tense, Mood, Voice and Modality Tagging for German. TLT. Göttingen: University of Göttingen, Centre for Digital Humanities Papendiek 16, 37073. https://aclanthology.org/2020.tlt-1.1.pdf Jelínek, T.— Petkevič, V. (2011): Systém jazykového značkování současné psané OPEN ACCESS TOMÁŠ JELÍNEK — VLADIMÍR PETKEVIČ — HANA SKOUMALOVÁ 109 češtiny. In: Korpusová lingvistika Praha 2011, sv. 3: Gramatika aznačkování korpusů. Praha: Nakladatelství Lidové noviny / Ústav českého národního korpusu, s.154–170. Jelínek, T.— Křivan, J.— Petkevič, V.— Skoumalová, H.— Šindlerová, J. (2021): SYN2020: ANew Corpus of Czech With an Innovated Annotation. In: K.Ekštein— F.Pártl— M.Konopík (eds.), Proceedings of the Text, Speech and Dialogue 24th International conference TSD 2021. Olomouc, Czech Republic, September 6–9, 2021. LNAI 12848. Springer Nature Switzerland AG 2021, s.48–59. https:// doi.org/10.1007/978-3-030-83527-9 Květoň, P. (2006): Rule-based Morphological Disambiguation. Ph.D. thesis. Praha: MFF UK. Patejuk, A.— Przepiórkowski, A. (2014): Synergistic development of grammatical resources: Avalence dictionary, an LFG grammar, and an LFG structure bank for Polish. In: V.Henrich— E.Hinrichs— D. de Kok— P.Osenova— A.Przepiórkowski (eds.), Proceedings of the Thirteenth International Workshop on Treebanks and Linguistic Theories (TLT 13). Tübingen: Department of Linguistics (SfS), University of Tübingen, s.113–126. Petkevič, V. (2014): Problémy automatické morfologické disambiguace češtiny. Naše řeč, 97, 4–5, s.194–207. Petkevič, V.— Rosen, A.— Skoumalová, H.— Vítovec, P. (2015): Analytic Morphology— Merging the Paradigmatic and Syntagmatic Perspective in aTreebank. In: J.Piskorski— L.Pivovarova— J.Šnajder— H.Tanev— R.Yangarber (eds.), The 5th Workshop on Balto-Slavic Natural Language Processing (BSNLP 2015). Hissar, Bulgaria, s.9–16. http://bsnlp-2015. cs.helsinki.fi/. Ramm, A.— Loáiciga, S.— Friedrich, A.— Fraser, A. (2017): Annotating tense, mood and voice for English, French and German. Proceedings of ACL 2017, System Demonstrations. Vancouver: Association for Computational Linguistics. https://www.cis.uni-muenchen. de/~fraser/pubs/ramm_acldemo2017.pdf Skoumalová, H. (2021): Etalon: manuálně anotovaný synchronní korpus českých textů. Praha: Ústav Českého národního korpusu FF UK. https://www.korpus.cz ahttp://hdl. handle.net/11234/1-3698 Straka, M.— Straková, J.— Hajič, J. (2019): Czech text processing with contextual embeddings: Pos tagging, lemmatization, parsing and NER. In: International Conference on Text, Speech, and Dialogue, Ljubljana: Springer, s.137–150. Štěpánková, B.— Mikulová, M.— Hajič, J. (2020): The MorfFlex Dictionary of Czech as aSource of Linguistic Data. In: Euralex XIX Proceedings Book: Lexicography for inclusion. European Association for Lexicography, s.387–391. Tomáš Jelínek | Ústav teoretické akomputační lingvistiky, Filozofická fakulta Univerzity Karlovy | Celetná 13, 110 00 Praha 1 ORCID ID: 0000-0002-8521-4715 [email protected] Vladimír Petkevič | Ústav teoretické akomputační lingvistiky, Filozofická fakulta Univerzity Karlovy | Celetná 13, 110 00 Praha 1 ORCID ID: 0000-0003-0468-4158 [email protected] Hana Skoumalová | Ústav teoretické akomputační lingvistiky, Filozofická fakulta Univerzity Karlovy | Celetná 13, 110 00 Praha 1 ORCID ID: 0000-0002-3519-0233 [email protected] OPEN ACCESS