~~NOTOC~~ ====== Jaké korpusy zpřístupňuje Český národní korpus? ====== Projekt [[http://www.korpus.cz|Český národní korpus]] zpřístupňuje řadu různých [[pojmy:korpus|korpusů]], jejich okomentovaný přehled najdete v sekci týkající se jeho **[[struktura|složení]]**. Celkový rozsah textů, který ČNK v korpusech zpracoval a zpřístupnil, přesahuje 4,5 miliardy slov v českých jednojazyčných a 1,5 miliardy slov v cizojazyčných [[pojmy:paralelni|paralelních korpusech]]. Korpusy slouží jak laikům, tak odborníkům jako východisko pro [[pojmy:korpus#korpus_a_jeho_vyuziti|různé druhy]] empirického poznávání jazyka. Pravidla jejich užívání se řídí jednotnými zásadami, které uživatelé schvalují při bezplatné [[kurz:zaciname|registraci]], a podléhají běžným zvyklostem pro [[cnk:citace|citování]] vědeckých pramenů. ===== Přehled dostupných korpusů ===== ^ Korpusy psaného jazyka (synchronní) ^^^^^^ ^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění((U verzovaných korpusů, jako jsou např. [[cnk:syn|SYN]] nebo [[cnk:intercorp|InterCorp]], je uveden také rok zveřejnění první verze.)) ^ charakteristika korpusu ^ | **[[cnk:struktura#korpusypsanesoucasnecestiny(radasyn)#obecne|Obecné korpusy]]** |||||| | [[cnk:syn|SYN]] ([[cnk:syn:verze12|verze 12]]) | 5 mld. | ✓ | ✓ | 2010-2023 | [[pojmy:verzovany|verzovaný]] korpus, spojující synchronní psané korpusy řady SYN a další, dosud nezveřejněné texty | | [[cnk:syn2020|SYN2020]] | 100 mil. | ✓ | ✓ | 2020 | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 2015–2019 | | [[cnk:syn2015|SYN2015]] | 100 mil. | ✓ | ✓ | 2015 | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 2010–2014, s novou [[cnk:klasifikace_textu_syn2015|klasifikací textů]] | | [[cnk:syn2013PUB|SYN2013PUB]] | 935 mil. | ✓ | ✓ | 2013 | [[pojmy:referencni|referenční]] korpus publicistických textů z let 2005--2009 | | [[cnk:syn2010|SYN2010]] | 100 mil. | ✓ | ✓ | 2010 | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 2005–2009 | | [[cnk:syn2009PUB|SYN2009PUB]] | 700 mil. | ✓ | ✓ | 2010 | [[pojmy:referencni|referenční]] korpus publicistických textů z let 1995–2007 | | [[cnk:syn2006PUB|SYN2006PUB]] | 300 mil. | ✓ | ✓ | 2006 | [[pojmy:referencni|referenční]] korpus publicistických textů z let 1989–2004| | [[cnk:syn2005|SYN2005]] | 100 mil. | ✓ | ✓ | 2005 | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 2000–2004 | | [[cnk:syn2000|SYN2000]] | 100 mil. | ✓ | ✓ | 2000 | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 1990–1999 | | **[[cnk:struktura#webove|Webové korpusy]]** |||||| | [[cnk:online|ONLINE]] ([[cnk:online:gen2|2. generace]]) | > 6 mld. | ✓ | ✓ | 2020 | monitorovací korpus českého internetu | | [[cnk:net|NET]] (verze 2) | 176 mil. | ✓ | ✓ | 2019 | korpus polooficiální internetové komunikace | | **[[pojmy:akvizicni_korpus|Akviziční korpusy]]** |||||| | [[cnk:czesl-man|CzeSL-man]] | 100 tis. | ✓ | ✓ | 2016 | [[pojmy:zakovsky|žákovský]] korpus češtiny nerodilých mluvčích s ruční chybovou anotací | | [[cnk:czesl-plain|CzeSL-plain]] | 2 mil. | ✗ | ✗ | 2012 | [[pojmy:zakovsky|žákovský]] korpus češtiny nerodilých mluvčích | | [[cnk:czesl-sgt|CzeSL-SGT]] | 960 tis. | ✓ | ✓ | 2014 | [[pojmy:zakovsky|žákovský]] korpus češtiny nerodilých mluvčích s metadaty a automatickou anotací| | [[cnk:czesl-sgt-basic|CzeSL-SGT-basic]] | 960 tis. | ✓ | ✓ | 2019 | korpus identický s CzeSL-SGT až na omezený výběr metadat ve vyhledávacím rozhraní | | [[cnk:skript2012|SKRIPT2012]] | 590 tis. | ✓ | ✓ | 2013 | korpus školních písemných prací | | [[cnk:vespa_cz|VESPA_CZ]] | 500 tis. | ✓ | ✓ | 2022 | [[pojmy:zakovsky|žákovský]] korpus psané akademické angličtiny pokročilých mluvčích s češtinou jako L1 | | **Autorské korpusy** |||||| | [[cnk:capek|Capek]] | 2,3 mil. | ✓ | ✓ | 2007 | autorský korpus pouze vlastních textů Karla Čapka | | [[cnk:capek|Capek_uplny]] | 2,5 mil. | ✓ | ✓ | 2007 | autorský korpus všech textů Karla Čapka | | [[cnk:cep|Cep]] | 420 tis. | ✓ | ✓ | 2015 | autorský korpus prozaických textů Jana Čepa | | [[cnk:kh-dopisy|KH-DOPISY]] | 500 tis. | ✗ | ✗ | 2017 | korpus korespondence Karla Havlíčka | | [[cnk:kh-noviny|KH-NOVINY]] | 1 mil. | ✗ | ✗ | 2021 | korpus publicistiky Karla Havlíčka | | [[cnk:orwell|ORWELL]] | 80 tis. | ✓ | ✓ | 2003 | ručně označkovaný korpus Orwellova románu [[wp>Nineteen_Eighty-Four|1984]] | | **[[cnk:struktura#korpusypsanesoucasnecestiny(radasyn)#specializovane|Specializované korpusy]]** |||||| | [[cnk:etalon|Etalon]] | 1,9 mil. | ✓ | ✓ | 2021 | manuálně anotovaný korpus českých textů | | [[cnk:fictree|FicTree]] | 135 tis. | ✓ | ✓ | 2017 | manuálně syntaktický anotovaný korpus beletrie | | [[cnk:fsc2000|FSC2000]] | 100 mil. | ✓ | ✗ | 2004 | upravený SYN2000, referenční zdroj Frekvenčního slovníku češtiny | | [[JEROME]] | 85 mil. | ✓ | ✓ | 2013 | jednojazyčný [[pojmy:srovnatelny|srovnatelný]] korpus pro výzkum překladové češtiny | | [[cnk:koditex|Koditex]] | 10,8 mil. | ✓ | ✓ | 2018 | korpus vytvořený pro účely multidimenzionální analýzy češtiny | | [[cnk:ksk-dopisy|KSK-DOPISY]] | 800 tis. | ✗ | ✗ | 2006 | korpus soukromé korespondence: přepisy ručně psaných dopisů z let 1990–2004| | [[cnk:ksp|KSP]] | 35,5 mil. | ✓ | ✓ | 2022 | korpus současné české poezie (publikované knižně i na literárních serverech) z let 1990–2020| | [[cnk:link|LINK]] | 1,8 mil. | ✓ | ✓ | 2010 | korpus sestavený z odborných lingvistických textů | | [[cnk:totalita|Totalita]] | 12,9 mil. | ✓ | ✓ | 2010 | korpus psaného jazyka komunistického režimu | | [[cnk:veda|Věda]] | 15 mil. | ✓ | ✓ | 2023 | korpus odborných textů, komplement [[https://db.korpus.cz/search/acphrase|Frázové banky akademické češtiny]] | ^ [[cnk:struktura#korpusy_mluvene|Korpusy mluveného jazyka (synchronní)]] ^^^^^^ ^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ | **Obecné korpusy** |||||| | [[cnk:orator|ORATOR]] (verze 2) | 1,2 mil. | ✓ | ✓ | 2019 | [[pojmy:referencni|referenční]] korpus monologů s jednoúrovňovou transkripcí | | [[cnk:ortofon|ORTOFON]] (verze 2) | 2,1 mil. | ✓ | ✓ | 2017 | [[pojmy:referencni|referenční]] reprezentativní korpus neformální mluvené češtiny s dvouúrovňovou transkripcí (zahrnuje Čechy, Moravu a Slezsko) | | [[cnk:oral|ORAL]] (verze 1) | 5,4 mil. | ✓ | ✓ | 2017 | [[pojmy:referencni|referenční]] korpus neformální mluvené češtiny (zahrnuje Čechy, Moravu a Slezsko) | | [[cnk:oral2013|ORAL2013]] | 2,8 mil. | ✗ | ✗ | 2013 | [[pojmy:referencni|referenční]] reprezentativní korpus neformální mluvené češtiny (zahrnuje Čechy, Moravu a Slezsko) | | [[cnk:oral2008|ORAL2008]] | 1 mil. | ✗ | ✗ | 2008 | [[pojmy:referencni|referenční]] sociolingvisticky vyvážený korpus neformální mluvené češtiny (zahrnuje pouze Čechy) | | [[cnk:oral2006|ORAL2006]] | 1 mil. | ✗ | ✗ | 2006 | [[pojmy:referencni|referenční]] korpus neformální mluvené češtiny (zahrnuje pouze Čechy) | | **Specializované korpusy** |||||| | [[cnk:bmk|BMK]] | 490 tis. | ✗ | ✗ | 2002 | Brněnský mluvený korpus: přepis nahrávek brněnské mluvy z 90. let 20. století | | [[cnk:dialekt|DIALEKT]] (verze 2) | 223 tis. | ✓ | ✓ | 2017 | [[pojmy:referencni|referenční]] nářeční korpus s dvouúrovňovou transkripcí | | [[cnk:jazyky-v-migraci|Jazyky v migraci]] | 294 tis. | ✓ | ✓ | 2022 | korpus rozhovorů (vedených v češtině a němčině) s pozdními německými vysídlenci a českými migranty z Československa do Německa o jejich jazykových biografiích | | [[cnk:lindsei_cz|LINDSEI_CZ]] | 120 tis. | ✗ | ✗ | 2017 | [[pojmy:zakovsky|žákovský]] korpus spontánní mluvené angličtiny pokročilých mluvčích s češtinou jako L1 | | [[cnk:pmk|PMK]] | 675 tis. | ✗ | ✗ | 2001 | Pražský mluvený korpus: přepis nahrávek pražské mluvy z 90. let 20. století | | [[cnk:schola2010|SCHOLA2010]] | 790 tis. | ✗ | ✗ | 2010 | korpus vyučovacích hodin | | [[cnk:speeches|SPEECHES]] | 215 tis. | ✓ | ✓ | 2015 | korpus prezidentských projevů | | [[cnk:parlcorp|Parlcorp]] | 38 mil. | ✓ | ✓ | 2021 | korpus projevů v poslanecké sněmovně (1993-2021) | ^ [[cnk:struktura#diachronnikorpus|Korpus psaného jazyka (diachronní)]] ^^^^^^ ^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ | [[cnk:diakorp|DIAKORP]] (verze 6) | 3,4 mil. | ✗ | ✗ | 2005 | [[pojmy:verzovany|verzovaný]] korpus diachronní složky ČNK | | [[cnk:onomos|OnomOs]] | 200 tis. | ✓ | ✓ | 2023 | korpus vybraných čísel (Rudého) Práva s anotací jmenných entit | ^ [[cnk:struktura#cizojazycnekorpusy|Korpusy cizojazyčné]] ^^^^^^ | **[[cnk:struktura#cizojazycnekorpusy#paralelni|Psané paralelní korpusy (překlady a originály)]] ** |||||| ^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ | [[cnk:intercorp|InterCorp]] ([[cnk:intercorp:verze13ud|verze 13ud]], [[cnk:intercorp:verze15|verze 15]], [[cnk:intercorp:verze16|verze 16]]) | 5,3 mld. | (✓) | (✓) | 2008-2023 | [[pojmy:verzovany|verzovaný]] [[pojmy:paralelni|paralelní]] korpus zahrnující kromě češtiny 61 dalších jazyků | | [[cnk:psalm77|Žalm 77]] | 10 tis. | (✓) | (✓) | 2023 | [[pojmy:paralelni|paralelní]] korpus 11 verzí textu žalmu 77 v rumunštině, církevní slovanštině a řečtině | | **[[cnk:struktura#cizojazycnekorpusy#paralelni|Psané srovnatelné webové korpusy]]** |||||| ^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ | [[cnk:aranea|Aranea]] | 1 000 mil. | ✓ | ✓ | 2014 | [[pojmy:srovnatelny|srovnatelné]] webové korpusy pro řadu jazyků | | **[[cnk:struktura#cizojazycnekorpusy#jednojazycne|Psané jednojazyčné webové korpusy]]** |||||| ^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ | [[cnk:dewac|deWaC]] | 1 350 mil. | ✓ | ✓ | 2013 | webový korpus němčiny | | [[cnk:frwac|frWaC]] | 1 350 mil. | ✓ | ✓ | 2013 | webový korpus francouzštiny| | [[cnk:itwac|itWaC]] | 1 600 mil. | ✓ | ✓ | 2013 | webový korpus italštiny | | [[cnk:ukwac|ukWaC]] | 1 900 mil. | ✓ | ✓ | 2013 | webový korpus britské angličtiny | | **Psané jednojazyčné speciální korpusy** |||||| | [[cnk:codit|CODIT]] | 27 mil. | ✗ | ✗ | 2021 | diachronní korpus italštiny pokrývající období od 13. století do roku 1947 | | [[cnk:dotko|DOTKO]] (verze 2) | 15,5 mil. | ✓ | ✗ | 2010 | korpus dolní lužické srbštiny | | [[cnk:eebo|EEBO]] | 730 mil. | ✗ | ✗ | 2015 | korpus anglických textů z období 1475--1700 z kolekce [[http://www.textcreationpartnership.org/tcp-eebo/|Early English Books Online]] | | [[cnk:hotko|HOTKO]] (verze 2) | 36 mil. | ✗ | ✗ | 2013 | korpus horní lužické srbštiny | | [[cnk:lEstRepublicain|lEstRepublicain]] | 73 mil. | ✓ | ✓ | 2013 | korpus textů francouzského regionálního deníku //L’Est Républicain// | | [[cnk:nkjp|NKJP_1M]] | 1 mil. | ✓ | ✓ | 2018 | ručně označkovaný milionový vzorek korpusu polštiny NKJP (//Narodowy korpus języka polskiego//) | | [[cnk:obc|OBC]] | 24 mil. | ✗ | ✓ | 2021 | [[http://fedora.clarin-d.uni-saarland.de/oldbailey/index.html|Old Bailey Corpus]], záznamy soudních procesů z let 1720--1913 | ====== Kdo tvoří Český národní korpus? ====== Za tvorbou ČNK stojí **[[http://ucnk.ff.cuni.cz|Ústav Českého národního korpusu]]** ve spolupráci s **[[http://utkl.ff.cuni.cz/|Ústavem teoretické a komputační lingvistiky]]**; při budování korpusů hojně využívají nástroje vyvinuté **[[http://ufal.mff.cuni.cz/|Ústavem formální a aplikované lingvistiky]]**. ====== Jak lze korpusy ČNK využívat? ====== Pro práci s korpusem slouží specializované nástroje, [[pojmy:korpusovy_manazer|korpusové manažery/vyhledávače]]; za nejkomfortnější z nich pro práci s korpusy ČNK v současnosti považujeme nástroj [[manualy:kontext:index|KonText]]. Pro efektivní práci s korpusy a korpusovými nástroji doporučujeme projít **[[manualy:kontext:index|Manuál rozhraní KonText]]** a **[[kurz:uvod|Kurz práce s ČNK]]** od [[kurz:prvni_dotaz|prvního dotazu]] až k dotazům [[kurz:pokrocile_dotazy|pokročilým]]. ---- [[manualy:kontext:index|Manuál rozhraní KonText]] • [[manualy:kontext:novy_dotaz|Menu: Nový dotaz]] • [[kurz:zaciname|Jak začít pracovat s Českým národním korpusem]] • [[kurz:uvod|Kurz práce s korpusem v 7 lekcích]]