cnk:syn2010 - 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 SYN2010 ======

Korpus SYN2010 je [[pojmy:synchronni|synchronní]] [[pojmy:reprezentativnost|reprezentativní]] korpus současné [[pojmy:psany|psané]] češtiny obsahující 100 milionů textových slov ([[pojmy:token|tokenů]]). Navazuje tak na korpusy [[SYN2000|SYN2000]] a [[SYN2005|SYN2005]] a tvoří s nimi [[cnk:syn|řadu synchronních reprezentativních korpusů]] pokrývajících tři po sobě jdoucí časová období. **Všechny korpusy obsahují rozdílné texty, tedy jsou disjunktní**. Základní charakteristiky korpusu SYN2010 jsou shodné s korpusem [[SYN2005|SYN2005]], což se týká zejména stejného pojetí [[pojmy:reprezentativnost|reprezentativnosti]] založeného na recepci psaného jazyka a z něho vyplývajícího složení korpusu. Korpus SYN2010 je [[pojmy:lemma|lemmatizovaný]] a [[pojmy:tag|tagovaný]].



<WRAP right 35%>
^ <fs medium>Název</fs> ^^ <fs medium>SYN2010</fs> ^
^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] | 121 667 413 |  
^ ::: ^ Počet [[pojmy:token|pozic (tokenů) bez interpunkce ]] | 101 219 603 |  
^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] | 1 706 345 |  
^ ::: ^ Počet [[pojmy:lemma|lemmat]] | 785 580 |
^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:opus|opusů]] | 2 649 |
^ ::: ^ Počet [[pojmy:atributy_strukturni|dokumentů]] | 152 634 |
^ ::: ^ Počet vět | 8 172 649 |
^ Další informace ^ [[pojmy:referencni|Referenční]] | ANO  |  
^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] | ANO ([[seznamy:txtype|různé textové typy]]) |  
^ ::: ^ Rok zveřejnění | 2010  |
</WRAP>


====== Změny oproti korpusu SYN2005 ======

Oproti korpusu [[SYN2005|SYN2005]] byla v korpusu SYN2010 **výrazně vylepšena lemmatizace** a **[[pojmy:tag|slovnědruhové značkování]]**; obojí je v zásadě shodné se zpracováním korpusu [[SYN2009PUB|SYN2009PUB]]. Ačkoli se tedy [[SYN2005|SYN2005]] a SYN2010 navzájem neliší pojetím [[pojmy:reprezentativnost|reprezentativnosti]], při případném srovnávání lexikálních frekvencí mezi nimi **je třeba brát v úvahu také tyto rozdíly**. Proto jsme zveřejnili [[seznamy:srovnavaci_seznamy|srovnávací frekvenční seznamy]] slovních tvarů a lemmat, která obsahuje zcela nová data ze všech tří synchronních reprezentativních korpusů [[SYN2000|SYN2000]], [[SYN2005|SYN2005]] a SYN2010, zlemmatizovaných a morfologicky označkovaných na úrovni korpusu SYN2010. Tato data obsahují také údaje o tzv. přepočítaných frekvencích, které jsou navzájem přímo srovnatelné, a umožňují tudíž studium změn, kterými čeština za posledních 20 let prošla.

====== Složení korpusu SYN2010 ======

V SYN2010 došlo ke změnám ve [[cnk:SYN2010#slozeni_publicistiky|složení publicistiky]], nezměnilo se ale vymezení [[pojmy:synchronni|synchronie]] v beletrii a odborné literatuře; v korpusu SYN2010 tak najdeme pouze odbornou literaturu publikovanou po roce 1989. Beletrie sice může být i starší, přesto však pro odbornou literaturu i beletrii obecně platí, že největší podíl na korpusu mají novější texty, zatímco zastoupení starších textů klesá.


===== Obecné složení korpusu SYN2010 =====

{{:cnk:syn2010_slozeni.png?direct}}


==== Složení publicistiky ====


Veškeré publicistické texty v korpusu SYN2010 jsou z let 2005-2009, přičemž každý rok má -- stejně jako v korpusu [[SYN2005|SYN2005]] -- v publicistice stejné zastoupení (i když se samozřejmě v rámci těchto let změnily podíly jednotlivých titulů).

[{{{:cnk:rok_s10.gif?direct|Složení publicistiky podle roku vydání}}] [{{:cnk:odborna_s05.gif?direct|Složení odborné a další specializované literatury podle tematického zaměření}}] [{{:cnk:titul_s10.gif?direct|Složení publicistiky podle titulů}}]


===== Struktura korpusu SYN2010 =====

Mezi [[pojmy:atributy_strukturni|strukturní jednotky]], na něž se člení tento korpus, patří ''<opus>'', ''<doc>'' a ''<s>'', tedy celý text, dokument (část textu) a věta - a pak každá jednotlivá [[pojmy:atributy_strukturni#pozice_jako_strukturni_jednotka|pozice]]. Jejich seznam lze zobrazit pomocí položky menu [[manualy:kontext:moznosti_zobrazeni|Zobrazení]], sekce //Struktury//.

[{{:cnk:strukturni_znacky.png?direct&400|Strukturní jednotky a jejich atributy v korpusovém manažeru }}]

K těmto strukturním jednotkám náležejí [[pojmy:atributy_strukturni#strukturni_atributy_atributy_strukturnich_jednotek|následující atributy]], na obrázku seřazené pod nadpisem //Metainformace//.



--- //Michal Křen, Olga Richterová//


====== Jak citovat SYN2010 ======
<WRAP round tip 70%>
Křen, M. – Bartoň, T. – Cvrček, V. – Hnátková, M. – Jelínek, T. – Kocek, J. – Novotná, R. – Petkevič, V. – Procházka, P. – Schmiedtová, V. – Skoumalová, H.: //SYN2010: žánrově vyvážený korpus psané češtiny//. Ústav Českého národního korpusu FF UK, Praha 2010. Dostupný z WWW: http://www.korpus.cz
</WRAP>




====== Související odkazy ======

<WRAP round box 48%>
[[cnk:syn|SYN]] • [[cnk:syn2000|SYN2000]] • [[cnk:syn2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] • [[cnk:syn2009pub|SYN2009PUB]]
</WRAP>
Historie: • speeches • veda • citace • dewac • lemtag_mluv • kh-dopisy • tag • agregat
Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence
