~~NOTOC~~
====== Korpus NKJP_1M ======

Korpus NKJP_1M je ručně označkovaný milionový subkorpus [[http://nkjp.pl|Národního korpusu polského jazyka]] (NKJP – //Narodowy Korpus Języka Polskiego//) složený ze vzorků různorodých textů (viz níže) a obsahující 1 milion textových slov. Jde o korpus současné polštiny s texty vydanými po roce 1945, zahrnující komunikaci psanou, mluvenou a webovou. Korpus je [[pojmy:lemma|lemmatizovaný]] a morfologicky [[pojmy:tag|tagovaný]] a co do kategorizace textů [[pojmy:reprezentativnost|reprezentativní]]. 

<WRAP right 35%>
^ <fs medium>Název</fs> ^^ <fs medium>NKJP_1M</fs> ^
^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] |  1 215 513 |  
^ ::: ^ Počet pozic bez interpunkce |  992 014 |  
^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] |  143 477 |  
^ ::: ^ Počet [[pojmy:lemma|lemmat]] |  54 174 |
^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] <doc> |  3 889 |
^ ::: ^ Počet odstavců <p> |  18 484 |
^ ::: ^ Počet vět <s> |  85 663 |
^ Další informace ^ [[pojmy:referencni|Referenční]] |  ANO |  
^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] |  ANO |
^ ::: ^ Rok zveřejnění |  2018 |
</WRAP>

===== Klasifikace textů =====
Klasifikace textů v NKJP_1M kombinuje tradiční stylové a tematicko-žánrové členění textů. Dělení na žánry (v polské korpusové terminologii spíše //typy//) je často integrováno s dělením zohledňujícím médium (v polské korpusové terminologii spíše //komunikační kanál//), přičemž tyto dva typy členění zůstávají samostatné.
 
^Komunikační rovina^ doc.genre ^ Kategorie ^ Podíl ^
| psaná | #typ_publ | publicistika | 48,85 % |
| ::: | #typ_lit | beletrie | 17,04 % |
| ::: | #typ_fakt | literatura faktu |  5,34 % |
| ::: | #typ_inf-por | informativní texty |  5,62 % |
| ::: | #typ_urzed | právní texty |  2,97 % |
| ::: | #typ_nd | vědecko-naučné texty |  1,91 % |
| ::: | #typ_nklas | nezařazená nebeletristická kniha |  1,00 % |
| ::: | #typ_listy | korespondence |  0,04 % |
| ::: | #typ_lit_poezja | poezie |  0,01 % |
| mluvená | #typ_qmow | kvazimluvené texty |  2,50 % |
| ::: | #typ_media | mluvené mediální texty |  2,07 % |
| ::: | #typ_konwers | mluvené konverzační texty |  5,57 % |
| webová | #typ_net_interakt | internetové interakční texty |  5,18 % |
| ::: | #typ_net_nieinterakt | internetové neinterakční texty |  1,91 % |

===== Poziční anotace a značkování =====

Oproti českým korpusům NKJP_1M obsahuje navíc poziční atribut specifický pro polštinu, tzv. **flexém**. Jde o kategorii vycházející ze slovních druhů, jež jsou jejím prostřednictvím dále členěny do specifičtějších tříd lexémů. Tak jsou např. ze skupiny substantiv (//subst//) vydělována depreciativa (//depr//), kromě běžných adjektiv (//adj//) jsou rozlišovány jmenné tvary adjektiva: a) jsoucí částí složeniny (//adja//, typ //__biało__-czerwony//, //__sportowo__-rekreacyjny//), b) jsoucí součástí předložkových skupin (//adjp//, typ //po __polsku__//, //od __dawna__//), c) v roli přísudku (//adjc//, typ //jestem __pewien__//, //był __wesół__ i __zdrów__//); obzvláště jemná je distinkce slovesných kategorií (více než 10 různých flexémů).

Mimoto se liší polský tagset od českého, jeho podrobný popis (včetně výčtu všech flexémů) najdete [[http://nkjp.pl/poliqarp/help/ense2.html|zde]].

K originálnímu korpusu byla navíc přidána dvojice pozičních atributů: ''lc'' a ''lemma_lc'', díky nimž lze v korpusu vyhledávat [[pojmy:case-sensitive|bez ohledu na velikost písmen]]. 

===== Struktura korpusu a strukturní značky =====

Struktura korpusu NKJP_1M má nejvyšší [[pojmy:atributy_strukturni|strukturní jednotku]] ''<doc>'', která je ve shodě s mezinárodní konvencí. Texty se dále člení do odstavců ''<p>'' a vět ''<s>''. Každá z těchto struktur je charakterizována konkrétními atributy, jejichž přehled uvádíme v následující tabulce. 
^ ''<doc>'' ^ Poznámka ^ ''<p>''  ^ Poznámka ^'' <s>''  ^ Poznámka ^
| title | název dokumentu | id | jednoznačný identifikátor | id | jednoznačný identifikátor |
| author | autor dokumentu |  |  |  |
| date | datum vydání |  |  |  | 
| publisher | vydavatel |  |  |  |   
| pubplace | místo vydání |  |  |  | 
| idno | jednoznačný identifikátor s informací o zdrojovém korpusu |  |  |  | 
| note | informace o zdrojovém korpusu |  |  |  |  
| genre | žánr (textový typ) |  |  |  |  | 
| medium | médium (komunikační kanál) |  |  |  | 
| id | jednoznačný identifikátor |  |  |  |

====== Jak citovat NKJP_1M ======

<WRAP round tip 70%>
Przepiórkowski,. A. – Degórski, Ł. – Murzynowski, G. – Szałkiewicz, Ł. – Czelakowska, A.– Savary, A. – Głowińska, K.: //NKJP_1M: ręcznie znakowany milionowy podkorpus NKJP//. Ústav Českého národního korpusu FF UK, Praha 2018. Dostupný z WWW: http://www.korpus.cz

Degórski, Ł. – Przepiórkowski, A. (2012): Ręcznie znakowany milionowy podkorpus NKJP. In: A. Przepiórkowski – M. Bańko – R. L. Górski – B. Lewandowska-Tomaszczyk (eds), //[[http://nkjp.pl/settings/papers/NKJP_ksiazka.pdf|Narodowy Korpus Języka Polskiego]]//, pp. 51–58. Warszawa: Wydawnictwo Naukowe PWN. ISBN 978-83-01-16700-4.
</WRAP>

//-- Adrian Zasina, Michal Škrabal//