====== Korpus InterCorp verze 17ud ======
^ Název ^^ čeština jádro ^ čeština kolekce ^ cizí jazyky jádro ^ cizí jazyky kolekce ^
^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|tokenů]] | 156 667 959 | 365 226 477 | 478 921 537 | 5 809 438 117 |
^ ::: ^ Počet [[pojmy:word|slovních tvarů]] | 126 527 372 | 274 987 285 | 400 287 496 | 4 538 233 029 |
^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[seznamy:strukturni_atributy_intercorp|dokumentů]] | 1 852 | 38 | 4 817 | 439 |
^ ::: ^ Počet textů | 1 852 | 164 433 | 4 817 | 2 703 910 |
^ ::: ^ Počet vět | 10 862 487 | 50 914 424 | 29 798 797 | 794 852 401 |
^ Další informace ^ [[pojmy:referencni|referenční]] | ANO ^^^^
^ ::: ^ [[pojmy:reprezentativnost|reprezentativní]] | NE ([[seznamy:txtype|různé textové typy]]) ^^^^
^ ::: ^ rok zveřejnění | 2026 ^^^^
^ ::: ^ cizích jazyků | 62 ^^^^
^ ::: ^ [[pojmy:tag|tagovaných]] jazyků | 48 ^^^^
^ ::: ^ jazyků s [[pojmy:lemma|lemmaty]] | 48 ^^^^
^ ::: ^ jazyků se syntaktickou anotací | 48 ^^^^
Podrobnější údaje ukazuje nástroj **[[https://jakobson.korpus.cz/~rosen/INTERCORP/ICv17ud/intercorp-tools-static/index.html|InterCorp Tools]]**, který nahrazuje tabulky a grafy, uváděné v dokumentaci předchozích verzí. Jeho součástí je i **Síň slávy** se jmény všech, kdo se ve verzi 17ud podíleli na přípravě nových textů do jádra InterCorpu.
Podrobný seznam změn v porovnání s předchozí verzí je uveden v **[[cnk:intercorp:historie|historii verzí]]**.
===== Obsah korpusu =====
**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 17ud jsou k dispozici tyto kolekce:
* publistické články a zpravodajství z webových stránek [[http://www.project-syndicate.org|Project Syndicate]] a [[http://www.voxeurop.eu|VoxEurop]] (dříve **PressEurop**)
* právní texty Evropské unie z korpusu [[https://ec.europa.eu/jrc/en/language-technologies/jrc-acquis|Acquis Communautaire]] (**Acquis**)
* zápisy jednání Evropského parlamentu z let 2007–2011 z korpusu [[http://www.statmt.org/europarl|Europarl]] (**Europarl**)
* filmové titulky z databáze [[http://www.opensubtitles.org|OpenSubtitles]] (**Subtitles**)
* překlady **Bible**
* přepisy přednášek z projektu **[[https://www.ted.com|TED]]**
Celkový rozsah zpřístupněné části korpusu ve verzi 17ud zveřejněné v říjnu 2026 činí 5 340 milionů slov, z toho 527 milionů slov v jádru a 4 813 milionů slov v kolekcích. Podrobnosti viz **[[https://jakobson.korpus.cz/~rosen/INTERCORP/ICv17ud/intercorp-tools-static/index.html|InterCorp Tools]]**.
===== Anotace =====
* Z celkového počtu 63 jazyků (včetně češtiny) je ve verzi 17ud lingvisticky anotovaných 48; všechny takové jazyky jsou navíc vybaveny i syntaktickou anotací.((Jazyky bez lingvistické anotace jsou albánština, bengálština, bosenština, bretonština, esperanto, filipínština, gruzínština, hornolužická srbština, kašubština, makedonština, malajština, malajálamština, romština, sinhálština a thajština.))
* Slovní tvary jsou ve všech 48 jazycích anotované stejně, a to podle standardu **[[https://universaldependencies.org|Universal Dependencies]]** (UD).
* Verze 17ud je první, která je anotována jen podle UD. Poslední verze morfologicky anotovaná jazykově specifickými značkami je verze 16.
* Podrobný popis využití anotace podle UD v korpusu InterCorp najdete pod heslem [[pojmy:ud|Universal Dependencies]] ve [[pojmy:prehled_pojmu|Slovníčku pojmů ČNK]].
* Stejně jako verze 16ud obsahuje i verze 17ud metriky **[[pojmy:syntakticka_komplexita|syntaktické komplexity]]** a **[[https://wiki.korpus.cz/doku.php/pojmy:lexikalni_bohatost#lexikalni_diverzita|lexikální diverzity]]**.
* Anotaci provedl u všech 48 jazyků kromě čínštiny nástroj **[[https://ufal.mff.cuni.cz/udpipe|UDPipe]]** na základě dat vytvořených v projektu UD.((Při anotaci toho korpusu jsme použili tyto modely: afrikaans-afribooms-ud-2.17-251125, albanian-staf-ud-2.17-251125, arabic-padt-ud-2.17-251125, armenian-armtdp-ud-2.17-251125, basque-bdt-ud-2.17-251125, belarusian-hse-ud-2.17-251125, bulgarian-btb-ud-2.17-251125, catalan-ancora-ud-2.17-251125, croatian-set-ud-2.17-251125, czech-fictree-ud-2.17-251125, danish-ddt-ud-2.17-251125, dutch-alpino-ud-2.17-251125, english-gum-ud-2.17-251125, estonian-edt-ud-2.17-251125, finnish-tdt-ud-2.17-251125, french-gsd-ud-2.17-251125, galician-treegal-ud-2.17-251125, german-gsd-ud-2.17-251125, greek-gdt-ud-2.17-251125, hebrew-htb-ud-2.17-251125, hindi-hdtb-ud-2.17-251125, hungarian-szeged-ud-2.17-251125, icelandic-modern-ud-2.17-251125, indonesian-gsd-ud-2.17-251125, italian-isdt-ud-2.17-251125, japanese-gsd-ud-2.17-251125, kazakh-ud-2.0-170801, korean-kaist-ud-2.17-251125, latvian-lvtb-ud-2.17-251125, lithuanian-alksnis-ud-2.17-251125, maltese-mudt-ud-2.17-251125, norwegian-bokmaal-ud-2.17-251125, norwegian-nynorsk-ud-2.17-251125, persian-perdt-ud-2.17-251125, polish-pdb-ud-2.17-251125, portuguese-bosque-ud-2.17-251125, romanian-rrt-ud-2.17-251125, russian-syntagrus-ud-2.17-251125, serbian-set-ud-2.17-251125, slovak-snk-ud-2.17-251125, slovenian-ssj-ud-2.17-251125, spanish-ancora-ud-2.17-251125, swedish-talbanken-ud-2.17-251125, tamil-ttb-ud-2.17-251125, telugu-mtg-ud-2.17-251125, turkish-boun-ud-2.17-251125, ukrainian-iu-ud-2.17-251125, urdu-udtb-ud-2.17-251125, vietnamese-vtb-ud-2.17-251125.)) Anotaci čínštiny provedl nástroj [[https://trankit.readthedocs.io/|Trankit]].
* Ve slovanských a románských jazycích jsou anotovány složené slovesné tvary, viz poziční atribut ''cw_feats'' – **content-word features** ([[pojmy:content-word features|cw_feats]]).
===== 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 17ud, příslušný jazyk, a pak v nabídce ''Zobrazení'' a ''Korpusová nastavení'' přejděte na položku ''Struktury'' nebo ''Reference'' .
===== Poděkování =====
Děkujeme všem koordinátorům a editorům pro jednotlivé jazyky, kteří všichni přispěli k vytvoření a rozšiřování jádra InterCorpu. Ti, kdo se obětavě podíleli na zařazení nových textů do verze 17ud, mají své místo v [[https://jakobson.korpus.cz/~rosen/INTERCORP/ICv17ud/intercorp-tools-static/hall-of-fame.html|Síni slávy]].
Děkujeme také za možnost využívat následující texty a software:
==== Texty: ====
* za možnost zařadit do korpusu 13. opravené vydání Českého ekumenického překladu Bible z roku 2016 děkujeme [[http://www.dumbible.cz|České biblické společnosti]], zvláště Petru Fryšovi
* beletristické texty v řadě slovanských i jiných jazyků z korpusu [[http://www.uva.nl/over-de-uva/organisatie/medewerkers/content/b/a/a.a.barentsen/a.a.barentsen.html#tab_3|ASPAC – Amsterdam Slavic Parallel Aligned Corpus]] – zvláštní poděkování patří Adrianu Barentsenovi
* publicistické texty ve více jazycích z webových stránek [[http://www.project-syndicate.org/|Project Syndicate]]
* publicistické texty ve více jazycích ze serveru [[http://www.voxeurop.eu|VoxEurop]]
* právnické texty v jazycích EU z korpusu [[http://wt.jrc.it/lt/Acquis/|JRC-ACQUIS]]
* jednání Evropského parlamentu z korpusu [[http://www.statmt.org/europarl/|EuroParl]]
* slovensko-české konkordance ze [[http://korpus.juls.savba.sk/|Slovenského národního korpusu]]
* povídky ve více jazycích z projektu //Můj rok 1989// z [[http://www.goethe.de/ins/cz/pra/|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 [[http://nl.ijs.si/ME/|Multext-East]]
* ukrajinské a polské texty z korpusu [[http://www.domeczek.pl/~polukr/|PolUkr]]
* norské texty z nakladatelství [[http://www.aschehoug.no/|Forlaget Oktober]]
* filmové titulky z databáze [[http://www.opensubtitles.org|Open Subtitles]]
* přepisy přednášek z projektu [[https://www.ted.com|TED]]
==== Předzpracování: ====
* editor paralelních textů [[http://wanthalf.saga.cz/intertext|InterText]] (autor Pavel Vondřička)
* zarovnávač [[http://mokk.bme.hu/resources/hunalign|Hunalign]]
* větný segmentátor pro češtinu (autor Pavel Květoň)
* větný segmentátor pro norštinu (autoři Jarle Ebeling a Pavel Vondřička)
* větný segmentátor Punkt pro ostatní jazyky ze sady [[http://www.nltk.org|Natural Language Toolkit]]
* větný segmentátor [[https://github.com/segment-any-text/wtpsplit|wtpsplit]] a zarovnávač [[https://github.com/thompsonb/vecalign|Vecalign]] pro texty z projektu [[https://www.ted.com|TED]]
==== Nástroje na lingvistické značkování: ====
* [[http://ufal.mff.cuni.cz/udpipe|UDPipe]] (s poděkováním Janě a Milanovi Strakovým, Danu Zemanovi a Martinu Popelovi)
* [[https://trankit.readthedocs.io/|Trankit]] pro čínštinu (s poděkováním [[https://cz.linkedin.com/in/benjamin-reeves-|Benjaminu Reevesovi]]
===== Odkazy – o korpusu InterCorp s anotací podle UD =====
Olga Nádvorníková, Jiří Milička, and Alexandr Rosen (2026): Exploring cross-linguistic and register variation in syntactic complexity: insights from a multilingual parallel corpus. //Linguistics Vanguard//, 11. [https://doi.org/10.1515/lingvan-2025-0109]
Olga Nádvorníková, Alexandr Rosen, a Karolína Pavlíková (2025). Možnosti využití anotace syntaktické komplexity v paralelním korpusu: příklad francouzských tvarů na -ant v konverbální funkci a jejich českých protějšků. //Časopis pro moderní filologii//, 107(1):80–101. [https://dspace.cuni.cz/handle/20.500.11956/199846]
Olga Nádvorníková a Alexandr Rosen (2024): Vyhledávání v paralelním korpusu za použití anotace Universal Dependencies. [[https://www.youtube.com/watch?v=5l5Vbb1eQDw&t=190s|Záznam workshopu]] z 17. 9. 2024, doprovodné akce [[https://bcl2024.ff.cuni.cz|Bienále české lingvistiky 2024]], viz též [[https://jakobson.korpus.cz/~rosen/BCL2024/P18_SLIDES/Prezentace_Bienale2024_WorkShop.pdf|prezentace]].
Alexandr Rosen (2024): Lexical and syntactic variability
of languages and text genres – a corpus-based study. [[https://www.youtube.com/watch?v=E2ujmqt7Q2E|Záznam přednášky]] ze 14. 10. 2024, [[https://zil.ipipan.waw.pl/seminarium|Seminarium „Przetwarzanie języka naturalnego”]] [[https://zil.ipipan.waw.pl|Zespołu Inżynierii Lingwistycznej]] w [[https://ipipan.waw.pl|Instytucie Podstaw Informatyki]] [[https://pan.pl|Polskiej Akademii Nauk]], viz též [[https://zil.ipipan.waw.pl/seminarium-archiwum?action=AttachFile&do=view&target=2024-10-14.pdf|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. [[https://jakobson.korpus.cz/~rosen/INTERCORP/SLIDES/2024_UDCM_Wwa.pdf|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. [[https://www.youtube.com/watch?v=wJrCez_XPQY|Záznam přednášky]], [[https://jakobson.korpus.cz/~rosen/INTERCORP/SLIDES/C4%20Nadvornikova%20Analyse%20contrastiv%20e%20de%20la%20complexité%20syntaxique.pdf|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. [[https://docs.google.com/document/d/1nSPzyhT6oHKUDN8A_uYmWrZH6tAmxTH_pUMOdjg01Eg/edit?usp=sharing|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. [[https://www.juls.savba.sk/ediela/jc/2023/1/jc23-01.pdf|Článek]], [[https://jakobson.korpus.cz/~rosen/INTERCORP/SLIDES/rosen-slovko-2023.pdf|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.
[[https://owncloud.korpus.cz/s/n3XSpYPpcMjbdC6|Záznam přednášky]], prezentace: [[https://owncloud.korpus.cz/s/aioW5oXt8Yo7tKp|zážitky tvůrců]], [[https://owncloud.korpus.cz/s/8ALLEPbZnqbLodY|zážitky uživatelů]]
===== Jak citovat =====
Budeme rádi, když k výsledkům práce, při níž využijete korpus InterCorp, připojíte odkaz na stránky projektu [[https://intercorp.korpus.cz/|www.intercorp.korpus.cz]] a k odborným publikacím odkaz na tento článek:
ROSEN, Alexandr (2023). The InterCorp parallel corpus with a uniform annotation for all languages. //Jazykovedný časopis//, 74(1):254–265. [[https://www.researchgate.net/publication/376822442_The_Intercorp_Parallel_Corpus_with_a_Uniform_Annotation_for_All_Languages|download]]
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
([[http://utkl.ff.cuni.cz/~rosen/public/mybib_bib.html#cermak:rosen:10|bibtex]],
[[http://dx.doi.org/10.1075/ijcl.17.3.05cer|elektronické vydání na serveru ingentaConnect]], [[http://utkl.ff.cuni.cz/~rosen/public/2012_intercorp_ijcl.pdf|verze před tiskem]]).
Seznam další literatury najdete v [[https://www.korpus.cz/biblio|Repozitáři bibliografických informací založených na ČNK]]. Každý odkaz na práci využívající InterCorp je vítán, viz [[https://www.korpus.cz/biblio_appeal.php|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 – čeština((Vložte konkrétní jazyky.)), verze 16ud ze 17. 9. 2024//. Ústav Českého národního korpusu, FF UK, Praha 2021. Dostupné z WWW: https://kontext.korpus.cz/
===== Viz též =====
[[en:cnk:intercorp|InterCorp]] • [[en:cnk:intercorp:verze16ud|Version 16ud]] • [[en:cnk:intercorp:verze16|Version 16]] • [[en:cnk:intercorp:verze15|Version 15]] • [[en:cnk:intercorp:verze14|Version 14]] • [[en:cnk:intercorp:verze13ud|Version 13ud]] • [[en:cnk:intercorp:verze13|Version 13]] • [[en:cnk:intercorp:verze12|Version 12]] • [[en:cnk:intercorp:verze11|Version 11]] • [[en:cnk:intercorp:verze10|Version 10]] • [[en:cnk:intercorp:verze9|Version 9]] • [[en:cnk:intercorp:verze8|Version 8]] • [[en:cnk:intercorp:verze7|Version 7]] • [[en:cnk:intercorp:verze6|Version 6]] • [[en:cnk:intercorp:verze5|Version 5]] • [[en:cnk:intercorp:verze4|Verze 4]] • [[en:cnk:intercorp:verze3|Version 3]] • [[en:cnk:intercorp:historie|Version history]]
Původní stránky projektu InterCorp jsou stále [[https://intercorp.korpus.cz|zde]].