Workshop: Explicitní popis jazyka a anotovaná data se zřetelem na češtinu

Další plánované opravy dat PDT 2.0 a 2.5

Jan Štěpánek, Charles University in Prague, ÚFAL

shlížet/zhlížet: nejméně 6 případů
negace: neschopnost občas lemmatizováno jako schopnost
chybějící čárky: některé případy sporné
grafické oddělovače: odrážky, značky na koncích článků — nekonzistentní segmentace i značky
segmentace: Na mnoha místech je třeba spojit či rozdělit věty (zatím registrujeme přes 120 vět).

Plus desítky nejrůznějších jednotlivostí.

Výstup z DECCA: Několik set chyb objevených v projektu Markuse Dickinsona
Společná rozvití u jednočlenných koordinací: téměř 500 chyb (většinou chybí is_member)
Pred jako společné rozvití: Opět chybějící is_member
ExD jako společné rozvití: Většina opět chybějící is_member
Resultativ: Má oběd uvařen: podle manuálu má být Atv, ale v datech též Atr

Koordinace různých analytických funkcí: Podle manuálu není přípustná
Podřadicí spojka s více dětmi: Kromě pomocných uzlů nemůže mít podřadicí spojka víc než jedno dítě
Adverbia s objekty: v polovině případů chyby (možné jen u několika, např. blízko)
nesmyslná koordinace: is_member=1 musí mít efektivního rodiče Coord nebo Apos
koordinace složených slovesných tvarů: Pokud jsou spolu koordinovány infinitiv a určité sloveso, které má mezi dětmi infinitiv, jde často o chybné zachycení koordinace - určité sloveso má být společným rodičem obou infinitivů.

Špatně umístěný Pred: Rodičem predikátu může být pouze technický kořen, popř. sloveso, pokud je predikát kořenem parenteze.
Rodiče Sb: Rodičem subjektu by mělo být sloveso.
Pád subjektu: Subjekt v jiném pádě než v nominativu je často chyba (v tagu nebo v analytické funkci).
Rekce předložek: Některé předložky mají pod sebou slova v jiném pádě, než vyžadují. U složených předložek se rekce nedá zjistit z tagu.
což: Věty s což (přičemž…) se měly anotovat jako koordinace, i když to často vedlo k „ošklivým“ strukturám.

Je tomu nějak: Podle manuálu má být tomu subjekt.
Sb na tektogramatické rovině: Subjektu může odpovídat ACT, PAT, CPHR a možná ještě něco, ale asi ne TWHEN apod.
Parenteze: Předložky a podřadicí spojky nemohou být kořeny parenteze.

A další jednotlivosti.

Kontroly dat z PCEDT a PDTSCT: Asi 100 jevů, ne všechno se dá použít.
quot: Seznamy identifikátorů obsahují duplicity
Modalita: Není správně rozlišena epistemická a deontická modalita (Zítra má pršet dostává hrt)
Přímá řeč: Pokud je synem is_dsp_root další kořen přímé řeči, v polovině případů nemá být otec kořenem přímé řeči.
Resultativ, hortativ: V PDT 2.0 zcela špatně.

Cyklus v koreferenci: Naštěstí jen jeden.
Doplněk: Doplňková šipka nemůže vést do jiné věty
Reciprocita: Uzly #Rcp bez gramatické koreference jsou podezřelé.
Modalita u kvazikomplexních uzlů: Asi nutno neschovávat modální sloveso (#EmpVerb v Musel do hotelu).
Kontroly valence: Při kontrolách valence byly některé rámce označeny jako správné, přestože v nich byly chyby.

Plus stovky dalších problémů.

chyby ve struktuře: Uzly jsou občas zapsány jako sourozenci místo jako otec a syn (padni, komu padni).
Alternativní formy ve webové formě: jsou zapsány jako sourozenci (chyba v generujícím skriptu).

A další jednotlivosti.