Pokazki za ekspertowe pytanje

Teksty, ako su se pśigótowali za komfortne pytanje, su se z pomocu IMS Open Corpus Workbench (CWB) indicěrowali a za pśepytanje zepśigótowali. Gaž aktiwěrujo se w pytańskich nastajenjach ekspertowe pytanje, mógu se toś teke nałožowaś wótpšašowanja w rěcy CQL a regularne wuraze. W nowem korpusu za komfortne pytanje su se wužywali slědujuce tokenowe atributy:

word

Forma tokena, tak ako w teksće wustupujo.

lemma

Lematizěrowana forma tokena. Pla skrotconkow, licbow a wósebnych znamuškow jo toś ta forma identiska z atributom word. Za interpunkciske tokeny njejo atribut lemma definěrowany. Lematizěrowana forma jo pśezceło zapisana z wjelikimi pismikami. Wóna njejo powšyknje disambiguěrowana. Wšykne potencielne homonymy se nalice źělone z pomocu znamuška |.

norm

Do źinsajšnego pšawopisa pśewjeźona (normalizěrowana) forma tokena. Za licby, wósebne znamuška a za interpunkciske tokeny njejo atribut norm definěrowany. Normalizěrowana forma njejo powšyknje disambiguěrowana. Wšykne potencielne homonymy se nalice źělone z pomocu znamuška |.

name

Swójske mě.

Móžnej gódnośe stej ;,;1;,; za apelatiwa a ;,;0;,; za propria.

toktype

Typ tokena.

Móžnej gódnośe stej ;,;w;,; za słowny token a ;,;pc;,; za interpunkciski token.

type

Dalšne informacije wó typje tokena.

Móžnej gódnośe stej number za licby a symbol za wósebne znamuška, howacej njedefiněrowane.

foreign

Njedolnoserbske słowo.

Móžnej gódnośe stej ;,;0;,; za dolnoserbske słowo a ;,;1;,; za njedolnoserbske słowo.