Skrýt
Nastavení

Korpus SYN verze 3

Název SYN verze 3
Pozice Počet pozic (tokenů) 2 685 127 310
Počet pozic (tokenů) bez interpunkce 2 231 541 041
Počet slovních tvarů (wordů) 7 604 328
Počet lemmat 5 170 696
Struktury Počet opusů 49 882
Počet dokumentů 9 163 021
Počet vět 178 499 972
Další informace Referenční ANO
Reprezentativní NE (převažuje publicistika)
Rok zveřejnění 2014

Každý korpus SYN obsahuje vždy všechny synchronní psané korpusy řady SYN zveřejněné do doby vzniku dané verze. Korpus SYN verze 3 tedy zahrnuje korpusy SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010 a SYN2013PUB.

Protože jsou všechny tyto korpusy navzájem disjunktní (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 3 dána součtem jejich velikostí, který činí 2,232 miliardy textových slov (tokenů bez interpunkce). Korpus SYN není reprezentativní; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů SYN2006PUB, SYN2009PUB a SYN2013PUB.

Korpus SYN verze 3 je referenční, a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí. Je ovšem třeba upozornit na postupné zastarávání dodané lingvistické informace, které z referenčnosti zákonitě vyplývá.

Složení korpusu SYN verze 3

Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku
korpus velikost (počet slov) lemmatizace morfologické značky rok zveřejnění charakteristika korpusu
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

Složení publicistické části korpusu SYN verze 3 pokrývá produkci hlavních celostátních deníků (Mladá fronta DNES, Lidové noviny, Právo, Hospodářské noviny, Blesk) a nespecializovaných časopisů (Reflex, Respekt, Týden) mezi lety 1998–2009. Tabulku s velikostí 15 titulů nejvíce zastoupených v publicistické části korpusu SYN verze 3 (s rozložením po jednotlivých letech; údaje jsou v milionech slov, tj. pozic bez započtení interpunkce) je možné stáhnout níže, náhled složení publicistické části je vidět na následujícím grafu.

Složení publicistické části korpusu SYN verze 3

Náhled složení publicistické části korpusu SYN verze 3

Jak citovat SYN verze 3

Křen, M. – Čermák, F. – Hlaváčová, J. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kopřivová, M. – Novotná, R. – Petkevič, V. – Procházka, P. – Schmiedtová, V. – Skoumalová, H. – Šulc, M.: Korpus SYN, verze 3 z 27. 1. 2014. Ústav Českého národního korpusu FF UK, Praha 2014. Dostupný z WWW: http://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.

Michal Křen, Olga Richterová

Související odkazy