Ústav českého jazyka. Vyhledávání vybraných syntaktických struktur v korpusu mluvené češtiny

Transkript

1 Masarykova univerzita Filozofická fakulta Ústav českého jazyka Český jazyk a literatura Šárka Mládková Vyhledávání vybraných syntaktických struktur v korpusu mluvené češtiny Bakalářská diplomová práce Vedoucí práce: Mgr. Dana Hlaváčková, Ph.D. 2012

2 Prohlašuji, že jsem bakalářskou práci vypracovala samostatně s využitím uvedených pramenů a literatury..

3 Poděkování Na tomto místě bych ráda poděkovala vedoucí mé bakalářské práce, Mgr. Daně Hlaváčkové, Ph.D., za odborné konzultace, cenné rady a především trpělivost a čas, který mi vždy ochotně věnovala.

4 Obsah Úvod Syntax mluvených projevů Mluvený a písemný projev Syntaktické rysy mluveného projevu Využití korpusu při zkoumání češtiny Jazykový korpus v českém prostředí Historie mluvených korpusů Mluvený korpus ORAL Tvorba mluveného korpusu Zásady přepisu Práce s korpusem a vyhledávání Nastavení korpusového manažeru a použité funkce Vyhledávání vybraných syntaktických struktur v korpusu ORAL2008 a výsledky vyhledávání Tázací dovětky Opravy Typické vyjadřovací prvky spjaté s mluveností Opakování Závěr Seznam použité literatury... 60

5 Úvod Současný český mluvčí zná a využívá v každodenním běžně mluveném projevu více než jeden útvar národního jazyka, v mnoha případech tak vytváří projev, který je po stránce jazykové smíšený (mísí např. prvky dialektu a spisovné češtiny). Co je ale myšleno pojmy běžně mluvený projev a běžně mluvený jazyk? Krčmová charakterizuje běžně mluvený jazyk jako soubor jazykových prostředků, které jsou užívány v neveřejných spontánních mluvených dialogických projevech (Krčmová, 1981, s. 10). Podle Müllerové jsou označení jako běžná mluva a běžně mluvený projev nevhodná a nejasná, navrhuje vhodnější dělení komunikace. Základní rozdíl vidí v komunikaci mluvené a písemné. Za nejdůležitější kritérium, podle kterého je možné specifikovat oblast mluvené komunikace, považuje dichotomii spontánnost/vázanost (Müllerová, 1994, s. 11). Právě jeden z těchto dvou krajních pólů je hlavním předmětem zkoumání v této práci. Jedná se o spontánní, přirozenou, volnou komunikaci, konkrétně o nepřipravené neoficiální rozhovory dvou a více lidí. Výzkum projevů tohoto typu byl zaměřen na syntax a byl prováděn prostřednictvím elektronicky zpracovaných přepisů mluvených rozhovorů. Soubory takových textů jsou obsaženy v mluvených korpusech. Cílem této práce bylo zjistit, jaké syntaktické konstrukce lze vyhledat v korpusu mluvené češtiny ORAL2008, a s využitím tzv. regulárních výrazů se pokusit zobecnit dotazy pro jejich vyhledávání. Vzhledem k tomu, že mluvený korpus není lemmatizovaný ani morfologicky označkovaný (otagovaný) a nelze v něm pracovat s klasickou větou (korpus obsahuje výpovědi, jejichž hranice jsou obtížně rozpoznatelné), nebylo možné některé syntaktické rysy mluvené češtiny vyhledat nebo zobecnit (viz kap. 5). Pro mou práci byl stěžejní korpus ORAL2008, kromě něj existují v současné době ještě další čtyři korpusy mluveného jazyka (ORAL2006, SCHOLA2010, Pražský mluvený korpus a Brněnský mluvený korpus). Korpus ORAL2008 jsem si vybrala z toho důvodu, že je nejaktuálnější. Nejnovějším mluveným korpusem je SCHOLA2010, jedná se však o korpus vyučovacích hodin, nikoli o korpus neformální mluvené češtiny. Těchto pět mluvených korpusů je součástí Českého národního korpusu, který je vytvářen Ústavem Českého národního korpusu. Pro práci s korpusem ORAL2008 byl využíván korpusový manažer Bonito, pomocí něhož byly vyhledávány jednotlivé syntaktické konstrukce. Jednalo se o konkrétní slova a slovní spojení, která byla vytipována předem 5

6 na základě příkladů uvedených v odborné literatuře 1. Výsledky vyhledávání byly zaznamenány, zkoumán byl okolní kontext hledaných výrazů a jejich frekvence. Výsledky jednotlivých vyhledávání, které jsou uvedeny v této bakalářské práci, můžou využít všichni ti, kteří se zabývají syntaxí mluvených projevů nebo vyhledáváním v mluvených korpusech obecně. Některé zobecněné dotazy zveřejněné v kapitolách 5.1 a 5.4 mohou usnadnit práci při vyhledávání podobných dotazů v korpusech mluveného jazyka. 1 Jedná se o odbornou literatura, která byla použita pro tuto práci (viz Seznam použité literatury). 6

7 1. Syntax mluvených projevů V dřívějších letech se pracovalo především se syntaxí spisovného jazyka, u ostatních jazykových útvarů byl cíl zájmu zaměřen spíše na rovinu hláskoslovnou a morfologickou (Hausenblas, 1962, s. 313). Studium spisovného jazyka však nemůže poskytnout důležité informace o tom, v jakém stavu se nachází sféra mluvené komunikace. V posledních letech sice dochází k zaznamenávání mluveného jazyka častěji, doposud však není tato jazyková oblast prozkoumána v takovém rozsahu, jako je tomu u oblasti písemných projevů. Syntax mluvených projevů je obtížněji zkoumatelná, proto její popis probíhá pomaleji (srov. Krčmová, 1981). Müllerová se pozastavuje nad absencí knižní publikace v rámci české lingvistické literatury, která by se adekvátně věnovala popisu mluvených syntaktických jevů, především však projevům spontánním. Poukazuje také na to, že již v šedesátých letech 20. století vytyčil základní směr zkoumání a popisu výše zmíněných jevů Karel Hausenblas. Z jeho myšlenek se vychází dodnes (Müllerová, 1994, s. 15). 1.1 Mluvený a písemný projev Mluvená i psaná realizace jazyka jsou si rovnocenné co se týče schopnosti vyjádřit různá sdělení a myšlenky, obě jsou schopny plnit všechny funkce, které jazyk při každé komunikaci má, ať už jde o funkci referenční, výrazovou, estetickou, apelativní atd. Řeč psaná a i řeč mluvená jsou většinou realizací téhož národního jazyka. Oba typy projevů se však v mnoha aspektech odlišují (srov. Krčmová, 1996). Jedním ze základních rozdílů je způsob osvojení. Mluvit se člověk učí přirozenou cestou již v útlém věku tak, že napodobuje mluvu svého okolí. Psaný projev si člověk osvojuje později, musí se jej naučit. Mluvený projev je typický spíše pro soukromou komunikační sféru, naopak psaný projev je považován za nadčasový a přístupný celé společnosti. Co se týče vývoje psaného a mluveného jazyka, je výrazně snazší zkoumání projevu psaného, jelikož existuje mnoho jeho dokladů z historie. Mluvený projev nebylo možné až do konce 19. století zaznamenat. Pro vytváření psaného projevu platí v našem prostředí určitá pravidla, je kodifikován. Dalším základním rozdílem je dichotomie připravenost/nepřipravenost. Vytváření mluvených projevů probíhá ve většině případů spontánně, je nepřipravené, oproti tomu většina písemných projevů bývá připravených (srov. Krčmová, 1996). 7

8 V současné době však dochází stále více ke stírání rozdílů mezi psanou a mluvenou komunikací. To souvisí zejména s technickým rozvojem, který ovlivňuje společnost. Vznikají tak nové psané komunikáty (např. SMS zprávy, komunikace prostřednictvím ů, konverzace na chatech, sociálních sítích atd.), které však vykazují i rysy mluvenosti. Takové komunikáty jsou obtížně zařaditelné. Proto Müllerová rozděluje komunikaci na písemnou a mluvenou; dále na mluvenou komunikaci, jejíž forma je písemná, a nakonec na psanou komunikaci, jejíž forma je mluvená (Müllerová, 1994, s. 11). Písemný text autor vytváří jako sled jednotlivých vět. Obsah, který má na mysli, strukturuje do jednotlivých větných celků na základě znalosti syntaktických a morfologických pravidel jazyka. (Müllerová, 1994, s. 23) Lze říci, že autor písemného textu by měl při jeho tvorbě dodržovat určitá pravidla. Kromě obsahu sdělení je u psaného projevu důležitá i jeho forma a jeho výsledná grafická podoba, která souvisí s horizontálním a vertikálním členěním textu. Oproti tomu klade spontánní mluvený projev důraz více na obsah sdělení, forma vyjádření zůstává v pozadí. Mluvčí nemá čas na jeho formální a logické uspořádání a posluchač primárně vnímá sdělovaný obsah (Müllerová, 1994, s. 23). Mluvené projevy lze rozdělit na veřejné a soukromé. Mezi veřejné se řadí např. projev, proslov, přednáška, referát, přípitek, beseda, debata atd., k soukromým mluveným projevům patří např. běžné rozhovory v rámci rodiny, telefonické hovory s přáteli atp. Se soukromostí souvisí i dialogičnost (monologičnost je spíše výjimkou), běžný je rozhovor dvou a více partnerů, kteří si jsou sociálně rovni a jsou aktivní. Proti tomu stojí veřejný dialog, např. pracovní mezi nadřízeným a podřízeným. Díky dialogičnosti je možné nedokončit sdělení v okamžiku, kdy je jasné, že mezi jednotlivými mluvčími došlo k porozumění 2 (Čechová, 2008, s ). V současné době lze vést dialog i v písemné podobě, a to prostřednictvím techniky, viz výše. Pro spontánní mluvené projevy je důležitá také emocionalita, která se může projevovat např. v oblasti morfologické nebo syntaktické. Tato práce se zabývá zkoumáním syntaxe mluvených spontánních projevů, které bylo provedeno prostřednictvím korpusu. 2 V tomto případě hrají důležitou roli neverbální prostředky komunikace. 8

9 1.2 Syntaktické rysy mluveného projevu Hausenblas vytyčuje specifické rysy, které jsou charakteristické pro mluvené vyjadřování a odlišují jej tak od vyjadřování písemného. Jedná se především o nonverbální typ komunikace, jako jsou gesta, mimika obličeje, oční kontakt, intenzita hlasu atd., z nichž Hausenblas věnuje pozornost prostředkům zvukovým. Za nejdůležitější pro syntax považuje především intonaci, pauzy a přízvuk (Hausenblas, 1962, s ). Dalším rysem je vázanost promluvy na čas a tempo, jde o tzv. moment mluvení (Hausenblas, 1962, s. 316). Nesmíme opomenout ani to, že písemné zpracování promluv bývá považováno za více závazné než běžná mluvená komunikace. Písemná komunikace je totiž vždy zaznamenaná, zatímco mluvená nikoliv (technika její zaznamenání sice umožňuje, ale je nemyslitelné zaznamenávat každý mluvený projev). Podle Hausenblase by měl výklad syntaxe mluvených projevů vycházet zejména z celkové výstavby projevu. Dále by se mělo přihlížet ke všem okolnostem, které ovlivňují skladbu mluvených projevů. V běžně mluvených projevech se uplatňují hlavně tito činitelé podmiňující výběr a uspořádání jazykových prostředků: a) mluvenost; b) nepřipravenost; c) prostě sdělná funkce; d) neveřejnost (resp. neoficiálnost) dorozumívacího aktu; e) vázanost na situaci; f) přímý kontakt s posluchačem; g) emocionalita, šíře expresivity a apelovost (Hausenblas, 1962, s. 316). Při každém projevu působí také individuální vlastnosti mluvčího, které se projevují například v tempu řeči či v emocionálnosti promluvy. Důležité jsou také vyjadřovací schopnosti mluvčího (plynulost řeči, hledání vhodných slov). Většinu těchto rysů můžeme zachytit a blíže zkoumat na audionahrávce. Jak již bylo řečeno výše, pro mluvené vyjadřování jsou charakteristická gesta, pohyby a mimika. Ideální by bylo zachytit i tyto projevové rysy, které jsou bezpochyby mnohdy důležité pro vyložení správného významu komunikátu. Jako nejvhodnější řešení se jeví pořízení videozáznamu. Pro další zkoumání mluvených projevů by to bylo jistě přínosem, avšak tato možnost není v současné době realizovatelná, zejména z finančního hlediska. Jistý vliv na skladbu mluvených projevů může mít i dosažené vzdělání či prostředí, ve kterém se mluvčí nachází. Vzhledem k tomu, že se tato práce zabývá syntaxí nepřipravených mluvených projevů, je třeba stanovit syntaktické rysy, které jsou pro tento typ projevu typické. Přestože 9

10 je syntax těchto projevů obtížně zkoumatelná, zabývá se jí stále více lingvistů. Již v 60. letech 20. století přišel Hausenblas se šesti základními rysy mluvených projevů, které by měly odpovídat především jejich syntaktické výstavbě. 1. Syntax není uzavřeným a izolovaným plánem stavby mluveného projevu (leccos může zůstat také v rovině mimojazykového vyjádření, tedy to, co je vyjádřeno implicitně). 2. Výstavbu mluvených projevů daleko více ovlivňuje technika mluvení (na rozdíl od projevů písemných spisovných, kde převládají spíše prvky, které jsou spjaty s tematikou projevu). Jedná se např. o hledání výrazu, vhodné konstrukce, navazování atd. 3. Častá je neplná realizace ve výstavbě syntaktických konstrukcí. Jedná se o nevyjádření některých větných členů. 4. Vyjádření syntaktických vztahů a samotné syntaktické vztahy nebývají mnohdy přesně vymezeny. 5. Vymezení hranic mezi větami a větnými celky nebývá vždy důsledné. Jedná se zejména o pauzy, kterými jsou oddělovány nejen jednotlivé věty, ale objevují se také v rámci věty např. při hledání vhodného pokračování nebo při vdechových pauzách. 6. Ve členění mluveného projevu se velmi výrazně prosazuje tzv. subjektivní pořadí jednotlivých složek výpovědi (Hausenblas, 1962, s. 318). Těmito základními rysy mluvených projevů, které vytyčil Hausenblas, se dále zabývá Müllerová v článku K syntaxi nepřipravených mluvených projevů. Na rozdíl od Hausenblase se nevěnuje mluveným projevům obecně, ale zaměřuje se konkrétně na nepřipravené mluvené projevy, jak už napovídá samotný název článku. Některé z Hausenblasových rysů detailněji rozpracovává. Základní rysy výstavby nepřipravených mluvených projevů podle Müllerové můžeme shrnout do následujících osmi rysů (Müllerová, 1966). Prvním z nich je neúplnost vyjadřování. Ta se objevuje velmi často, mezi její obvyklé projevy patří elipsy (zejména sloves např. On na ni takhle). Elipsou rozumíme nevyjádření slova či slov, která jsou součástí větné stavby (např. Nevím, co dřív). Tento rys nebyl v korpusu vyhledáván, protože je velmi obtížné vytvořit obecný dotaz pro jeho vyhledání (viz kap. 5). Druhým rysem je nadbytečnost vyjadřování, tzv. pleonastičnost. Jedná se o používání slov či konstrukcí, které slouží jako slovní výplň. Mluvčí je užívá za účelem nale- 10

11 zení vhodného výrazu, aby navázal na již započatou myšlenku projevu. Jde např. o opakování předchozího sdělení, které je jen trochu jinak zformulované (Neoženil se, nechtěl se oženit) či o dvojí vyjadřování podmětu (Oni to byli naši kluci). Tento rys lze v korpusu vyhledávat, několik příkladů pleonastičnosti se objevuje v kap Třetím rysem je subjektivní pořádek slov, kdy autor výpovědi mluví nejprve o tom, co je pro něho nejdůležitější, poté se vrací zpět a hovoří o souvislostech děje, na závěr opět zopakuje důležitou část výpovědi. S tím se pojí některé slovosledné zvláštnosti, např. postavení slovesa na konec výpovědi (A on ten krátkej den byl). Vytvoření obecného dotazu pro vyhledávání tohoto rysu je nemyslitelné, protože řazení jednotlivých slov ve výpovědi je individuální, a tudíž obtížně předvídatelné. Čtvrtým rysem je neplná realizace syntaktických konstrukcí. Ve výpovědi se objevují nedokončené věty, chybějící větné členy, vyšinutí z větné stavby atd. Z těchto znaků byly vyhledávány pouze nedokončené výpovědi, pro které existuje v korpusu ORAL2008 speciální označení. Ostatní znaky jsou pro vyhledávání obtížně zobecnitelné. Důležitým, v pořadí pátým rysem, je uspořádání vět v pouhé juxtapozici, tedy prostě vedle sebe, bez upřesnění jejich vzájemného vztahu. Např. Bylo mi deset let, dostala se k nám švagrová. V nepřipravených mluvených projevech není propracovaná parataxe a hypotaxe tak, jako v projevech písemných. Tento rys nebyl vyhledáván, protože se jedná o náhodné řazení vět za sebou, které je nepředvídatelné, z toho důvodu není možné vytvořit obecný dotaz pro vyhledávání v korpusu. Šestým rysem jsou typické prvky, které jsou spjaty s technikou vyjadřování. Jedná se o výrazy a konstrukce typu abych tak řekl, jak říkám, dále výrazy jako no, no a, tak, no tak apod., které jsou spojeny právě s mluveností. Tyto a podobné prvky užívá mluvčí proto, aby získal více času a mohl si tak promyslet a vhodněji zvolit slova, která budou následovat. Tento typ slov se objevuje nejčastěji na začátku promluvy a slouží zejména k upoutání pozornosti. Protože je možné dopředu vytipovat konkrétní příklady prvků spjatých s mluveností, byl tento rys zařazen do vyhledávání (Müllerová, 1966, s. 121). K popsání sedmého rysu musíme vycházet z předpokladu, že základní jednotka mluveného komunikátu je výpověď. Pokud výpověď podrobíme bližšímu zkoumání, zjistíme, že jedna ze syntaktických konstrukcí výpovědi je hlavní. Může se jednat o větu, 11

12 souvětí i výraz nevětný. K této hlavní syntaktické konstrukci se dále připojují další konstrukce. Jedná se především o konstrukce polovětné, dále o výrazy a konstrukce, které se nazývají přídatné (Müllerová, 1966, s. 122). Přídatné konstrukce se přidávají k hlavní syntaktické konstrukci a významově ji modifikují. S hlavní syntaktickou konstrukcí nejsou ve vztahu souřadnosti ani závislosti. Tyto přídatné výrazy mohou být v antepozici (Podívej se, támhle jde!), postpozici (Tam jsou, vidíš?) a interpozici (Ten koncert říkám nestál za nic!). V rámci tohoto rysu byly vytipovány a následně vyhledávány tázací dovětky, které se v mluvené češtině často vyskytují. Osmým a posledním rysem je vysoká četnost oprav. S opravami souvisí pojmy rektifikace a korektury. Za rektifikaci jsou považovány případy, ve kterých jde o dvojí pojmenování téhož (přičemž druhý výraz opravuje, zpřesňuje, lépe vystihuje atp. to, co bylo označeno výrazem prvním), o korekturu jde tehdy, když druhý výraz označuje jinou (referenčně odlišnou) skutečnost než výraz první (Müllerová, 1994, s. 90). Časté opravy vypovídají o formulačních potížích mluvčího. O vyhledávání oprav pojednává kapitola

13 2. Využití korpusu při zkoumání češtiny V současné době proniká technika do všech oblastí lidského života, ať už jde o hospodářství, ekonomii či vědu. Výpočetní technika se stává nedílnou součástí i humanitních oborů. Tato práce spadá do oblasti korpusové lingvistiky, disciplíny, jejíž vznik souvisí právě s výrazným rozvojem výpočetní techniky. Korpusová lingvistika se zabývá vytvářením elektronických jazykových korpusů, prostřednictvím kterých zkoumá jazyk. Podle Františka Čermáka se začala výrazněji vyčleňovat a vyvíjet v posledních dvou desetiletích 20. století. 3 Jak již bylo řečeno výše, rozvoj korpusové lingvistiky souvisí především s výrazným rozvojem výpočetní techniky, díky němuž mohly vzniknout rozsáhlé elektronické soubory obsahující jazyková data. Tento proces vedl nevyhnutelně ke spolupráci lingvistů s odborníky z jiných oborů především s informatiky a matematiky (Kučera, 2000, s. 4). Až výše zmíněný rozvoj výpočetní techniky a následná možnost spravovat velké množství jazykových dat prostřednictvím počítače umožnily nový přístup ke zpracování a sběru jazykových informací. Obecně řečeno představuje tento nový, korpusovělingvistický přístup především takové zkoumání textů, při němž se texty chápou jako produkty jazykového systému a jazykových schopností jejich tvůrců a skrze něž se dospívá k poznání obecnějších jazykových zákonitostí a pravidel. (Kučera, 2000, s. 4) Díky existenci a tvorbě korpusů odpadá tradiční získávání dat, které se provádělo manuálně a které bylo časově velmi náročné (např. tvorba kartoték). Korpusová lingvistika se stává v posledních letech velice důležitou disciplínou, vznikají mnohé jazykové projekty, které jsou založeny přímo na korpusovém zpracování dat (Rychlý, 1997). 2.1 Jazykový korpus v českém prostředí Jak již bylo zmíněno výše, základním prostředkem výzkumu korpusové lingvistiky je korpus. Korpus je soubor počítačově uložených textů (v případě mluveného jazyka přepisů záznamu mluvy), který slouží k jazykovému výzkumu. (Čermák, Kocek, Co je korpus?) 3 Jeden z prvních korpusů americký Brown Corpus však vznikal již v letech Na jeho vytváření se podílel lingvista českého původu Henry Kučera. 13

14 Podle Františka Čermáka chápe korpusová lingvistika korpus jako nejlepší vzorek skutečného jazyka a je přesvědčena o tom, že právě prostřednictvím korpusu lze jazyk uchopit a zkoumat nejvhodněji (Čermák, Kocek, Co je korpus?). Korpusy se rozdělují podle nejrůznějších kritérií. Například podle velikosti či různých specifikací. Základní členění korpusů je lingvistické. Dělí korpusy jednak na psané a mluvené, jednak na synchronní a diachronní (Kučera, 2000, s. 7). Psané korpusy jsou založeny na současných psaných textech, zpravidla zahrnují materiály z posledních desetiletí. Český psaný korpus SYN2005 obsahuje např. texty z oblasti beletrie, odborné literatury a publicistiky. Zajímavým projektem je Korpus soukromé korespondence, který obsahuje elektronické přepisy ručně psaných dopisů z let Mluvné korpusy jsou tvořeny přepisy nahrávek, které zachycují běžnou mluvu. Vzhledem k náročnosti přepisů nahrávek obsahují mluvené korpusy daleko méně slov než korpusy psané. Českých mluvených korpusů je pět a všechny jsou součástí Českého národního korpusu (ČNK). Synchronní korpus osahuje mluvený či psaný materiál ze současnosti, ČNK obsahuje v současné době deset psaných synchronních korpusů (nejstarší z nich pochází z roku 2000) a pět mluvených synchronních korpusů (nejstarší byl zveřejněn roku 2001). Diachronní korpus je oproti tomu tvořen texty z několika vývojových stádií jazyka, ČNK obsahuje dva diachronní korpusy (DIAKORP a DOTKO). Existují také paralelní korpusy, tzn. korpusy dvou nebo více jazyků, které jsou vytvořeny z překladů a obsahují vždy originální texty a jejich cizojazyčné mutace (Kučera, 2000, s. 9). ČNK v roce 2008 zveřejnil paralelní korpus InterCorp. Nejčastějším typem korpusu je korpus psaný synchronní. Všechny výše zmíněné korpusy jsou součástí Českého národního korpusu. Český národní korpus je kontinuální projekt, který je tvořen jednotlivými korpusy (psanými i mluvenými, synchronními i diachronními). Cílem ČNK je mapovat a sledovat nejrůznější podoby českého jazyka. Zpracovaná data se snaží zpřístupnit uživatelům, dále vyvíjí a zprostředkovává počítačové nástroje, díky kterým je možné s jazykovými daty snadněji pracovat (Kučera, 2000, s. 10). 14

15 ČNK je cílevědomě budován tak, aby nabízel co největší možnosti a zároveň byl s to uspokojit co nejširší potřeby badatelů i pedagogů, odborníků i studentů, lingvistů i nelingvistů. (Kučera, 2000, s. 10) Na vytváření ČNK pracuje Ústav Českého národního korpusu (ÚČNK) se sídlem na Filozofické fakultě Univerzity Karlovy v Praze. ÚČNK byl založen v roce 1994 a zabývá se nejen tvořením a rozšiřováním korpusů, ale i výzkumem, výukou a rozvíjením oboru korpusová lingvistika (Kučera, 2000, s. 11). 2.2 Historie mluvených korpusů Pro výzkum zaznamenaný v této práci byl stěžejní mluvený korpus českého jazyka, který obsahuje přepisy běžně mluvené češtiny a který byl zveřejněn roku Počátky vzniku prvních mluvených korpusů ve světě spadají již do období 50. let 20. století. V té době byly korpusy ještě neelektronické, nejvýznamnějším z nich byl Survey of English Usage (SEU) Corpus. Obsahoval vzorky mluveného i psaného jazyka. Mluvený korpus zachycoval i prozodické rysy a snažil se reflektovat např. různé situační kontexty (přednášky, semináře, interview, konverzace, telefonické rozhovory). Obsahoval celkem 87 transkribovaných mluvených textů. Mladší korpus Survey of Spoken English si kladl za cíl převést do elektronické podoby mluvenou část výše zmíněného SEU korpusu. K původním 87 textům přidal dalších 13, čímž vznikl dnešní London Lund Corpus, donedávna největší a nejčastěji využívaný korpus mluvené angličtiny. Dalším významným mluveným korpusem byl Corpus of Spoken American English, který si kladl za cíl vytvořit první velký korpus angličtiny tak, jak ji používají dospělí Američané. Anglický CO-BUILD Corpus z přelomu 80. a 90. let 20. století je tvořen z 25 % transkripcí mluveného materiálu. Dalším velkým korpusem byl British National Corpus z první poloviny 90. let, který je z 10 % mluvený (Šulc, 1999, s ). Prvním elektronickým korpusem mluvené češtiny byl Pražský mluvený korpus, který byl zveřejněn v roce O rok později jej následoval Brněnský mluvený korpus, který byl prvním zveřejněným mluveným korpusem z oblasti Moravy. K dalším mluveným korpusům patří korpusy typu ORAL (ORAL2006 a ORAL2008), z nichž každý obsahuje přes milion slov. V současné době je nejnovějším mluveným korpusem SCHO- LA2010, jedná se o korpus vyučovacích hodin. Všechny výše uvedené české korpusy jsou součástí ČNK. 15

16 2.3 Mluvený korpus ORAL2008 Veškeré výsledky, které jsou v této práci uvedeny, byly doloženy v mluveném korpusu ORAL2008. Jedná se o první mluvený korpus ÚČNK, který je plně vyvážený v základních sociolingvistických kategoriích mluvčích. Znamená to, že přepisy nahrávek byly do korpusu ORAL2008 vybrány tak, aby byly všechny hodnoty základních sociolingvistických kategorií mluvčích zastoupeny přibližně stejným počtem slov. Každá z hodnot binárních kategorií pohlaví (M / Z), věková skupina (I / V) 4 a skupina podle stupně dosaženého vzdělání (A / B) 5 je tedy zastoupena polovinou všech slov v korpusu (Waclawičová, Korpus mluvené češtiny ORAL2008). Existuje i starší mluvený korpus, ORAL 2006, který obsahuje přepisy 221 nahrávek z období let Nahrávky pochází z oblasti českých nářečí v užším slova smyslu. ORAL2006 ale není vyvážený v základních sociolingvistických kategoriích mluvčích. Přepisy nahrávek, které jsou obsaženy v korpusu ORAL2008, zachycují mluvený projev v neformálních situacích. To znamená, že se jednotliví mluvčí navzájem znali, vztah mezi nimi byl přátelský, ve většině případů si tykají. Jedná se vždy o nepřipravený dialog na náhodné téma (Waclawičová, Korpus mluvené češtiny ORAL2008). Korpus obsahuje 297 přepsaných nahrávek, které byly sesbírány v letech z různých míst v Čechách. Zachycují autentickou mluvenou češtinu v přirozeném prostředí na území tradičně vymezovaném jako oblast českých nářečí v užším smyslu. Vzhledem k postupu nivelizačních procesů jde v projevech nejčastěji o obecnou češtinu a její regionální varianty. (Waclawičová, Korpus mluvené češtiny ORAL2008) Nahrávky v korpusu ORAL2008 tvoří necelých 115 hodin a zaznamenávají 995 mluvčích. Celkový počet slov obsažených v korpusu je (Waclawičová, Korpus mluvené češtiny ORAL2008). Podíl na pořizování, přepisu a úpravách nahrávek měli studenti pražských vysokých škol (zejména Filozofické fakulty Univerzity Karlovy v Praze). Nahrávky sbírali také studenti z dalších vysokých škol na území Čech a spolupracovníci ÚČNK (Waclawičová, Korpus mluvené češtiny ORAL2008). Od roku 2008 do tohoto korpusu přispívají 4 I označuje věk od 18 do 35 let (osoby mladší 18 let se nemohly v nahrávkách objevovat), V označuje věk od 35 let. 5 A označuje mluvčí s vysokoškolským vzděláním, B označuje mluvčí, jejichž nejvyšším dosaženým vzděláním bylo základní nebo středoškolské. 16

17 svými nahrávkami i studenti z Moravy, jedná se především o studenty z Filozofické fakulty Masarykovy univerzity v Brně. 2.4 Tvorba mluveného korpusu V následující kapitole je ve zkratce představen proces tvorby mluveného korpusu ORAL2008, konkrétné práce nahrávajícího. Každý nahrávající měl za úkol pořídit nahrávku přirozené, neformální situace (např. hovor doma, na návštěvě, na výletě atp.). Počet mluvčích v nahrávce nebyl omezen, podmínkou bylo pouze to, že se nesmí jednat o monolog. Na nahrávce se dále nemohly vyskytovat děti a mládež do 18 let a telefonní hovor. Ideální délka nahrávky byla stanovena na minut (Waclawičová, Stránka sběru dat pro mluvené korpusy). Po pořízení nahrávky ji nahrávající přepsal v programu Transcriber transkripcí, která je blízká folkloristické (nikoli fonetické), tedy transkripcí, která je nejbližší běžnému záznamu psanému. Obsahuje však speciální úpravy pro účely elektronického zpracování podle úzu zavedeného v ČNK (viz kap. 3. Zásady přepisu). Projev jednotlivých mluvčích byl při přepisování rozdělován do segmentů 6, jeden segment nesměl obsahovat více než 15 slov. Díky programu Transcriber bylo možné zaznamenat i ty případy, kdy mluvili dva mluvčí současně. Po pečlivé transkripci nahrávky ji nahrávající uložil a tak vytvořil tzv. sondu, kterou následně vložil do databáze (ta byla vytvořena speciálně pro mluvený korpus). Aby mohla být sonda do databáze vložena, musel o ní nahrávající nejprve vyplnit základní informace. Mezi ně patřily např.: jméno nahrávajícího, délka sondy, měsíc a místo pořízení nahrávky, nářeční oblast, ve které byla nahrávka pořízena, typ situace nahrávání, téma hovoru, typ promluvy (musela být vždy nepřipravená), počet mluvčích a jejich vzájemný vztah, zaměstnání jednotlivých mluvčích atd. Sonda, která byla nahrávajícím vložena do databáze, byla poté ještě předána ke kontrole koordinátorovi (Waclawičová, Stránka sběru dat pro mluvené korpusy). 6 segment = úsek, který přibližně odpovídá jednoduché větě, podřadnému souvětí nebo větnému fragmentu 17

18 3. Zásady přepisu Před začátkem vyhledávání je nutné seznámit se se zásadami přepisu, které byly použity v korpusu ORAL2008. Přepis není fonetickou transkripcí, ovšem v případech, ve kterých se běžná mluva liší od výslovnosti spisovné, je zaznamenávána právě tato odlišná výslovnost a tradiční zápis se nerespektuje. Zachycovány jsou tedy odchylky od spisovné mluvy. Zapisuje se např. sem (=jsem), pudu (=půjdu) atd. Zachycují se i různé realizace spodoby znělosti, např. s máslem/z máslem. Tradičně se zapisují ty souhláskové skupiny, u kterých i spisovná výslovnost předpokládá výslovnost zjednodušenou, např. každodenní. Splývavá artikulace koncových hlásek na mezislovních předělech se neregistruje, napíšeme pod čepicí, i když bylo vysloveno počepicí. Zaznamenává se odlišná kvantita fonologická (např. klucí, nevim) i emfatická (např. bóže). Nedořečené slovo se označuje hvězdičkou za slovem a odděluje se čárkou (pokud za tímto slovem nenásleduje totéž slovo, už dořečené v takovém případě se slova oddělují mezerou). Hezitační zvuky se označují spojením tří písmen, u souhláskových zvuků se jedná o hmm, u samohláskových o eee. Původním pravopisem se píší cizí vlastní jména (např. New York), zkratky se zapisují podle toho, jak byly v daném případě vysloveny. Začátek výpovědi se píše vždy s malým písmenem, hranice výpovědí se značí interpunkcí. Neukončená výpověď se označuje třemi tečkami s dvojtečkou ( :). Vysvětlivky a poznámky k přepisu se píší do kulatých závorek. Části, které nebylo možné rozluštit, jsou označeny třemi pomlčkami (---). Příjmení a přezdívky, které jsou kvůli anonymitě kódovány, byly nahrazeny zkratkami NP (příjmení) a NN (přezdívka). V některých přepisech byly kódovány i místní názvy, křestní jména a další vlastní jména záleželo na přání mluvčích. Jména a příjmení známých osobností nebyla kódována a přepisovala se tak, jak zazněla. Stejně tak nebyly kódovány jména zvířat. Velká písmena byla použita výhradně pro tvorbu anonymizačních zkratek a stojí také na začátku všech vlastních jmen, která nebyla kódována (Waclawičová, Zásady přepisu pro korpus ORAL2008). Seznam použitého označování: 7 : označení neukončené výpovědi 7 Převzato z WACLAWIČOVÁ, M. Zásady přepisu pro korpus ORAL2008. [online], [cit ], Český národní korpus. Dostupné z: < 18

19 označení přerušené výpovědi --- úsek, který se nepodařilo rozluštit * nedořečené slovo hmm označení souhláskových zvuků eee označení samohláskových zvuků (mluví ke kočce), (smích) komentář k situaci, přerušení promluvy smíchem NP příjmení NN přezdívka NJ křestní jméno NM název místa NO ostatní vlastní jména Díky těmto speciálním značkám bylo možné v korpusu ORAL2008 vyhledat neukončenou výpověď, přerušenou výpověď a nedořečená slova. 19

20 4. Práce s korpusem a vyhledávání K práci s korpusem je nezbytný speciální vyhledávací program, tzv. korpusový manažer. Jeho prostřednictvím lze například: vyhledávat jednotlivá slova nebo slovní spojení v přirozeném kontextu, zjistit frekvenci těchto slov v daném korpusu a vyhledat původní textový zdroj, ve kterém se námi hledané výrazy nacházejí. S výsledky vyhledávání je možné dále pracovat. Vyhledávání v jednotlivých korpusech ČNK není náročné, pokud se uživatel dopředu seznámí se základy ovládání vyhledávacího programu Bonito. K tomu poslouží především detailní návod zveřejněný na webových stránkách ČNK, který obsahuje veškeré potřebné informace. Tipy na vyhledávání lze najít např. i v díle K. Kučery Český národní korpus: úvod a příručka pro uživatele či Jak využívat Český národní korpus F. Čermáka a R. Blatné, i když se jedná o příručky, které se zaměřují spíše na vyhledávání v korpusech psaného jazyka. Tyto tři zdroje popisují různé způsoby, jak v korpusech vyhledávat. Vyhledávacímu programu Bonito předcházel program GCQP, jehož autorem je Pavel Rychlý. Ke konci roku 2004 byl spuštěn již zmíněný program Bonito 8, který se předchozímu programu velmi podobá, má ovšem několik výhod. Jedná se např. o jednodušší instalaci, rychlejší vyhledávání, třídění vyhledávaných dat, vytváření statistik atd. Původní verze tohoto vyhledávacího programu prošla dalšími změnami a v prosinci roku 2006 došlo ke spuštění webového rozhraní Bonita2. To na konci roku 2011 nahradilo na webových stránkách ČNK nové webové rozhraní pro vyhledávání v korpusech. Jedná se o Sketch Engine, který je oproti předchozímu Bonitu výrazně vylepšený (např. nevyžaduje žádnou instalaci) (viz Krátké zprávy). Korpusy mluveného jazyka nejsou na rozdíl od psaných korpusů otagovány. Morfologické značkování mluvených korpusů je velmi obtížné, zejména kvůli jeho pestrosti. Problematice značkování mluvených korpusů se ve studii Morfologické značkování mluvených korpusů, zkušenosti a otevřené otázky podrobně věnují D. Hlaváčková a K. Osolsobě. Morfologické značky jsou součástí výsledku morfologické analýzy, která pracuje s jednotlivými tvary slov (bez ohledu na jejich kontext). Součástí výsledku morfologic- 8 Jeho autorem je rovněž Pavel Rychlý. 20

21 ké analýzy je tzv. lemma, které příslušnou lexikální jednotku přiřadí k jednoznačnému slovníkovému heslu (k jeho základnímu tvaru). Každá značka je tvořena řetězcem 16 znaků (pozic), každá pozice odpovídá jedné morfologické kategorii (Hajič, Popis morfologických značek poziční systém). Jednotlivou pozici lze zapsat určitým znakem, většinou se jedná o velká písmena abecedy. Na základě těchto znaků lze sestavit různé tagy, jejichž prostřednictvím je možné vyhledávat v korpusu. Popis jednotlivých pozic značek je zveřejněn na webových stránkách ČNK. Vyhledávání v korpusech mluveného jazyka je tedy obtížnější, protože zatímco u psaných korpusů je obvyklé vyhledávat pomocí tagů, u mluvených korpusů se musí vyhledávání provádět zadáním konkrétního tvaru slova či slovního spojení (v odpovídajícím pádu, čísle atp.). Další možný způsob je vyhledávání pomocí regulárních výrazů, více v následující kapitole. 4.1 Nastavení korpusového manažeru a použité funkce Veškeré vyhledávání v této práci bylo provedeno prostřednictvím korpusového manažeru Bonito (v tradiční verzi, nikoli webové). K tomu, aby bylo možné manažer používat, musí zájemce zažádat o plný přístup k Českému národnímu korpusu. Získá tak vlastní uživatelské jméno a heslo. Díky těmto údajům je možné se přihlásit do korpusového manažeru a začít s vyhledáváním. Před začátkem samotného vyhledávání je nutné vybrat z nabídky korpusů mluvený korpus ORAL2008. Pro vyhledávání slov či slovních spojení se využívá dotazový řádek, do kterého se zadávají jako Nový dotaz hledané výrazy, vyhledávání se zahajuje stisknutím klávesy Enter. Zadaný dotaz vyhledá korpusový manažer přesně v té podobě, v jaké bylo slovo či slovní spojení zadáno. Čili když zadáme např. dotaz pes, korpus toto slovo nevyhledá v žádném jiném pádu nebo čísle. Další způsob zadávání dotazů je pomocí tzv. regulárních výrazů. Těmi rozumíme různé znaky mající speciální význam. V této práci byly použity následující regulární výrazy: tečka (.) nahrazuje jeden libovolný znak, hvězdička (*) představuje libovolný počet opakování předchozího znaku, zpětné lomítko (\) ruší speciální význam znaku, pokud je umístěno před ním chceme-li vyhledat v korpusu všechny tečky, musíme nejdříve před tečku zadat zpětné lomítko (jinak korpus vyhledá libovolný jeden znak). Speciálních znaků je více, ale jiné nebyly ve vyhledávání použity. 21

22 V korpusu lze pro naši potřebu nastavit rozsah kontextu, který se zobrazí zároveň s hledaným výrazem. Nastavení se provede pomocí funkce Zobrazení > Kontext, po zobrazení tabulky se zadá požadovaný počet znaků či pozic vlevo i vpravo od hledaného výrazu. Pro všechna vyhledávání, která jsou uvedena v této práci, byl nastaven kontext 150 znaků vpravo i vlevo, který byl dostačující. Ke snadnější práci s kontextem byla často využívaná funkce Konkordance > Jednoduché třídění. Díky ní lze pravý nebo levý kontext podle Třídícího klíče seřadit abecedně, řadit lze libovolné pozice. Tato funkce byla využívána z toho důvodu, aby bylo zjištěno, která slova se nejčastěji vyskytovala v okolí vyhledávaného výrazu. Další používanou funkcí je P filtr (pozitivní filtr). Pomocí této funkce dojde ke snížení počtu konkordančních řádků vyhledáním dalšího zpřesňujícího dotazu, např. v kontextu (lze i ve vyhledávaném slovním spojení). Pokud chceme s výsledky dále pracovat v jiném programu, můžeme si je uložit na disk. Pro uložení konkordančních řádků zvolíme možnost: Konkordance > Uložení. Uložit lze všechny řádky nebo jen ty aktuálně zobrazené. 22

23 5. Vyhledávání vybraných syntaktických struktur v korpusu ORAL2008 a výsledky vyhledávání V kapitole 1.3 Mluvený projev a jeho syntaktické rysy bylo vytyčeno osm základních rysů výstavby nepřipravených mluvených projevů. Z těchto rysů byly vybrány čtyři konkrétní znaky mluvených komunikátů, které se zdají být nejvhodnější pro vyhledávání v korpusu. Jedná se o opakování (viz kap. 5.4), opravy (viz kap. 5.2), typické prvky spjaté s mluveností (viz kap. 5.3) a tázací dovětky (viz kap. 5.1). U těchto rysů lze předem vytipovat nejčastěji frekventovaná slova a slovní spojení, která by mohla být obsažena v korpusu, vytipování proběhlo na základě příkladů uvedených v literatuře. Vyhledávány byly konkrétní výrazy, nejčastěji používanými funkcemi byly: P filtr, Jednoduché třídění a Kolokace. Rozsah kontextu byl nastaven na 150 znaků vlevo i vpravo, jednotlivé výsledky byly ve většině případů tříděny ručně, protože bylo nutné rozhodnout, zda se jednalo, či nejednalo o hledaný rys. Ostatní rysy nebyly pro vyhledávání v korpusu ORAL2008 vhodné. Jelikož lze v mluveném korpusu vyhledávat pouze podle atributu word (tedy zadáním konkrétního tvaru slova či slovního spojení), je velmi obtížné vyhledávat např. první rys, neúplnost vyjadřování, a čtvrtý rys, neplnou realizaci syntaktických konstrukcí (výjimkou bylo vyhledávání nedokončené výpovědi pro tu existuje v korpusu speciální označení, tudíž ji bylo možné vyhledat, viz kap. 5.3). Rys třetí, subjektivní pořádek slov, lze opět velmi obtížně vyhledávat, protože řazení slov je individuální a neočekávatelné (nelze zobecnit). K vyhledávání pátého rysu (uspořádání vět v juxtapozici) by musely být použity dotazy obsahující konkrétní výpovědi, protože se jedná o rys, pro který nelze v mluveném korpusu vytvořit obecný dotaz. Kvůli názornosti bylo u každého vyloučeného rysu provedeno jedno vyhledávání (na základě příkladů uvedených v literatuře). 1. rys, neúplnost vyjádření Jako Nový dotaz byla vyhledávána eliptická konstrukce vona nic. Zobrazeno bylo 6 výskytů, z toho se ve dvou případech jednalo o eliptickou konstrukci (ostatní případy byly součástí delší výpovědi). (1) [ ] no, hele, z toho, co mi řikáš, mám pocit, že se strašně snažíš a vona nic [ ] 3. rys, subjektivní pořádek slov 23

24 Jako Nový dotaz bylo zadáno spojení slov: já kvůli těm šatum dvě noci sem nespala. V korpusu se nenacházelo. Jako příklad subjektivního pořádku slov byla vybrána náhodná výpověď v korpusu. (1) [ ] k nim šel do klubu jako se na tři minuty pouze připomenout jako [ ] 4. rys, neplná realizace syntaktických konstrukcí Jako Nový dotaz bylo zadáno následující spojení slov: já vám si dost takovou paměť mám. V korpusu nebyl nalezen žádný výsledek. Náhodný příklad z korpusu: (1) [ ] <mluvčí 1> kolik je? <mluvčí 2> za pět sedum [ ] 5. rys, uspořádání vět v juxtapozici V korpusu bylo vyhledáváno následující: bylo mi deset let dostala se k nám švagrová. Po zadání tohoto dotazu nebyl zobrazen žádný výsledek. Z toho důvodu byl vybrán náhodný příklad. (1) [ ] no takle, já myslim, že to bylo, já sem nikomu neřikal [ ] Vyhledávání výše uvedených rysů muselo být prováděno náhodně, např. na základě kontextu, který se objevuje kolem předem vytipovaného slova. Zadání konkrétní konstrukce končí ve většině případů neúspěšným vyhledáváním. Čím je zadaný dotaz delší, tím je menší pravděpodobnost, že se vyskytuje v korpusu. Všechna vyhledávání zaznamenaná v této práci byla provedena dvakrát, kvůli ověření získaných výsledků. Z konkordančních řádků byly vždy vyloučeny ty případy, kdy se jeden řádek v celkovém počtu výskytů objevoval vícekrát, např. když bylo vyhledáváno opakování slova no dvakrát po sobě, vyloučeny byly ty řádky, ve kterých se slovo no vyskytovalo více než dvakrát. Veškeré citace, které jsou označeny číslem v kulaté závorce, pochází z korpusu ORAL2008 (odkaz na korpus je uveden v Seznamu použité literatury). 5.1 Tázací dovětky Tázací dovětky jsou krátké otázky, které se připojují k oznamovacím větám. Používají se buď proto, aby se mluvčí ujistil, že to, co říká, je skutečně pravda, nebo aby přiměl posluchače se nad větou zamyslet. Někdy jde o skutečnou otázku, na kterou se očekává odpověď, jindy se jedná pouze o otázku řečnickou. Tázací dovětek je finální částí 24

25 oznamovací věty, kterou svou přítomností mění na otázku (Daneš, Grepl, Hlavsa, 1987, s. 608). S pomocí odborné literatury byly vybrány nejčastější tázací doplňky typické pro češtinu. Vyhledávány byly následující dovětky: ano?, áno?, jo?, jó?, ne?, né?, no?, nó?, viď?, viďte?, že?. Jako Nový dotaz byl vždy zadán konkrétní dovětek, ale bez otazníku. Tento postup byl zvolen z toho důvodu, aby byl nejprve zjištěn celkový počet výskytů konkrétního výrazu v korpusu, otazník byl poté vyhledáván pomocí P filtru. Výsledky byly ručně tříděny a rozhodovalo se o tom, zda se jedná, nebo nejedná o tázací dovětek. Nevyhovující výsledky byly odstraněny. ano? Po zadání dotazu ano vyhledal korpusový manažer 750 výskytů. Zobrazené výsledky byly pomocí P filtru omezeny pouze na ty, ve kterých v kontextu na první pozici vpravo následoval otazník (zadaný dotaz \?). Takových případů bylo 11. Po jejich ručním třídění bylo zjištěno, že pouze u pěti případů jde o dovětek. (1) [ ] <mluvčí 1> třeba volby? <mluvčí 2> hmm, hmm, hmm, hmm, hmm. <mluvčí 1> prezidenta, jo? prezidentské myslíš, ano? [ ] (2) [ ] <mluvčí 1> zaplatim, ano? prosim? ano [ ] (3) [ ] <mluvčí 1> nechá se tam eee z prakticky každého povolání se nechá vstoupit do politiky, ano? <mluvčí 2> hmm [ ] V nevyhovujících případech se jednalo o samostatnou výpověď jednoho z mluvčích, který reagoval na druhého mluvčího. (4) [ ] <mluvčí 1>prosim tě, chci se zeptat,... <mluvčí 2> ano? <mluvčí 1>... ty nám, ty nám tuto nevyndáš? [ ] V korpusu se nevyskytovaly žádné doklady dovětku že ano? áno? Vyhledávaný dotaz áno se v korpusu vyskytoval pouze dvakrát. Ani v jednom případě se však nejednalo o dovětek, viz následující příklady. (1) [ ] <mluvčí 1> tak já du zase pracovati a kdybys něco chtěla, tak na mě zakřičíš? <mluvčí 2> áno [ ] 25

26 (2) [ ] <mluvčí 1> jako taková ta vložka, na kt*, na c*, na čom se <mluvčí 2> áno [ ] jo? Výraz jo se v korpusu nacházel krát. Pomocí funkce Konkordance > Statistiky > Kolokace byly zjištěny nejčastější kolokace na pozici 1 napravo od vyhledaného výrazu. Otazník se zde vyskytoval v konkrétních případech. Pomocí P filtru byly odstraněny všechny ostatní možné kolokace na pozici 1 (zadaný dotaz \?). Ty byly ručně roztříděny. Případy, ve kterých nešlo o dovětek, byly odstraněny (jednalo se nejčastěji o samostatnou výpověď, reakci na druhého mluvčího). Zůstalo dovětků. (1) [ ] <mluvčí 1> a polobratr, to je, že má jednoho rodiče společnýho, jo? <mluvčí 2> správně, jednoho rodiče [ ] (2) [ ] <mluvčí 1> táta, ten měl želvičku. <mluvčí 2> než mu jí děda zazdil, že jo? [ ] (3) [ ] <mluvčí 1> v páteks ďála vodpoledne úkol, jo? [ ] Nejčastější spojení vyhledávaného slova bylo v korpusu se spojkou že, objevilo se 336krát. jó? Vyhledávána byla i alternativa jo s dlouhým vokálem, tedy jó. Ta se v korpusu objevila 417krát. Stejně jako u předcházejících vyhledávání byl vytvořen seznam nejčastějších kolokací na pozici 1 vpravo. V 66 případech následoval po hledaném výrazu otazník. U těchto případů se rozhodovalo podle kontextu, zda se jedná nebo nejedná o dovětek. Po odstranění nevyhovujících řádků zbylo 17 dovětků. (1) [ ] <mluvčí 1> jó, pak sem vařila. hmm. <mluvčí 2> hmm. to si jen tak s chlebem, jó? <mluvčí 1> s chlebem jenom, no [ ] (2) [ ] <mluvčí 1> seš lechtivý miminko, jó? seš, jó? [ ] (3) [ ] <mluvčí 1> tak, tak tys mě přivítala, jó? takles mě krásně přivítala, kočičino bláznivá, no jej, co bys asi chtěla? [ ] ne? Do vyhledávacího řádku bylo zadáno slovo ne, zobrazilo se výskytů. Za použití P filtru byl na pozici 1 vpravo vytříděn otazník (vložený dotaz \?). Řádků, ve kterých se nacházel otazník za hledaným výrazem, zůstalo Po ručním třídění těchto řádků bylo nalezeno konkrétních případů dovětků. V 11 z nich šlo o spojení hledaného výrazu se spojkou že. 26

27 (1) [ ] <mluvčí 1> jenže to je tim, že máš dotovanej telefon, ne? <mluvčí 2> já s otcem mám hovory za, za hubičku. <mluvčí 1> jo takle [ ] (2) [ ] <mluvčí 1> to byly dobrý hory, no, to byly ty uplně první, ne? <mluvčí 2> byly první a na druhejch pak sme byli s Ríšou a s Davidem. a to byla taky sranda [ ] (3) [ ] <mluvčí 1> au, au, au. <mluvčí 2> copak? nebolí tě to, že ne? <mluvčí 1> ne. <mluvčí 2> udělej mi radost. <mluvčí 1> ne, nebolí. <mluvčí 2> jenom mi, ti trochu teče krev a máš trošku monokla [ ] né? Po zadání výrazu né do vyhledávacího řádku zobrazil korpusový manažer 757 výskytů. Pomocí P filtru byl omezen kontext na pozici 1 vpravo pouze na otazník. Takto se předchozí výskyty zúžily na 63. Ručně byly odstraněny ty řádky, ve kterých se nejednalo o dovětky. Zůstalo tak pouze 44 výrazů, viz následující příklady. (1) [ ] <mluvčí 1> jak byl ten film, eee v televizi ten seriál vo těch útěkách, jak vlastně utíkali. <mluvčí 2> to bylo teďkon nedávno, né? <mluvčí 1> nó, to vopakovali [ ] (2) [ ] <mluvčí 1> ale nakonec to někdo bude muset posbírat, né? <mluvčí 2> no jó, to posbírám já [ ] (3) [ ] <mluvčí 1> no, že sou dva manželé, který slaví, eee, stříbrnou svatbu, to je, dyž je padesát let, že jo...: <mluvčí 2> ne, ne, stříbrná je...: třicet, né? to je zlatá, stříbrná je pětadvacet [ ] no? Vyhledávaný dotaz no se v korpusu vyskytoval ve případech. Pomocí P filtru byl vyhledán na pozici 1 vpravo otazník. Po odfiltrování nevyhovujících řádků zůstalo 98 potencionálních dovětků. Ty byly ručně vytříděny a výrazy, které nebyly dovětky, byly odstraněny. Zůstalo 16 dovětků. (1) [ ] <mluvčí 1> a jako někdy přijedeš nebo tak, no? <mluvčí 2> no tak já doufám, že budu jezdit co nejvíc, no. ale vono je to drahý [ ] (2) [ ] <mluvčí 1> nebuď drzej, Vlasto! <mluvčí 2> kdes byl, no? [ ] (3) [ ] <mluvčí 1> a vy ste taky byli na tý veselce, že jo, no? <mluvčí 2> no jo. <mluvčí 1> no, jenže voni pak eště strašili tánle někde na zahradě. 27

28 <mluvčí 2> v noci eště tančili, nó [ ] nó? Varianta s dlouhým vokálem nó se v korpusu vyskytovala celkem 559krát. Stejně jako u předcházejících vyhledávání byly za použití P filtru odstraněny všechny případy, ve kterých se na 1. místě vpravo od hledaného výrazu nenacházel otazník. Tím se výsledky omezily na pouhých 6 řádků, ovšem ani v jednom případě se nejednalo o dovětek, viz následující příklady. (1) [ ] <mluvčí 1> jako když tam přídeš, tak,... <mluvčí 2> nó? [ ] (2) [ ] <mluvčí 1> a ten nájem mi zaplatíš kdy? <mluvčí 2> no, hehe,... <mluvčí 1> nó?... <mluvčí 2> nevim [ ] viď? Do vyhledávače byl zadán dotaz viď, v korpusu bylo nalezeno výsledků. Z nich se P filtrem omezily výsledky pouze na ty, ve kterých se na první pozici zprava vyskytoval otazník. Po odfiltrování zůstalo 642 výsledků, ze kterých bylo po ručním třídění 612 z nich určeno jako dovětky. (1) [ ] <mluvčí 1> normálně sme přinesli plnej koš hub. <mluvčí 2> hmm. <mluvčí 1> teďka v listopadu, viď? jo, to bylo vlastně až štvrtýho [ ] (2) [ ] <mluvčí 1> dřív to bylo takový lepší, viď? vezmi si, neska ty mladý to moc lehký nemaji, viď? <mluvčí 2> no, to víš, no. dneska začínaji z ničeho [ ] (3) [ ] <mluvčí 1> do tejdle malej by se ti taky vešel deštník, ne? <mluvčí 2> no, vešel, no, ale prostě, neni to...: <mluvčí 1> už by se tam nevešlo nic jinýho, viď? [ ] viďte? Vyhledávaný dotaz viďte (2. os. pl.) se v korpusu nacházel pouze dvakrát, z toho šlo jen jednou o dovětek (ve druhém případě se jednalo o začátek výpovědi). V následujícím příkladu je hledaný výraz dovětkem. (1) [ ] <mluvčí 1> usnout a nevzbudit se, viďte? <mluvčí 2> ano. <mluvčí 1> to říkám, že to je nejkrásnější vodchod z tohoto světa [ ] 28

29 že? Po zadání dotazu že do korpusu bylo zobrazeno celkem řádků. Stejně jako v předchozích případech byl použit P filtr, díky kterému byly vyloučeny nevyhovující řádky (ty, které neobsahovaly na 1. pozici zprava otazník). Z původního vyhledávání zůstalo pouhých 32 řádků. Tři z nich nebyly dovětky, konečný počet dovětků byl 29. (1) [ ] vemou mi tam kreditku? mohli by, že? hmm [ ] (2) [ ] no, musíte věřit, že to dobře dopadne. nehledě na to, že vono to taky, vono to taky dost bolí, že? ano, to jistě [ ] Tabulka 1: Přehled vyhledávaných dovětků zadaný dotaz (dovětek) celkový počet vyhledaných výrazů celkový počet dovětků 1. jo? ne? viď? né? že? jó? no? ano? viďte? nó? áno? 2 0 Na základě výše uvedených výsledků byl dotaz na vyhledávání tázacích dovětků zobecněn. Ve většině případů následoval tázací dovětek po čárce, byl tvořen dvěma, třemi nebo pěti slovy a následoval po něm otazník. Zobecněný dotaz pro vyhledávání tázacích dovětků může být následující: čárka, mezera, dvě až pět teček (regulární výrazy, každá tečka představuje jeden libovolný znak), mezera, zpětné lomítko, otazník. Podoba dotazu pro vyhledání dovětku složeného: ze dvou písmen,.. \? ze tří písmen,... \? z pěti písmen,... \? Podoba dotazu pro vyhledání jakéhokoliv dovětku:,.* \? 29