AplikaceAplikace
Nastavení

Rozdíly

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

Odkaz na výstup diff

Obě strany předchozí revizePředchozí verze
Následující verze
Předchozí verze
cnk:syn [2016/08/17 10:35] – [Korpus SYN] Michal Křencnk:syn [2023/12/29 12:22] (aktuální) – [Korpus SYN] Michal Křen
Řádek 2: Řádek 2:
 ====== Korpus SYN ====== ====== Korpus SYN ======
  
-**SYN** je souhrnné označení pro korpus, který obsahuje vždy všechny [[pojmy:synchronni|synchronní]] [[pojmy:psany|psané]] korpusy řady [[cnk:syn|SYN]] zveřejněné do doby vzniku dané verze korpusu SYN (například [[cnk:syn:verze3|SYN verze 3]] z roku 2014 tedy zahrnuje korpusy [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]] a [[cnk:syn2013pub|SYN2013PUB]]) a který je přitom zpracován nejnovějšími verzemi všech nástrojů ([[pojmy:token|tokenizace]], [[pojmy:segmentace|segmentace]], [[pojmy:morfologicka_analyza|morfologické analýzy]] a [[pojmy:desambiguace|desambiguace]]). Korpus SYN není [[pojmy:reprezentativnost|reprezentativní]], v jeho složení dominují publicistické texty, což je důsledkem jejich snadné dostupnosti.+**SYN** je souhrnné označení pro korpus, který obsahuje vždy všechny [[pojmy:synchronni|synchronní]] [[pojmy:psany|psané]] korpusy řady SYN zveřejněné do doby vzniku dané verze korpusu SYN (například [[cnk:syn:verze3|SYN verze 3]] z roku 2014 tedy zahrnuje korpusy [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]] a [[cnk:syn2013pub|SYN2013PUB]], viz následující tabulka) a který je přitom zpracován nejnovějšími verzemi všech nástrojů ([[pojmy:token|tokenizace]], [[pojmy:segmentace|segmentace]], [[pojmy:morfologicka_analyza|morfologické analýzy]] a [[pojmy:desambiguace|desambiguace]]).
  
-Korpus SYN je [[pojmy:referencni|referenční]], počínaje verzí 3 zůstávají všechny jeho verze uživatelům neustále zpětně dostupné (je ovšem třeba upozornit na postupné zastarávání dodané lingvistické informace, které z referenčnosti zákonitě vyplývá). Jednotlivé verze korpusu SYN budou od [[cnk:syn:verze4|verze 4]] 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; [[pojmy:subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze [[manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''syn=<nowiki>"</nowiki>v4<nowiki>"</nowiki>''.+Korpus SYN není [[pojmy:reprezentativnost|reprezentativní]], v jeho složení dominují publicistické texty, což je důsledkem jejich snadné dostupnosti. 
 + 
 +Korpus SYN je [[pojmy:verzovany|verzovaný]], což znamená, že je [[pojmy:referencni|referenční]] v jednotlivých verzích. Počínaje [[cnk:syn:verze3|verzí 3]] zůstávají všechny jeho verze uživatelům neustále zpětně dostupné (je ovšem třeba upozornit na postupné zastarávání dodané lingvistické informace, které z referenčnosti zákonitě vyplývá). Jednotlivé verze korpusu SYN jsou od [[cnk:syn:verze4|verze 4]] zveřejňovány pravidelně každý rok s přírůstkem v podobě aktuálních publicistických dat, přičemž tento přírůstek je označen hodnotou atributu ''<doc syn>'', která je rovna verzi korpusu SYN, v níž se daný text objevil poprvé; [[pojmy:subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze [[manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''syn=<nowiki>"</nowiki>v6<nowiki>"</nowiki>''.
  
 ^ <fs medium>Verze korpusu SYN</fs> ^^^^ ^ <fs medium>Verze korpusu SYN</fs> ^^^^
 ^ verze ^ rok zveřejnění ^ velikost (počet slov) ^ složení ^ ^ verze ^ rok zveřejnění ^ velikost (počet slov) ^ složení ^
-^ [[cnk:syn:verze4|SYN verze 4]] |  2016  |  3 626 mil.  | SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN2013PUB, SYN2015, další publicistika | +^ [[cnk:syn:verze12|SYN verze 12]] |  2023  |  5 175 milionů | [[SYN2000]], [[SYN2005]], [[SYN2006PUB]], [[SYN2009PUB]], [[SYN2010]], [[SYN2013PUB]], [[SYN2015]], [[SYN2020]], další publicistika | 
-^ [[cnk:syn:verze3|SYN verze 3]] |  2014  |  2 232 mil.  | SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN2013PUB | +^ [[cnk:syn:verze11|SYN verze 11]] |  2022  |  5 032 milionů | [[SYN2000]], [[SYN2005]], [[SYN2006PUB]], [[SYN2009PUB]], [[SYN2010]], [[SYN2013PUB]], [[SYN2015]], [[SYN2020]], další publicistika | 
-^ SYN verze 2 |  2010  |  1 300 mil.  | SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010 | +^ [[cnk:syn:verze10|SYN verze 10]] |  2022  |  4 882 milionů | [[SYN2000]], [[SYN2005]], [[SYN2006PUB]], [[SYN2009PUB]], [[SYN2010]], [[SYN2013PUB]], [[SYN2015]], [[SYN2020]], další publicistika | 
-^ SYN verze 1 |  2007  |  500 mil.  | SYN2000, SYN2005, SYN2006PUB |+^ [[cnk:syn:verze9|SYN verze 9]] |  2021  |  4 719 milionů | [[SYN2000]], [[SYN2005]], [[SYN2006PUB]], [[SYN2009PUB]], [[SYN2010]], [[SYN2013PUB]], [[SYN2015]], [[SYN2020]], další publicistika | 
 +^ [[cnk:syn:verze8|SYN verze 8]] |  2019  |  4 499 milionů | [[SYN2000]], [[SYN2005]], [[SYN2006PUB]], [[SYN2009PUB]], [[SYN2010]], [[SYN2013PUB]], [[SYN2015]], další publicistika | 
 +^ [[cnk:syn:verze7|SYN verze 7]] |  2018  |  4 255 milionů | [[SYN2000]], [[SYN2005]], [[SYN2006PUB]], [[SYN2009PUB]], [[SYN2010]], [[SYN2013PUB]], [[SYN2015]], další publicistika | 
 +^ [[cnk:syn:verze6|SYN verze 6]] |  2017  |  4 033 milionů | [[SYN2000]], [[SYN2005]], [[SYN2006PUB]], [[SYN2009PUB]], [[SYN2010]], [[SYN2013PUB]], [[SYN2015]], další publicistika | 
 +^ [[cnk:syn:verze5|SYN verze 5]] |  2017  |  3 836 milionů | [[SYN2000]], [[SYN2005]], [[SYN2006PUB]], [[SYN2009PUB]], [[SYN2010]], [[SYN2013PUB]], [[SYN2015]], další publicistika | 
 +^ [[cnk:syn:verze4|SYN verze 4]] |  2016  |  3 626 milionů [[SYN2000]][[SYN2005]][[SYN2006PUB]][[SYN2009PUB]][[SYN2010]][[SYN2013PUB]][[SYN2015]], další publicistika | 
 +^ [[cnk:syn:verze3|SYN verze 3]] |  2014  |  2 232 milionů [[SYN2000]][[SYN2005]][[SYN2006PUB]][[SYN2009PUB]][[SYN2010]][[SYN2013PUB]] 
 +^ SYN verze 2 |  2010  |  1 300 milionů [[SYN2000]][[SYN2005]][[SYN2006PUB]][[SYN2009PUB]][[SYN2010]] 
 +^ SYN verze 1 |  2007  |  500 milionů [[SYN2000]][[SYN2005]][[SYN2006PUB]] |
  
 ===== Pozor na srovnávání korpusů řady SYN ===== ===== Pozor na srovnávání korpusů řady SYN =====
Řádek 18: Řádek 28:
  
 ==== Řešením je aktuální SYN ==== ==== Řešením je aktuální SYN ====
-Kvůli tomu všemu byl vytvořen korpus [[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]]např. ve verzi 3 tedy [[SYN2013PUB]].+Proto byl vytvořen korpus 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, ovšem **jednotně anotovaných a zpracovaných nejnovějšími nástroji** včetně [[pojmy:token|tokenizace]], [[pojmy:segmentace|segmentace]], [[pojmy:morfologicka_analyza|morfologické analýzy]] a [[pojmy:desambiguace|desambiguace]]. Pro analýzu jazykového vývoje mezi reprezentativními korpusy řady SYN doporučujeme používat [[seznamy:srovnavaci_seznamy|Srovnávací frekvenční seznamy]], které vycházejí z dat nejnovější verze korpusu SYN a zároveň berou v úvahu rozdílné složení reprezentativních korpusů takaby byla zajištěna srovnatelnost lexikálních frekvencí.
  
 ==== Referenční korpusy jako subkorpusy v SYN ==== ==== Referenční korpusy jako subkorpusy v SYN ====
-Hledání v nově zpracovaných textech všech korpusů řady SYN je doplněno také +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 [[cnk:syn:verze3|SYN verze 3]] ''<opus syn>''), takže například subkorpus odpovídající korpusu SYN2005 lze vytvořit zadáním podmínky ''syn=<nowiki>"</nowiki>2005<nowiki>"</nowiki>'' na [[pojmy:atributy_strukturni|značku]] ''<doc>'' (příp. ''<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**které jsou ovšem v rámci SYN zpracovány 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]].
-možností vytváření [[pojmy:subkorpus|subkorpusů]], které svým složením +
-odpovídají původním referenčním korpusům. To je možné pomocí hodnoty atributu +
-''<opus syn>'', takže například subkorpus odpovídající korpusu SYN2005 lze +
-vytvořit zadáním podmínky ''syn=<nowiki>"</nowiki>2005<nowiki>"</nowiki>'' na +
-[[pojmy:atributy_strukturni|značku]] ''<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]].+
  
 ====== Výhody korpusu SYN ====== ====== Výhody korpusu SYN ======
  
-  * přístup k velmi rozsáhlým jazykovým datům (více než mld. slov)    +  * přístup k velmi rozsáhlým jazykovým datům (více než mld. slov)
   * možnost vyhledávání ve všech korpusech řady SYN současně   * možnost vyhledávání ve všech korpusech řady SYN současně
   * možnost vytváření subkorpusů odpovídajících původním korpusům   * možnost vytváření subkorpusů odpovídajících původním korpusům
   * nové zpracování původních korpusů vylepšenými nástroji   * nové zpracování původních korpusů vylepšenými nástroji
 +  * [[pojmy:referencni|referenčnost]]
  
 ====== Jak citovat SYN ====== ====== Jak citovat SYN ======
Řádek 45: Řádek 49:
  
  
- --- //Michal Křen, Olga Richterová//+ --- //Michal Křen, Olga Richterová, Michal Škrabal//
 ====== Související odkazy ====== ====== Související odkazy ======
 <WRAP round box 50%> <WRAP round box 50%>
 [[cnk:syn:verze3|SYN verze 3]] • [[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]] [[cnk:syn:verze3|SYN verze 3]] • [[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>