| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| cnk:intercorp [2024/10/01 10:26] – [Popis InterCorpu] alexandrrosen | cnk:intercorp [2026/09/21 18:42] (aktuální) – [Popis InterCorpu] rosen |
|---|
| ===== Popis InterCorpu ===== | ===== Popis InterCorpu ===== |
| Korpus InterCorp lze od verze 6 považovat za [[pojmy:referencni|referenční]], protože všechny původní verze budou zůstávat stále dostupné v podobě, ve které byly původně zveřejněny. Objem textů i počet jazyků a rozsah [[pojmy:anotace|anotace]], ([[pojmy:lemma|lemmatizace]] a [[pojmy:tag|tagování]]) se postupně zvětšuje, a to vždy s vydáním nové verze a zařazením nových nástrojů. | Korpus InterCorp lze od verze 6 považovat za [[pojmy:referencni|referenční]], protože všechny původní verze budou zůstávat stále dostupné v podobě, ve které byly původně zveřejněny. Objem textů i počet jazyků a rozsah [[pojmy:anotace|anotace]], ([[pojmy:lemma|lemmatizace]] a [[pojmy:tag|tagování]]) se postupně zvětšuje, a to vždy s vydáním nové verze a zařazením nových nástrojů. |
| | |
| | |
| | |
| | Korpus se skládá ze dvou částí, a to //jádra (core)// a //kolekce (collection)//. **Jádrem** korpusu InterCorp jsou převážně beletristické texty s ručními korekturami [[pojmy:alignment|zarovnání]]. **Kolekce** jsou texty získané ve více jazycích, zpracované a zarovnané automaticky. V konkordancích tedy může být více vět, které si navzájem neodpovídají. Kolekce také neobsahují všechny texty z původního zdroje, např. neobsahují texty, které nemají český protějšek. Některé texty z korpusů Acquis Communautaire a Europarl byly také částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Podobně byla zredukována i databáze Open Subtitles, kde jsme navíc u každého titulu převzali z více verzí překladu jen jednu. Na druhé straně 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 zarovnaná s jednou nebo více verzemi cizojazyčnými. |
| |
| Podrobnější údaje o jednotlivých verzích korpusu InterCorp najdete v přehledu: | Podrobnější údaje o jednotlivých verzích korpusu InterCorp najdete v přehledu: |
| |
| ^ Název verze ^ rok zveřejnění ^ počet milionů slov((počet slov v cizojazyčných textech celkem)) ^ počet cizích jazyků ^ označkovaných / lemmatizovaných ^ seznam změn ^ | ^ Název verze ^ rok zveřejnění ^ milionů slov((počet slov v cizojazyčných textech celkem)) ^ cizích jazyků ^ označkovaných / lemmatizovaných ^ seznam změn ^ |
| | ^ [[cnk:intercorp:verze17ud|InterCorp verze 17ud]]| 2026 | 5 340,1 | 62 | 47 / 47 | [[cnk:intercorp:historie#verze 17ud|verze 17ud]] | |
| ^ [[cnk:intercorp:verze16ud|InterCorp verze 16ud]]| 2024 | 4 859,2 | 61 | 47 / 47 | [[cnk:intercorp:historie#verze 16ud|verze 16ud]] | | ^ [[cnk:intercorp:verze16ud|InterCorp verze 16ud]]| 2024 | 4 859,2 | 61 | 47 / 47 | [[cnk:intercorp:historie#verze 16ud|verze 16ud]] | |
| ^ [[cnk:intercorp:verze16|InterCorp verze 16]]| 2023 | 4 893,0 | 61 | 27 / 25 | [[cnk:intercorp:historie#verze 16|verze 16]] | | ^ [[cnk:intercorp:verze16|InterCorp verze 16]]| 2023 | 4 893,0 | 61 | 27 / 25 | [[cnk:intercorp:historie#verze 16|verze 16]] | |
| ^ InterCorp verze 0| 2008 | 25,0 | 19 | 0 / 0 | [[cnk:intercorp:historie#verze 0|verze 0]] | | ^ InterCorp verze 0| 2008 | 25,0 | 19 | 0 / 0 | [[cnk:intercorp:historie#verze 0|verze 0]] | |
| |
| | =====Přístup k textům===== |
| |
| Korpus se skládá ze dvou částí, a to //jádra (core)// a //kolekce (collection)//. **Jádrem** korpusu InterCorp jsou převážně beletristické texty s ručními korekturami [[pojmy:alignment|zarovnání]]. **Kolekce** jsou texty získané ve více jazycích, zpracované a zarovnané automaticky. V konkordancích tedy může být více vět, které si navzájem neodpovídají. Kolekce také neobsahují všechny texty z původního zdroje, např. neobsahují texty, které nemají český protějšek. Některé texty z korpusů Acquis Communautaire a Europarl byly také částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Podobně byla zredukována i databáze Open Subtitles, kde jsme navíc u každého titulu převzali z více verzí překladu jen jednu. Na druhé straně byly doplněny některé metainformace, které v původním zdroji chyběly, ale daly se zjistit z kontextu nebo jiných zdrojů. | Po registraci na stránce [[https://www.korpus.cz/signup|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. |
| |
| 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. | InterCorp je přístupný přes běžný webový prohlížeč z jednotného vyhledávacího rozhraní Českého národního korpusu [[manualy:kontext:index|KonText]]. Kurs práce s rozhraním KonText najdete jako [[kurz:uvod|základní kurs]], konkrétně pro InterCorp v části [[kurz:hledani_v_paralelnim_korpusu|hledání v paralelním korpusu]]. |
| |
| InterCorp je přístupný přes běžný webový prohlížeč z jednotného vyhledávacího rozhraní Českého národního korpusu [[manualy:kontext:index|KonText]] (dříve také [[pojmy:korpusovy_manazer#nosketch_engine|NoSketch Engine]] a [[pojmy:korpusovy_manazer#park|Park]]). Kurs práce s rozhraním KonText najdete jako [[kurz:uvod|základní kurs]]. | 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 [[alexandr.rosen@ff.cuni.cz|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. |
| | |
| | ===== Autorská práva ===== |
| | |
| | Vedle textů, které již nejsou chráněny autorským právem nebo k jejichž zařazení do InterCorpu jsme získali svolení, obsahuje korpus také další texty podléhající autorskoprávní ochraně. Ty jsou zpracovávány a uchovávány pro účely vědeckého výzkumu v souladu se [[https://eur-lex.europa.eu/legal-content/CS/TXT/HTML/?uri=CELEX:32019L0790|směrnicí Evropského parlamentu a Rady (EU) 2019/790 ze dne 17. dubna 2019 o autorském právu a právech s ním souvisejících na jednotném digitálním trhu a o změně směrnic 96/9/ES a 2001/29/ES]]. |
| | |
| | Databáze, v níž jsou texty uloženy, je náležitě zabezpečena a chráněna před neoprávněnými zásahy. Texty chráněné autorským právem nelze prostřednictvím standardního korpusového rozhraní stahovat ani zobrazit v plném rozsahu; výsledky korpusových dotazů obsahují pouze statistické údaje a/nebo omezené úryvky z textů. Pro výzkumné účely lze při dodržení příslušných právních předpisů získat přístup ke korpusovým datům i jiným způsobem, a to na základě samostatné licenční smlouvy. S dotazy ohledně takového přístupu se prosím obracejte na cnk at korpus.cz. |
| |
| [{{:cnk:vyhledavaniintercorp.jpg?300|Zadání paralelního dotazu}}] | |
| |
| [{{:cnk:intercorp1love.png?400|Výsledek dotazu na části slova //lieb// a //lov//}}] | |
| ===== Kontakty ===== | ===== Kontakty ===== |
| |
| intercorp(at mark)ff.cuni.cz\\ | intercorp(at mark)ff.cuni.cz\\ |
| - skupinová adresa, používejte prosím jen v odůvodněných případech | - skupinová adresa, používejte prosím jen v odůvodněných případech |
| | |
| | ==== Příprava textů pro InterCorp ==== |
| | |
| | [[https://docs.google.com/document/d/16jJvlYEx7ZdgFHgHqx4RUr3XA6-3v_w30ekhGa-UyFE/edit?usp=sharing|Kurs 22.5.2025]] |
| |
| ===== Účastníci ===== | ===== Účastníci ===== |
