Varia XIX - Jazykovedný ústav Ľudovíta Štúra SAV

Tvorba korpusu k lingvistické analýze humanistické češtiny
František Martínek – Radek Ocelák
Ústav českého jazyka a teorie komunikace, Filozofická fakulta,
Univerzita Karlova, Praha
1. Úvod
Článek informuje o budování souboru elektronicky prohledavatelných českých
textů z let 1500 – 1620. Tento korpus je dílčím cílem projektu uvedeného v poznámce 1 .
O potřebě shromáždit větší množství českých humanistických textů v elektronické
podobě a umožnit jejich jednotné, efektivní prohledávání pro účely lingvistických
analýz jsme informovali v loňském příspěvku na kolokviu (Martínek 2009).
2. Možnosti zpracování textů
Snadno přístupné starší texty jsou důležitým zdrojem poznání pro různé vědy, např.
paleografii, literární vědu a lingvistiku včetně textologie a editologie, historii, ale také
kulturologii, gender studies 2 aj. Můžeme je shromažďovat a studovat např. v podobě
reprodukcí (fotografií), paleografických opisů, transliterací či různých typů transkripcí,
s různočteními sporných míst, s dodaným poznámkovým aparátem včetně lingvistických
značek, případně komplexnější anotace (tagování), nebo i po jazykové úpravě
autentického textu. 3 Jako optimum, umožněné dostupnými médii, se jeví kombinace
reprodukce, transliterace a lingvisticky anotované transkripce s poznámkovým aparátem
(různočteními, poznámkami, vysvětlivkami apod.). 4
Vzhledem k možnostem uvedeného projektu a také k žádoucí kompatibilitě výstupů
s texty zpracovávanými pro diachronní složku Českého národního korpusu (dále
Diakorp) je realizován skromnější cíl: provádí se „pouze“ transkripce spolu s translite-
rací sporných míst a dosazením značek přímo do textu 5 (viz dále; obrazové reproduk-
ce tisků, resp. rukopisů, nebo alespoň internetové odkazy na ně budou při práci s texty
k dispozici). Texty tedy budou přístupné ve formě jednoduchých textových dokumen-
tů, bez paralelní anotace slov pomocí databázových programů (např. nástrojem XML,
1
Text vznikl v rámci doktorandského grantového projektu GA UK č. 16809 Lingvistická analýza
českých humanistických textů.
2
Srov. edici textů Ratajová – Storchová (ed.) 2008.
3
Srov. Lehečka 1999, zvl. pasáž o paleografickém opisu na s. 137, komentáře k transkripci na
s. 138 – 140 a tabulku „Zachování informační hodnoty originálu“ na s. 140.
4
Zcela maximalisticky pojaté paralelní anotace, vytvářené pomocí nástroje XML, se dostává
německým textům zpracovávaným v rámci projektu Deutsch Diachron Digital (srov. Dipper et
al. 2004). Řezenský korpus starých ruských textů RRuDi používá tentýž anotační nástroj, avšak
množství dodávaných informací výrazně zredukoval (vzhledem k svým účelům a výši dustupných
prostředků jistě ku prospěchu věci; o tomto korpusu srov. Meyer 2005).
5
Srov. shrnutí důvodů, proč transkribovat, v: Martínek 2009, s. 460n. (bod 2.2.1).
219