From the corpus as an open source for investigation to commercial products

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68378092%3A_____%2F07%3A00097207" target="_blank" >RIV/68378092:_____/07:00097207 - isvavai.cz</a>

Result on the web

—

DOI - Digital Object Identifier

—

Result language

angličtina

Original language name

From the corpus as an open source for investigation to commercial products

Original language description

The development of corpora is sketched, from large collections of texts without tagging through tagged corpora to machines that operate above tagged corpora and produce data presented as data about language, such as Word Sketches (TM). The article remarks that every corpus is merely a representation of texts and that the quality of representation is to be examined. The unavoidable question in research is how is the corpus built and how, under what principles, the service software operates. Both in casewe explore a corpus with distortions, where texts appear in a way nobody has written them so (digits and their environment uses to be phenomena of that sort), and in case we are not allowed to have an insight "below the bonnet" or to change working parameters, we hardly may speak about doing scholarly research.

Czech name

Od korpusu jako otevřeného zdroje pro bádání ke komerčním produktům

Czech description

Článek nastiňuje vývoj korpusů od velkých souborů neznačkovaných textů přes značkované korpusy k nástrojům, které operují nad značkovanými korpusy a produkují data prezentovaná jako data o jazyku, jako jsou např. Word Sketches (TM). Článek připomíná, žekaždý korpus je jen reprezentací textů a že se musíme ptát po kvalitě reprezentace. Nezbytná otázka při výzkumu je, jak je korpus vybudován a jak, na základě jakých principů, pracuje obslužný program. Tam, kde zkoumáme korpus s deformacemi, kde se textyobjevují v podobě, jak je nikdo nenapsal (číslice a jejich okolí jsou často jevy takového druhu), stejně jako tam, kde nemáme dovoleno dívat se "pod kapotu" nebo měnit pracovní parametry, sotva můžeme mluvit o tom, že bychom dělali vědecký výzkum.

Type

D - Article in proceedings

CEP classification

AI - Linguistics

OECD FORD branch

—

Project

<a href="/en/project/GA405%2F03%2F0377" target="_blank" >GA405/03/0377: Exploring the Core and Limits of Czech Grammar as seen through the Czech National Corpus</a><br>

Continuities

Z - Vyzkumny zamer (s odkazem do CEZ)

Publication year

2007

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Article name in the collection

Gramatika a korpus 2005

ISBN

80-86496-32-5

ISSN

—

e-ISSN

—

Number of pages

7

Pages from-to

243-249

Publisher name

Ústav pro jazyk český AV ČR, v.v.i

Place of publication

Praha

Event location

Praha

Event date

Nov 23, 2005

Type of event by nationality

WRD - Celosvětová akce

UT code for WoS article

—