Budeme rádi, když k výsledkům práce, při níž využijete korpus InterCorp, připojíte odkaz na stránky projektu www.korpus.cz/intercorp a k odborným publikacím odkaz na článek ČERMÁK, F. – ROSEN, A. (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 zde. Vítáme všechny další odkazy na práce s využitím korpusu InterCorp. Prosíme o jejich zaslání na níže uvedenou e-mailovou adresu.
====Obsah korpusu====Jádrem korpusu InterCorp jsou ručně zarovnané, převážně beletristické texty. Kromě toho korpus obsahuje také nabídku automaticky zpracovaných textů, tzv. kolekce. Aktuálně jsou k dispozici publistické články a zpravodajství z webových stránek Project Syndicate a Presseurop, právní texty Evropské Unie z korpusu Acquis Communautaire a zápisy jednání Evropského Parlamentu z let 2007–2011 z korpusu Europarl. Tyto texty jsou zarovnané jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají. Některé texty z korpusů Acquis Communautaire a Europarl byly částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Jen automatické zarovnání bez ruční kontroly mají ve verzi 6 dočasně i některé texty z jádra, a to část textů převzatých z korpusu ASPAC – Amsterdam Slavic Parallel Aligned Corpus. Zarovnání těchto textů bude opraveno v další verzi.
Každý cizojazyčný text má v korpusu svou českou verzi. Čeština je tedy tzv. pivot, česká verze textu (originál nebo překlad) je zarovnaná s jednou nebo více verzemi cizojazyčnými. Celkový rozsah zpřístupněné části korpusu ve verzi 6 z dubna 2013 je 138 779 000 slov v zarovnaných cizojazyčných textech v jádru a 728 508 000 slov v zarovnaných cizojazyčných textech v kolekcích; historii verzí najdete zde. Rozložení textů v rámci jádra a v jednotlivých kolekcích je znázorněno na následujících grafech. Velikost je uvedena v milionech slov.
| Zkratka | Jazyk | Jádro | Syndicate | Presseurop | Acquis | Europarl | Celkem |
|---|---|---|---|---|---|---|---|
| ar | arabština | 29 | 0 | 0 | 0 | 0 | 29 |
| be | běloruština | 1 308 | 0 | 0 | 0 | 0 | 1 308 |
| bg | bulharština | 3 979 | 0 | 0 | 13 816 | 9 083 | 26 879 |
| ca | katalánština | 1 758 | 0 | 0 | 0 | 0 | 1 758 |
| da | dánština | 190 | 0 | 0 | 21 680 | 13 916 | 35 785 |
| de | němčina | 17 256 | 3 050 | 1 715 | 21 724 | 13 089 | 56 835 |
| el | řečtina | 210 | 0 | 0 | 25 070 | 15 404 | 40 683 |
| en | angličtina | 10 019 | 3 083 | 1 863 | 24 208 | 15 580 | 54 753 |
| es | španělština | 14 552 | 3 479 | 1 948 | 27 001 | 15 885 | 62 865 |
| et | estonština | 0 | 0 | 0 | 15 963 | 10 900 | 26 862 |
| fi | finština | 2 131 | 0 | 0 | 16 667 | 10 241 | 29 040 |
| fr | francouzština | 3 816 | 3 535 | 2 054 | 27 352 | 17 178 | 53 936 |
| hi | hindština | 155 | 0 | 0 | 0 | 0 | 155 |
| hr | chorvatština | 12 625 | 0 | 0 | 0 | 0 | 12 625 |
| hu | maďarština | 2 511 | 0 | 0 | 19 168 | 12 307 | 33 985 |
| it | italština | 4 081 | 247 | 1 893 | 24 850 | 15 489 | 46 560 |
| lt | litevština | 358 | 0 | 0 | 18 433 | 11 020 | 29 811 |
| lv | lotyština | 1 337 | 0 | 0 | 18 745 | 11 689 | 31 770 |
| mk | makedonština | 2 664 | 0 | 0 | 0 | 0 | 2 664 |
| mt | maltština | 0 | 0 | 0 | 14 133 | 0 | 14 133 |
| nl | nizozemština | 9 426 | 0 | 2 082 | 24 746 | 15 563 | 51 817 |
| no | norština | 2 301 | 0 | 0 | 0 | 0 | 2 301 |
| pl | polština | 12 710 | 0 | 1 660 | 20 464 | 12 805 | 47 640 |
| pt | portugalština | 2 318 | 0 | 2 103 | 28 599 | 16 481 | 49 502 |
| ro | rumunština | 2 433 | 0 | 1 917 | 8 200 | 9 446 | 21 995 |
| ru | ruština | 4 937 | 2 651 | 0 | 0 | 0 | 7 588 |
| sk | slovenština | 8 152 | 0 | 0 | 19 222 | 12 734 | 40 108 |
| sl | slovinština | 1 855 | 0 | 0 | 19 646 | 12 241 | 33 741 |
| sr | srbština | 6 972 | 0 | 0 | 0 | 0 | 6 972 |
| sv | švédština | 7 205 | 0 | 0 | 20 615 | 13 874 | 41 694 |
| uk | ukrajinština | 1 493 | 0 | 0 | 0 | 0 | 1 493 |
| celkem | 138 779 | 16 044 | 17 237 | 430 300 | 264 926 | 867 287 | |
| cs | čeština | 61 962 | 2 741 | 1 639 | 20 285 | 12 920 | 99 547 |
Pozn.: U českých textů se počítají slova jen jednou za každý text, i když má více cizojazyčných protějšků.
====Morfosyntaktická anotace====Texty v těchto jazycích jsou opatřeny morfologickou anotací.
| Jazyk | Značky | Lemmata | Stručný popis | Podrobný popis | Nástroj |
|---|---|---|---|---|---|
| angličtina | ✔ | ✔ | anglicky | anglicky + dodatky | TreeTagger |
| bulharština | ✔ | anglicky | TreeTagger | ||
| čeština | ✔ | ✔ | česky anglicky *) | anglicky | Morče |
| estonština | ✔ | ✔ | estonsky a anglicky | TreeTagger | |
| francouzština | ✔ | ✔ | anglicky | TreeTagger | |
| italština | ✔ | ✔ | anglicky | TreeTagger | |
| litevština | ✔ | ✔ | česky a anglicky | anglicky | Autor: Vidas Daudaravičius |
| maďarština | ✔ | anglicky | HunPos | ||
| němčina | ✔ | ✔ | německy | TreeTagger | |
| nizozemština | ✔ | nizozemsky | TreeTagger | ||
| norština | ✔ | ✔ | anglicky norsky | Oslo Bergen Tagger | |
| polština | ✔ | ✔ | anglicky polsky | anglicky | Morfeusz, TaKIPI |
| portugalština | ✔ | ✔ | španělsky | TreeTagger | |
| ruština | ✔ | ✔ | anglicky | anglicky **) | TreeTagger |
| slovenština | ✔ | ✔ | slovensky | slovensky | Radovan Garabík, Morče |
| slovinština | ✔ | ✔ | anglicky | totale | |
| španělština | ✔ | ✔ | anglicky | TreeTagger |
*) Formulaci dotazu, který obsahuje české morfologické značky, usnadní klikátko.
**) Značky v korpusu někdy neodpovídají značkám uvedeným v podrobném popisu. V korpusu se zanedbávají některé morfologické kategorie, např. zájmena jsou vždy označkována jen jako "P-". Všechny značky, tak jak se užívají v korpusu, jsou uvedeny ve stručném popisu.
Jak používat značky při hledání v korpusu se dozvíte v návodu k Parku.
====Strukturní atributy==== ^Struktura^Atribut^Popis^Možné hodnoty^ |doc|doc.id|unikátní identifikátor dokumentu|text| | |doc.lang|jazyk textu|ar / be / bg / ca / cs / da / de / el / en / es / et / fi / fr / hi / hr / hu / it / lt / lv / mk / mt / nl / no / pl / pt / ro / ru / sk / sl / sr / sv / uk| | |doc.version|verze textu|číslo| | |doc.wordcount|velikost dokumentu ve slovech|číslo| |div|div.id|identifikace textu|příjmení_autora-zkrácený_název_textu / _ACQUIS / _EUROPARL / _PRESSEUROP / _SYNDICATE| | |div.group|rozdělení na:|jádro / kolekce| | |div.wordcount|počet slov textu|číslo| | |div.author|autor textu|příjmení, jméno| | |div.title|úplný název textu|text| | |div.publisher|vydavatel|text| | |div.pubplace|místo vydání|text| | |div.pubyear|rok vydání|letopočet| | |div.txtype|typ textu|drama / literatura faktu / poezie / právní texty / próza / publicistika - komentáře / publicistika - zprávy / různé / zápis debaty| | |div.original|je text originálem?|ANO / NE| | |div.srclang|jazyk originálu|bg / bt / ca / cs / ct / cz / da / de / dk / eb / el / en / es / et / eu / fi / fr / ga / hi / hr / hu / ie / it / lt / lv / mt / ni / nl / no / pl / po / pt / ro / ru / se / sk / sl / sr / sv / uk / un| | |div.translator|překladatel textu|příjmení, jméno| | |div.transsex|pohlaví překladatele|F / M| | |div.authsex|pohlaví autora:|F / M| |p|p.id|unikátní identifikátor odstavce|text| |s|s.id|unikátní identifikátor věty|text| ====Poděkování====Děkujeme za možnost využívat následující texty a software:
===Texty:===