Korpus SYN verze 14
| Název | SYN verze 14 | |
|---|---|---|
| Pozice | Počet pozic (tokenů) | 6 616 455 821 |
| Počet pozic (tokenů) bez interpunkce | 5 488 909 099 | |
| Počet slovních tvarů (wordů) | 11 855 023 | |
| Počet lemmat | 7 869 983 | |
| Struktury | Počet dokumentů | 158 764 |
| Počet textů | 19 682 164 | |
| Počet vět | 422 269 782 | |
| Další informace | Referenční | ANO |
| Reprezentativní | NE (převažuje publicistika) | |
| Rok zveřejnění | 2025 | |
Každý korpus SYN obsahuje vždy všechny synchronní psané korpusy řady SYN (viz popis celé řady SYN) zveřejněné do doby vzniku dané verze. Korpus SYN verze 14 tedy zahrnuje korpusy SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN2013PUB, SYN2015, SYN2020 a SYN2025; kromě nich je však jeho součástí také publicistika z let 2010–2023, která je již součástí korpusů SYN verze 4 až verze 13, a také dosud nezveřejněná publicistika z roku 2024 v objemu přesahujícím 100 mil. slov.
Korpus SYN není reprezentativní; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů SYN2006PUB, SYN2009PUB, SYN2013PUB a publicistické složky z let 2010–2024.
Korpus SYN verze 14 je referenční, a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané poziční anotace, která 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 subkorpus odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 14 vytvořit zadáním podmínky syn="v14".
Složení korpusu SYN verze 14
| Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku | |||||
|---|---|---|---|---|---|
| korpus | velikost (počet slov) | lemmatizace | morfologické značky | rok zveřejnění | charakteristika korpusu |
| SYN2025 | 100 mil. | ✓ | ✓ | 2025 | reprezentativní korpus, převažují texty z let 2020–2024 |
| SYN2020 | 100 mil. | ✓ | ✓ | 2020 | reprezentativní korpus, převažují texty z let 2015–2019 |
| SYN2015 | 100 mil. | ✓ | ✓ | 2015 | reprezentativní korpus, převažují texty z let 2010–2014 |
| 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 |
Publicistika v SYN verze 14
Složení publicistické části korpusu SYN verze 14 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 1998–2024; celkový počet publicistických titulů se blíží 200. Následující grafy ukazují složení korpusu SYN podle hlavních textových typů v jednotlivých letech a nabízejí bližší pohled na složení publicistické části.
Struktura a anotace korpusu SYN verze 14
Strukturace a anotace textů vycházejí ze SYN2025. Hierarchie strukturních značek korpusu SYN verze 14 je shodná se SYN2025. Morfologické značkování, lemmatizace a tokenizace korpusu probíhá plně automaticky podle anotačního standardu ČNK. SYN verze 14 je v tomto ohledu stejný jako jeho předchůdce, korpus SYN verze 13.
Shoda struktury a anotace SYN verze 14 se SYN2025 má pouze tyto výjimky:
- podobně jako v jiných korpusech řady SYN přibyl i v korpusu SYN verze 14 atribut
<doc syn>pro vytváření subkorpusů odpovídajících původním referenčním korpusům; - syntaktická anotace korpusu SYN2025 byla pro SYN verze 14 nahrazena (ve srovnání se SYN v13) zcela novou anotací víceslovných jednotek.
Jak citovat SYN verze 14
Křen, M. – Čapka, T. – Hnátková, M. – Jelínek, T. – Křivan, J. – Petkevič, V. – Skoumalová, H. – Vondřička, P.: Korpus SYN, verze 14 z 30. 12. 2025. Ústav Českého národního korpusu FF UK, Praha 2025. Dostupný z WWW: https://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.
Jelínek, T. – Křivan, J. – Petkevič, V. – Skoumalová, H. – Šindlerová, J. (2021): SYN2020: A new corpus of Czech with an innovated annotation. In: K. Ekštein – F. Pártl – M. Konopík (eds.), Text, Speech, and Dialogue. TSD 2021. Lecture Notes in Computer Science, vol. 12848. Cham: Springer, 48–59.
Křivan, J. – Šindlerová, J. (2022): Změny v morfologické anotaci korpusů řady SYN: nové možnosti zkoumání české gramatiky a lexikonu. Slovo a slovesnost, 83 (2), 122–145.
— Michal Křen
