Both sides previous revision
Previous revision
Next revision
|
Previous revision
Next revision
Both sides next revision
|
anotace-rozsirene-koreference [2009/01/26 16:40] ufal |
anotace-rozsirene-koreference [2009/02/24 16:58] ufal |
====== Anotace rozšířené koreference ====== | ====== Anotace rozšířené koreference ====== |
Anotace rozšířené koreference je projekt anotace jmenné koreference a asociační anafory (bridging anaphora) na PDT. | Anotace rozšířené koreference je projekt anotace jmenné koreference a asociační anafory (bridging anaphora) na PDT. |
| |
| |
| |
| |
| |
| |
* Otázky - odpovědi - diskuze (do 6.11.): [[http://ufal.mff.cuni.cz/~nedoluzko/koref_anot/otazky_odpovedi_diskuze.doc| DOC]] | * Otázky - odpovědi - diskuze (do 6.11.): [[http://ufal.mff.cuni.cz/~nedoluzko/koref_anot/otazky_odpovedi_diskuze.doc| DOC]] |
* Koreference NP s abstraktním významem (**verze 6.12.**): [[http://ufal.mff.cuni.cz/~nedoluzko/koref_anot/table_abstr.doc | DOC]] | * Koreference NP s abstraktním významem (**verze 6.12.**): [[http://ufal.mff.cuni.cz/~nedoluzko/koref_anot/table_abstr.doc | DOC]] |
| * //**NEW!**// [[Příklady k zatím nezavedené bridging skupině ANOF]] (nekoreferenční anafora - metajazyk, //takový// apod.) |
| |
| |
| |
| |
===== Anotátoři ===== | |
| |
* **JK**: Jan Křivan | |
* **RO**: Radek Ocelák | |
* **JP**: Jiří Pergler | |
* **AN**: Аня Hедолужко | |
| |
| |
| ===== Anotátoři ===== |
| |
| * **JK**: * Jan Křivan |
| * **RO**: Radek Ocelák |
| * **JP**: Jiří Pergler |
| * **AN**: Аня Hедолужко |
| |
| |
| |
| |
| ===== Diskuze ===== |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| |
===== Diskuze ===== | |
| ^ problém ^ diskuze, řešení ^ techn.pozn. ^ | | ^ problém ^ diskuze, řešení ^ techn.pozn. ^ |
| ^ RO 22.2. | počítače, kopírky - vše | Zájmeno "vše"/"všechno" není v základní pronominální anotaci, ale někdy je koreferenční: "X daroval Y počítače, kopírky apod. Vše v hodnotě 1 milión." Myslím že to můžeme anotovat standardním způsobem. **AN:** urcite. Diky!| --> M| |
| ^ RO, 22.2. | město - stát; ulice-město | Podle dosavadních domluv byl typ město-stát PART-WHOLE, jak teď? Na jednu stranu to není úplně čistá část, na druhou je to pěkně ohraničená skupina případů, takže bych ji navrhoval nechat v PART-WHOLE. A platí, že případ město-ulice/náměstí... neanotujeme nijak? **AN:** mesto - stat: urcite PART-WHOLE. Mesto - ulice - popradve nevim. Rikali jsme, ze neanotujeme "mesto-museum", ale ulice by docela mohlo. | | |
| ^ AN, 19.2. | anotace koreference generickych NP typu "zvyseni mezd"| anotujte maximalne - u zvyseni a u mezd. Snad tak dosahneme vetsi shody a z hlediska duslednosti je to asi nejspravnejsi reseni. Totez v pripade vahani, jestli NP je pojimana v ruznych casovych usecich, ale vyrazne anaforicky a bez kontrastu, treba DPH tehdy a tehdy apod. | | |
| ^ JP, 18.2. | bridging u uzlů s funktorem RSTR | Napadlo mě, jestli mezi ty funktory, u kterých se neanotuje bridging v případě přímé závislosti (APP, MAT, PAT, AUTH), nezařadit ještě RSTR. Takový vztah se objevuje poměrně často, což je způsobeno tím, že se do koreferenčních řetězců zapojují adjektiva vytvořená od vlastních názvů. V takových případech je pak potřeba anotovat bridging mezi členy dvojic, jako např. "české město", "maďarský prezident" apod. **AN:** Jasne, zaradime. Tim se nam tam dostanou i priklady typu cesky stat, ktere by take nemeli byt anotovany. Predanotace - zakazat RSTR? **JP:** No, jestli to chápu správně a pokud by se to dělalo stejně jako u těch funktorů APP apod., tak by se např. u dvojice "Maďarsko -- maďarský prezident" anotovala koreference mezi "Maďarsko" a "maďarský", jen by se nově neanotoval žádný bridging na "prezidenta" (stejně jako by to bylo u dvojice "Maďarsko -- prezident Maďarska"). A v tom případě není důvod rušit žádnou předanotaci. Akorát je otázka, co v takovém případě dělat s výrazy typu "Česká republika", příp. "ČR"... | --> JM| |
| ^ JP, 17.2. | nejasná hranice typů 0/NR | Pokud se nepletu, tak se v zásadě předpokládá, že v rámci jednoho koreferenčního řetězce se uplatňuje vždy jen jeden typ identické koreference. V praxi to ale ne vždy platí -- zejména tehdy, když se v řetězci střídají různá synonyma. Např. u dvojice //Češi// -- //tento národ// má první výraz generickou referenci, druhý specifickou. Co s takovými případy? **AN:** zachovavat nejednotnost - je zajimava, orientovat se pritom na posledni vyskyt (druhy clen paru) - pokud je specificky, tak nula, jinak - NR | | |
| ^ JP, 16.2. | "ve stejném období tohoto roku" -- typ ANOF? | Do případného typu ANOF bychom mohli zařadit ten typ "ve stejném období tohoto roku", který jsme kdysi řešili a rozhodli se ho považovat za typ REST. Např. //V prvním pololetí vyrobili provozovatelé vodovodů a kanalizací více než 495 milionů metrů krychlových pitné vody. Je to o 10.19 % méně než ve stejném období roku 1993.// **AN:** No jo, to je takove hranicni. Neni tam uplne zretelne vyjadren anaforicky odkaz. Musim to promyslet. | | |
| ^ JP, 16.2. | předanotovaná koreference tam, kde by podle významu měl být bridging REST | //I vyspělé země se stabilizovanou daňovou soustavou, jako je Spolková republika Německo, Belgie, Švédsko, odhadují ve svých zemích podíl stínové ekonomiky na HDP od devíti do třinácti procent, __země Středomoří dokonce na dvacet až třicet procent__, říká Tomáš Dub a dodává: Osobně si myslím, že se podíl šedé ekonomiky na HDP u nás pohybuje tak okolo 15 procent.// Podtržená část je v tektogramatickém stromě reprezentována mimojiné několika rekonstruovanými uzly: uzlem s lemmatem "odhadovat" a příslušným patientem tohoto slovesa. Tento rekonstruovaný patiens původní anotace označuje jako koreferenční s uzlem "podíl". Významově však jde o jiný podíl, protože to je podíl v jiné zemi. Takový případ by se tedy měl jednoznačně anotovat jako REST. Má se tedy původní koreference zrušit a nahradit bridgingem? Podobná situace je např. ve větě //Podle jeho slov je však její podíl na českém HDP zřejmě nižší než v okolních postkomunistických zemích, kde podle jeho osobního odhadu může dosahovat až čtyřiceti procent.//\\ (Mimochodem, ta první věta je zjevně napsaná logicky špatně, takže ve spojení "svých zemích" jsou oba uzly, spojené závislostí s funktorem APP, koreferenční. Ale to jenom tak na okraj.) **AN:** spis bych rekla ze opravit. Snad takovych pripadu nebude moc| | |
| ^ JP, 13.2. | "každý z nich" | Jak se nakonec anotuje "každý z nich"? Kdyby tam bylo "některý z nich", byla by od zájmena koreference na antecedent a mezi "některý" a "z nich" by byl SET. Ale u "každý z nich"? Analogicky by to bylo koreference od zájmena k antecedentu a k tomu ještě koreference mezi "některý" a "z nich"... | | |
| ^ JP, 13.2. | typ "u nás" | Jak je to s anotací výrazů typu "u nás"? Předpokládal jsem, že se neanotují, protože jde o zájmeno v první osobě, nicméně v manuálu se u typu "tady v Praze" uvádí i příklad "u nás doma"... **AN:** Pardon, chyba v manualu, nebudeme ty 1/2 osoby dusledne anotovat| | |
| ^ JP, 12.2. | typ dnes v 16 hodin | //"Třídenní koncert nazvaný Trutnov 87 - 94 začíná dnes v 16 hodin v trutnovském letním kině Na bojišti."// Anotuje se nějak vztah mezi //dnes// a //hodin//? Vzhledem k tomu, že v případech typu //u nás doma// se anotuje identická koreference, mi přijde logické označovat v tomto případě vztah SET (a podle dohody by případně šel i PART). **AN:** Neanotovala bych to vubec, prijde mi to zbytecne | --> M| |
| ^ JP, 8.2. | poptávka -- nulový zájem | //"Sběrné suroviny se chovají podle poptávky. Příčinou nulového zájmu o starý papír..."// Označuje se v tomto případě nějaký vztah mezi //poptávkou// a //nulovým zájmem//? Napadá mě anotovat to jako SET--SUB, tj. chápat //poptávku// jako potenciální množinu, do které by patřily prvky //nízká poptávka//, //vysoký zájem// apod. (V tomto případě jde ještě navíc o to, že ta //poptávka// je myšlená obecně, zatímco v případě //nulového zájmu// jde o poptávku po papíře.) Je to podobné jako ten případ //inflace// -- //tříprocentní inflace//, který jsme ale, pokud vím, zatím nevyřešili. **RO** Pokud něco, tak SUB-SET, ale už je to podle mě na hranici toho, co ještě anotovat. Těžko tu vymyslíme pravidlo, případy se každý trochu liší; bude to asi vždycky na individuálním posouzení. **AN:** to bych uz neanotovala, prilis hluboke, individ. chapani| | |
| ^ AN 3.2. | výsledky schůzky | **1)** SET/PART - viz dole; **2)** Nekoreferencni anafora - viz dole a nahoře seznam; **3)** Pokud uzel má funktor APP, MAT, AUTH nebo PAT, jeho bridging vzth s přímým rodičem neanotujeme. Pokud však má funktor DIR1 nebo jiný, naopak anotujeme, přičemž v rámci té jedné věty (jeden ze stavkujících podníků - podník SET na jeden); **4)** resili moznost anotace anaforickych adjektic typu "tamni", "zdejsi" a rozhodli, ze je anotovat nebudeme; **5)** v typech identicke textove koreference jsme zrusili typy SYN a ER. Co bylo SYN, ted je nula, ER - castecne do bridgingu, do nereferencni anafory; **6)** koreferenci znacime jenom u vybranych adverbii, hlavne //tam, tady, zde, tehdy, tak// - rozepisu to v manualku; **7)** resili a nevyresili velky problem textove koreference na kontejner nebo na zavisly clen (//__Milion stavkujicich__ vysli na ulice - __pocet stavkujicich__ - __stavkujici__ jsou proti tomu, aby//) ... jeste to rozepisu pozdeji; **8)** ministr - vlada (SET) vs. premier - vlada (FUNCT); **9)** pokud je vyber z vice antecedentu, bridging vzdy vede na ten nejblizsi; **10)** typ "před válkou" -- "po válce" se anotuje jako identická koreference. | | |
| ^ RO 28.1. | bridging "souřadnost"? | Zdá se mi, že by se občas hodila kategorie bridgingu, kterou už kdysi navrhoval Honza, něco jako vztah společného členství v množině. Občas se do textu nějak uvádí B, které je jaksi souřadné s A, např. "trh zlata" - "trh ropy", "poslanec A" - "poslanec B" a když tam není kontrast ani zahrnující pojem, zatím to můžeme označit leda REST. (Musela by se asi určit priorita: pokud je tam něco nadřazeného (u těch poslanců třeba sněmovna), tak SET-SUB nebo PART-WHOLE, a tahle souřadnost jen v případě, že SET/WHOLE chybí, abychom nemuseli připojovat členy podmnožiny k množině a pak ještě mezi sebou.) Ale navrhoval bych to zavést asi jen v případě, že by to neznamenalo pomalejší práci Tredu. **AN:** Spis se bojim, ze to zpomali vasi praci - vyhledavat elementy mnoziny, a pak jeste hledat preference, jestli tam je nadrazeny clen apod. Co myslite? **JP:** Mně to přijde jako celkem zbytečné, protože ten významový vztah se mi tam nezdá tak těsný, resp. zdá se mi volnější než některé jiné vztahy, které se taky neanotují (např. ten vztah ČR -- vláda). Někdy navíc jdou tyto vztahy označit jako CONTRAST. **RO:** Dobře, já na tom netrvám. Takže aspoň výrazné případy tohohle, pokud tam není kontrast, můžou jít do REST. OK? **AN:** urcite muzou| | |
| ^ RO 28.1. | obecný - jednotlivý případ SET-SUB | Ujišťuju se, kdyžtak mě prosím opravte: Vztah obecný případ - jednotlivý případ anotujeme jako bridging SET-SUB. Např. "Nový VW Golf je vybaven motorem o síle..." - "Dostali jsme možnost se novým golfem projet." Je to myslím logické už proto, že první výskyt bychom anotovali jako koreferenci s "Nové golfy", a pak by vztah SET-SUB byl nesporný. Totéž je možno i na úrovni abstraktnějších jmen? Vymýšlím si příklad: "Trestní sazba za zpronevěru je x let." - "Zpronevěra, které se dopustil XY..." Opět SET-SUB? **JP:** Já to tak dělám, i když nevím, jestli je to úplně správně, zrovna jsem se na to chtěl na schůzce zeptat. Připadá mi, že je to přece jen trochu něco jiného než klasický vztah SET-SUB, a tak mě napadlo, jestli by protiklad SET/PART, který se mi poslední dobou často zdá trochu problematický, nešlo využít právě k tomuto rozlišení - např. SET používat pro to obecné-konkrétní, zatímco pro běžné případy vyhradit PART. Ale to je spíš jenom takový nápad, než že bych si za tím nějak stál, navíc nevím, jestli má v této fázi anotace dělat takové změny... **RO:** Účelné změny podle mě rozhodně smysl mají, právě proto, že jsme celkem na začátku a devět desetin korpusu podle nich můžeme ještě udělat. Tenhle návrh mi přijde docela dobrý (taky jen předběžně). **AN:** Taky bych podobne priklady anotuju jako SET-SUB. Co se tyce takoveho rozdeleni SET a PART, nejsem si jista, ze to ten problem zjednodusi. Probereme to na schuzce - sbirejte priklady, pokud se znovu objevi **AN:** na schuzce bylo dohodnuto, ze to zustava v zasade beze zmen. Vztah "obecný - jednotlivý případ" anotujeme jako SET-SUB. Problematicke pripady zarazujeme spise do SET nez do PART, v PART zustavaji jenom uplna jasne. | | |
^ JP, 16.1. | uzly s funktorem INTF | Má se anotovat koreference u uzlů s funktorem INTF? Narazil jsem na to ve větě //"Vím, že je **to** ode mne, laika v dotyčném oboru, velmi odvážné, **pouštět se** do polemik s renomovanými experty."// **AN:** neanotovat - správně nebo nesprávně, ale je to označeno atomický uzel, falešný subjekt apod. tedy nemůže mít referenci a koreferovat | | | ^ JP, 16.1. | uzly s funktorem INTF | Má se anotovat koreference u uzlů s funktorem INTF? Narazil jsem na to ve větě //"Vím, že je **to** ode mne, laika v dotyčném oboru, velmi odvážné, **pouštět se** do polemik s renomovanými experty."// **AN:** neanotovat - správně nebo nesprávně, ale je to označeno atomický uzel, falešný subjekt apod. tedy nemůže mít referenci a koreferovat | | |
^ RO 4.1. | "za Prahou" - "tu" | Pokud vím, máme anotovat i anaforická adverbia typu "tady", "zde". Narazil jsem na problematický případ: "za Prahou" - "části města" - "tu". "Město" je koreferenční s "Praha", "tu" neznamená "v Praze", nýbrž "za Prahou", ale když to odkážu k "za Prahou", automaticky se to spojí s "město". Řešit segmentovou koreferencí? Anebo je to další příklad toho, že kde je jasná anafora, nedá se vždy mluvit zároveň o jasné koreferenci, a argument pro částečné odlišení těchhle vztahů? **JP:** To je obecný problém, jak anotovat výrazy s předložkou. Kromě místních určení se to často týká ještě určení časových. Tak např. výrazy "před válkou" a "po válce". Oba tyto výrazy jsou reprezentovány uzly s lemmatem "válka", rozdíl mezi nimi je zachycen pouze subfunktorem (before/after). Je tedy otázka, jak anotovat vzájemný vztah. Kdyby se vycházelo z lemmatu toho uzlu, je to koreference, kdyby se brala v úvahu i informace ze subfunktoru, je to bridging contrast. V tom případě by se ale nemohla značit koreference ani mezi uzly "před válkou" a "válka" (např. ve větě, kde by "válka" byla podmětem) a ani mezi uzly "za Prahou" a "město". Další pěkný příklad je dvojice "před začátkem utkání" a "při rozcvičování". Zde je situace obrácená - když se vezme v úvahu i význam předložky, zachycený subfunktorem, je to koreference, nicméně mezi referenty samotných substantiv žádný označitelný vztah není. **AN:** Krásné příklady!!! Jenom teoreticky se to vyřešit nedá, musíme se jenom dopmluvit, aby to bylo jednotně. Jak jste to anotovali? Nabizí se mi spíše to řešení orientovat se na holá jména bez předložek, aby vždy byla propojená Praha a Praha. Na škodu skutečné koreference.| --> M| | ^ RO 4.1. | "za Prahou" - "tu" | Pokud vím, máme anotovat i anaforická adverbia typu "tady", "zde". Narazil jsem na problematický případ: "za Prahou" - "části města" - "tu". "Město" je koreferenční s "Praha", "tu" neznamená "v Praze", nýbrž "za Prahou", ale když to odkážu k "za Prahou", automaticky se to spojí s "město". Řešit segmentovou koreferencí? Anebo je to další příklad toho, že kde je jasná anafora, nedá se vždy mluvit zároveň o jasné koreferenci, a argument pro částečné odlišení těchhle vztahů? **JP:** To je obecný problém, jak anotovat výrazy s předložkou. Kromě místních určení se to často týká ještě určení časových. Tak např. výrazy "před válkou" a "po válce". Oba tyto výrazy jsou reprezentovány uzly s lemmatem "válka", rozdíl mezi nimi je zachycen pouze subfunktorem (before/after). Je tedy otázka, jak anotovat vzájemný vztah. Kdyby se vycházelo z lemmatu toho uzlu, je to koreference, kdyby se brala v úvahu i informace ze subfunktoru, je to bridging contrast. V tom případě by se ale nemohla značit koreference ani mezi uzly "před válkou" a "válka" (např. ve větě, kde by "válka" byla podmětem) a ani mezi uzly "za Prahou" a "město". Další pěkný příklad je dvojice "před začátkem utkání" a "při rozcvičování". Zde je situace obrácená - když se vezme v úvahu i význam předložky, zachycený subfunktorem, je to koreference, nicméně mezi referenty samotných substantiv žádný označitelný vztah není. **AN:** Krásné příklady!!! Jenom teoreticky se to vyřešit nedá, musíme se jenom dopmluvit, aby to bylo jednotně. Jak jste to anotovali? Nabizí se mi spíše to řešení orientovat se na holá jména bez předložek, aby vždy byla propojená Praha a Praha. Na škodu skutečné koreference.| --> M, EH| |
^ JP, 23.12. | technický problém s gramatickou koreferencí | Narazil jsem na problém související s propojením textové a gramatické koreference: //"...očekávají návštěvu sparťanského prezidenta Macha s manažerem Nehodou, kteří by měli podat vysvětlení. (...) Musí zasáhnout manažer nebo prezident klubu."// V první větě je výraz "který" koreferentní jak s "Machem", tak s "Nehodou", a protože jde o koreferenci gramatickou, nelze ji nahradit bridgingem. Problém je, že o několik vět dále jsou uzly "manažer" a "prezident", které jsou každý zvlášť koreferentní s "Nehodou" a "Machem", což ale nejde zaznačit, protože koreference se v obou případech automaticky odkazuje na uzel "který", v důsledku čehož je pak "prezident" označen jako koreferentní s "manažerem". Řešil jsem to tak, že jsem vedl od "manažera" a "prezidenta" bridging na "který", což ale není ideální. **AN:** Jirko, bylo to jenom jednou? Melo by se to spis vyresit technicky. Pokud se to opakuje, meli bychom umet rucne zrusit automaticke propojeni retezcu| --> JM| | ^ JP, 23.12. | technický problém s gramatickou koreferencí | Narazil jsem na problém související s propojením textové a gramatické koreference: //"...očekávají návštěvu sparťanského prezidenta Macha s manažerem Nehodou, kteří by měli podat vysvětlení. (...) Musí zasáhnout manažer nebo prezident klubu."// V první větě je výraz "který" koreferentní jak s "Machem", tak s "Nehodou", a protože jde o koreferenci gramatickou, nelze ji nahradit bridgingem. Problém je, že o několik vět dále jsou uzly "manažer" a "prezident", které jsou každý zvlášť koreferentní s "Nehodou" a "Machem", což ale nejde zaznačit, protože koreference se v obou případech automaticky odkazuje na uzel "který", v důsledku čehož je pak "prezident" označen jako koreferentní s "manažerem". Řešil jsem to tak, že jsem vedl od "manažera" a "prezidenta" bridging na "který", což ale není ideální. **AN:** Jirko, bylo to jenom jednou? Melo by se to spis vyresit technicky. Pokud se to opakuje, meli bychom umet rucne zrusit automaticke propojeni retezcu. **JP:** Zatím jsem se s tím setkal jenom jednou, takže to asi nebude tak častý případ. Vyřešit by to mělo jít jednoduše tím, že by v případě, že od jedoho uzlu vede víc než jedna koreferenční (ne bridgingová) šipka, pro tento uzel neplatilo to automatické propojování. | --> JM| |
^ JP, 23.12. | bridging typ FUNCT | Kde všude se dá použít vztah FUNCT? Zatím je to pokud vím tak, že u typu FUNCT musí být na jedné straně vztahu výraz s rysem [+person]. Nešlo by to rozšířit i na jiné případy? Např. by podle mě bylo vhodné nějak jednotně označovat vztahy typu "Česká republika - vláda", "ČR - poslanecká sněmovna" nebo "Praha - radnice". A vzhledem k tomu, že tyto vztahy jsou významově blízké vztahům anotovaným jako FUNCT (a taky vzheldem k tomu, že tento typ není alespoň v mém případě tolik vytížen), se mi zdá vhodné používat typ FUNCT i pro ně. Pak mám ještě otázku, jestli jde jako FUNCT označovat i vztahy typu "ČR - předseda vlády", které jsou poněkud významově volnější. **AN:** ty vztahy bych neanotovala vubec, myslim, ze jsem to psala i v manualu, je to prilis vagni, prilis zalezi na znalostech sveta a pripomina sirokou semantickou sit| | | ^ JP, 23.12. | bridging typ FUNCT | Kde všude se dá použít vztah FUNCT? Zatím je to pokud vím tak, že u typu FUNCT musí být na jedné straně vztahu výraz s rysem [+person]. Nešlo by to rozšířit i na jiné případy? Např. by podle mě bylo vhodné nějak jednotně označovat vztahy typu "Česká republika - vláda", "ČR - poslanecká sněmovna" nebo "Praha - radnice". A vzhledem k tomu, že tyto vztahy jsou významově blízké vztahům anotovaným jako FUNCT (a taky vzheldem k tomu, že tento typ není alespoň v mém případě tolik vytížen), se mi zdá vhodné používat typ FUNCT i pro ně. Pak mám ještě otázku, jestli jde jako FUNCT označovat i vztahy typu "ČR - předseda vlády", které jsou poněkud významově volnější. **AN:** ty vztahy bych neanotovala vubec, myslim, ze jsem to psala i v manualu, je to prilis vagni, prilis zalezi na znalostech sveta a pripomina sirokou semantickou sit| | |
^ JP, 23.12. | výraz "obdobně" | Jak řešit tento případ? //"SAPO byl silně zastaralý ještě před svým dokončením; hlavní zájem VÚMS se tou dobou soustředil již na další projekt, elektronkový počítač 1. generace EPOS 1. Ten bohužel dopadl obdobně; byl opuštěn ve stadiu nedokončeného funkčního modelu..."// Výraz "obdobně" odkazuje na předchozí kontext, ale zřejmě to není koreference a ani není úplně jednoznačné, k čemu ho odkázat. Kromě toho by se u něj ještě dala označovat kataforická koreference na celou část věty za středníkem (která je v příslušném souboru vedena jako samostatná věta). Udělal jsem to tak, že jsem tam označil tuto kataforu a zároveň jsem dal bridging vztah typu rest na sloveso "být" v předchozí větě. **AN:** Proc ne? I kdybych ten REST bych asi neanotovala| | | ^ JP, 23.12. | výraz "obdobně" | Jak řešit tento případ? //"SAPO byl silně zastaralý ještě před svým dokončením; hlavní zájem VÚMS se tou dobou soustředil již na další projekt, elektronkový počítač 1. generace EPOS 1. Ten bohužel dopadl obdobně; byl opuštěn ve stadiu nedokončeného funkčního modelu..."// Výraz "obdobně" odkazuje na předchozí kontext, ale zřejmě to není koreference a ani není úplně jednoznačné, k čemu ho odkázat. Kromě toho by se u něj ještě dala označovat kataforická koreference na celou část věty za středníkem (která je v příslušném souboru vedena jako samostatná věta). Udělal jsem to tak, že jsem tam označil tuto kataforu a zároveň jsem dal bridging vztah typu rest na sloveso "být" v předchozí větě. **AN:** Proc ne? I kdybych ten REST bych asi neanotovala| | |
^ JP, 22.12. | výraz "potom" | Anotuje se nějaký vztah u výrazu "potom"? Např. //Zátah však pouze znepříjemnil život několika gangsterům zadrženým na 48 hodin - potom museli být pro nedostatek důkazů propuštěni.// - je tu určitě nějaký vztah mezi "potom" a "48 hodin", je ale otázka, jestli zrovna koreference... Podobně je tomu u výrazu "proto". | | | ^ JP, 22.12. | výraz "potom" | Anotuje se nějaký vztah u výrazu "potom"? Např. //Zátah však pouze znepříjemnil život několika gangsterům zadrženým na 48 hodin - potom museli být pro nedostatek důkazů propuštěni.// - je tu určitě nějaký vztah mezi "potom" a "48 hodin", je ale otázka, jestli zrovna koreference... Podobně je tomu u výrazu "proto". **AN:** Ani potom ani proto neanotujte. Neni to ani koreference, ale spise diskurzivni vztah, ktery je uz bud zachycen strukturou stromu a funktory anebo se bude anotovat zvlast pri anotaci dizkurzu, ktera se prave chysta Sarkou Zikanovou a kol. - viz na https://wiki.ufal.ms.mff.cuni.cz/projekt-anotace-diskurzu | | |
^ RO, 20.12. | anafora x koreference | Shodli jsme se s Jirkou, že se nám zdá, že se v anotaci možná málo zohledňuje principiální rozdíl mezi anaforou a koreferencí. Nevím přesně jak, ale možná bychom s pomocí tohohle rozlišení mohli některé věci líp řešit. Je pravda, že většinou platí "kde je anafora, tam je i koreference", ale není to tak všude. Třeba v tom případě "Jak se vám zamlouvá Pragobanka Cup?" "Takováhle akce u nás chyběla" je "takováhle" anaforické, ale "takováhle akce" není koreferenční. Podobně výrazy "tak" nebo "tolik" můžou myslím být anaforické a přitom nezakládat koreferenci. Taky "segmentovou koreferenci" myslím v podstatě anotujeme tehdy, jestliže je tam anaforický výraz, jako třeba to Jirkovo "tehdy". **JP:** Jako další příklad může sloužit dvojice "v roce 1987" - "tehdejší podoba nezávislé scény", na kterou jsem právě narazil. Na rozdíl od výrazu "tehdy" má výraz "tehdejší" adjektivní platnost, takže z něho zřejmě nejde odkazovat vůbec, a celá NP není koreferenční vůbec s ničím, takže nejde použít ani ten segment. Problém tedy vidím hlavně u výrazů s funkcí adjektiv, dalším příkladem může být např. "tamní". | | | ^ RO, 20.12. | anafora x koreference | Shodli jsme se s Jirkou, že se nám zdá, že se v anotaci možná málo zohledňuje principiální rozdíl mezi anaforou a koreferencí. Nevím přesně jak, ale možná bychom s pomocí tohohle rozlišení mohli některé věci líp řešit. Je pravda, že většinou platí "kde je anafora, tam je i koreference", ale není to tak všude. Třeba v tom případě "Jak se vám zamlouvá Pragobanka Cup?" "Takováhle akce u nás chyběla" je "takováhle" anaforické, ale "takováhle akce" není koreferenční. Podobně výrazy "tak" nebo "tolik" můžou myslím být anaforické a přitom nezakládat koreferenci. Taky "segmentovou koreferenci" myslím v podstatě anotujeme tehdy, jestliže je tam anaforický výraz, jako třeba to Jirkovo "tehdy". **JP:** Jako další příklad může sloužit dvojice "v roce 1987" - "tehdejší podoba nezávislé scény", na kterou jsem právě narazil. Na rozdíl od výrazu "tehdy" má výraz "tehdejší" adjektivní platnost, takže z něho zřejmě nejde odkazovat vůbec, a celá NP není koreferenční vůbec s ničím, takže nejde použít ani ten segment. Problém tedy vidím hlavně u výrazů s funkcí adjektiv, dalším příkladem může být např. "tamní". **AN:** No jo, se vsim souhlasim. Krasne priklady! Ale co se da delat? Nemuzume prece delat dve paralelni anotace - anafory a koreference. Proto jsme se domluvili na tom, ze zakladni vztah bude koreference, i kdyby nebyla anaforicka. Tim prichazime o anaforu, ktera neni koreferencni. Nevim, jestli je to spravne reseni - nektera jina pracoviste se zakladaji vic na anaforu, protoze v anglictine urcite NP jsou vyznaceny clenem a je z toho jednoduseji vychazet. **RO:** Myslím, že by se to řešit dalo: ona ta anafora v 90% případů koreferenci slouží, takže by bylo opravdu zbytečné vést je separovaně, ale pro ten zbytek bychom mohli zavést kategorii (mezi bridgingem, aby se to nekomplikovalo?) "anaforický odkaz, který nezakládá koreferenci", protože kde se to vyskytne, má to na koherenci textu velký vliv. Vešla by se tam minimálně ta adjektiva (takový, tamní, tehdejší, podobný, obdobný), ale taky případ "instituce X" - "ve světě tyto instituce financuje stát" (=jiné instituce typu instituce X); třeba i výrazy "tolik", "tehdy", "tak", "takto", protože reference je u nich sporná; zatím u nich myslím označujeme koreferenci, jenom když předchází substantivní vyjádření typu "roku 1990", "tímto způsobem", což je spíš menšina případů. Jediný problém by byl stanovit, na jaký uzel je odkazovat - snad na NP v případě "takový", "obdobný", "tamní" a na řídící sloveso v případě, kdy jde o nějaký aspekt celé situace a neumíme to vztáhnout k některému objektu... **JP:** Možná by to šlo řešit i tou kategorií REST... Další příklad je z textu na shodu: "V Bavorsku" -- "zdejší odboráři". Jinak v případě těch dalších výrazů jako "tehdy" a "takto" myslím problém není, ty mají referenci a dá se u nich anotovat koreference. A v případě, že není kam odkázat, se zde dá použít segment. **AN:** Ted kdyz o tom premyslim, vubec se mi ta zvlastni bridging skupinka nezda spatna. Probereme to taky na schuzce. **AN:** Na schuzce jsme se dohodli zatim tu skupinku nezavadit, takove priklady anotovat jako REST a psat je do seznamu na [[https://wiki.ufal.ms.mff.cuni.cz/priklady-k-zatim-nezavedene-bridging-skupine-anof]].| --> EH| |
^ RO, 20.12. | katafora | Je možné vést v případě katafory šipku náležitě, čili opačným směrem? Občas se to objeví; nevím, jestli jsme to už řešili. | | | ^ RO, 20.12. | katafora | Je možné vést v případě katafory šipku náležitě, čili opačným směrem? Občas se to objeví; nevím, jestli jsme to už řešili. **AN:** pri katafore je sipka dopredu, cili opacnym smerem nez normalne | | |
^ RO, 20.12. | koreference 0 x SYN | Pořád nemáme jasno, co se anotuje jako typ 0 a co jako SYN. Měli jsme kritérium, že pokud se řídící jméno celé fráze shoduje, je to 0, pokud se liší, je to SYN; ale na minulé schůzce jsme to zase jakýmsi případem narušili - řídící jméno se shodovalo, ale přesto jsme rozhodli, že to bude SYN. (Nepamatuju si, co to bylo; víte někdo?) Druhá věc je, že pokud určíme nějaké takové formální kritérium, pak se to může snadno rozlišit automaticky a pro ruční anotaci by úplně stačila jedna kategorie. Co s tím? **JP:** Co to bylo, si nepamatuju, nicméně nabízí se to v případě nějakých ustálených spojení (nebo jde-li přímo o vlastní jména), např. "Česká republika" - "naše republika". V některých případech se zase nabízí anotovat jako typ 0, přestože řídící uzel není stejný, např. "firma Struktura" - "Struktura". | | | ^ RO, 20.12. | koreference 0 x SYN | Pořád nemáme jasno, co se anotuje jako typ 0 a co jako SYN. Měli jsme kritérium, že pokud se řídící jméno celé fráze shoduje, je to 0, pokud se liší, je to SYN; ale na minulé schůzce jsme to zase jakýmsi případem narušili - řídící jméno se shodovalo, ale přesto jsme rozhodli, že to bude SYN. (Nepamatuju si, co to bylo; víte někdo?) Druhá věc je, že pokud určíme nějaké takové formální kritérium, pak se to může snadno rozlišit automaticky a pro ruční anotaci by úplně stačila jedna kategorie. Co s tím? **JP:** Co to bylo, si nepamatuju, nicméně nabízí se to v případě nějakých ustálených spojení (nebo jde-li přímo o vlastní jména), např. "Česká republika" - "naše republika". V některých případech se zase nabízí anotovat jako typ 0, přestože řídící uzel není stejný, např. "firma Struktura" - "Struktura". **AN:** Nechme to zatim jak je. Na ten pripad se taky nepamatuju. Asi mate pravdu... Nakonec budou ty skupiny dve - NR bych prece jen nechala :-) **RO:** Jojo, na NR se určitě hodí na to generické užití. Co se týče 0 x SYN, nemyslím, že by nemělo smysl rozlišovat to, co rozlišujeme, ale v případě, že by totéž šlo automaticky (a já myslím že ano - rozlišit, jestli se řídící uzel koreferujících výrazů lexikálně shoduje nebo liší), možná bychom tu distinkci mohli využít spíš na něco, co počítač rozlišit neumí. Nevím, jestli by to v praxi fungovalo a šlo určovat, ale napadlo mě odlišit případy, kdy je nové pojmenování nějak sémanticky obohacené, přináší novou informaci o denotátu (novou buď proti všem předchozím jeho pojmenováním, nebo proti informacím obsaženým v celém předchozím textu). Např. "Michael Schumacher vyhrál další závod Formule 1..." - "Schumacher" (nic nového) - "..., říká jezdec"(informace nová proti předchozímu pojmenování / stará vzhledem k celému předchozímu kontextu) - "loňský mistr světa" (nová informace). **AN:** souhlasim, taky mi to prijde logicke| | |
^ JP, 19.12. | typ "jde o..." | //"Ve čtvrtém kole druhé vlny kuponové privatizace do včerejšího odpoledne odevzdali občané Podniku výpočetní techniky zatím 1592000 kuponů. Jde o předběžné údaje, protože stále docházejí kupony ze vzdálenějších pošt."//\\ Má se anotovat koreferenční vztah mezi slovem "údaje" a počtem kuponů? Významově ta konstrukce odpovídá konstrukci "jsou to předběžné údaje", kde by se "údaje" jako koreferenční neanotovaly (anotoval by se uzel "to"), ovšem v tomto případě má sloveso "jít" pouze jeden aktant (aktor "údaje"). **AN**: V danem priklade bych to anotovala - proc ne, kdyz to struktura nezakazuje? **RO** Taky jsem pro, jen bych raději odkazoval "údaje" na to "1592000", nikoliv na "kupóny" - možná se tím trochu míň míchá objektový jazyk s metajazykem. Mimochodem se mi zdá, že to je častější problém; docela možný (byť vymyšlený) příklad: "Povstalci zaútočili na vládní jednotky." Nechť následuje buď 1) "Tento útok si vyžádal čtyři oběti.", nebo 2) "Tuto zprávu přinesla agentura X." Pokud se nepletu, anotujeme jak "tento útok", tak "tuto zprávu" jako koref. ER, i když se v jednom případě denotuje útok, ve druhém informace o něm. Nevadí to? **JP:** No, to může být docela problém, hlavně pokud by ten řetězec měl nějak pokračovat. Příklad: "Povstalci zaútočili na vládní jednotky. Tuto zprávu přinesla agentura X. Útok si vyžádal čtyři oběti." Pak by se jak zpráva, tak útok odkázaly na to sloveso, čímž by se vytvořil jeden koreferenční řetězec, podle kterého by byly "zpráva" a "útok" koreferenční, což by němělo být. Řešením by mohlo být používat ten typ ER právě a jen pro ty metajazykové případy (což by byly dvě mouchy jednou ranou, protože by tím ten typ ER dostal jednoznačné vymezení). Ovšem ten případ, který jsem popsal, by to neřešilo. Mohlo by ho to ale řešit, kdyby se v případě typu ER zrušil ten princip, že Tred automaticky vytváří jeden dlouhý řetězec. Akorát by se tím v tomto případě trochu zrušil princip tranzitivity koreference. **RO**: To zní zajímavě, nějakou takovouhle kategorii metajazykové koreference by asi stálo za to zavést. Měl bych k ní po ruce skutečný příklad: "Je to vůbec definitivní příměří? IRA se vyhnula ve svém prohlášení tomuto výrazu a místo něj zvolila bezpodmínečný klid zbraní." | | | ^ JP, 19.12. | typ "jde o..." | //"Ve čtvrtém kole druhé vlny kuponové privatizace do včerejšího odpoledne odevzdali občané Podniku výpočetní techniky zatím 1592000 kuponů. Jde o předběžné údaje, protože stále docházejí kupony ze vzdálenějších pošt."//\\ Má se anotovat koreferenční vztah mezi slovem "údaje" a počtem kuponů? Významově ta konstrukce odpovídá konstrukci "jsou to předběžné údaje", kde by se "údaje" jako koreferenční neanotovaly (anotoval by se uzel "to"), ovšem v tomto případě má sloveso "jít" pouze jeden aktant (aktor "údaje"). **AN**: V danem priklade bych to anotovala - proc ne, kdyz to struktura nezakazuje? **RO** Taky jsem pro, jen bych raději odkazoval "údaje" na to "1592000", nikoliv na "kupóny" - možná se tím trochu míň míchá objektový jazyk s metajazykem. Mimochodem se mi zdá, že to je častější problém; docela možný (byť vymyšlený) příklad: "Povstalci zaútočili na vládní jednotky." Nechť následuje buď 1) "Tento útok si vyžádal čtyři oběti.", nebo 2) "Tuto zprávu přinesla agentura X." Pokud se nepletu, anotujeme jak "tento útok", tak "tuto zprávu" jako koref. ER, i když se v jednom případě denotuje útok, ve druhém informace o něm. Nevadí to? **JP:** No, to může být docela problém, hlavně pokud by ten řetězec měl nějak pokračovat. Příklad: "Povstalci zaútočili na vládní jednotky. Tuto zprávu přinesla agentura X. Útok si vyžádal čtyři oběti." Pak by se jak zpráva, tak útok odkázaly na to sloveso, čímž by se vytvořil jeden koreferenční řetězec, podle kterého by byly "zpráva" a "útok" koreferenční, což by němělo být. Řešením by mohlo být používat ten typ ER právě a jen pro ty metajazykové případy (což by byly dvě mouchy jednou ranou, protože by tím ten typ ER dostal jednoznačné vymezení). Ovšem ten případ, který jsem popsal, by to neřešilo. Mohlo by ho to ale řešit, kdyby se v případě typu ER zrušil ten princip, že Tred automaticky vytváří jeden dlouhý řetězec. Akorát by se tím v tomto případě trochu zrušil princip tranzitivity koreference. **RO**: To zní zajímavě, nějakou takovouhle kategorii metajazykové koreference by asi stálo za to zavést. Měl bych k ní po ruce skutečný příklad: "Je to vůbec definitivní příměří? IRA se vyhnula ve svém prohlášení tomuto výrazu a místo něj zvolila bezpodmínečný klid zbraní." **AN:** Ten typ ER rozhodne pokladejte za takovou metajazykovou kategorii. Je to i v manualku. Na ostatni otazky zatim neodpovidam - premyslim. | | |
^ JP, 16.12. | Česko - český stát\\ a český - český stát | Jenom se chci ujistit, že to chápu správně: V případě dvojice "Česko - český stát" je správným řešením zrušit přednastavenou koreferenci "Česko - český" a místo ní vytvořit koreferenci "Česko - stát". A podobně v případě dvojice "český - český stát", tj. nepropojovat "český - český", ale "český - stát". Je to tak? **AN**: Ano, chapes to spravne :-)| | | ^ JP, 16.12. | Česko - český stát\\ a český - český stát | Jenom se chci ujistit, že to chápu správně: V případě dvojice "Česko - český stát" je správným řešením zrušit přednastavenou koreferenci "Česko - český" a místo ní vytvořit koreferenci "Česko - stát". A podobně v případě dvojice "český - český stát", tj. nepropojovat "český - český", ale "český - stát". Je to tak? **AN**: Ano, chapes to spravne :-)| | |
^ AN, 3.12 | "nekoreferencni koreference" typu NR| neoznačujeme pokud extence (dosah, možné denotáty) daných NP mají různý dosah, čili nejsou koreferenční, i když o nereferenčních jmenných frázích to není úplně logické tvrzení. Např. v násl. příkladě jsou dvě generické jména, ze kterých druhé je „specifičtější“ než první, tj. odkazuje na omezenější množinu, třídu denotátu. Srov. //(17) Stali jsme se také [dodavatel]dodavatelem Unileveru a dokázali splnit jeho zvýšené požadavky na __kvalitu__ . (25)U detergentu Toto jsme například řešili problém s udržením stálé __kvality__ //(tady – kvality pouze detergentu)//, protože jednotlivé partie byly nevyvážené// .\\ \\ **JP:** Takže chápu-li to správně, ve větách //"Podle náměstka Svobody potvrdilo společné jednání správnost úsilí našeho ministerstva o decentralizaci v rozhodování, kam půjdou finanční prostředky. V Nizozemsku jsou finance spravovány centrálně, ale rozhodování o tom, na co budou použity, přísluší mnoha uměleckým fondům."// se neoznačuje vůbec žádný vztah mezi //finančními prostředky// a //financemi//? V případě abstraktních pojmenování podle mě toto rozlišování dosahu někdy docela komplikuje situaci. Např. teď jsem anotoval článek pojednávající o tom, že Česko pravděpodobně převezme nizozemský model financování kultury, a kdyby se to mělo dělat důsledně, tak by se u všech výrazů s lemmatem "kultura" (které se tam vyskytovaly dost často) muselo rozlišovat, jestli jde o kulturu obecně, nebo o kulturu v Nizozemsku, nebo o kulturu v Česku, přestože je toto slovo většinou použito v dost abstraktním významu (podobně je tomu i s výrazy "financování" nebo "kulturní politika" - takto to možná vypadá, že je vždy jasné, jestli jde o nizozemskou, nebo českou kulturní politiku, ale když se v textu píše o tom, že Češi a Nizozemci spolu debatují o kulturní politice, tak vzniká zase potřeba vytvořit ještě třetí kategorii, tj. kulturní politiku v naprosto obecném významu). A taky by se pak měly řešit nějaké bridging vztahy typu část-celek mezi kulturou v Česku a Nizozemsku a kulturou obecně. V podobných případech, kdy jsou nějaké výrazy použity na vysokém stupni abstrakce, je podle mě rozlišování toho významového dosahu dost sporné (u té kultury je možné říct, že jde o totéž, jen na jiném místě) a vede to k tomu, že se neoznačují některé vztahy, které docela výrazně přispívají ke koherenci textu. **AN**: Koreferenci mezi //finanční prostředky// a //finance// bych neanotovala. Mas urcite pravdu, ze u tech abstrakt je rozlisovani takoveho toho dosahu a vubec koreference je slozity a neodonoznacny, prave proto bych tam koreferenci anotovala jenom v uplne jasnych pripadech. Co treba si predstavit situaci, ze cestina ma clen a navic, ze ho pouziva s abstaktnimi a generickymi NP. A pak si u toho problematickeho paru zamyslet, jestli "koreferujici" clen by byl s clenem (potom anotovat) nebo bez nej (potom neanotovat). Mozna je to ale blbost. U kultury si nejsem jista, potrebovala bych videt vetsi kontext. **RO** Dlouho už přemýšlím, že by bylo dobré zavést zvláštní kategorii pro věci tohohle typu, kde sice z nějakých důvodů nejde tvrdit koreference nebo některý z vymezených typů bridging, zato to jasně přispívá ke koherenci textu. Třeba proto, že se to lexikálně opakuje, s nějakým významovým posunem. (Občas už jsem tak využil REST, ale nevím, jestli je to schválené.) Třeba ten případ "kulturní politika" vs. "nizozemská kulturní politika" - nemůžem tam určit identitu, možná ani vztah celek-část, ale jednoznačně víme, že to přispívá k textové koherenci, a proč tu informaci tedy nezachovat? (Např. Daneš v Mluvnici češtiny 3 uvádí "známost", významovou příbuznost referentů jako další důležitý prostředek koherence vedle identity referentů.) Samozřejmě by se to muselo dělat velmi uměřeně, nespojovat všechno možné; ale myslím že toho jsme schopni. Asi by nebylo třeba zavádět nic dalšího - stačí říct jasně, že tyhle případy spadají do REST. Byla by to přiznaně trochu subjektivní kategorie - "anotátorovi se to zdálo důležité pro koherenci textu", ale lepší než to neznačit vůbec.| | | ^ AN, 3.12 | "nekoreferencni koreference" typu NR| neoznačujeme pokud extence (dosah, možné denotáty) daných NP mají různý dosah, čili nejsou koreferenční, i když o nereferenčních jmenných frázích to není úplně logické tvrzení. Např. v násl. příkladě jsou dvě generické jména, ze kterých druhé je „specifičtější“ než první, tj. odkazuje na omezenější množinu, třídu denotátu. Srov. //(17) Stali jsme se také [dodavatel]dodavatelem Unileveru a dokázali splnit jeho zvýšené požadavky na __kvalitu__ . (25)U detergentu Toto jsme například řešili problém s udržením stálé __kvality__ //(tady – kvality pouze detergentu)//, protože jednotlivé partie byly nevyvážené// .\\ \\ **JP:** Takže chápu-li to správně, ve větách //"Podle náměstka Svobody potvrdilo společné jednání správnost úsilí našeho ministerstva o decentralizaci v rozhodování, kam půjdou finanční prostředky. V Nizozemsku jsou finance spravovány centrálně, ale rozhodování o tom, na co budou použity, přísluší mnoha uměleckým fondům."// se neoznačuje vůbec žádný vztah mezi //finančními prostředky// a //financemi//? V případě abstraktních pojmenování podle mě toto rozlišování dosahu někdy docela komplikuje situaci. Např. teď jsem anotoval článek pojednávající o tom, že Česko pravděpodobně převezme nizozemský model financování kultury, a kdyby se to mělo dělat důsledně, tak by se u všech výrazů s lemmatem "kultura" (které se tam vyskytovaly dost často) muselo rozlišovat, jestli jde o kulturu obecně, nebo o kulturu v Nizozemsku, nebo o kulturu v Česku, přestože je toto slovo většinou použito v dost abstraktním významu (podobně je tomu i s výrazy "financování" nebo "kulturní politika" - takto to možná vypadá, že je vždy jasné, jestli jde o nizozemskou, nebo českou kulturní politiku, ale když se v textu píše o tom, že Češi a Nizozemci spolu debatují o kulturní politice, tak vzniká zase potřeba vytvořit ještě třetí kategorii, tj. kulturní politiku v naprosto obecném významu). A taky by se pak měly řešit nějaké bridging vztahy typu část-celek mezi kulturou v Česku a Nizozemsku a kulturou obecně. V podobných případech, kdy jsou nějaké výrazy použity na vysokém stupni abstrakce, je podle mě rozlišování toho významového dosahu dost sporné (u té kultury je možné říct, že jde o totéž, jen na jiném místě) a vede to k tomu, že se neoznačují některé vztahy, které docela výrazně přispívají ke koherenci textu. **AN**: Koreferenci mezi //finanční prostředky// a //finance// bych neanotovala. Mas urcite pravdu, ze u tech abstrakt je rozlisovani takoveho toho dosahu a vubec koreference je slozity a neodonoznacny, prave proto bych tam koreferenci anotovala jenom v uplne jasnych pripadech. Co treba si predstavit situaci, ze cestina ma clen a navic, ze ho pouziva s abstaktnimi a generickymi NP. A pak si u toho problematickeho paru zamyslet, jestli "koreferujici" clen by byl s clenem (potom anotovat) nebo bez nej (potom neanotovat). Mozna je to ale blbost. U kultury si nejsem jista, potrebovala bych videt vetsi kontext. **RO** Dlouho už přemýšlím, že by bylo dobré zavést zvláštní kategorii pro věci tohohle typu, kde sice z nějakých důvodů nejde tvrdit koreference nebo některý z vymezených typů bridging, zato to jasně přispívá ke koherenci textu. Třeba proto, že se to lexikálně opakuje, s nějakým významovým posunem. (Občas už jsem tak využil REST, ale nevím, jestli je to schválené.) Třeba ten případ "kulturní politika" vs. "nizozemská kulturní politika" - nemůžem tam určit identitu, možná ani vztah celek-část, ale jednoznačně víme, že to přispívá k textové koherenci, a proč tu informaci tedy nezachovat? (Např. Daneš v Mluvnici češtiny 3 uvádí "známost", významovou příbuznost referentů jako další důležitý prostředek koherence vedle identity referentů.) Samozřejmě by se to muselo dělat velmi uměřeně, nespojovat všechno možné; ale myslím že toho jsme schopni. Asi by nebylo třeba zavádět nic dalšího - stačí říct jasně, že tyhle případy spadají do REST. Byla by to přiznaně trochu subjektivní kategorie - "anotátorovi se to zdálo důležité pro koherenci textu", ale lepší než to neznačit vůbec. **AN:** Urcite to schvaluju jako REST! Absolutne souhlasim. | | |
^ JP | predikát vs. subjekt | //"Prvotní apoštolská církev byla chudá. Přesto i ona měla jakousi finanční organizaci, dokonce svého pokladníka. Problémem je, že tímto prokazatelně prvním křesťanským ekonomem byl Jidáš Iškariotský. Neblahé stigma Ježíšova zrádce jako by se nad církevním majetkem vznášelo dodnes."//\\ Problematická je třetí věta: je tam koreference se slovem pokladník ve druhé větě, nicméně je otázka, od kterého z uzlů vést šipku. Trochu se tu nabízí vést ji od uzlu ekonom - mluví pro to jednak aktuální členění, jednak (především) výraz tímto. Nicméně je to predikát, čili správnější asi bude vést koreferenci od uzlu Iškariotský.\\ **AN**: To je identifikacni veta a obe jeji casti jsou referencni. V takovém případě anotaci podléhají obě části predikačního vztahu, ale přesto neanotujeme koreferenci mezi subjektem a jmennou částí přísudku – jejich koreference je dána syntaktickou strukturou stromu a může být podle potřeby dodělána automaticky. "Prvotní apoštolská církev byla chudá. Přesto i ona měla jakousi finanční organizaci, dokonce svého __pokladníka__. Problémem je, že tímto prokazatelně prvním křesťanským __ekonomem__ {coref_text na “pokladník”} byl __Jidáš Iškariotský__.{žádná koreferenční šipka} Neblahé stigma __Ježíšova zrádce__ {coref_text na “Jidáš Iškariotský”} jako by se nad církevním majetkem vznášelo dodnes.| | | ^ JP | predikát vs. subjekt | //"Prvotní apoštolská církev byla chudá. Přesto i ona měla jakousi finanční organizaci, dokonce svého pokladníka. Problémem je, že tímto prokazatelně prvním křesťanským ekonomem byl Jidáš Iškariotský. Neblahé stigma Ježíšova zrádce jako by se nad církevním majetkem vznášelo dodnes."//\\ Problematická je třetí věta: je tam koreference se slovem pokladník ve druhé větě, nicméně je otázka, od kterého z uzlů vést šipku. Trochu se tu nabízí vést ji od uzlu ekonom - mluví pro to jednak aktuální členění, jednak (především) výraz tímto. Nicméně je to predikát, čili správnější asi bude vést koreferenci od uzlu Iškariotský.\\ **AN**: To je identifikacni veta a obe jeji casti jsou referencni. V takovém případě anotaci podléhají obě části predikačního vztahu, ale přesto neanotujeme koreferenci mezi subjektem a jmennou částí přísudku – jejich koreference je dána syntaktickou strukturou stromu a může být podle potřeby dodělána automaticky. "Prvotní apoštolská církev byla chudá. Přesto i ona měla jakousi finanční organizaci, dokonce svého __pokladníka__. Problémem je, že tímto prokazatelně prvním křesťanským __ekonomem__ {coref_text na “pokladník”} byl __Jidáš Iškariotský__.{žádná koreferenční šipka} Neblahé stigma __Ježíšova zrádce__ {coref_text na “Jidáš Iškariotský”} jako by se nad církevním majetkem vznášelo dodnes.| | |
^ AN, 10.12. | koreference u #Gen| prosim neoznacujte - nedelalo se to systematicky, nam se to take systematicky nepovede| | | ^ AN, 10.12. | koreference u #Gen| prosim neoznacujte - nedelalo se to systematicky, nam se to take systematicky nepovede| | |
^ dotaz JP | Jak anotovat tento případ? V jedné větě je "...někdejší ministr vnitra Barák...", o několik vět dál je "do funkce ministra vnitra nastoupil Rudolf Barák...". Jako typ 0 se samozřejmě propojí Barák-Barák. Ale co s uzly "ministr" a "ministra" (příp. "funkce")? Prozatím to nespojuji, ale taky by bylo možné to projit např. koreferencí typu NR. | AN: nepropojovala bych to - v pozici antecedenta 'ministr' visi jako zavisky na Barak, navic 'ministry' tady nejsou koreferencni | OK | | ^ dotaz JP | Jak anotovat tento případ? V jedné větě je "...někdejší ministr vnitra Barák...", o několik vět dál je "do funkce ministra vnitra nastoupil Rudolf Barák...". Jako typ 0 se samozřejmě propojí Barák-Barák. Ale co s uzly "ministr" a "ministra" (příp. "funkce")? Prozatím to nespojuji, ale taky by bylo možné to projit např. koreferencí typu NR. | AN: nepropojovala bych to - v pozici antecedenta 'ministr' visi jako zavisky na Barak, navic 'ministry' tady nejsou koreferencni | OK | |
^ dotaz JK | Jak řešíte koreference na pomezí SYN a 0? Mám na mysli takové případy, kdy jsou propojeny dva totožné uzly, ale jejich poduzly se liší (případně chybějí). Např. dvojice: společnost - akciová společnost - společnost Incheba; Vlček - ředitel J. Vlček - Jiří Vlček; ministr financí - ministr - tento ministr atd. | AN: vždy jako typ 0 | +M| | ^ dotaz JK | Jak řešíte koreference na pomezí SYN a 0? Mám na mysli takové případy, kdy jsou propojeny dva totožné uzly, ale jejich poduzly se liší (případně chybějí). Např. dvojice: společnost - akciová společnost - společnost Incheba; Vlček - ředitel J. Vlček - Jiří Vlček; ministr financí - ministr - tento ministr atd. | AN: vždy jako typ 0 | +M| |
| |
| |
| |
| |
===== Data ===== | ===== Data ===== |
| |
==== Train-1 ==== | [[Přehled o anotovaných datech]] na samostatné stránce. |
| |
^ data ^ # souborů ^ # vět ^ # slov ^ anotátor ^ odesláno ^ vráceno ^ soubory ^ poznámka ^ | |
| data_20081016_Anja.zip | 28 | 479 | 7190 | AN | 16.10.2008 | 8.12.2008 | cmpr9410_001 - lnd94103_106 | | | |
| data_20081016_Radek_Ocelak.zip | 31 | 498 | 8922 | RO | 16.10.2008 | 10.11.2008 | lnd94103_116 - ln94202_75 | | | |
| data_20081016_Jan_Krivan.zip | 31 | 496 | 9305 | JK | 16.10.2008 | 2.12.2008 | ln94202_84 - ln94204_78 | | | |
| data_20081016_Jiri_Pergler.zip | 24 | 246 | 4068 | JP | 16.10.2008 | 6.11.2008 | ln94204_87 - ln94206_29 | | | |
| data_20081105_test_shody.zip | 3 | 41 | 585 | AN | 5.11.2008 | 10.11.2008 | ln94206_38, ln94206_56, mf920922_044 | | | |
| data_20081105_test_shody.zip | 3 | 41 | 585 | RO | 5.11.2008 | 10.11.2008 | ln94206_38, ln94206_56, mf920922_044 | | | |
| data_20081105_test_shody.zip | 3 | 41 | 585 | JK | 5.11.2008 | 2.12.2008 | ln94206_38, ln94206_56, mf920922_044 | | | |
| data_20081105_test_shody.zip | 3 | 41 | 585 | JP | 5.11.2008 | 16.11.2008 | ln94206_38, ln94206_56, mf920922_044 | | | |
| data_20081106_Radek_Ocelak.zip | 41 | 816 | 13178 | RO | 6.11.2008 | 3.12.2008 | ln94206_47, ln94206_65 - ln94209_50 | | | |
| data_20081106_Jan_Krivan.zip | 63 | 801 | 14566 | JK | 6.11.2008 | 20.1.2009 | ln94209_6 - ln95047_051 | | | |
| data_20081106_Jiri_Pergler.zip | 19 | 404 | 6862 | JP | 6.11.2008 | 1.12.2008 | ln95047_061 - ln95048_102 | | | |
| data_20081106_nahrada_Radek_Ocelak.zip | 8 | 76 | 1343 | RO | 26.11.2008 | 3.12.2008 | mf920922_054 - mf920922_125 | náhrada za 83 vět (1610 slov) souboru ln94208_11 | | |
| soubor ln94208_11 | 1 | 83 | 1610 | AN | - | 1.12.2008 | ln94208_11 | | | |
| |
==== Train-1/2 ==== | |
| |
^ data ^ # souborů ^ # vět ^ # slov ^ anotátor ^ odesláno ^ vráceno ^ soubory ^ poznámka ^ | |
| data_20081202_Radek_Ocelak.zip | 57 | 1029 | 15554 | RO | 2.12.2008 | 4.1.2009 | mf920922_135 - mf930713_156, train-2: cmpr9410_002 - cmpr9415_028| po vrácení jsem doplnil původní textovou koreferenci, která v některých souborech chyběla | | |
| |
==== Train-2 ==== | |
| |
^ data ^ # souborů ^ # vět ^ # slov ^ anotátor ^ odesláno ^ vráceno ^ soubory ^ poznámka ^ | ===== Zajimavé/problematické řetězce ===== |
| data_20081202_Jan_Krivan.zip | 63 | 1010 | 15951 | JK | 2.12.2008 | - | cmpr9415_038 - ln94203_89, lnd* | | | **JP: K nejasné hranici mezi koreferencí a bridgingem -- posloupnost "vod":** |
| data_20081202_Jiri_Pergler.zip | 30 | 502 | 8505 | JP | 2.12.2008 | 23.12.2008 | ln94203_98 - ln94205_84 | po vrácení jsem doplnil původní textovou koreferenci, která v některých souborech chyběla | | //(1) V podmínkách ČR je však možné, aby na veřejné vodovody, které jsou schopny zajistit nezávadnou a kontrolovanou pitnou __vodu__, bylo připojeno 92 až 95 procent obyvatel. |
| data_20081208_Anja.zip | 30 | 510 | 8454 | AN | 8.12.2008 | - | ln94205_93 - ln94207_93 | | | (2) Pražané snížili spotřebu __vody__. |
| data_20090106_Radek_Ocelak.zip | 76 | 1005 | 17067 | RO | 7.1.2009 | - | ln94208_101 - ln95046_096 | | | (3) Spotřeba pitné __vody__ v Praze výrazně klesla, nyní je na úrovni let 1982 a 1983. |
| data_20090106_Jiri_Pergler.zip | 39 | 503 | 8997 | JP | 7.1.2009 | 20.1.2009 | ln95046_106 - ln95049_058 | | | (4) Pro Prahu __ji__ vyrábí vodárny Želivka, Káraný a Podolí. |
| data_20090119_Jiri_Pergler.zip | 40 | 498 | 7910 | JP | 19.1.2009 | 25.1.2009 | ln95049_068 - ln95049_138, mf920922_005 - mf930709_055 | zbytek do tisíce vět | | (5) Největší podíl (60 procent) má vodárna využívající __vodu__ z vodního díla Želivka.// |
| Vodu v první větě jsem chápal jako generickou. Otázka je, jak je to ve druhé a třetí větě -- logicky jde jakoby jen o určitou "část generické vody" (tj. o tu vodu, která je spotřebována v Praze), nicméně podle struktury vět se podle mě i v těchto případech dá ta voda chápat jako generická. Např. v té větě (3) se nemluví o "spotřebě vody spotřebované v Praze", ale jen o "pražské spotřebě vody". Tak nevím, všechny "vody" ve větách (1)--(3) jsem spojil koreferencí NR. Ve čtvrté větě se už podle mě jasně mluví o té konkrétní "pražské vodě", připojil jsem ji proto jako SUB. A v páté větě jde jednoznačně o podmnožinu "obecné vody", jinou než ve větě (4). Ty hranice jsou holt nejasné. |
| |
| **JP: Příklad na vztah SET--SUB u uzlu s nespecifickou a uzlu se specifickou referencí:** |
| //O významu přímých investic se můžeme přesvědčit z prvních praktických příkladů. Nejde jenom o samotný příliv peněz, ale také o vytváření pracovních __příležitostí__, zvyšování kvalifikace pracovních sil, zavádění know-how. [...] Celkem dokončené projekty vedly k vytvoření 3500 pracovních __míst__.// |
| |
| |
===== Zajimavé/problematické řetězce ===== | |
**AN:** posloupnost "heroinů" (Ind94103_086): | **AN:** posloupnost "heroinů" (Ind94103_086): |
(1) Ačkoli neexistují žádné spolehlivé statistiky , znalci zaregistrovali nárůst zatčení v souvislosti s __heroinem__ a hospitalizací ze stejného důvodu . | (1) Ačkoli neexistují žádné spolehlivé statistiky , znalci zaregistrovali nárůst zatčení v souvislosti s __heroinem__ a hospitalizací ze stejného důvodu . |
| |
| |
| **RO:** "Společnosti k tomu účelu zvlášť zřízené mohou provozovat loterie...". "K tomu účelu" je sice koreferenční s "provozovat loterie", ale anotuji jako SEGM, protože "společnosti" taky visí na slovese a koreferencí by tu vzniklo asi nevhodné zacyklení. |
| |
===== Zatím nevyřešené poznámky k bridging rozšíření pro TrEd (náměty na zlepšení) ===== | ===== Zatím nevyřešené poznámky k bridging rozšíření pro TrEd (náměty na zlepšení) ===== |