AplikaceAplikace
Nastavení

Korpus SYN verze 11

Název SYN verze 11
Pozice Počet pozic (tokenů) 6 067 313 960
Počet pozic (tokenů) bez interpunkce 5 031 922 694
Počet slovních tvarů (wordů) 11 213 982
Počet lemmat 7 509 752
Struktury Počet dokumentů 138 186
Počet textů 18 575 347
Počet vět 386 045 094
Další informace Referenční ANO
Reprezentativní NE (převažuje publicistika)
Rok zveřejnění 2022

Každý korpus SYN obsahuje vždy všechny synchronní psané korpusy řady SYN (viz popis celé řady SYN) zveřejněné do doby vzniku dané verze. Korpus SYN verze 10 tedy zahrnuje korpusy SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN2013PUB, SYN2015 a SYN2020; kromě nich je však jeho součástí také publicistika z let 2010–2020, která je již součástí korpusů SYN verze 4verze 10, a také dosud nezveřejněná publicistika z roku 2021 v objemu téměř 150 mil. slov.

Korpus SYN není reprezentativní; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů SYN2006PUB, SYN2009PUB, SYN2013PUB a publicistické složky z let 2010–2021.

Korpus SYN verze 11 je referenční, a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané poziční anotace, která z referenčnosti zákonitě vyplývá). Jednotlivé verze korpusu SYN budou nadále zveřejňovány pravidelně každý rok s přírůstkem v podobě aktuálních publicistických dat, přičemž tento přírůstek bude označen hodnotou atributu <doc syn> rovnou verzi korpusu SYN, v níž se daný text objevil poprvé; například subkorpus odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 11 vytvořit zadáním podmínky syn="v11".

Složení korpusu SYN verze 11

Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku
korpus velikost (počet slov) lemmatizace morfologické značky rok zveřejnění charakteristika korpusu
SYN2020 100 mil. 2020 reprezentativní korpus, převažují texty z let 2015–2019
SYN2015 100 mil. 2015 reprezentativní korpus, převažují texty z let 2010–2014
SYN2013PUB 935 mil. 2013 korpus publicistických textů z let 2005–2009
SYN2010 100 mil. 2010 reprezentativní korpus, převažují texty z let 2005–2009
SYN2009PUB 700 mil. 2010 korpus publicistických textů z let 1995–2007
SYN2006PUB 300 mil. 2006 korpus publicistických textů z let 1989–2004
SYN2005 100 mil. 2005 reprezentativní korpus, převažují texty z let 2000–2004
SYN2000 100 mil. 2000 reprezentativní korpus, převažují texty z let 1990–1999

Publicistika v SYN verze 11

Složení publicistické části korpusu SYN verze 11 pokrývá produkci hlavních celostátních deníků (Mladá fronta DNES, Lidové noviny, Právo, Hospodářské noviny, Blesk, Sport), regionálních deníků (především Deníky Bohemia a Moravia z produkce nakladatelství Vltava Labe Media) a nespecializovaných časopisů (Reflex, Respekt, Týden) v letech 1998–2021; celkový počet publicistických titulů se blíží 200. Následující grafy ukazují složení korpusu SYN podle hlavních textových typů v jednotlivých letech a nabízejí bližší pohled na složení publicistické části.

Složení korpusu SYN verze 11
Složení publicistické části korpusu SYN verze 11

Struktura a anotace korpusu SYN verze 11

Strukturace a anotace textů vycházejí ze SYN2020. Hierarchie strukturních značek korpusu SYN verze 11 je tedy shodná se SYN2020, stejně tak odpovídají korpusu SYN2020 také lemmatizace a morfologické značkování. SYN verze 11 je tedy v tomto ohledu stejný jako jeho předchůdce, korpus SYN verze 10.

Shoda struktury a anotace SYN verze 11 se SYN2020 má pouze tyto výjimky:

Jak citovat SYN verze 11

Křen, M. – Cvrček, V. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kováříková, D. – Křivan, J. – Milička, J. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Šindlerová, J. – Škrabal, M.: Korpus SYN, verze 11 ze 14. 12. 2022. Ústav Českého národního korpusu FF UK, Praha 2022. Dostupný z WWW: https://www.korpus.cz

Hnátková, M. – Křen, M. – Procházka, P. – Skoumalová, H. (2014): The SYN-series corpora of written Czech. In Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC'14), 160–164. Reykjavík: ELRA. ISBN 978-2-9517408-8-4.

Jelínek, T. – Křivan, J. – Petkevič, V. – Skoumalová, H. – Šindlerová, J. (2021): SYN2020: A new corpus of Czech with an innovated annotation. In: K. Ekštein – F. Pártl – M. Konopík (eds.), Text, Speech, and Dialogue. TSD 2021. Lecture Notes in Computer Science, vol. 12848. Cham: Springer, 48–59.

Křivan, J. – Šindlerová, J. (2022): Změny v morfologické anotaci korpusů řady SYN: nové možnosti zkoumání české gramatiky a lexikonu. Slovo a slovesnost, 83, 2/2022, 122–145.

Michal Křen

Související odkazy