diff --git a/pages/students/2016/jakub_maruniak/dp2021/annotation/README.md b/pages/students/2016/jakub_maruniak/dp2021/annotation/README.md
index 6eac0d1a3c..0fc2f8fd47 100644
--- a/pages/students/2016/jakub_maruniak/dp2021/annotation/README.md
+++ b/pages/students/2016/jakub_maruniak/dp2021/annotation/README.md
@@ -17,12 +17,15 @@ winpty docker run --name prodigy -it -p 8080:8080 -v C://Users/jakub/Desktop/ann
 - `./01_text_to_sent.sh` spustenie skriptu *text_to_sent.py*, ktorý rozdelí články na jednotlivé vety
 - `./02_ner_manual.sh` spustenie manuálneho anotačného procesu pre NER  
 - `./03_export.sh`  exportovanie anotovaných dát vo formáte json potrebnom pre spracovanie vo spacy. Možnosť rozdelenia na trénovacie (70%) a testovacie dáta (30%) (--eval-split 0.3).
-Pozn. aby --eval-split fungoval správne, je potrebné v inštalácii prodigy (cestu zistíme pomocou 'prodigy stats') v súbore recipes/train.py upraviť funkciu data_to_spacy (mal by byť riadok 327). V novej verzii by to malo byť opravené. Do riadku treba pridať parameter eval_split. 
-'json_data, eval_data, split = train_eval_split(json_data, eval_split)'
+Pozn. aby --eval-split fungoval správne, je potrebné v inštalácii prodigy (cestu zistíme pomocou `prodigy stats`) v súbore `recipes/train.py` upraviť funkciu `data_to_spacy` (mal by byť riadok 327). V novej verzii by to malo byť opravené. Do riadku treba pridať parameter eval_split. 
+`json_data, eval_data, split = train_eval_split(json_data, eval_split)`
 
 ### Štatistika o anotovaných dátach
-- `prodigy stats wikiart` - informácie o počte prijatých a odmietnutých článkov 
-- `python3 count.py` - informácie o počte jednotlivých entít
+- `prodigy stats wikiart` - informácie o počte prijatých a odmietnutých článkov pre konkrétny dataset v prodigy
+- `python3 count.py` - Tabuľka pre informáciu o počte prijatých, odmietnutých a preskočených článkov z databázy. Taktiež informácia o množstve jednotlivých entít. 
 
 ### Trénovanie modelu
 Založené na: https://git.kemt.fei.tuke.sk/dano/spacy-skmodel
+
+### Štatistika o trénovaní
+Po natrénovaní modelu vidíme iba skóre pre celý model. Aby sme sa dozvedeli informáciu o presnosti trénovania jednotlivých entít, využijeme `modelinfo.sh`