Differences

This shows you the differences between two versions of the page.

@@ Line 1: / Line 1: @@
+Hi, Philipp,
+This is the most recent table of our Czech-English parallel data. The following
+counts (running words, incl. punctuation) come from about 2 million 1-1
+parallel sentences. Sentences not aligned 1-1 have been discarded, for phrase
+extraction however, they could be used, too.
+^                         ^ Czech             ^ English^
+|EU Constitution          | 111954 (0.5 %)    | 143700 (0.5 %)    |
+|Books                    | 2309813 (9.8 %)   | 2737748 (10.0 %)  |
+|Stories (Reader's Digest)| 1460700 (6.2 %)   | 1746610 (6.4 %)   |
+|Microsoft glossaries     | 9640893 (41.0 %)  | 10893206 (39.9 %) |
+|PCEDT-WSJ                | 495888 (2.1 %)    | 600935 (2.2 %)    |
+|CELEX (EU journal)       | 9065705 (38.6 %)  | 10713581 (39.3 %) |
+|KDE                      | 410923 (1.7 %)    | 451242 (1.7 %)    |
+|Total                    | 23495876 (100.0 %)| 27287022 (100.0 %)|
+We're not quite sure about the copyrights for the 'books' section, but I'd
+personally experiment with everything and never make the data publicly
+available, if not absolutely sure.
+Microsoft glossaries include menus, dialog boxes etc., so it's not always real
+sentences. Similarly for the KDE environment.
+Cheers, Ondrej.
+---------- Forwarded message ----------
+Date: Tue, 09 May 2006 17:38:59 +0200
+From: Ondrej Bojar <bojar@ufal.mff.cuni.cz>
+To: Jan Hajic <hajic@ufal.mff.cuni.cz>
+Cc: "Zabokrtsky, Zdenek" <zabokrtsky@ufal.mff.cuni.cz>
+Subject: Autorske pravo -- zapisky z prednasky dr. Matejky
+Dobry den.
+Prednaska (ac udajne urcena pro stredoskolske publikum), byla hodne zajimava, o
+slidy si poprosim mailem, tak je snad dostanu.
+Celkove zpravy jsou asi v podstate spatne.
+Pro uplatnovani autorskeho prava je podstatna legislativa zeme, kde dochazi k
+"uziti autorskeho dila".
+Konkretne pro sber lingvistickych dat v CR plati, ze (pokud jiz texty nejsou ve
+verejne domene [vice nez 70 let od smrti autora]) je *nutne* ziskat licenci od
+drzitele autorskych prav. Formalne vzato totiz porusuji autorsky zakon jakmile
+dilo pouziji jinak, nez na co mam licenci, otazka, jestli vysledek sirim (a
+nebo na tom dokonce vydelavam), je druhotna. Cili kdyz si prelozim text cizi
+pisne a preklad si schovam do supliku, porusil jsem zakon. Kdyz naskenuju
+ceskou knihu a nasbiram z ni nejake statistiky, tak jsem taky nejspis porusil
+zakon.
+(Madarska praxe stahnout texty, zamichat vety, distribuovat, je zasadne
+spatne.)
+(Z ceskeho hlediska Google porusuje autorsky zakon tim, ze stahuje, cachuje a
+indexuje stranky. K tomu nedostal od autoru licenci. V Cechach je tedy Google
+zalovatelny [ale nema tu majetek, takze na nem nejde nic vysoudit], v USA je
+pravni uprava jina a Google postupuje v souladu s "fair usage".)
+(V zahranici [Francie?, nepamatuju se presne] v praxi rada spolecnosti prava
+spokojene porusuje a soucasne cast prostredku vyhrazuje na soudni procesy a
+odskodnovani. V CR je tento postup velmi riskantni, protoze pripad od pripadu
+muze byt cin vyhodnocen jako trestny [osobni odpovednost, vezeni], nebo jen
+jako obchodni prestupek [financni odskodneni] -- zmotal jsem pravni terminy,
+ale vecne je to takhle.)
+Technicka poznamka k udeleni licence: Podle dr. Matejky staci dotaz na autora,
+jeho odpoved a pak nase potvrzeni prijeti jeho odpovedi mailem. (Podvrzene
+maily jsou na stejne urovni jako podvrzene danove priznani -- podvrhnout jde
+vzdy vse.) Zasadni informaci tu ale pro mne bylo, ze licencni smlouva *neni*
+uzavrena, dokud *obe strany nevedi, ze obe prijaly*. Cili bezna praxe tlacitka
+"Accept" pod licenci k softwaru je z ceskeho hlediska neplatna, pokud software
+soucasne nekontaktuje vyrobce, aby i vyrobce vedel, ze my jsme licenci prijali.
+Obchvat: Jsou-li nejaka data volne pro osobni potrebu, smim napr. vyrobit
+skript, ktery je vycisti a pripravi pro pouziti treti osobou. Ten skript mohu
+rozsirit, treti osoba si data sama ziska od puvodniho zdroje a mym skriptem
+obohati. Tento postup nepredstavuje poruseni autorskeho zakona, ale pouzit tuto
+praxi v CR v obchodni cinnosti (pro ziskani zisku/vyhody...), je velmi
+nebezpecne. Cin by mohl byt kvalifikovan jako nekala soutez (konkurence mne
+zaluje, ze se chovam nemravne, nikoli, ze bych mel porusit nejaky zakon;
+konkurence dosahne treba zakazu uvedeni produktu na trh ap.) Pro vedu a vyzkum
+je to asi celkem bezpecne.
+Z jinych dotazu jeste zajimave problemy:
+- pokud zamestnavatel na svych webovych strankach uvede seznam zamestnancu a
+*bez jejich souhlasu* prida odkaz na jejich soukromou domovskou stranku (nebo z
+ni prilinkuje fotku ap.), porusil zakon na ochranu osobnich udaju
+- pokud na sve strance udelam *bez souhlasu* odkaz nekam hluboko do nejakych
+cizich stranek (napr. nejaky obrazek, neco ke stazeni... tzv. deep linking),
+dopoustim se nekale souteze [pokud tedy nejak vydelavam na tom, ze u mne lide
+ten odkaz vidi, tj. pokud se ucastnim obchodni souteze]
+Kontakt na dr. Matejku: matejka@ilaw.cas.cz (osobni asi jan@matejka.us)
+Mj. uci na MFF v zimnim semestru nejakou (pravni) bezpecnost v sitich.
+Pro nase pralelni data: PCEDT je tedy na jednu stranu velmi nakladne ziskany
+zdroj dat, na druhou stranu je pravne v poradku (si myslim). Texty z Evropske
+unie jsou ve verejne domene, takze jsou take v poradku. Vsechno ostatni je vice
+ci mene problematicke.
+Pekny den, O.

[ Back to the navigation ] [ Back to the content ]

Institute of Formal and Applied Linguistics Wiki

Differences