Počítačové zpracování přirozeného jazyka

zkumu na VŠ, MŠMT ČR) na FI MU vybudován další samostatný obecný
korpus ESO, který před rokem obsahoval cca 160 mil. českých slovních tvarů
a nedávno byl rozšířen na korpus čítající zhruba 650 mil. českých slovních
tvarů – aktuálně je největším současným českým instalovaným korpusem.
V tomto ohledu jde o jasně interdisciplinární záležitosti, neboť korpusová
data jsou použitelná pro odborníky v řadě disciplin:
• sociology a sociolingvisty,
• psychology,
• odborníky v oblasti masové komunikace a médií (reklama),
• lexikografy a lingvisty, překladatele (strojový překlad),
• výzkumné pracovníky v oblasti umělé inteligence (porozumění přirozenému
jazyku, reprezentace znalostí, robotika aj.),
• tvůrce učebnic a tzv. referenčních příruček (gramatiky, slovníky).
V současnosti se korpusem rozumí rozsáhlý vnitřně strukturovaný a ucelený
soubor textů daného jazyka elektronicky uložený a zpracovávaný (Čermák,
1997). Dnes vytvářené korpusy jsou organizovány se zřetelem ke zvolenému
cíli (pro potřeby lexikografů, sociologů, komunikačních odborníků) a vycházejí
z následujících teoretických předpokladů:
1. jazyková data jsou v korpusu uložena ve své přirozenbé textové podobě,
proto je lze všestranně a opakovaně zkoumat a vyvozovat z nich příslušné
teoretické generalizace,
2. velký rozsah dat v korpusu minimalizuje nebezpečí, že by mohlo dojít
– třeba i náhodou – k převaze okrajových jevů nad základními a
typickými,
3. velký rozsah dat v korpusu je podmínkou dostatečné reprezentativnosti,
což např. při budování slovníků vůbec nemusí být jednoduchá
záležitost:to lze ukázat na vztazích mezi pojmy: token (výskyt), typ
a lemma. Token chápeme jako výskyt slovního tvaru v korpusu, typ –
slovní tvar jako takový a lemma je základní tvar pro nějakou skupinu tvarů
(např. nominativ u substantiv nebo infinitiv u sloves). Uveďme proporce
těchto entit v Britském národním korpusu (dále BNC pro psaný jazyk:
20