| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verzeNásledující verzeObě strany příští revize |
| cnk:syn:verze3 [2016/08/16 17:22] – [Související odkazy] michalkren | cnk:syn:verze3 [2016/09/15 13:54] – [Související odkazy] michalkren |
|---|
| {{:cnk:slozeni_syn_v3.ods|Složení publicistické části korpusu SYN verze 3}} | {{:cnk:slozeni_syn_v3.ods|Složení publicistické části korpusu SYN verze 3}} |
| [{{:cnk:slozeni_syn_v3.png?400|Náhled složení publicistické části korpusu SYN verze 3}}] | [{{:cnk:slozeni_syn_v3.png?400|Náhled složení publicistické části korpusu SYN verze 3}}] |
| |
| ===== Pozor na srovnávání korpusů řady SYN ===== | |
| |
| Neustálý vývoj nástrojů, jimiž se korpusy zpracovávají, ztěžuje prosté srovnávání mezi nimi. Vylepšení, kterými zpracování korpusů prošlo od roku 2000, přitom vůbec nejsou zanedbatelná: mnoho nově rozpoznaných slovních tvarů, spolehlivější [[pojmy:desambiguace|desambiguace]] s pravidlovým komponentem, odlišné zpracování některých jazykových jevů, doplnění a sjednocení bibliografických údajů ([[pojmy:atributy_strukturni|strukturní značky]] a [[seznamy:index#zdrojove_texty_psanych_korpusu|zdroje]]) atd. Všechna tato vylepšení přitom nebylo možné promítnout do již zveřejněných korpusů: buď by totiž došlo k nepřijatelnému porušení [[pojmy:referencni|referenčnosti]], nebo by bylo nutné zavést různé verze jednotlivých korpusů, což by ale pro většinu uživatelů bylo nepřehledné. | |
| |
| ==== Řešením je aktuální SYN ==== | |
| Kvůli tomu všemu byl vytvořen korpus [[cnk:syn|SYN]], který je možné si představit jako jakýsi koláč rozdělený na řadu dílků, tvořený ze všech [[cnk:struktura#korpusy_psane_soucasne_cestiny_rada_syn|obecných]] [[pojmy:synchronni|synchronních]] psaných korpusů, které ovšem byly před zařazením do korpusu SYN jednotně zpracovány nejnovějšími nástroji včetně [[pojmy:token|tokenizace]], [[pojmy:segmentace|segmentace]], [[pojmy:morfologicka_analyza|morfologické analýzy]] a [[pojmy:desambiguace|desambiguace]]. U všech zařazených korpusů se tak zpracování dostává na úroveň posledního [[pojmy:referencni|referenčního]] korpusu řady [[cnk:syn#slozeni_korpusu_syn|SYN]], ve verzi 3 tedy [[cnk:syn2013pub|SYN2013PUB]]. | |
| |
| ==== Referenční korpusy jako subkorpusy v SYN ==== | |
| Hledání v nově zpracovaných textech všech korpusů řady SYN je doplněno také možností vytváření [[pojmy:subkorpus|subkorpusů]], které svým složením odpovídají původním referenčním korpusům. To je možné pomocí hodnoty atributu ''<doc.syn>'' (do verze 3 včetně ''<opus.syn>''), takže například subkorpus odpovídající korpusu SYN2005 lze vytvořit zadáním podmínky ''syn=<nowiki>"</nowiki>2005<nowiki>"</nowiki>'' na [[pojmy:atributy_strukturni|značku]] ''<doc>'' (do verze 3 ''<opus>''). Tuto podmínku lze samozřejmě dále kombinovat s dalšími podmínkami omezujícími typ textu, rok vydání apod., jak je popsáno v [[kurz:pokrocile_dotazy|Kurzu práce s ČNK]]. **Korpus SYN je tedy možné používat také pro práci se staršími reprezentativními korpusy, v jeho rámci zpracovanými nejnovějšími nástroji.** Při srovnávání původních korpusů s jim odpovídajícími novými subkorpusy mohou být patrné někdy i dosti podstatné změny způsobené rozdíly ve zpracování. Jde o změny způsobené nejenom odlišnou [[pojmy:lemma|lemmatizací]], ale i rozdílnou frekvencí slovních tvarů nebo rozdílným počtem pozic, což je dáno změnami v [[pojmy:token|tokenizaci]]. | |
| |
| Jednotlivé verze korpusu SYN jsou **[[pojmy:referencni|referenční]]**, a tedy neměnné a zpětně dostupné. Nové verze korpusu SYN budou počínaje rokem 2016 zveřejňovány v pravidelných ročních intervalech a budou především zahrnovat nové publicistické texty z předchozího roku; součástí aktualizované verze budou samozřejmě také opravy chyb a vylepšení anotace, zejména morfologické analýzy a/nebo [[pojmy:desambiguace|desambiguace]]. Korpus SYN je proto možné charakterizovat jako //spojení všech korpusů řady SYN zpracované nejnovějšími verzemi dostupných nástrojů//. | |
| |
| ====== Výhody korpusu SYN ====== | |
| |
| * přístup k velmi rozsáhlým jazykovým datům (více než 2 mld. slov) | |
| * možnost vyhledávání ve všech korpusech řady SYN současně | |
| * možnost vytváření subkorpusů odpovídajících původním korpusům | |
| * nové zpracování původních korpusů vylepšenými nástroji | |
| |
| |
| ====== Struktura korpusu SYN verze 3 ====== | |
| |
| Mezi [[pojmy:atributy_strukturni|strukturní značky]] používané v tomto korpusu patří ''<opus>'', ''<doc>'', ''<s>'' -- tedy opus, dokument, věta -- a pak každá jednotlivá [[pojmy:atributy_strukturni#pozice_jako_strukturni_jednotka|pozice]]. | |
| Zobrazit si je můžete v položce menu [[manualy:kontext:moznosti_zobrazeni|Zobrazení]]. | |
| |
| [{{:cnk:struktur_znacky.jpg?300|Strukturní značky v korpusovem manažeru}}] | |
| |
| K těmto strukturním jednotkám náležejí [[pojmy:atributy_strukturni#strukturni_atributy_atributy_strukturnich_jednotek|následující atributy]], na obrázku patrné pod nadpisem Reference. | |
| |
| ====== Jak citovat SYN verze 3 ====== | ====== Jak citovat SYN verze 3 ====== |
| ====== Související odkazy ====== | ====== Související odkazy ====== |
| <WRAP round box 50%> | <WRAP round box 50%> |
| [[cnk:syn|SYN]] • [[cnk:syn2000|SYN2000]] • [[cnk:syn2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] • [[cnk:syn2009pub|SYN2009PUB]] • [[cnk:syn2010|SYN2010]] • [[cnk:SYN2013PUB|SYN2013PUB]] | [[cnk:syn|SYN]] • [[cnk:syn:verze4|SYN verze 4]] • [[cnk:syn2000|SYN2000]] • [[cnk:syn2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] • [[cnk:syn2009pub|SYN2009PUB]] • [[cnk:syn2010|SYN2010]] • [[cnk:SYN2013PUB|SYN2013PUB]] • [[cnk:syn2015|SYN2015]] |
| </WRAP> | </WRAP> |
| |
