AplikaceAplikace
Nastavení

Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

Odkaz na výstup diff

Následující verze
Předchozí verze
Následující verzeObě strany příští revize
cnk:syn:verze5 [2017/04/25 11:52] – vytvořeno Michal Škrabalcnk:syn:verze5 [2017/04/26 16:27] – [Korpus SYN verze 5] Michal Křen
Řádek 5: Řádek 5:
 ^ <fs medium>Název</fs> ^^ <fs medium>SYN verze 5</fs> ^ ^ <fs medium>Název</fs> ^^ <fs medium>SYN verze 5</fs> ^
 ^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] |  4 599 643 984 |   ^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] |  4 599 643 984 |  
-^ ::: ^ Počet [[pojmy:token|pozic (tokenů) bez interpunkce ]] |  3 626 417 275 FIXME |  +^ ::: ^ Počet [[pojmy:token|pozic (tokenů) bez interpunkce ]] |  3 836 208 873 |  
 ^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] |  10 925 890 |   ^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] |  10 925 890 |  
 ^ ::: ^ Počet [[pojmy:lemma|lemmat]] |  7 770 263 | ^ ::: ^ Počet [[pojmy:lemma|lemmat]] |  7 770 263 |
 ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] |  93 952 | ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] |  93 952 |
-^ ::: ^ Počet [[pojmy:atributy_strukturni|textů]] |  14 097 711 |+^ ::: ^ Počet [[pojmy:atributy_strukturni|textů]] |  14 813 401 |
 ^ ::: ^ Počet vět |  291 939 255 | ^ ::: ^ Počet vět |  291 939 255 |
 ^ Další informace ^ [[pojmy:referencni|Referenční]] |  ANO |   ^ Další informace ^ [[pojmy:referencni|Referenční]] |  ANO |  
Řádek 16: Řádek 16:
 </WRAP> </WRAP>
  
-Každý **korpus SYN** obsahuje vždy všechny [[pojmy:synchronni|synchronní]] [[pojmy:psany|psané]] korpusy řady SYN (viz popis celé řady [[cnk:syn|SYN]]) zveřejněné do doby vzniku dané verze. Korpus SYN verze tedy zahrnuje korpusy [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]], [[cnk:syn2013pub|SYN2013PUB]] a [[cnk:syn2015|SYN2015]]; kromě nich je však jeho součástí také **dosud nezveřejněná publicistika převážně let 2010–2014** v ročních objemech esahujících 200 mil. slov.+Každý **korpus SYN** obsahuje vždy všechny [[pojmy:synchronni|synchronní]] [[pojmy:psany|psané]] korpusy řady SYN (viz popis celé řady [[cnk:syn|SYN]]) zveřejněné do doby vzniku dané verze. Korpus SYN verze tedy zahrnuje korpusy [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]], [[cnk:syn2013pub|SYN2013PUB]] a [[cnk:syn2015|SYN2015]]; kromě nich je však jeho součástí také publicistika z let 2010–2014, která je již součástí korpusu [[cnk:syn:verze4|SYN verze 4]], a také **dosud nezveřejněná publicistika z roku 2015** v objemu esahujícím 200 mil. slov.
  
-Protože jsou všechny tyto složky navzájem **disjunktní** (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 5 dána součtem jejich velikostí, který činí FIXME 3,626 miliardy textových slov ([[[[pojmy:token|tokenů]] bez interpunkce). Korpus SYN není [[pojmy:reprezentativnost|reprezentativní]]; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2013pub|SYN2013PUB]] a publicistické složky z let 2010–2015.+Protože jsou všechny tyto složky navzájem **disjunktní** (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 5 dána součtem jejich velikostí, který činí 3,836 miliardy textových slov ([[[[pojmy:token|tokenů]] bez interpunkce). Korpus SYN není [[pojmy:reprezentativnost|reprezentativní]]; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2013pub|SYN2013PUB]] a publicistické složky z let 2010–2015.
  
 Korpus SYN verze 5 je [[pojmy:referencni|referenční]], a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané [[pojmy:atributy_strukturni|strukturní]] a [[pojmy:atributy_pozicni|poziční]] anotace, které 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 [[pojmy:subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 5 [[manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''syn=<nowiki>"</nowiki>v5<nowiki>"</nowiki>''. Korpus SYN verze 5 je [[pojmy:referencni|referenční]], a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané [[pojmy:atributy_strukturni|strukturní]] a [[pojmy:atributy_pozicni|poziční]] anotace, které 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 [[pojmy:subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 5 [[manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''syn=<nowiki>"</nowiki>v5<nowiki>"</nowiki>''.
Řádek 26: Řádek 26:
 ^ <fs medium>Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku</fs> ^^^^^^ ^ <fs medium>Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku</fs> ^^^^^^
 ^ korpus ^ velikost (počet slov) ^ [[pojmy:lemma|lemmatizace]] ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ ^ korpus ^ velikost (počet slov) ^ [[pojmy:lemma|lemmatizace]] ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^
 +^ ??? FIXME | FIXME 100 mil. |  ✓  |  ✓  |  2017  | korpus publicistických textů z roku 2015|
 ^ [[cnk:syn2015|SYN2015]] | 100 mil. |  ✓  |  ✓  |  2015  | reprezentativní korpus, převažují texty z let 2010–2014| ^ [[cnk:syn2015|SYN2015]] | 100 mil. |  ✓  |  ✓  |  2015  | reprezentativní korpus, převažují texty z let 2010–2014|
 ^ [[cnk:syn2013PUB|SYN2013PUB]] | 935 mil. |  ✓  |  ✓  |  2013  | korpus publicistických textů z let 2005–2009 | ^ [[cnk:syn2013PUB|SYN2013PUB]] | 935 mil. |  ✓  |  ✓  |  2013  | korpus publicistických textů z let 2005–2009 |
Řádek 36: Řádek 37:
 ==== Publicistika v SYN verze 5 ==== ==== Publicistika v SYN verze 5 ====
  
-Složení publicistické části korpusu SYN verze 5 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--2015; celkový počet publicistických titulů je 176 FIXME. Následující grafy ukazují složení korpusu SYN podle [[pojmy:txtype_group|hlavních textových typů]] v jednotlivých letech a nabízejí bližší pohled na složení publicistické části. +Složení publicistické části korpusu SYN verze 5 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--2015; celkový počet publicistických titulů je 176. Následující grafy ukazují složení korpusu SYN podle [[pojmy:txtype_group|hlavních textových typů]] v jednotlivých letech a nabízejí bližší pohled na složení publicistické části. 
  
-[{{:cnk:slozeni_syn_v4.png?400|Složení korpusu SYN verze 5}}]+[{{:cnk:slozeni_syn_v5.png?400|Složení korpusu SYN verze 5}}]
  
-[{{:cnk:slozeni_syn_v4_pub.png?400|Složení publicistické části korpusu SYN verze 5}}] +[{{:cnk:slozeni_syn_v5_pub.png?400|Složení publicistické části korpusu SYN verze 5}}]
- +
-FIXME+
  
 ====== Struktura a anotace korpusu SYN verze 5 ====== ====== Struktura a anotace korpusu SYN verze 5 ======
  
-Korpus SYN verze 5 (spolu s [[cnk:syn:verze4|verzí 4]] se od svého předchůdce, korpusu [[cnk:syn:verze3|SYN verze 3]], výrazně liší ve [[pojmy:atributy_strukturni|strukturaci]] a [[pojmy:anotace|anotaci]] textů, které odpovídají korpusu [[cnk:syn2015|SYN2015]]. Změny se projevují jak převzetím [[cnk:syn2015#struktura_korpusu_a_strukturni_znacky|hierarchie strukturních značek SYN2015]] (např. původní ''<opus>'' byl nahrazen ''<doc>'', nově byl zaveden odstavec ''<p>'' atd.) a jejich atributů (např. původní ''<opus název>'' byl nahrazen ''<doc title>''), tak i [[cnk:klasifikace_textu_syn2015|klasifikace textů SYN2015]], která byla aplikována na všechny texty obsažené v korpusu SYN verze 5. Jedním z důsledků tohoto rozhodnutí bylo také vyřazení textů (především internetových periodik), které nesplňují [[cnk:syn2015#pojeti_psanosti_v_syn2015|zúžené pojetí psanosti]].+Korpus SYN verze 5 (spolu s [[cnk:syn:verze4|verzí 4]]se od svého předchůdce, korpusu [[cnk:syn:verze3|SYN verze 3]], výrazně liší ve [[pojmy:atributy_strukturni|strukturaci]] a [[pojmy:anotace|anotaci]] textů, které odpovídají korpusu [[cnk:syn2015|SYN2015]]. Změny se projevují jak převzetím [[cnk:syn2015#struktura_korpusu_a_strukturni_znacky|hierarchie strukturních značek SYN2015]] (např. původní ''<opus>'' byl nahrazen ''<doc>'', nově byl zaveden odstavec ''<p>'' atd.) a jejich atributů (např. původní ''<opus název>'' byl nahrazen ''<doc title>''), tak i [[cnk:klasifikace_textu_syn2015|klasifikace textů SYN2015]], která byla aplikována na všechny texty obsažené v korpusu SYN verze 5. Jedním z důsledků tohoto rozhodnutí bylo také vyřazení textů (především internetových periodik), které nesplňují [[cnk:syn2015#pojeti_psanosti_v_syn2015|zúžené pojetí psanosti]].
  
 Tato shoda struktury a anotace s korpusem SYN2015 má pouze dvě výjimky: Tato shoda struktury a anotace s korpusem SYN2015 má pouze dvě výjimky:
Řádek 55: Řádek 54:
  
 <WRAP round tip 70%> <WRAP round tip 70%>
-Křen, M. – Cvrček, V. – Čapka, T. – Čermáková, A. – Hnátková, M. – Chlumská, L. – Jelínek, T. – Kováříková, D. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Škrabal, M. – Truneček, P. – Vondřička, P. – Zasina, A.: Korpus SYN, verze 5 z 24. 4. 2017. Ústav Českého národního korpusu FF UK, Praha 2017. Dostupný z WWW: http://www.korpus.cz.+Křen, M. – Cvrček, V. – Čapka, T. – Čermáková, A. – Hnátková, M. – Chlumská, L. – Jelínek, T. – Kováříková, D. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Škrabal, M. – Truneček, P. – Vondřička, P. – Zasina, A.: //Korpus SYN, verze 5 z 24. 4. 2017//. Ústav Českého národního korpusu FF UK, Praha 2017. Dostupný z WWW: http://www.korpus.cz.
  
-Hnátková, M. – Křen, M. – Procházka, P. – Skoumalová, H. (2014): [[http://www.lrec-conf.org/proceedings/lrec2014/pdf/294_Paper.pdf|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.  +Hnátková, M. – Křen, M. – Procházka, P. – Skoumalová, H. (2014): [[http://www.lrec-conf.org/proceedings/lrec2014/pdf/294_Paper.pdf|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.
-FIXME+
 </WRAP> </WRAP>
  
Řádek 65: Řádek 63:
 ====== Související odkazy ====== ====== Související odkazy ======
 <WRAP round box 50%> <WRAP round box 50%>
-[[cnk:syn|SYN]] • [[cnk:syn:verze3|SYN verze 3]] • [[cnk:syn2000|SYN2000]] • [[cnk:syn2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] • [[cnk:syn2009pub|SYN2009PUB]] • [[cnk:syn2010|SYN2010]] • [[cnk:SYN2013PUB|SYN2013PUB]] • [[cnk:syn2015|SYN2015]]+[[cnk:syn|SYN]] • [[cnk:syn:verze4|SYN verze 4]]• [[cnk:syn:verze3|SYN verze 3]] • [[cnk:syn2000|SYN2000]] • [[cnk:syn2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] • [[cnk:syn2009pub|SYN2009PUB]] • [[cnk:syn2010|SYN2010]] • [[cnk:SYN2013PUB|SYN2013PUB]] • [[cnk:syn2015|SYN2015]]
  
 </WRAP> </WRAP>