cnk:syn2000 - 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.
~~NOTOC~~
====== Korpus SYN2000 ======

<WRAP right 35%>
^ <fs medium>Název</fs> ^^ <fs medium>[[cnk:syn2000|SYN2000]]</fs> ^
^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] | 120 908 724 |  
^ ::: ^ Počet [[pojmy:token|pozic (tokenů) bez interpunkce ]] | 100 061 381 |  
^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] | 1 763 813 |  
^ ::: ^ 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 |
^ ::: ^ Počet vět | 7 639 321 |
^ Další informace ^ [[pojmy:referencni|Referenční]] | ANO  |  
^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] | ANO ([[seznamy:txtype|různé textové typy]]) |  
^ ::: ^ Rok zveřejnění | 2000  |
</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, 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.

Inspirací korpusu SYN2000 byl [[wp>British_National_Corpus|British National Corpus]], práce na BNC však ustaly v roce 1994.

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.

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_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]] ''<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.

===== Změny v následujících 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>''.

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.

Nejjasněji to je vidět na tabulce srovnávající složení korpusů [[SYN2000]] a [[SYN2005]].

| ^ SYN2005 ^ SYN2000 ^
^ beletrie | 40 %| 15 %|
^ odborná lit. | 27 %| 25 %|
^ publicistika | 33 % | 60 % |

==== Složení korpusu SYN2000 ====

**[[grafy]]**


===== 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'').

[{{ :cnk:strukturni_znacky_syn2000.jpg?300 |Strukturní jednotky v korpusu SYN2000.}}]

K těmto strukturním jednotkám náležejí [[pojmy:atributy_strukturni#strukturni_atributy_atributy_strukturnich_jednotek|následující atributy]], na obrázku patrné pod nadpisem **Reference**.

===== 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>.
[[Michal Křen]]
</WRAP>

--- //Michal Křen, Olga Richterová//

===== Související odkazy =====
<WRAP round box 49%>
[[cnk:syn|SYN]] • [[cnk:SYN2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] • [[cnk:syn2009pub|SYN2009PUB]] • [[cnk:SYN2010|SYN2010]]
</WRAP>
Historie: • alpha • tokenizace • mapka • syn2000 • korpusdb • aranea • dotko
Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence
