Korpus SYN2000

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.

Tento korpus je, stejně jako následující SYN2005 a SYN2010 vytvořený z celých textů, které do něj byly zařazeny na základě výzkumů recepce psaného jazyka tak, aby pokrývaly co nejširší žánrové rozvrstvení češtiny. SYN2000 zachycuje 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).

Korpus SYN2000 je lemmatizovaný a morfologicky označkovaný. To znamená, že u každého slovního tvaru lze zobrazit morfologickou značku, která vyjadřuje jeho gramatické kategorie (slovní druh, číslo, pád atd.), a tzv. lemma. Kromě toho je možné jednoznačně identifikovat text, ve kterém se vyhledané slovo vyskytlo.

Inspirací korpusu SYN2000 byl British National Corpus, práce na tomto projektu však ustaly v roce 1994.

Obecné korpusy mapující psanou současnou češtinu jsou lemmatizované či značkované stále lepšími nástroji, tudíž např. korpusy SYN2010 a SYN2005 se SYN2000 nejsou snadno srovnatelné (viz frekvenční seznamy). Důležitý rozdíl je i přidání strukturní značky <opus>.

Proměnilo se též pojetí reprezentativnosti korpusu, z něhož vyplývají významné rozdíly ve složení ve srovnání s následujícími korpusy řady SYN.

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

grafy

Seznam všech zdrojových textů korpusu SYN2000 naleznete zde!!!

Mezi strukturní jednotky používané v tomto korpusu patří <doc> a <s>, tedy dokument a věta - a pak každá jednotlivá pozice. Zobrazit si je můžete v položce 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).

Strukturní jednotky v korpusu SYN2000.

K těmto strukturním jednotkám náležejí následující atributy, na obrázku patrné pod nadpisem Reference.

— Michal Křen, Olga Richterová