AplikaceAplikace
Nastavení

Toto je starší verze dokumentu!

Obsah

Korpus InterCorp verze 16ud – Universal Dependencies

Název čeština jádro čeština kolekce cizí jazyky jádro cizí jazyky kolekce
Pozice Počet tokenů 154 391 397 362 409 841 461 601 109 5 732 688 636
Počet slovních tvarů 124 681 856 272 671 041 385 829 717 4 473 418 338
Struktury Počet dokumentů 1 812 33 4 643 338
Počet textů 1 812 162 613 4 643 2 662 675
Počet vět 10 691 340 50 729 559 28 684 709 790 046 584
Další informace referenční ANO
reprezentativní NE (různé textové typy)
rok zveřejnění 2024
cizích jazyků 61
tagovaných jazyků 47
jazyků s lemmaty 47
jazyků se syntaktickou anotací 47

Přístup k textům

Po registraci na stránce Prohlášení uživatele korpusů ÚČNK lze korpus prohledávat přes webové rozhraní. Registrace platí pro všechny veřejně přístupné korpusy ÚČNK. Máte-li uživatelské jméno a heslo k české části Českého národního korpusu, další registraci pro paralelní korpus nepotřebujete.

InterCorp je přístupný přes běžný webový prohlížeč z jednotného vyhledávacího rozhraní KonText pomocí speciálního dotazovacího formuláře pro paralelní korpusy.

Texty z korpusu InterCorp lze získat po podpisu licenčního ujednání pro neziskové účely také v podobě dvojjazyčných souborů náhodně seřazených dvojic vět. Zájemci se mohou obrátit na Alexandra Rosena.

Obvykle jednou ročně vychází nová verze InterCorpu. V každé nové verzi roste objem textů, případně i počet jazyků a rozsah anotace. Od verze 6 dál jsou všechny předchozí verze stále dostupné.

To nejdůležitější o verzi 16ud

  • Podrobný popis využití anotace podle UD v korpusu InterCorp najdete pod heslem Universal Dependencies ve Slovníčku pojmů ČNK.
  • Po verzi 13ud, 16ud je druhá verze InterCorpu s lingvistickou anotací podle standardu Universal Dependencies.
  • Verze 16ud je prvním korpusem ČNK, který obsahuje metriky syntaktické komplexity a lexikální diverzity.1)
  • Z celkového počtu 62 jazyků (včetně češtiny) je ve verzi 16ud lingvisticky anotovaných 47; všechny takové jazyky jsou navíc vybaveny i syntaktickou anotací.
  • Texty jsou ve všech jazycích anotované stejně, a to podle standardu UD (Universal Dependencies).
  • Anotaci provedl u všech jazyků nástroj UDPipe na základě dat vytvořených v projektu UD.2)

Obsah korpusu

InterCorp verze 16ud obsahuje stejné texty jako InterCorp verze 16, obě verze se liší jen v lingvistické anotaci. Údaje o počtu tokenů a slov ve verzi 16ud se však můžou mírně lišit kvůli jinému způsobu tokenizace.

Jádrem korpusu InterCorp jsou ručně zarovnané, převážně beletristické texty, ale i menší podíl jiných textových typů, např. divadelních her nebo poezie. Kromě toho korpus obsahuje také nabídku automaticky zpracovaných textů, tzv. kolekce. Ve verzi 16ud jsou k dispozici tyto kolekce:

* publistické články a zpravodajství z webových stránek Project Syndicate a VoxEurop (dříve PressEurop)

  • právní texty Evropské unie z korpusu Acquis Communautaire (Acquis)
  • zápisy jednání Evropského parlamentu z let 2007–2011 z korpusu Europarl (Europarl)
  • filmové titulky z databáze OpenSubtitles (Subtitles)
  • překlady Bible

Tyto texty jsou zarovnány jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají. Kolekce také neobsahují všechny texty z původního zdroje, např. ty, které nemají český protějšek. Některé texty z korpusů Acquis Communautaire a Europarl byly rovněž částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Podobně byla zredukována i databáze OpenSubtitles, kde jsme navíc u každého titulu převzali z více verzí překladu jen jednu. Zato byly doplněny některé metainformace, které v původním zdroji chyběly, ale daly se zjistit z kontextu nebo jiných zdrojů.

Každý cizojazyčný text má v korpusu svou českou verzi. Čeština je tedy tzv. pivot, česká verze textu (originál nebo překlad) je zarovnána s jednou nebo více verzemi cizojazyčnými. Celkový rozsah zpřístupněné části korpusu ve verzi 16ud zveřejněné v září 2024 činí 5 257 milionů slov, z toho v zarovnaných cizojazyčných textech 386 milionů slov v jádru a 4 473 milionů slov v kolekcích. V českých textech je v jádru 125 a v kolekcích 273 milionů slov (viz historie verzí). Rozložení textů v rámci jádra a v jednotlivých kolekcích je znázorněno na následujících grafech. Čísla v grafech ukazují velikost v milionech slov.

Skladba korpusu podle jednotlivých jazyků – jádro i kolekce


Skladba korpusu podle jednotlivých jazyků – jádro


Skladba korpusu podle jednotlivých jazyků – kolekce

Korpus v číslech

Počet textů v jádru korpusu

Zkratka Jazyk Počet textů z toho originály
ar arabština 3 1
be běloruština 108 14
bg bulharština 87 19
ca katalánština 92 1
cs čeština 1 812 368
da dánština 93 9
de němčina 471 163
en angličtina 422 271
es španělština 355 142
et estonština 1 0
fi finština 112 36
fr francouzština 277 126
hi hindština 7 2
hr chorvatština 324 37
hs hornolužická srbština 13 5
hu maďarština 89 1
it italština 171 26
ja japonština 35 15
lt litevština 23 4
lv lotyština 73 15
mk makedonština 108 4
nl nizozemština 215 52
no norština 102 23
pl polština 348 54
pt portugalština 87 24
rn romština 2 2
ro rumunština 45 5
ru ruština 160 37
sk slovenština 165 62
sl slovinština 73 25
sr srbština 148 13
sv švédština 232 101
uk ukrajinština 199 8
zh čínština 3 3
CELKEM 6 455 1 668

V níže uvedených tabulkách je jádro InterCorpu rozděleno podle typu textu na beletrii (Core-fiction), literaturu faktu (Core-nonfiction) a různé (Core-misc), kategorii zahrnující divadelní hry, poezii a dětskou literaturu).

Velikost korpusu podle kolekcí

Kolekce Počet Tisíce
dokumentů textů vět slov tokenů
Core-fiction 5 879 5 879 37 270 473 208 572 187
Core-misc 226 226 623 7 853 9 424
Core-nonfiction 350 350 1 483 29 450 34 381
Acquis 22 380 049 28 903 424 874 531 415
Bible 38 1 252 899 12 050 14 405
Europarl 21 1 369 378 13 709 276 543 315 134
PressEurop 70 69 894 1 637 26 964 31 538
Subtitles 58 965 557 793 931 3 970 273 5 162 184
Syndicate 162 39 158 1 697 35 385 40 423
CELKEM 6 826 2 831 743 880 152 5 256 601 6 711 091

Velikost korpusu podle jazyků

Jazyk Počet Tisíce
dokumentů textů vět slov tokenů
af 1 24 23,0 134,6 161,7
ar 7 34 629 28 748,8 126 614,3 157 671,0
be 108 108 632,7 7 126,4 9 054,9
bg 90 97 190 34 421,2 194 375,7 250 957,1
bn 1 252 363,8 1 517,7 2 072,1
br 1 27 19,7 97,4 145,2
bs 1 14 208 12 165,3 56 465,9 75 945,3
ca 95 828 1 201,8 13 381,4 15 617,1
cs 1 845 164 425 61 420,9 397 352,9 516 801,2
da 98 101 609 16 583,0 115 590,0 146 193,4
de 504 115 755 23 827,8 181 773,9 229 774,0
el 3 125 684 33 174,5 200 922,9 254 776,7
en 455 157 490 54 572,6 357 080,3 449 890,9
eo 1 46 48,4 221,0 305,4
es 386 150 798 45 280,2 305 112,0 388 664,2
et 4 100 709 13 904,0 80 349,3 104 726,8
eu 1 652 732,9 2 999,9 4 039,0
fa 1 6 556 6 594,8 32 635,9 38 097,3
fi 117 116 660 25 976,1 123 357,7 165 696,1
fi 310 138 571 33 957,7 258 555,1 315 325,2
fr 1 146 121,7 622,1 797,9
gl 1 33 935 27 608,8 129 458,6 172 973,7
he 8 61 116,6 832,7 988,1
hi 327 35 447 30 758,6 162 943,8 208 413,5
hr 13 13 41,6 466,3 586,3
hs 95 125 933 34 510,0 178 525,6 240 411,9
hu 1 7 3,9 23,5 30,6
hy 1 8 350 8 112,7 37 824,9 49 694,7
id 1 1 135 1 497,9 7 374,2 9 299,9
is 194 134 401 33 361,2 226 224,9 286 343,4
it 37 2 363 2 296,7 16 138,6 18 020,3
ja 1 204 198,4 871,1 1 179,0
ka 1 4 4,1 13,9 19,2
kk 1 1 605 1 641,1 5 964,3 7 294,3
ko 28 87 642 3 622,1 34 786,3 45 134,4
lt 78 86 356 3 023,6 35 425,1 45 293,5
lv 109 3 541 3 907,8 23 993,1 30 898,6
mk 1 285 365,3 1 258,4 1 793,5
ml 1 1 496 1 712,1 7 828,0 10 573,3
ms 1 8 963 784,8 13 805,0 16 643,6
mt 232 132 791 33 065,4 233 111,3 284 402,6
nl 105 9 163 8 344,6 48 750,2 61 120,3
no 360 140 055 41 282,4 227 242,6 300 207,8
pl 107 147 063 46 510,1 280 566,2 355 121,8
pt 2 2 1,7 13,6 17,7
rn 55 102 904 39 561,2 235 702,3 295 301,3
ro 184 32 839 22 985,2 122 130,4 163 120,7
si 1 499 522,5 2 313,4 3 021,8
sk 170 94 585 10 080,0 74 862,7 95 881,0
sl 76 104 460 20 501,3 118 457,1 155 788,9
sq 1 1 575 1 769,0 9 171,4 12 098,4
sr 149 38 177 32 117,7 165 130,2 211 727,6
sv 237 104 739 19 113,9 135 088,4 164 715,5
ta 1 20 29,4 104,0 141,8
te 1 18 26,0 96,0 127,1
th 1 3 932 3 457,0 5 626,0 7 288,3
tl 1 5 8,0 37,0 52,7
tr 1 44 015 35 975,7 147 635,3 199 108,2
uk 202 1 271 2 138,0 19 225,4 24 818,3
ur 1 19 27,0 155,7 180,8
vi 1 3 468 3 304,5 19 281,4 23 984,0
zh 9 12 035 11 993,7 71 855,3 80 560,0
CELKEM 6 826 2 831 743 880 152,2 5 256 601,0 6 711 091,0

Velikost korpusu v tisících slov podle jazyků a kolekcí

Lang Core-fiction Core-misc Core-nonfiction Acquis Bible Europarl PressEurop Subtitles Syndicate CELKEM
af – – – – – – – 134,6 – 134,6
ar 28,8 5,5 – – – – – 126 195,5 384,5 126 614,3
be 7 068,7 57,7 – – – – – – – 7 126,4
bg 7 067,3 – – 13 582,3 – 9 082,0 – 164 644,1 – 194 375,7
bn – – – – – – – 1 517,7 – 1 517,7
br – – – – – – – 97,4 – 97,4
bs – – – – – – – 56 465,9 – 56 465,9
ca 9 951,3 9,7 – – 728,2 – – 2 692,1 – 13 381,4
cs 113 632,3 2 637,1 8 412,5 19 188,9 562,5 12 918,7 2 313,3 232 969,1 4 718,6 397 352,9
da 9 460,8 11,9 56,0 20 014,9 655,2 13 800,4 – 71 590,8 – 115 590,0
de 35 653,3 1 066,1 4 037,3 20 716,9 725,0 13 156,2 2 506,5 98 808,9 5 103,7 181 773,9
el – – – 23 684,5 – 15 381,7 – 161 856,7 – 200 922,9
en 36 519,3 778,3 4 618,7 23 062,9 727,6 15 593,0 2 663,8 267 843,8 5 272,8 357 080,3
eo – – – – – – – 221,0 – 221,0
es 29 664,1 165,1 830,9 26 269,3 – 16 248,5 2 857,8 223 006,0 6 070,2 305 112,0
et 78,8 – – 14 884,2 – 10 898,7 – 54 487,7 – 80 349,3
eu – – – – – – – 2 999,9 – 2 999,9
fa – – – – – – – 32 635,9 – 32 635,9
fi 6 714,9 44,4 200,5 15 264,2 542,6 10 109,3 – 90 481,8 – 123 357,7
fi 20 454,4 194,3 3 687,5 26 298,4 762,6 17 186,4 3 044,3 181 033,4 5 893,7 258 555,1
fr – – – – – – – 622,1 – 622,1
gl – – – – – – – 129 458,6 – 129 458,6
he 402,8 – – – – – – 429,9 – 832,7
hi 22 763,6 242,6 1 523,4 – 569,9 – – 137 844,3 – 162 943,8
hr 405,3 36,6 24,4 – – – – – – 466,3
hs 6 890,1 28,9 – 17 851,3 – 12 187,9 – 141 559,0 8,4 178 525,6
hu – – – – – – – 23,5 – 23,5
hy – – – – – – – 37 824,9 – 37 824,9
id – – – – – – – 7 374,2 – 7 374,2
is 17 435,8 50,6 647,8 23 892,0 685,2 15 511,4 2 750,7 163 859,9 1 391,5 226 224,9
it 3 766,7 64,9 163,1 – – – – 12 141,5 2,5 16 138,6
ja – – – – – – – 871,1 – 871,1
ka – – – – – – – 13,9 – 13,9
kk – – – – – – – 5 964,3 – 5 964,3
ko 669,1 7,2 17,4 17 175,1 471,2 11 198,5 – 5 247,7 – 34 786,3
lt 3 207,6 362,1 66,9 17 519,4 536,7 11 682,0 – 2 050,4 – 35 425,1
lv 8 794,5 86,5 – – – – – 15 112,0 – 23 993,1
mk – – – – – – – 1 258,4 – 1 258,4
ml – – – – – – – 7 828,0 – 7 828,0
ms – – – 13 805,0 – – – – – 13 805,0
mt 17 229,8 356,4 1 193,5 23 401,1 716,8 15 555,9 2 952,8 170 892,9 812,1 233 111,3
nl 7 690,7 138,1 392,0 – 723,9 – – 39 805,6 – 48 750,2
no 27 056,2 283,2 754,2 19 482,9 576,1 12 662,8 2 367,5 164 059,8 – 227 242,6
pl 7 204,0 81,3 – 24 385,0 706,2 15 188,4 2 782,5 229 480,2 738,5 280 566,2
pt 8,4 5,2 – – – – – – – 13,6
rn 4 132,6 64,1 – 8 043,5 – 9 426,4 2 725,2 211 310,4 – 235 702,3
ro 11 757,6 143,8 518,7 – 565,5 – – 104 831,9 4 312,8 122 130,4
si – – – – – – – 2 313,4 – 2 313,4
sk 7 626,6 402,2 558,0 18 398,8 560,8 12 727,0 – 34 589,4 – 74 862,7
sl 4 611,2 6,1 22,4 18 510,4 – 12 249,8 – 83 057,1 – 118 457,1
sq – – – – – – – 9 171,4 – 9 171,4
sr 12 556,0 29,3 119,3 – – – – 152 425,6 – 165 130,2
sv 18 011,7 454,8 1 273,0 19 443,0 637,9 13 777,6 – 81 490,5 – 135 088,4
ta – – – – – – – 104,0 – 104,0
te – – – – – – – 96,0 – 96,0
th – – – – – – – 5 626,0 – 5 626,0
tl – – – – – – – 37,0 – 37,0
tr – – – – – – – 147 635,3 – 147 635,3
uk 14 478,3 38,9 333,0 – 596,1 – – 3 779,0 – 19 225,4
ur – – – – – – – 155,7 – 155,7
vi – – – – – – – 19 281,4 – 19 281,4
zh 215,4 – – – – – – 70 963,9 675,9 71 855,3
CELKEM 473 208,2 7 852,9 29 450,5 424 874,2 12 050,1 276 542,6 26 964,4 3 970 272,9 35 385,2 5 256 601,0

Podrobné statistiky

Kromě údajů o velikosti korpusu obsahuje tabulka také míry statistické komplexity a lexikální diverzity. U jazyků bez lingvistické anotace je v tabulce uvedena pouze míra lexikální diverzity založená na slovní formě (lexDivWord).

Jazyk Kolekce Počet Tisíce Lexikální diverzita Syntaktická komplexita (průměr)
dokumentů textů vět slov tokenů lexDivWord lexDivLemma sLength subRatio maxTreeDepth maxNPLength maxNPDepth mdd
afSubtitles 1 24 23,0 134,6 161,7 406,4 347,2 5,887 1,093 0,095 2,377 0,811 2,251
arCore-fiction 2 2 2,1 28,8 35,6 620,3 576,6 13,830 2,712 1,310 5,293 2,016 2,817
Core-misc 1 1 1,3 5,5 7,4 451,4 421,4 4,150 1,330 0,290 1,870 0,840 2,010
Subtitles 1 34 193 28 726,4 126 195,5 157 188,9 592,8 557,3 4,421 1,338 0,336 2,216 0,986 1,678
Syndicate 3 433 19,0 384,5 439,0 622,7 560,3 20,513 2,485 1,312 11,036 3,940 2,405
beCore-fiction 104 104 625,1 7 068,7 8 978,9 615,4 492,7 11,583 1,865 0,804 4,122 1,436 2,316
Core-misc 4 4 7,6 57,7 76,0 556,2 425,6 7,608 1,672 0,605 2,870 1,002 2,254
bgCore-fiction 87 87 559,6 7 067,3 8 597,7 548,3 439,5 13,125 1,728 0,732 4,255 1,532 2,497
Acquis 1 10 846 862,3 13 582,3 16 991,2 392,4 306,3 18,073 1,801 0,514 9,389 2,805 3,265
Europarl 1 45 271 408,3 9 082,0 10 379,8 498,4 386,3 23,014 2,538 1,263 10,961 3,402 2,581
Subtitles 1 40 986 32 591,1 164 644,1 214 988,4 518,2 384,6 5,089 1,336 0,322 1,861 0,706 1,931
bnSubtitles 1 252 363,8 1 517,7 2 072,1 419,4 – – – – – – –
brSubtitles 1 27 19,7 97,4 145,2 363,5 – – – – – – –
bsSubtitles 1 14 208 12 165,3 56 465,9 75 945,3 450,2 – – – – – – –
caCore-fiction 91 91 678,0 9 951,3 11 363,4 471,6 375,2 15,579 2,140 0,962 6,099 1,920 2,551
Core-misc 1 1 0,7 9,7 11,2 463,7 362,5 14,300 2,040 0,930 5,850 1,880 2,520
Bible 2 66 50,3 728,2 839,4 405,3 308,0 15,729 2,056 0,912 6,460 2,103 2,602
Subtitles 1 670 472,8 2 692,1 3 403,2 487,0 346,8 5,726 1,379 0,352 2,617 0,926 2,028
csCore-fiction 1 629 1,629 9 979,9 113 632,3 141 075,8 629,8 484,2 11,722 1,702 0,723 4,078 1,459 2,486
Core-nonfict 113 113 488,9 8 412,5 10 107,3 649,3 501,8 18,099 2,107 1,004 8,159 2,685 2,607
Core-misc 70 70 222,5 2 637,1 3 208,3 639,0 492,3 12,264 1,721 0,704 5,105 1,778 2,412
Acquis 1 19 269 1 351,5 19 188,9 25 140,4 472,1 346,5 16,575 1,745 0,536 9,788 2,858 3,025
Bible 2 66 51,0 562,5 692,9 537,1 372,0 11,907 1,603 0,635 4,125 1,590 2,451
Europarl 1 69 482 685,3 12 918,7 15 030,4 600,9 435,0 19,380 2,428 1,256 9,361 3,180 2,527
PressEurop 7 7 060 170,0 2 313,3 2 786,6 669,3 522,4 14,002 1,895 0,810 7,023 2,498 2,457
Subtitles 1 60 619 48 207,7 232 969,1 313 262,9 589,7 406,3 4,866 1,307 0,319 1,862 0,694 1,971
Syndicate 21 6 117 264,0 4 718,6 5 496,6 655,9 506,1 18,410 2,162 1,059 8,528 2,975 2,552
daCore-fiction 90 90 685,3 9 460,8 11 273,9 464,6 388,7 14,334 1,712 0,694 4,949 1,649 2,514
Core-nonfict 1 1 2,7 56,0 64,2 447,6 364,4 21,690 2,250 1,070 9,140 2,900 2,670
Core-misc 2 2 0,8 11,9 14,2 441,6 363,4 14,515 1,714 0,728 5,350 1,836 2,466
Acquis 1 18 263 1 566,7 20 014,9 25 402,6 395,0 333,1 14,462 1,647 0,485 8,314 2,491 2,762
Bible 2 66 46,1 655,2 782,3 389,8 318,7 18,349 1,970 0,843 5,542 1,828 2,811
Europarl 1 67 202 721,6 13 800,4 15 775,5 448,2 376,6 19,372 2,025 0,910 9,165 2,947 2,597
Subtitles 1 15 985 13 559,9 71 590,8 92 880,6 438,1 346,4 5,338 1,184 0,190 1,985 0,701 1,925
deCore-fiction 412 412 2 603,0 35 653,3 43 380,5 515,3 421,1 14,176 1,775 0,702 4,819 1,458 3,095
Core-nonfict 43 43 205,6 4 037,3 4 754,4 525,3 434,8 20,302 2,015 0,862 8,836 2,456 3,384
Core-misc 16 16 63,4 1 066,1 1 255,8 515,6 425,5 17,694 1,942 0,817 7,345 2,138 3,219
Acquis 1 18 782 1 451,4 20 716,9 26 206,7 407,9 343,3 16,124 1,506 0,388 9,197 2,496 3,519
Bible 2 66 49,2 725,0 854,0 395,2 302,4 15,637 1,648 0,657 5,263 1,737 2,998
Europarl 1 62 391 661,2 13 156,2 15 169,0 487,1 396,8 20,448 2,074 0,914 9,361 2,646 3,473
PressEurop 7 6 909 175,9 2 506,5 3 013,6 545,0 456,2 14,623 1,702 0,621 6,859 2,124 3,123
Subtitles 1 21 322 18 354,4 98 808,9 129 234,7 489,6 380,9 5,414 1,240 0,231 2,119 0,712 2,271
Syndicate 21 5 814 263,6 5 103,7 5 905,3 541,1 453,0 19,817 2,000 0,867 8,766 2,590 3,380
elAcquis 1 18 904 1 432,0 23 684,5 28 955,7 409,0 313,2 17,722 1,884 0,707 10,688 2,957 2,690
Europarl 1 68 069 623,6 15 381,7 17 233,2 488,5 366,9 25,498 2,664 1,379 12,485 3,413 2,682
Subtitles 1 38 711 31 118,9 161 856,7 208 587,8 516,7 376,8 6,335 1,613 0,519 2,566 0,881 2,083
enCore-fiction 366 366 2 701,0 36 519,3 43 557,4 466,2 403,2 14,159 2,107 0,945 5,371 1,689 2,576
Core-nonfict 39 39 216,2 4 618,7 5 302,9 466,7 412,4 22,976 2,623 1,292 10,373 2,893 2,793
Core-misc 17 17 53,4 778,3 905,9 455,8 393,7 15,091 2,160 0,967 6,561 1,987 2,557
Acquis 1 18 930 1 327,2 23 062,9 28 075,3 346,1 307,3 20,073 2,193 0,806 11,086 2,912 3,176
Bible 2 66 47,5 727,6 843,4 354,0 296,2 17,458 2,166 1,051 6,271 2,125 2,608
Europarl 1 69 283 680,9 15 593,0 17 455,0 411,9 362,9 23,743 2,692 1,402 11,274 3,135 2,736
PressEurop 7 7 019 152,5 2 663,8 3 107,7 485,4 431,4 18,016 2,286 1,033 8,828 2,614 2,689
Subtitles 1 55 657 49 130,9 267 843,8 344 553,0 445,1 362,4 5,491 1,401 0,372 2,273 0,811 2,067
Syndicate 21 6 113 263,1 5 272,8 6 090,3 494,2 438,7 20,792 2,447 1,186 9,516 2,843 2,733
eoSubtitles 1 46 48,4 221,0 305,4 384,4 – – – – – – –
esCore-fiction 338 338 1 981,3 29 664,1 34 294,8 495,7 400,3 15,586 2,176 0,974 6,243 1,919 2,574
Core-nonfict 10 10 29,6 830,9 932,4 446,5 361,9 29,055 2,939 1,456 13,399 3,468 2,797
Core-misc 7 7 15,0 165,1 198,8 475,1 370,6 11,674 1,781 0,662 4,887 1,575 2,382
Acquis 1 19 056 1 333,1 26 269,3 31 277,0 348,0 290,7 22,339 1,851 0,588 12,954 3,099 3,098
Europarl 1 67 754 660,7 16 248,5 18 032,0 437,6 353,4 25,496 2,614 1,350 12,798 3,348 2,618
PressEurop 7 6 891 154,6 2 857,8 3 268,7 478,0 399,9 18,995 2,144 0,940 9,483 2,729 2,567
Subtitles 1 50 705 40 849,5 223 006,0 293 901,1 498,6 355,5 5,499 1,404 0,373 2,378 0,862 1,972
Syndicate 21 6 037 256,4 6 070,2 6 759,4 462,1 384,1 24,411 2,437 1,189 11,558 3,194 2,675
etCore-fiction 1 1 6,7 78,8 96,1 626,8 478,0 11,790 2,020 0,920 4,200 1,540 2,530
Acquis 1 18 727 1 349,8 14 884,2 19 414,5 543,8 404,0 13,084 2,744 0,961 6,654 2,304 2,972
Europarl 1 68 478 704,3 10 898,7 12 761,7 635,2 463,0 15,935 2,687 1,347 7,271 2,669 2,517
Subtitles 1 13 503 11 843,3 54 487,7 72 454,4 575,2 386,4 4,625 1,284 0,281 1,616 0,600 1,967
euSubtitles 1 652 732,9 2 999,9 4 039,0 600,9 401,1 4,112 1,280 0,265 1,371 0,522 1,745
faSubtitles 1 6 556 6 594,8 32 635,9 38 097,3 520,5 472,5 4,973 1,368 0,338 2,363 0,974 2,301
fiCore-fiction 106 106 661,7 6 714,9 8 221,3 683,9 507,1 10,287 1,844 0,806 3,437 1,295 2,279
Core-nonfict 4 4 14,4 200,5 237,0 685,3 489,0 14,336 2,401 1,208 5,977 2,378 2,435
Core-misc 2 2 3,5 44,4 52,2 733,0 532,9 12,820 2,148 1,051 4,791 1,821 2,385
Acquis 1 18 563 1 310,5 15 264,2 19 702,1 556,9 380,4 13,209 2,369 0,886 6,990 2,588 2,647
fiBible 2 66 48,0 542,6 675,3 529,0 351,4 13,324 1,911 0,871 4,231 1,534 2,511
Europarl 1 67 019 675,6 10 109,3 11 838,6 670,8 462,7 15,260 2,483 1,242 6,924 2,670 2,395
Subtitles 1 30 900 23 262,2 90 481,8 124 969,7 666,5 444,7 3,909 1,244 0,242 1,404 0,513 1,689
frCore-fiction 230 230 1 277,5 20 454,4 23 802,5 471,0 377,5 16,762 2,156 0,998 6,617 1,994 2,685
Core-nonfict 37 37 152,5 3 687,5 4 206,8 456,2 373,9 26,628 2,938 1,451 12,424 3,202 2,807
Core-misc 10 10 20,0 194,3 229,5 443,7 336,9 9,973 1,703 0,614 4,205 1,321 2,427
Acquis 1 19 057 1 338,5 26 298,4 31 764,2 353,5 289,2 22,521 2,416 0,946 13,347 3,212 3,144
Bible 2 66 50,6 762,6 886,3 384,9 285,9 17,822 2,060 0,893 6,743 2,171 2,758
Europarl 1 68 220 677,7 17 186,4 18 984,0 425,6 338,2 26,070 2,866 1,565 13,013 3,423 2,638
PressEurop 7 7 025 163,8 3 044,3 3 510,4 476,4 396,4 19,097 2,279 1,036 9,836 2,826 2,606
Subtitles 1 38 341 30 038,8 181 033,4 225 399,3 453,5 325,6 6,061 1,405 0,394 2,563 0,926 2,031
Syndicate 21 5 585 238,3 5 893,7 6 542,1 457,8 379,9 25,332 2,742 1,410 12,251 3,308 2,698
glSubtitles 1 146 121,7 622,1 797,9 529,5 411,1 5,144 1,339 0,323 2,602 0,940 1,958
heSubtitles 1 33 935 27 608,8 129 458,6 172 973,7 549,8 479,7 4,747 1,370 0,346 2,637 1,064 1,918
hiCore-fiction 7 7 35,6 402,8 462,1 449,6 348,6 11,386 1,586 0,524 4,610 1,625 2,692
Subtitles 1 54 81,0 429,9 526,0 401,1 324,0 5,336 1,156 0,146 2,358 0,838 2,190
hrCore-fiction 292 292 1 822,5 22 763,6 27 339,1 591,4 460,5 12,720 1,902 0,837 4,247 1,472 2,623
Core-nonfict 22 22 72,0 1 523,4 1 742,7 600,4 451,3 21,425 2,682 1,368 9,323 2,963 2,718
Core-misc 10 10 19,6 242,6 298,0 570,4 431,2 12,616 2,062 0,909 4,645 1,536 2,570
Bible 2 66 48,1 569,9 686,1 519,1 381,3 12,989 1,855 0,773 4,359 1,599 2,504
Subtitles 1 35 057 28 796,3 137 844,3 178 347,5 566,6 421,2 4,795 1,392 0,373 1,814 0,681 1,929
hsCore-fiction 8 8 36,2 405,3 512,1 503,3 – – – – – – –
Core-nonfict 1 1 1,9 24,4 29,5 571,5 – – – – – – –
Core-misc 4 4 3,5 36,6 44,7 513,6 – – – – – – –
huCore-fiction 87 87 573,2 6 890,1 8 657,7 603,6 499,1 12,888 1,709 0,706 3,698 1,367 2,759
Core-misc 2 2 6,1 28,9 39,5 568,2 457,3 4,817 1,269 0,254 1,817 0,650 2,100
Acquis 1 18 539 1 290,2 17 851,3 22 815,8 485,6 385,2 16,126 1,825 0,515 7,743 2,832 3,421
Europarl 1 66 229 677,3 12 187,9 14 266,5 591,1 469,4 18,625 2,202 1,013 7,465 2,741 2,799
Subtitles 1 41 067 31 962,7 141 559,0 194 622,6 586,7 466,0 4,609 1,261 0,268 1,644 0,627 1,859
Syndicate 3 9 0,5 8,4 9,8 598,4 481,5 16,869 2,080 0,933 6,351 2,436 2,685
hySubtitles 1 7 3,9 23,5 30,6 601,7 445,9 6,057 1,375 0,382 2,179 0,860 2,075
idSubtitles 1 8 350 8 112,7 37 824,9 49 694,7 475,7 401,9 4,699 1,344 0,317 2,343 0,911 1,742
isSubtitles 1 1 135 1 497,9 7 374,2 9 299,9 503,5 369,4 4,951 1,233 0,233 1,913 0,699 1,841
itCore-fiction 164 164 1 205,7 17 435,8 20 566,1 529,6 414,7 15,157 2,092 0,973 6,471 1,970 2,578
Core-nonfict 5 5 22,4 647,8 738,9 486,6 389,2 31,080 3,082 1,564 16,597 3,877 2,931
Core-misc 2 2 4,0 50,6 61,7 505,7 378,9 14,351 2,299 1,040 5,722 1,817 2,633
Acquis 1 18 893 1 345,7 23 892,0 29 413,1 390,7 306,5 20,391 2,112 0,766 13,152 3,242 3,156
Bible 2 65 47,3 685,2 806,6 421,8 317,0 16,561 1,969 0,881 6,739 2,168 2,723
Europarl 1 69 139 650,3 15 511,4 17 235,8 486,8 381,6 24,916 2,686 1,409 13,989 3,644 2,603
PressEurop 7 7 024 156,3 2 750,7 3 155,3 524,2 421,2 18,041 2,121 0,943 9,814 2,803 2,553
Subtitles 1 37 721 29 870,5 163 859,9 212 801,7 532,8 384,1 5,518 1,325 0,319 2,535 0,903 2,008
Syndicate 11 1 388 58,9 1 391,5 1 564,2 504,3 403,4 24,516 2,535 1,261 12,837 3,463 2,682
jaCore-fiction 33 33 201,2 3 766,7 4 262,0 365,4 336,3 18,928 3,094 1,432 8,630 2,666 2,697
Core-nonfict 1 1 7,0 163,1 184,2 361,2 334,5 23,420 3,540 1,720 11,650 3,490 2,810
Core-misc 1 1 2,1 64,9 75,9 280,9 257,8 31,520 4,300 1,990 16,990 4,490 3,160
Subtitles 1 2 326 2 086,3 12 141,5 13 495,4 381,9 348,5 6,212 1,417 0,375 3,221 1,312 1,909
Syndicate 1 2 0,1 2,5 2,9 385,4 372,0 38,705 4,330 2,015 20,881 4,923 3,215
kaSubtitles 1 204 198,4 871,1 1 179,0 380,8 – – – – – – –
kkSubtitles 1 4 4,1 13,9 19,2 657,7 607,3 3,389 1,243 0,247 1,761 0,892 1,603
koSubtitles 1 1 605 1 641,1 5 964,3 7 294,3 690,6 686,3 3,682 1,529 0,457 1,146 0,440 1,785
ltCore-fiction 20 20 61,4 669,1 842,6 685,2 545,5 11,223 1,901 0,813 3,957 1,479 2,487
Core-nonfict 1 1 1,3 17,4 23,1 657,2 492,4 14,180 2,190 0,930 6,670 2,230 2,600
Core-misc 2 2 1,2 7,2 9,0 764,9 628,4 6,184 1,430 0,409 2,921 1,136 1,887
Acquis 1 18 809 1 477,8 17 175,1 22 835,1 515,0 346,3 13,456 2,504 0,938 6,985 2,531 2,867
Bible 2 66 46,1 471,2 596,3 550,9 439,8 10,822 1,668 0,706 3,866 1,500 2,281
Europarl 1 67 719 688,5 11 198,5 13 475,2 627,2 441,4 16,816 3,016 1,607 7,683 2,906 2,469
Subtitles 1 1 025 1 345,9 5 247,7 7 353,0 624,6 461,7 3,923 1,278 0,286 1,552 0,569 1,760
lvCore-fiction 65 65 291,9 3 207,6 4 032,0 639,2 494,8 11,339 1,758 0,756 3,605 1,343 2,563
Core-nonfict 1 1 3,3 66,9 89,0 680,0 541,3 21,810 2,310 1,070 9,480 2,800 2,910
Core-misc 7 7 30,0 362,1 440,5 688,1 543,4 12,147 1,759 0,776 4,397 1,668 2,337
Acquis 1 18 348 1 486,3 17 519,4 23 361,6 490,0 340,4 13,790 2,296 0,831 7,109 2,492 2,865
Bible 2 66 40,1 536,7 671,7 495,5 343,1 13,645 1,663 0,754 4,180 1,602 2,658
Europarl 1 67 482 683,7 11 682,0 13 896,8 590,6 416,3 17,627 2,434 1,255 7,884 2,853 2,497
Subtitles 1 387 488,4 2 050,4 2 801,9 592,2 425,9 4,227 1,269 0,264 1,568 0,592 1,811
mkCore-fiction 104 104 694,6 8 794,5 10 571,7 464,3 – – – – – – –
Core-misc 4 4 12,1 86,5 109,3 422,0 – – – – – – –
Subtitles 1 3 433 3 201,0 15 112,0 20 217,5 412,3 – – – – – – –
mlSubtitles 1 285 365,3 1 258,4 1 793,5 489,8 – – – – – – –
msSubtitles 1 1 496 1 712,1 7 828,0 10 573,3 371,2 – – – – – – –
mtAcquis 1 8 963 784,8 13 805,0 16 643,6 373,4 1,0 20,381 2,683 1,141 11,437 3,347 2,933
nlCore-fiction 194 194 1 152,0 17 229,8 19 889,7 466,9 403,0 15,424 2,149 0,959 5,255 1,558 3,176
Core-nonfict 12 12 50,6 1 193,5 1 336,2 449,2 391,5 25,698 2,909 1,375 10,658 2,784 3,453
Core-misc 9 9 27,2 356,4 413,4 463,6 395,9 13,450 1,993 0,860 5,102 1,550 2,981
Acquis 1 18 975 1 483,9 23 401,1 28 140,1 356,2 317,3 18,005 2,217 0,766 9,491 2,375 3,553
Bible 2 66 45,8 716,8 821,3 386,8 326,1 17,940 2,264 1,067 5,942 1,936 3,042
Europarl 1 67 139 693,8 15 555,9 17 074,8 425,7 371,8 22,952 2,500 1,217 10,132 2,744 3,274
PressEurop 7 7 009 175,4 2 952,8 3 337,6 483,7 429,2 17,267 2,172 0,967 7,879 2,300 3,107
Subtitles 1 38 546 29 399,1 170 892,9 212 492,5 444,4 354,8 5,847 1,485 0,439 2,180 0,728 2,291
Syndicate 5 841 37,6 812,1 897,2 477,2 422,9 22,671 2,570 1,225 10,005 2,810 3,282
noCore-fiction 91 91 558,7 7 690,7 9 028,3 461,6 383,6 14,346 1,842 0,849 4,850 1,579 2,599
Core-nonfict 5 5 17,0 392,0 439,5 467,7 381,2 24,705 2,716 1,366 11,077 3,100 2,842
Core-misc 6 6 10,7 138,1 163,5 450,0 372,8 14,035 1,835 0,794 5,029 1,509 2,619
Bible 2 66 55,3 723,9 831,4 364,6 294,7 13,099 1,573 0,620 4,645 1,713 2,447
Subtitles 1 8 995 7 702,8 39 805,6 50 657,6 448,4 353,0 5,188 1,299 0,298 1,960 0,697 1,917
plCore-fiction 328 328 2 400,0 27 056,2 33 548,9 632,2 499,6 11,498 1,896 0,833 4,162 1,523 2,355
Core-nonfict 11 11 36,6 754,2 897,7 613,7 460,1 20,825 2,743 1,407 9,385 3,192 2,509
Core-misc 9 9 24,4 283,2 345,5 622,9 471,6 12,263 1,981 0,881 4,978 1,892 2,266
Acquis 1 19 024 1 657,3 19 482,9 24 945,6 481,4 350,6 13,373 2,035 0,714 7,737 2,681 2,622
Bible 2 66 48,2 576,1 712,9 537,0 387,8 12,695 1,724 0,727 4,479 1,725 2,397
Europarl 1 67 443 713,3 12 662,8 14 667,8 607,5 447,2 18,340 2,643 1,309 9,387 3,283 2,322
PressEurop 7 6 999 166,6 2 367,5 2 879,1 659,8 520,6 14,632 2,143 0,957 7,092 2,645 2,334
Subtitles 1 46 175 36 236,0 164 059,8 222 210,4 602,1 441,5 4,556 1,324 0,319 1,855 0,717 1,832
ptCore-fiction 82 82 519,8 7 204,0 8 608,5 511,2 408,1 14,436 2,299 1,142 6,372 2,041 2,497
Core-misc 5 5 6,9 81,3 96,0 495,3 388,9 12,461 2,159 0,977 6,238 1,780 2,486
Acquis 1 18 934 1 356,4 24 385,0 29 549,7 377,3 305,5 20,372 2,488 0,967 12,971 3,327 3,020
Bible 2 66 54,3 706,2 840,4 380,3 293,5 19,149 2,385 1,111 7,620 2,305 2,957
Europarl 1 65 92 648,7 15 188,4 17 127,0 467,5 379,1 24,202 3,093 1,726 13,821 3,724 2,591
PressEurop 7 6 967 160,9 2 782,5 3 286,5 507,4 422,0 17,848 2,388 1,150 10,138 2,951 2,536
Subtitles 1 54 342 43 730,9 229 480,2 294 774,7 495,5 360,1 5,278 1,449 0,432 2,528 0,955 1,939
Syndicate 8 747 32,4 738,5 839,0 489,9 405,1 23,875 2,980 1,575 12,669 3,544 2,646
rnCore-fiction 1 1 1,1 8,4 11,1 424,3 – – – – – – –
Core-misc 1 1 0,7 5,2 6,6 416,4 – – – – – – –
roCore-fiction 44 44 233,3 4 132,6 4 833,2 534,2 406,3 18,106 2,262 1,146 6,360 2,019 2,604
Core-misc 1 1 2,7 64,1 74,2 539,5 414,1 23,970 2,690 1,500 10,330 2,910 2,680
Acquis 1 6 318 650,0 8 043,5 9 884,4 405,3 301,4 14,150 2,221 0,770 7,930 2,544 2,900
Europarl 1 44 143 406,6 9 426,4 10 585,4 499,1 368,7 23,966 2,798 1,517 11,591 3,558 2,484
PressEurop 7 6 991 160,6 2 725,2 3 192,6 546,7 429,5 17,486 2,219 1,017 8,508 2,772 2,492
Subtitles 1 45 407 38 108,1 211 310,4 266 731,5 509,0 351,2 5,572 1,388 0,383 2,129 0,795 1,954
Core-nonfict 10 10 30,6 518,7 625,2 645,0 495,9 17,765 2,613 1,223 8,126 2,801 2,603
Core-fiction 144 144 1 043,5 11 757,6 14 913,7 633,0 501,9 11,643 1,959 0,865 4,203 1,557 2,386
Core-misc 6 6 12,8 143,8 180,7 633,2 484,5 11,439 1,947 0,870 4,378 1,718 2,265
Bible 2 66 39,0 565,5 703,9 486,6 346,2 20,730 2,746 1,302 6,198 2,121 2,828
Subtitles 1 27 195 21 625,8 104 831,9 141 586,8 574,9 428,1 4,878 1,423 0,401 1,930 0,744 1,887
Syndicate 21 5 418 233,5 4 312,8 5 110,5 637,5 487,3 19,037 2,653 1,288 9,232 3,298 2,424
siSubtitles 1 499 522,5 2 313,4 3 021,8 443,6 – – – – – – –
skCore-fiction 142 142 706,0 7 626,6 9 513,5 617,0 480,8 10,845 1,562 0,612 3,503 1,284 2,620
Core-nonfict 10 10 39,1 558,0 687,3 650,0 517,1 14,785 1,516 0,547 6,760 2,344 2,518
Core-misc 13 13 32,4 402,2 496,9 652,5 515,7 12,636 1,564 0,555 5,338 1,707 2,493
Acquis 1 18 302 1 363,0 18 398,8 23 542,1 482,7 353,1 15,458 1,732 0,516 8,677 2,746 3,029
Bible 2 65 46,9 560,8 690,8 520,0 373,4 12,716 1,615 0,662 4,178 1,576 2,567
Europarl 1 67 731 677,8 12 727,0 14 735,3 595,1 433,8 19,150 2,344 1,172 9,020 3,065 2,538
Subtitles 1 8 322 7 214,8 34 589,4 46 215,1 575,9 411,5 4,821 1,293 0,295 1,835 0,674 1,975
slCore-fiction 71 71 370,5 4 611,2 5 686,2 556,5 428,7 12,704 2,096 0,857 4,122 1,374 2,641
Core-nonfict 1 1 1,1 22,4 24,9 656,4 528,9 21,090 1,980 0,830 8,840 2,930 2,890
Core-misc 1 1 0,7 6,1 7,4 682,1 585,6 8,950 1,720 0,650 4,410 1,720 2,210
Acquis 1 17 414 1 399,2 18 510,4 24 069,9 466,2 335,6 15,345 1,810 0,580 8,359 2,683 2,841
Europarl 1 65 366 649,6 12 249,8 14 263,6 564,3 405,6 19,433 2,551 1,254 9,220 3,066 2,539
Subtitles 1 21 607 18 080,2 83 057,1 111 736,8 568,0 399,0 4,620 1,333 0,309 1,726 0,625 1,899
sqSubtitles 1 1 575 1 769,0 9 171,4 12 098,4 395,5 – – – – – – –
srCore-fiction 143 143 931,6 12 556,0 15 029,8 584,7 462,0 13,767 1,956 0,898 4,690 1,601 2,638
Core-nonfict 2 2 5,9 119,3 138,9 565,0 417,2 20,654 2,876 1,518 8,918 2,889 2,655
Core-misc 3 3 5,0 29,3 38,9 538,0 411,7 5,882 1,394 0,371 2,405 0,906 2,215
Subtitles 1 38 029 31 175,3 152 425,6 196 520,1 561,3 445,3 4,901 1,338 0,333 1,905 0,722 1,938
svCore-fiction 208 208 1 398,8 18 011,7 20 456,7 490,6 403,5 13,175 1,944 0,848 4,403 1,445 2,501
Core-nonfict 16 16 64,9 1 273,0 1 403,1 508,2 415,4 19,801 2,541 1,288 7,980 2,435 2,683
Core-misc 8 8 28,5 454,8 512,3 490,1 404,4 16,027 2,123 1,026 5,575 1,790 2,561
Acquis 1 17 133 1 285,5 19 443,0 23 283,7 402,1 327,7 16,286 1,913 0,705 8,700 2,448 2,784
Bible 2 66 43,9 637,9 731,7 414,2 323,2 14,907 1,947 0,895 4,760 1,703 2,542
Europarl 1 67 898 720,6 13 777,6 15 146,8 461,9 374,1 19,313 2,381 1,183 8,221 2,554 2,640
Subtitles 1 19 41 15 571,7 81 490,5 103 181,3 455,7 352,1 5,256 1,319 0,303 1,921 0,684 1,921
taSubtitles 1 20 29,4 104,0 141,8 511,8 434,1 3,562 1,196 0,171 1,673 0,639 1,807
teSubtitles 1 18 26,0 96,0 127,1 496,5 1,0 3,806 1,324 0,284 1,746 0,658 2,086
thSubtitles 1 3 932 3 457,0 5 626,0 7 288,3 658,1 – – – – – – –
tlSubtitles 1 5 8,0 37,0 52,7 344,9 – – – – – – –
trSubtitles 1 44 015 35 975,7 147 635,3 199 108,2 670,1 424,8 4,133 1,259 0,257 1,929 0,853 1,815
ukCore-fiction 192 192 1 260,0 14 478,3 18 490,6 626,6 506,4 11,923 2,047 0,892 4,187 1,507 2,377
Core-nonfict 5 5 19,1 333,0 416,1 621,1 469,6 19,193 2,945 1,432 8,468 2,909 2,517
Core-misc 2 2 4,0 38,9 50,3 614,9 484,8 9,801 1,851 0,774 3,366 1,282 2,254
Bible 2 66 41,5 596,1 738,1 475,7 352,8 14,784 1,804 0,777 4,921 1,751 2,585
Subtitles 1 1 006 813,4 3 779,0 5 123,2 571,4 461,9 4,684 1,360 0,334 1,853 0,710 1,897
urSubtitles 1 19 27,0 155,7 180,8 397,6 344,1 5,885 1,204 0,178 2,777 1,098 2,260
viSubtitles 1 3 468 3 304,5 19 281,4 23 984,0 446,3 403,8 5,931 1,508 0,458 2,351 0,945 1,849
zhCore-fiction 3 3 11,7 215,4 253,9 382,0 376,8 18,467 4,655 1,684 4,099 1,594 3,435
Subtitles 1 11 378 11 952,3 70 963,9 79 539,4 448,9 439,5 6,046 1,689 0,548 2,081 0,791 2,289
Syndicate 5 654 29,7 675,9 766,7 493,8 489,5 23,166 4,110 1,795 7,026 2,391 3,366

Metadata

Metadata (např. název textu, autor nebo jazyk originálu), jsou u většiny textů k dispozici jako atributy strukturních prvků jako je text nebo věta. Chcete-li zobrazit seznam takových atributů a vybrat ty, které se mají zobrazit ve výsledcích dotazu v nástroji KonText, zvolte InterCorp 16ud, příslušný jazyk, a pak v nabídce Zobrazení a Korpusová nastavení přejděte na položku Struktury nebo Reference .

Poděkování

Děkujeme za možnost využívat následující texty a software:

Texty:

  • za možnost zařadit do korpusu 13. opravené vydání Českého ekumenického překladu Bible z roku 2016 děkujeme České biblické společnosti, zvláště Petru Fryšovi
  • beletristické texty v řadě slovanských i jiných jazyků z korpusu ASPAC – Amsterdam Slavic Parallel Aligned Corpus – zvláštní poděkování patří Adrianu Barentsenovi
  • publicistické texty ve více jazycích z webových stránek Project Syndicate
  • publicistické texty ve více jazycích ze serveru VoxEurop
  • právnické texty v jazycích EU z korpusu JRC-ACQUIS
  • jednání Evropského parlamentu z korpusu EuroParl
  • slovensko-české konkordance ze Slovenského národního korpusu
  • povídky ve více jazycích z projektu Můj rok 1989 z Goethe Institutu
  • za více textů v česko-litevské části korpusu a za práci Jiřího Levého Umění překladu ve více jazycích vděčíme Patricku Cornessovi
  • román George Orwella 1984 ve více jazycích z korpusu Multext-East
  • ukrajinské a polské texty z korpusu PolUkr
  • norské texty z nakladatelství Forlaget Oktober
  • filmové titulky z databáze Open Subtitles

Předzpracování:

  • editor paralelních textů InterText (autor Pavel Vondřička)
  • zarovnávač Hunalign
  • větný segmentátor pro češtinu (autor Pavel Květoň)
  • větný segmentátor pro norštinu (autoři Jarle Ebeling a Pavel Vondřička)
  • větný segmentátor Punkt pro všechny ostatní jazyky ze sady Natural Language Toolkit

Nástroj na lingvistické značkování:

  • UDPipe (s poděkováním Janě a Milanovi Strakovým, Danu Zemanovi a Martinu Popelovi)

Odkazy – o korpusu InterCorp s anotací podle UD

Olga Nádvorníková a Alexandr Rosen (2024): Vyhledávání v paralelním korpusu za použití anotace Universal Dependencies. Záznam workshopu z 17. 9. 2024, doprovodné akce Bienále české lingvistiky 2024, viz též prezentace.

Alexandr Rosen (2024): Exploring InterCorp v16ud: the potential of a multilingual parallel treebank with complexity and diversity metrics. Instytut Slawistyki Zachodniej i Południowej, Uniwersytet Warszawski. Warszawa, 10/06/2024. Prezentace

Olga Nádvorníková (2024): Analyse contrastive de la complexité syntaxique à l’aide de corpus parallèles. Translitteræ, Laboratoire LATTICE (Langues, Textes, Traitements informatiques et Cognition) – CNRS UMR 8094 (Centre national de la recherche scientifique: Unité mixte de recherche), ENS (L'École normale supérieure). Paris, 28/05/2024. Záznam přednášky, prezentace.

Olga Nádvorníková, Alexandr Rosen, Martin Stluka (2024): InterCorp a Universal Dependencies: nové možnosti výzkumu. Teoreticko-metodologický seminář Ústavu českého jazyka a teorie komunikace FF UK. Praha, 20/03/2024, 27/03/2024. Program workshopu s odkazy na prezentace a záznamy

Alexandr Rosen (2023). The InterCorp parallel corpus with a uniform annotation for all languages. Jazykovedný časopis, 74(1):254–265. Článek, prezentace

Olga Nádvorníková, Alexandr Rosen, Martin Vavřín (2021): InterCorp s jednotnou morfologickou a syntaktickou anotací podle Universal Dependencies: zážitky tvůrců a uživatelů. Praha, 16/11/2021. Záznam přednášky, prezentace: zážitky tvůrců, zážitky uživatelů

Jak citovat

Budeme rádi, když k výsledkům práce, při níž využijete korpus InterCorp, připojíte odkaz na stránky projektu www.intercorp.korpus.cz a k odborným publikacím odkaz na tento článek:

ČERMÁK, František – ROSEN, Alexandr (2012). The case of InterCorp, a multilingual parallel corpus. International Journal of Corpus Linguistics. Vol. 13, no. 3, p. 411–427 (bibtex, elektronické vydání na serveru ingentaConnect, verze před tiskem).

Seznam další literatury najdete v Repozitáři bibliografických informací založených na ČNK. Každý odkaz na práci využívající InterCorp je vítán, viz podrobnosti.

Při citaci konkrétní části InterCorpu uveďte jako citaci údaj, který je zobrazen v popisu korpusu v rozhraní KonText, např.:

ROSEN, Alexandr – ŠIMČÍK, Bohumil – VAVŘÍN, Martin – ZASINA, Adrian Jan (2024). Korpus InterCorp – čeština3), verze 16ud ze 17. 9. 2024. Ústav Českého národního korpusu, FF UK, Praha 2021. Dostupné z WWW: https://kontext.korpus.cz/

Viz též

InterCorp • Version 16 • Version 15 • Version 14 • Version 13ud • Version 13 • Version 12 • Version 11 • Version 10 • Version 9 • Version 8 • Version 7 • Version 6 • Version 5 • Verze 4 • Version 3 • Version history

Původní stránky projektu InterCorp jsou stále zde.

1)
Děkujeme Olze Nádvorníkové, která rozšíření anotace korpusu o míry syntaktické komplexity a lexikální diverzity iniciovala a vedla. Děkujeme také Jiřímu Miličkovi za cenné rady při výběru vhodných měr lexikální diverzity.
2)
Při anotaci toho korpusu jsme použili tyto modely:: afrikaans-afribooms-ud-2.12-230717, arabic-padt-ud-2.12-230717, armenian-armtdp-ud-2.12-230717, basque-bdt-ud-2.12-230717, belarusian-hse-ud-2.12-230717, bulgarian-btb-ud-2.12-230717, catalan-ancora-ud-2.12-230717, chinese-gsdsimp-ud-2.12-230717, croatian-set-ud-2.12-230717, czech-fictree-ud-2.12-230717, danish-ddt-ud-2.12-230717, dutch-alpino-ud-2.12-230717, english-gum-ud-2.12-230717, estonian-edt-ud-2.12-230717, finnish-tdt-ud-2.12-230717, french-gsd-ud-2.12-230717, galician-treegal-ud-2.12-230717, german-gsd-ud-2.12-230717, greek-gdt-ud-2.12-230717, hebrew-htb-ud-2.12-230717, hindi-hdtb-ud-2.12-230717, hungarian-szeged-ud-2.12-230717, icelandic-modern-ud-2.12-230717, indonesian-gsd-ud-2.12-230717, italian-isdt-ud-2.12-230717, japanese-gsd-ud-2.12-230717, kazakh-ud-2.0-170801, korean-kaist-ud-2.12-230717, latvian-lvtb-ud-2.12-230717, lithuanian-alksnis-ud-2.12-230717, maltese-mudt-ud-2.12-230717, norwegian-bokmaal-ud-2.12-230717, persian-perdt-ud-2.12-230717, polish-pdb-ud-2.12-230717, portuguese-bosque-ud-2.12-230717, romanian-rrt-ud-2.12-230717, russian-syntagrus-ud-2.12-230717, serbian-set-ud-2.12-230717, slovak-snk-ud-2.12-230717, slovenian-ssj-ud-2.12-230717, spanish-ancora-ud-2.12-230717, swedish-talbanken-ud-2.12-230717, tamil-ttb-ud-2.12-230717, telugu-mtg-ud-2.12-230717, turkish-boun-ud-2.12-230717, ukrainian-iu-ud-2.12-230717, urdu-udtb-ud-2.12-230717, vietnamese-vtb-ud-2.12-230717.
3)
Vložte konkrétní jazyky.

Historie: • verze16ud