| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| cnk:syn2000 [2013/09/23 16:19] – cvrcek | cnk:syn2000 [2022/08/29 18:07] (aktuální) – BatchEdit: pojmy>seznamy dokumenty cvrcek |
|---|
| ^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] | 1 763 813 | | ^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] | 1 763 813 | |
| ^ ::: ^ Počet [[pojmy:lemma|lemmat]] | 891 713 | | ^ ::: ^ Počet [[pojmy:lemma|lemmat]] | 891 713 | |
| ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:atributy_strukturni|dokumentů]] ([[pojmy:atributy_strukturni#struktura_korpusu_psane_cestiny|nikoli opusů]]) | 233 797 | | ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[seznamy:strukturni_atributy_syn|dokumentů]] ([[pojmy:atributy_strukturni#struktura_korpusu_psane_cestiny|nikoli opusů]]) | 233 797 | |
| ^ ::: ^ Počet vět | 7 639 321 | | ^ ::: ^ Počet vět | 7 639 321 | |
| ^ Další informace ^ [[pojmy:referencni|Referenční]] | ANO | | ^ Další informace ^ [[pojmy:referencni|Referenční]] | ANO | |
| </WRAP> | </WRAP> |
| |
| Korpus SYN2000 obsahuje 100 milionů textových slov a veřejnosti byl představen v říjnu roku 2000, tedy v době, kdy korpusový přístup k jazyku v českých zemích byl ještě takříkajíc v plenkách. Jedná se o vůbec první korpus psané češtiny vytvořený v rámci projektu ČNK. | Korpus SYN2000 obsahuje 100 milionů textových slov a veřejnosti byl představen v říjnu roku 2000, tedy v době, kdy korpusový přístup k jazyku v českých zemích byl ještě takříkajíc v plenkách. Jedná se o vůbec první korpus psané češtiny, který vznikl v rámci projektu ČNK a který byl vytvořen jako [[pojmy:referencni|referenční]] a neměnná entita [[pojmy:reprezentativnost|reprezentující]] stav jazyka v roce 2000. |
| |
| Tento korpus je, stejně jako následující [[SYN2005]] a [[SYN2010]] vytvořený z celých textů, které do něj byly zařazeny na základě výzkumů [[pojmy:reprezentativnost|recepce]] psaného jazyka tak, aby pokrývaly co nejširší žánrové rozvrstvení češtiny. SYN2000 zachycuje [[pojmy:synchronni|současný jazyk]], byly do něj tedy zařazeny převážně texty, které vznikly v letech 1990 až 1999. Vzhledem k tomu, že jde o první korpus psané češtiny o takovémto rozsahu, obsahuje SYN2000 i významná díla české literatury, která vznikla před rokem 1990 (například //Krakatit// Karla Čapka, nebo román //Zbabělci// Josefa Škvoreckého). Pro tyto starší texty platí zásada, že autor textu musí být narozený po roce 1880 (tj. SYN2000 například obsahuje texty K. Čapka a J. Haška - proto, že významně působí na současný jazyk díky tomu, že jsou stále recipované). | Inspirací korpusu SYN2000 byl [[wp>British_National_Corpus|British National Corpus]], práce na BNC však ustaly v roce 1994. |
| |
| Korpus SYN2000 je [[pojmy:lemma|lemmatizovaný]] a morfologicky [[pojmy:tag|označkovaný]]. To znamená, že u každého [[pojmy:word|slovního tvaru]] lze zobrazit [[pojmy:tag|morfologickou značku]], která vyjadřuje jeho gramatické kategorie (slovní druh, číslo, pád atd.), a tzv. [[pojmy:lemma|lemma]]. Kromě toho je možné jednoznačně identifikovat text, ve kterém se vyhledané slovo vyskytlo. | Složení tohoto korpusu bylo, stejně jako složení následujících reprezentativních korpusů [[SYN2005]] a [[SYN2010]], stanoveno na základě výzkumů [[pojmy:reprezentativnost|recepce]] psaného jazyka tak, aby korpus pokrýval co nejširší žánrové rozvrstvení češtiny. SYN2000 zachycuje [[pojmy:synchronni|současný jazyk]], byly do něj tedy zařazeny převážně texty, které vznikly v letech 1990 až 1999. Pro publicistiku a odbornou literaturu byl rok 1990 zvolen jako přirozená hranice synchronie; rok 1990 tvoří zároveň hranici jádra synchronie pro beletrii, ovšem s tím, že toto jádro může být doplněno i texty staršími, pokud byly vydány (ne nutně poprvé) po roce 1945 a jejich autor se narodil po roce 1880. SYN2000 tak například obsahuje texty K. Čapka nebo J. Haška, které jsou stále recipované, a tedy na současný jazyk působí. |
| |
| Inspirací korpusu SYN2000 byl [[wp>British_National_Corpus|British National Corpus]], práce na tomto projektu však ustaly v roce 1994. | Korpus SYN2000 je [[pojmy:lemma|lemmatizovaný]] a morfologicky [[pojmy:tag|označkovaný]]. Upozorňujeme však, že vzhledem k tomu, že SYN2000 je také korpusem [[pojmy:referencni|referenčním]], jsou jeho lemmatizace a značkování na úrovni roku 2000, tedy nutně zastaralé a nespolehlivé. Kromě toho je pro identifikaci textu, ve kterém se vyskytl vyhledaný výraz, nezbytné použít [[seznamy:index#zdrojove_texty_psanych_korpusu|seznam zdrojových textů]], což je velice nepohodlné a zdlouhavé. Všem zájemcům o práci s texty korpusu SYN2000 proto doporučujeme pracovat namísto toho se subkorpusem korpusu [[SYN]]; ten lze pomocí [[pojmy:atributy_strukturni|strukturního atributu]] ''<opus.syn>'' snadno navolit tak, aby obsahoval [[cnk:syn#referencni_korpusy_jako_subkorpusy_v_syn|právě texty korpusu SYN2000]], ovšem s nejnovější lemmatizací, morfologickým značkováním a se snadno dostupnými bibliografickými údaji. |
| |
| | Upravenou podobou korpusu SYN2000 s vylepšenou [[pojmy:lemma|lemmatizací]] je korpus [[cnk:FSC2000]], který posloužil jako zdroj //Frekvenčního slovníku češtiny//. |
| |
| ===== Změny v následujících korpusech řady SYN ===== | ===== Změny v korpusech řady SYN ===== |
| |
| Obecné korpusy mapující [[cnk:syn|psanou současnou češtinu]] jsou [[pojmy:lemma|lemmatizované]] či [[pojmy:tag|značkované]] stále lepšími [[cnk:nastroje|nástroji]], tudíž např. korpusy [[SYN2010]] a [[SYN2005]] se SYN2000 nejsou snadno srovnatelné (viz [[seznamy:srovnavaci_seznamy|srovnávací frekvenční seznamy]]). Důležitý rozdíl je i [[cnk:syn2000#struktura_korpusu_syn_2000|přidání strukturní značky]] ''<opus>''. | Upozorňujeme na výrazné změny ve složení i způsobu zpracování mezi korpusy SYN2000 a [[SYN2005]] (a tedy také SYN2000 a [[SYN2010]]), které jsou shrnuty na stránce věnované korpusu [[cnk:syn2005#zmeny_oproti_korpusu_syn2000|SYN2005]]. Důsledkem těchto změn je mj. přímá nesrovnatelnost frekvenčních údajů (viz [[seznamy:srovnavaci_seznamy|srovnávací frekvenční seznamy]]). |
| |
| Proměnilo se též pojetí [[pojmy:reprezentativnost|reprezentativnosti]] korpusu, z něhož vyplývají [[cnk:syn2005#novy_pristup_k_reprezentativnosti_slozeni_korpusu|významné rozdíly]] ve složení ve srovnání s následujícími korpusy řady SYN. | Proměnu v pojetí [[pojmy:reprezentativnost|reprezentativnosti]] korpusu, z níž vyplývají [[cnk:syn2005#novy_pristup_k_reprezentativnosti_slozeni_korpusu|významné rozdíly]] ve složení ve srovnání s následujícími korpusy řady SYN, je vidět na následující tabulce srovnávající složení korpusů SYN2000 a SYN2005 po [[pojmy:txtype_group|hlavních textových typech]]. |
| | |
| Nejjasněji to je vidět na tabulce srovnávající složení korpusů [[SYN2000]] a [[SYN2005]]. | |
| |
| | ^ SYN2005 ^ SYN2000 ^ | | ^ SYN2005 ^ SYN2000 ^ |
| ==== Složení korpusu SYN2000 ==== | ==== Složení korpusu SYN2000 ==== |
| |
| **[[grafy]]** | {{:cnk:syn2000-slozeni.png?direct&400|Složení korpusu SYN2000 na nejobecnější úrovni textové klasifikace}} |
| |
| ==== Zdrojové texty ==== | |
| |
| Korpus je vytvořen jako [[pojmy:referencni|referenční]] a neměnná entita, která by měla [[pojmy:reprezentativnost|reprezentovat]] stav jazyka v dané době. Pro účely specifického výzkumu je ovšem třeba z takového korpusu vybrat podmnožinu textů, [[pojmy:subkorpus|subkorpus]], který pak slouží jako datová základna pro bádání. V takovém případě je třeba konzultovat složení korpusu se [[seznamy:index#zdrojove_texty_korpusu|seznamem zdrojových textů]], který obsahuje vedle autora a názvu i další podrobnější informacemi o všech textech v korpusu SYN2000. | |
| |
| ===== Struktura korpusu SYN2000 ===== | ===== Struktura korpusu SYN2000 ===== |
| |
| Mezi [[pojmy:atributy_strukturni|strukturní jednotky]] používané v tomto korpusu patří ''<doc>'' a ''<s>'', tedy dokument a věta - a pak každá jednotlivá [[pojmy:atributy_strukturni#pozice_jako_strukturni_jednotka|pozice]]. Zobrazit si je můžete v položce menu [[cnk:rozhranixx#menu...|Možnosti zobrazení]]. V následujících korpusech řady SYN přibyla ještě hierarchicky nejvyšší struktura ''<opus>'' (tento rozdíl je velmi důležitý např. při vyhledávání pomocí podmínek ''within''). | Mezi [[pojmy:atributy_strukturni|strukturní jednotky]] používané v tomto korpusu patří ''<doc>'' a ''<s>'', tedy dokument a věta - a pak každá jednotlivá [[pojmy:atributy_strukturni#pozice_jako_strukturni_jednotka|pozice]]. Zobrazit si je můžete v položce menu [[manualy:kontext:moznosti_zobrazeni|Zobrazení]]. V následujících korpusech řady SYN přibyla ještě hierarchicky nejvyšší struktura ''<opus>'' (tento rozdíl je velmi důležitý např. při vyhledávání pomocí podmínek ''within''). |
| |
| [{{ :cnk:strukturni_znacky_syn2000.jpg?300 |Strukturní jednotky v korpusu SYN2000.}}] | [{{ :cnk:strukturni_znacky_syn2000.jpg?300 |Strukturní jednotky v korpusu SYN2000.}}] |
| |
| ===== Jak citovat SYN2000 ===== | ===== Jak citovat SYN2000 ===== |
| <WRAP round tip 30%> | |
| //Český národní korpus - SYN2000//. Ústav Českého národního korpusu FF UK, Praha 2000. Dostupný z WWW: <http://www.korpus.cz>. | <WRAP round tip 70%> |
| [[Michal Křen]] | Čermák, F. – Blatná, R. – Hlaváčová, J. – Klímová, J. – Kocek, J. – Kopřivová, M. – Křen, M. – Petkevič, V. – Schmiedtová, V. – Šulc, M.: //SYN2000: žánrově vyvážený korpus psané češtiny//. Ústav Českého národního korpusu FF UK, Praha 2000. Dostupný z WWW: http://www.korpus.cz |
| </WRAP> | </WRAP> |
| |
| --- //Michal Křen, Olga Richterová// | --- //Michal Křen, Olga Richterová// |
| |
| ===== Související odkazy ===== | ===== Související odkazy ===== |
| <WRAP round box 49%> | <WRAP round box 49%> |
| [[cnk:syn|SYN]] • [[cnk:SYN2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] • [[cnk:syn2009pub|SYN2009PUB]] • [[cnk:SYN2010|SYN2010]] | [[cnk:syn|SYN]] • [[cnk:FSC2000]] • [[cnk:SYN2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] • [[cnk:syn2009pub|SYN2009PUB]] • [[cnk:SYN2010|SYN2010]] • [[cnk:SYN2013PUB|SYN2013PUB]] |
| </WRAP> | </WRAP> |
