cnk:struktura - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== Struktura Českého národního korpusu ======

Korpusy ČNK [[pojmy:reprezentativnost|reprezentují]] buď [[pojmy:psany|psanou češtinu]], a to z pohledu [[pojmy:synchronni|synchronního]] nebo [[pojmy:diachronni|diachronního]], nebo češtinu [[cnk:struktura#korpusy_mluvene|mluvenou]], v níž máme k dispozici především data [[pojmy:synchronni|současná]]. Paralelní korpusy, které jsou rovněž součástí ČNK, umožňují analyzovat [[cnk:intercorp|jazyk překladů]]. Mimo tuto základní klasifikaci pak leží korpusy [[cnk:struktura#specializované|specializované]].

Ke korpusům lze přes různá [[pojmy:korpusovy_manazer|rozhraní]] (zvaná též korpusové manažery) -- v současnosti zejména [[manualy:kontext:index|KonText]].

====== Korpusy psané současné češtiny (řada SYN) ======

=== Obecné ===

Do řady [[SYN]] – tedy mezi **syn**chronní korpusy -- řadíme stomilionové žánrově vyvážené korpusy vytvářené s odstupem pěti let **[[SYN2015|SYN2015]]**, [[SYN2010|SYN2010]], [[SYN2005|SYN2005]], [[SYN2000|SYN2000]], i obsáhlejší (avšak žánrově nevyvážené) korpusy složené pouze z publicistických textů **[[SYN2013PUB|SYN2013PUB]]**, [[SYN2009PUB|SYN2009PUB]], [[SYN2006PUB|SYN2006PUB]]. Spojení všech těchto nezměnitelných, [[pojmy:lemma|lemmatizovaných]] a [[pojmy:anotace|anotovaných]] korpusů představuje největší korpus **[[SYN|SYN]]**.

Všechny korpusy řady SYN jsou od roku 2014 plně [[pojmy:referencni|referenční]], tj. neměnné. Korpus SYN je verzovaný, což znamená, že je referenční v jednotlivých verzích, které se vydávají každý rok.

=== Specializované ===

Mezi korpusy, které zpřístupňují úzce vymezený jazyk, patří korpus češtiny jakožto druhého jazyka **[[czesl-plain|CzeSL]]** (Czech as a Second Language), v němž jsou obsaženy akademické práce cizinců i žákovské práce romských žáků [[czesl-plain|czesl-plain]], korpus soukromé korespondence **[[ksk-dopisy|KSK-dopisy]]**, „Lingvistův narozeninový korpus“ obsahující odborné lingvistické texty **[[link|LINK]]**, text románu George Orwella //1984// značkovaný původními značkami projektu EU Multext-East [[orwell|orw-mte]] i standardními značkami **[[orwell|orwell]]**, a závěrem pak soubor písemných prací českých žáků, který obsahuje řadu sociolingvistických a didaktických informací **[[skript2012|Skript2012]]**.

====== Korpusy mluvené ======

O neformální, dialogické, mluvené češtině se nejvíc dozvíme z korpusů řady ORAL. Tvoří ji korpusy **[[ORAL2013|ORAL2013]]** (2,8 mil.), [[ORAL2008|ORAL2008]] (1 mil.) a [[ORAL2006|ORAL2006]] (1 mil.). Všechny korpusy řady ORAL obsahují řadu sociolingvistických informací o mluvčích. Pouze ORAL2013 nabízí data z celé ČR a přístup i ke zvukové stopě, ostatní korpusy mluvené češtiny obsahují transkripci, která zachycuje a zohledňuje vybrané jevy [[pojmy:mluveny|mluveného jazyka]].

Brněnskou češtinu z let 1994-1999 obsahuje v téměř pěti stech tisících slovech **[[BMK|Brněnský mluvený korpus]]**, **[[PMK|Pražský mluvený korpus]]** jakožto první korpus mluvené češtiny má téměř sedm set tisíc slov založených na nahrávkách z let 1988-1996.  

Specializovaný korpus vyučovacích hodin **[[SCHOLA2010|SCHOLA2010]]** obsahuje 790 000 slov pronesených o školních hodinách učiteli i žáky - mluva dětí a mládeže jinak v mluvených korpusech řady Oral zachycena není.

Ve stadiu výstavby je korpus [[cnk:dialekt|DIALEKT]], který zpřístupní data z nářečních oblastí na území ČR (bude obsahovat především nahrávky z 60. a 70. let 20. století, čímž spadá pod korpusy [[pojmy:diachronni|diachronní]]. 

====== Diachronní korpus ======
Korpus **[[diakorp|DIAKORP]]** je nereferenční a doposud [[pojmy:lemma|nelemmatizovaný]] soubor textů pokrývajících sedm století vývoje češtiny. Není [[pojmy:referencni|referenční]], současné 2 miliony slovních tvarů tudíž neustále narůstají. 

Ve stadiu výstavby je nářeční diachronní korpus [[cnk:dialekt|DIALEKT]]. 

====== Cizojazyčné korpusy ======

=== Jednojazyčné ===

ČNK nezpřístupňuje pouze své vlastní korpusy, ale hostuje i řadu korpusů vytvořených jinde. Jedná se např. o **[[dotko|DOTKO]]** a **[[hotko|HOTKO]]**, nereferenční korpusy dolní a horní lužické srbštiny, které obsahují 12 a 36 milionů slov. Korpusy nejsou ani [[pojmy:lemma|lemmatizované]] ani [[pojmy:tag|morfologicky označkované]].

Od r. 2013 naše rozhraní [[manualy:kontext:index|KonText]] zpřístupňuje též webový korpus němčiny **[[dewac|deWaC]]** a francouzštiny **[[frwac|frWaC]]**, oba čítající 1350 milionů slov, italský **[[itwac|itWaC]]** s 1600 miliony slov a webový korpus britské angličtiny **[[ukwac|ukWaC]]** s 1900 miliony.

=== Paralelní ===

**[[intercorp| Paralelní korpusy]]** jsou zpřístupňované tak, aby se mohly zobrazit k sobě zarovnané ekvivalentní věty v překladech. V současné době **[[intercorp| paralelní korpus InterCorp]]** obsahuje 138 milionů slov v tzv. [[cnk:intercorp#jadro_intercorpu|jádru]], skládajícím se především z beletrie a 728 milionů slov v tzv. [[cnk:intercorp#automaticky_zarovnane_kolekce|kolekcích]] (jejichž zarovnání není ručně kontrolované).

Včetně britské angličtiny a češtiny jakožto [[cnk:intercorp#intercorp_je_pivot|pivotu]] – jazyka, k němuž jsou zarovnané ostatní texty - nyní InterCorp obsahuje 33 složek, vedle řady očekávatelných evropských jazyků i třeba hindštinu, arabštinu nebo katalánštinu.

=== Související ===

<WRAP round box 49%>
[[manualy:kontext:index|Rozhraní KonText]] • [[cnk:uvod|Z jakých korpusů se skládá ČNK]] • [[kurz:uvod|Kurz práce s ČNK]]
</WRAP>

 --- //Olga Richterová//
Historie: • lemmatizace • verze6 • jazyky-v-migraci • verze4 • syn2009pub • verze9 • klasifikace_textu_syn2015 • czesl-plain • regularni_vyrazy • pokrocile_dotazy