Korpus InterCorp verze 17ud

Podrobnější údaje ukazuje nástroj 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 historii verzí.

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 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
• přepisy přednášek z projektu 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 InterCorp Tools.

• Z celkového počtu 63 jazyků (včetně češtiny) je ve verzi 17ud lingvisticky anotovaných 48; všechny takové jazyky jsou navíc vybaveny i syntaktickou anotací.¹⁾
• Slovní tvary jsou ve všech 48 jazycích anotované stejně, a to podle standardu 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 Universal Dependencies ve Slovníčku pojmů ČNK.
• Stejně jako verze 16ud obsahuje i verze 17ud metriky syntaktické komplexity a lexikální diverzity.
• Anotaci provedl u všech 48 jazyků kromě čínštiny nástroj UDPipe na základě dat vytvořených v projektu UD.²⁾ Anotaci čínštiny provedl nástroj Trankit.
• Ve slovanských a románských jazycích jsou anotovány složené slovesné tvary, viz poziční atribut cw_feats – content-word features (cw_feats).

• 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 .

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 Síni slávy.

Děkujeme také za možnost využívat následující texty a software:

• 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
• přepisy přednášek z projektu TED

• 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 ostatní jazyky ze sady Natural Language Toolkit
• větný segmentátor wtpsplit a zarovnávač Vecalign pro texty z projektu TED

• UDPipe (s poděkováním Janě a Milanovi Strakovým, Danu Zemanovi a Martinu Popelovi)
• Trankit pro čínštinu (s poděkováním Benjaminu Reevesovi

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. Záznam workshopu z 17. 9. 2024, doprovodné akce Bienále české lingvistiky 2024, viz též prezentace.

Alexandr Rosen (2024): Lexical and syntactic variability of languages and text genres – a corpus-based study. Záznam přednášky ze 14. 10. 2024, Seminarium „Przetwarzanie języka naturalnego” Zespołu Inżynierii Lingwistycznej w Instytucie Podstaw Informatyki Polskiej Akademii Nauk, 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

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: