Česko-německý paralelní korpus

Historie a současnost

Jelikož neexistoval žádný fungující česko-německý paralelní korpus a jeho potřeba ve výzkumu a výuce byly stále naléhavější, iniciovala katedra německého jazyka a literatury Pedagogické fakulty Masarykovy univerzity v Brně jeho vznik.

Myšlenka vytvořit česko-německý paralelní korpus vznikla na podzim 2000, konkrétní budování začalo v červnu 2001. Na serveru AURORA Fakulty informatiky Masarykovy univerzity byl korpus interně zpřístupněn v roce 2002. Tehdy obsahoval korpus 58 textů paralelních textů různých žánrů (19 literárních děl, 23 publicistických textů – hlavně z internetu a 16 textů odborných). Dohromady měl 435 947 pozic jen v české části. (Počet německých jsme neevidovali, proto lze jen odhadnout, že celkem bylo v první funkční verzi korpusu dohromady něco pod milion slov.)

Dále se korpus rozrůstal ročně o zhruba 200.000 slov v české části (a k tomu pochopitelně odpovídající počet v německé paralele), až ke konci roku 2005 získal dnešní podobu.

Korpus je plně funkční, ale v současné době se nerozšiřuje.

Parametry

Sestavení i funkce korpusu podléhají kritériím podle účelu a využití korpusu. Česko-německý paralelní korpus je korpus synchronní. Znamená to, že jsou v něm zařazeny pouze texty publikované ideálně po roce 1910. Převážná většina textů však vznikla až po roce 1950, v případě nebeletristických textů pak všechny po roce 1990.

Pro výběr textů platila zásada dvojjazyčnosti, tzn., že jedna z paralel byla originální text a druhá paralela překlad právě tohoto originálu. Poměr originálů českých k originálům německým měl být 1 : 1. Ve skutečnosti není ideálně vyrovnaný (českých originálů je 63 %).

Korpus je nespecifický, obecný, tedy obsahující texty všech dostupných stylových rovin a typů textů. Z tohoto pohledu jsme se také snažili o procentuelní vyváženost: 25 % textů publicistických, 25 % odborných a 50 % beletrie. Ve skutečnosti je poměr následující: 63 % beletrie, 17 % publicistika, 20 % odborné texty.

Parametry v přehledu:

• Korpusový manažer: bonito
• Počet zařazených textů: 184
• Počet pozic:
  
• česká paralela: 3 637 825
• německá paralela: 4 202 887
• Alignment (zarovnání):
  ano (ruční; na úroveň věty)
• Lemmatizace:
  ano (v obou paralelách)
• Tagging (morfologické značkování):
  česká část (automaticky): ajka (úplné morfologické informace)
  německá část (automaticky): TreeTagger (pouze slovní druhy)
• Desambiguace (zjednoznačnění homonym):
  ne
• Metainformace (informace o zařazených textech):
  ano (viz katalog textů)
• Dostupnost:
  on-line pouze interně
  CD (verze 2003)
• Katalog zařazených textů: zde

Přístupnost

Korpus byl sestaven a je určen pouze a striktně pro vědecké a výukové účely.
Je umístěn na serveru Fakulty informatiky Masarykovy univerzity v Brně a je přístupný pouze interně.
Většina textů ČNPK je v současnosti zařazena v multijazykovém korpusu INTERCORP.

Využití

Již od první verze (2002) se korpus využíval k výzkumu i výuce. Od té doby za pomocí jeho dat vznikla řada prací, z nichž vybíráme jen ty, které jsou nám známy a nejsou na dálku dostupné (např. prostřednictvím Informačního systému MU

• Syntaktische und semantische Analyse der deutschen und tschechischen Präpositionen (série ročníkových a diplomových prácí zabývajících se spojeními s předložkami an, auf, bei, für, in, mit, durch, von, um a jejich českými ekvivalenty)
• Infinitivkonstruktionen als Transformationen der deutschen Nebensätze mit der Konjunktion dass und deren äquivalente Strukturen im Tschechischen (diplomová práce)
• Das Pronomen „Es“, seine syntaktischen Funktionen und Äquivalente im Tschechischen (diplomová práce)
• Übersetzung von Okkasionalismen im Werk „Fimfarum“ (diplomová práce)
• Einige tschechische Ortsnamen und ihre deutschen Äquivalente im ČNKP (bakalářská práce)
• Das Präfix und Präfixoid „Haupt-„ und ihre Äquivalente im Tschechischen (bakalářská práce)
• Suffixoide (z.B. „–werk“ und „-zeug“) und ihre Äquivalente im Tschechischen (bakalářská práce)
• Komposita mit der Basis „-maschine“ und ihre Äquivalente im Tschechischen (bakalářská práce)
• Překladatelské postupy při řešení překladu vlastních jmen (zatím zadaná bakalářská práce)
• Frequenz der deutschen und tschechischen Satzbaupläne (závěrečná práce)
• Gründe für unterschiedliche Länge der deutschen und tschechischen Texte (závěrečná práce)
• Ausdruck der Vorzeitigkeit in den deutschen und tschechischen Temporalsätzen (ročníková práce)
• Stellung der Partikeln im Deutschen und im Tschechischen (ročníková práce)
• Das Subjekt im Deutschen und im Tschechischen (ročníková práce)

Partneři

Od začátku byla tvorba korpusu morálně, později částečně i finanční podporována Ústavem Českého národního korpusu Filozofické fakulty University Karlovy v Praze.

Korpus vznikl za finanční podpory Ministerstva školství, mládeže a tělovýchovy v rámci rozvojových projektů ROZV/31/2002 Elektronický paralelní česko-německý korpus a programu AKTION Česká republika – Rakousko

Další podílející se instituce (i v rámci projektů):

Fakulta informatiky Masarykovy univerzity

Fakulta informačních technologií VUT v Brně

Institut für Slavistik, Universität Wien

Jiné korpusy s němčinou

DeReKo (nejrozsáhlejší korpus německého jazyka)

DWDS

Wortschatz-Portal

Mittelhochdeutsche Begriffsdatenbank (databáze středověkých německých textů)

Multext

Korpusy jiných jazyků (odkaz na stránku Ústavu Českého národního korpusu)