Slova prošla a minul jsou často zaměňována kvůli podobným pravopisům a výslovnostem. V anglické gramatice však slouží odlišným účelům. Ať už popisujete dokončenou akci nebo odkazujete na bod v čase, je důležité vědět, kdy každé slovo použít. Tato příručka objasní jejich významy, použití a běžné chyby, které vám pomohou psát efektivněji.
Klíčové rozdíly
Význam každého slova
Přišel
Část řeči: Sloveso
definice: Minulý čas slovesa „projít“, což znamená posunout se kolem, jít kolem nebo v něčem uspět.
Příklady:
- “Cestou domů minula obchod.”
- “Složil zkoušku na výbornou.”
minulost
část řeči: podstatné jméno, přídavné jméno, předložka nebo příslovce
definice: odkazuje na čas před přítomností (podstatné jméno), vztahující se k předchozímu času (přídavné jméno), za bodem v čase nebo místě (předložka), nebo jde o (příslovce).
Příklady:
- podstatné jméno: “Minulost je plná lekcí.”
- Přídavné jméno: “Její minulé zkušenosti ji formovaly.”
- Předložka: “Prošel kolem budovy.”
- Příslovce: “Auto uhánělo.”
Jak si zapamatovat rozdíl?
- Passed: Vždy sloveso. Pokud jej můžete nahradit jiným slovesem jako „Went by“ nebo „Succeeded“, použijte „prošel“.
- minulost: odkazuje na čas, pozici nebo směr. Pokud funguje jako podstatné jméno, přídavné jméno, předložka nebo příslovce, použijte „minulost“.
Časté chyby, kterým je třeba se vyhnout
- Nesprávně: “Prošla test.”
Správně: “Prošla testem.” - Nesprávně: “Prošel kolem dveří.”
Správně: “Prošel kolem dveří.” - Nesprávně: “V procházejícím byl život jednodušší.”
Správně: “V minulosti byl život jednodušší.”
Srovnávací tabulka
| Charakteristický | prošel | Minulost |
|---|---|---|
| Část mluvy | Sloveso | podstatné jméno, přídavné jméno, předložka, příslovce |
| Definice | minulý čas “pass” | Týká se času, polohy nebo směru |
| Příklady | “Prošel testem.” | “Prošla kolem budovy.” |
Klíčové fráze pro použití
Prošel:
- “Prošla cílem.”
- “Prošli legislativou.”
minulost:
- “V posledním desetiletí”
- “Procházka kolem školy”
Praktická cvičení pro čtenáře
Vyberte správné slovo (Předáno nebo minulost) pro dokončení každé věty:
- 1. On _______ míč svému spoluhráči.
- 2. Vypadala _______ na staré fotografie s nostalgií.
- 3. Vlak zrychlil _______ stanici bez zastavení.
- 4. Mají _______ mnoho výzev, aby se sem dostali.
Odpovědi:
- 1. Prošel
- 2. Minulost
- 3. Minulost
- 4. Prošel
Závěr
Zatímco prošel a minul se může zdát zaměnitelné, jejich role ve větě jsou zcela odlišné. Pamatujte, že pass je vždy sloveso, zatímco minulost může fungovat jako podstatné jméno, přídavné jméno, předložka nebo příslovce. Zvládnutí jejich používání zlepší vaše psaní a zvýší vaši důvěru v anglickou gramatiku.
Pokud vám tato příručka pomohla, přihlaste se k odběru našeho blogu, kde najdete další tipy na běžně zmatená slova. Nezapomeňte sdílet tento článek s přáteli, kteří by z něj mohli mít prospěch!
Detekce obsahu AI v netextových médiích: zvuk, video a deepfakes v akademické sféře
Audio, video a deepfakes generované umělou inteligencí představují v roce 2026 rostoucí výzvu k akademické integritě. Na rozdíl od textových detektorů umělé inteligence, jako je Turnitin, většina univerzit postrádá spolehlivé nástroje pro detekci syntetických médií. Současná řešení se zaměřují na ústní hodnocení, dokumentační dokumentaci a institucionální zásady, které zakazují škodlivé používání Deepfake. Studenti obvinění ze […]
Detekce AI v laboratorních zprávách a vědeckém psaní: Specifické výzvy pro rok 2026
tl;dr: Nástroje pro detekci AI se potýkají s laboratorními zprávami a vědeckým psaním kvůli jejich formální, strukturované povaze, což vede k vysoké míře falešně pozitivních výsledků u studentů. V roce 2026 detektory často zaměňují sekce standardních metod, technický žargon a pasivní hlas za text generovaný umělou inteligencí. Vaše nejlepší obrana: Zdokumentujte svůj proces psaní, vyhněte […]
Detekce umělé inteligence v nelatinských skriptech: Arabština, čínština, hebrejština, azbuka 2026
Detekce umělé inteligence v nelatinských skriptech (arabsky, čínsky, hebrejsky, azurově) čelí v roce 2026 jedinečným výzvám. Zjistěte, proč je u těchto skriptů vysoká míra falešně pozitivních výsledků, které nástroje fungují nejlépe a jak se studenti mohou chránit před nespravedlivými obviněními.