Nastavení

Korpusy ONLINE

Korpusy ONLINE_NOW a ONLINE_ARCHIVE dohromady tvoří monitorovací korpus, který se snaží mapovat dynamický obsah českého internetu, tj. internetovou žurnalistiku, diskuse a sociální sítě, od roku 2017 do současnosti. Byl vytvořen v ČNK na základě dat, která laskavě poskytuje společnost Dataweps.

Obě části korpusu se liší svým rozsahem a periodicitou aktualizace:

  • ONLINE_NOW – obsahuje data z aktuálního měsíce a 6 měsíců předcházejících; aktualizuje se denně
  • ONLINE_ARCHIVE – obsahuje data od února 2017 až po měsíc, jímž začíná ONLINE_NOW; aktualizuje se vždy na začátku měsíce
Název ONLINE
Pozice Počet pozic (tokenů) 6,274 mld. (v době zveřejnění)
Počet vět <s> 506,6 mil. (v době zveřejnění)
Další informace Referenční NE
Reprezentativní NE
Rok zveřejnění 2020

Korpusy se v pokrytých časových obdobích nepřekrývají, pro hledání v celém časovém rozsahu tak stačí sloučit výsledky dotazů do obou korpusů a další manuální úpravy k odstranění průniku nejsou nutné. Korpusy jsou identické ve své struktuře a značkování, následující popis tedy mezi nimi nerozlišuje.

Aktualizace

Klíčovou vlastností korpusů ONLINE je to, že jsou pravidelně aktualizovány. To znamená, že se jejich obsah neustále mění, a není možné se vracet k předchozím podobám korpusu. Vzhledem k tomu, že se můžou měnit i vstupní data (zdroje), nelze zaručit, že se nebude měnit ani struktura či způsob anotace korpusu. Jako referenční zdroj dat pro výzkum specifik internetové komunikace lze použít verzovaný korpus NET.

Aktualizace korpusu ONLINE_NOW probíhá každý den cca v 9:00, kdy jsou zveřejněna data předchozího dne. Objem aktualizace kolísá podle množství postahovaného textového materiálu od 4 do 8 milionů tokenů. Při změně měsíce (první den v měsíci) je nejstarší měsíc korpusu ONLINE_NOW připojen ke korpusu ONLINE_ARCHIVE.

Aktualizace korpusu ONLINE_ARCHIVE probíhá vždy první den v měsíci, kdy ke korpusu přibyde měsíc, který byl odloučen z korpusu ONLINE_NOW (měsíc předcházející o půl roku aktuální datum).

Např. 25. srpna obsahuje korpus ONLINE_NOW všechna data za období od 1. 2. do 24. 8. (včetně), tj. všechny dny aktuálního měsíce s výjimkou aktuálního dne + 6 měsíců předcházejících. Korpus ONLINE_ARCHIVE obsahuje všechna starší data až do 31. ledna, tj. do okamžiku, v kterém začíná ONLINE_NOW. Změna nastane u obou korpusů 2. září, kdy dojde k odloučení dat za únor z korpusu ONLINE_NOW a jejich připojení ke korpusu ONLINE_ARCHIVE a korpus ONLINE_NOW je nově tvořen pouze daty za období od 1. 3. do 1. 9. (včetně).

Struktura korpusů

Oproti korpusům psané češtiny řady SYN má ONLINE několik specifik. Data přicházejí do korpusu z několika zdrojů (atribut source):

  • news – internetová žurnalistika
  • facebook – posty, včetně reakcí
  • twitter – posty, včetně reakcí
  • instagram – k dispozici jsou data pouze v některých obdobích
  • discussions – webové diskuse (pod články na zpravodajských servech)
  • forums – samostatná webová fóra (nezávislá na zpravodajských portálech)

Tyto zdroje jsou s ohledem na rozdílné výzkumné účely, k nimž mohou být použity, a specifika svého obsahu zpracovávána odlišně. Texty z internetového zpravodajství (news) jsou v rámci jednoho dne shlukovány do jednoho dokumentu (struktura <doc>) na základě příslušnosti k jednomu zdroji (atribut resource). Uvnitř této struktury jsou pak jednotlivé články vyděleny jako samostatné struktury <text>. Např. všechny články, které vyšly v jeden den na portálu zatecky.denik.cz, jsou sdruženy do jedné struktury <doc>, jednotlivé články z daného portálu v daném dni mají každý svoji samostatnou strukturu <text>.

Všechny ostatní zdroje mají z důvodu obrovského množství dílčích textů, z nichž se skládají, strukturaci jinou. V rámci každého dne je v korpusu vždy jeden dokument <doc> pro každý z těchto zdrojů, tj. jeden <doc> pro diskuse, jeden pro fóra a jeden pro každou ze sociální sítí. Jednotlivé příspěvky v rámci těchto dokumentů mají samostatnou strukturu <text>.

Klasifikace textů

ONLINE korpusy vycházejí z klasifikace textů navržené pro SYN2015, obohacují ji o některé specifické atributy. Společné s řadou SYN mají korpusy ONLINE tyto atributy: txtype_group, txtype, genre_group, genre, medium, pubyear (tj. rok vydání textu). Specifické jsou pak atributy date (tj. datum, kdy byl daný text zveřejněn), source, resource, resource_url, media_type a subject (titulek textu).

source

Zdroj dat – nejobecnější klasifikace odlišující zpravodajství od diskusních platforem a sociálních sítí (viz soupis výše).

resource

Atribut zachycuje přesnější určení zdroje textu (typicky portál), konkrétní URL vedoucí přímo ke zdrojovému textu je pak uvedena v atributu resource_url, který je k dispozici u jednotlivých struktur úroveň text. Jeho hodnota atributu se liší u různých zdrojů dat.

  • v případě žurnalistiky (v rámci struktury <doc>): určení zdrojového portálu či jeho části, např. blesk-cz, seznamzpravy atp.
  • v případě sociálních sítí (v rámci struktury <text>): určení autora příspěvku, resp. jeho uživatelského jména
  • v případě diskusí (v rámci struktury <text>): určení výchozího zpravodajského portálu, v jehož rámci se diskuse vede, např. novinky, zpravy.aktualne-cz
  • v případe fór (v rámci struktury <text>): určení portálu, např. diskuze.modnipeklo-cz, emimino

media_type

Atribut media_type je relevantní pouze pro webovou žurnalistiku (source: news), kde poskytuje klasifikaci webových portálů na základě typologie vypracované týmem J. Šlerky v rámci projektu Mapa medií. Klasifikace je vytvořena na základě preferencí čtenářů, kdy do jedné skupiny jsou sdruženy ty portály, které mají podobné publikum (viz podrobný popis metody). Původní klasifikace byla pro účely značkování korpusu ONLINE obohacena o některé okrajové typy a počítá s následujícími položkami:

  • Analyticko-investigativní
  • Antisystémové weby
  • Bulvární media
  • Hlavní proud
  • Market-driven media
  • Názorové deníky
  • Ostatní
  • Politický bulvár
  • Stranické weby
  • Web instituce

Anotace

Korpus je značkován standardními nástroji pro morfologickou analýzu a lemmatizaci korpusů řady SYN. Výsledky analýzy by měly být srovnatelné s korpusem SYN2015 (viz popis morfologických značek).

Jak citovat korpusy ONLINE

Cvrček, V. – Procházka, P.: ONLINE_NOW: monitorovací korpus internetové češtiny. Ústav Českého národního korpusu FF UK, Praha 2020 [cit. RRRR-MM-DD1)]. Dostupný z WWW: http://www.korpus.cz

Cvrček, V. – Procházka, P.: ONLINE_ARCHIVE: monitorovací korpus internetové češtiny. Ústav Českého národního korpusu FF UK, Praha 2020 [cit. RRRR-MM-DD]. Dostupný z WWW: http://www.korpus.cz

1)
Konkrétní časový údaj v pořadí rok-měsíc-den, např. 2020-10-02