AplikaceAplikace
Nastavení

Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

Odkaz na výstup diff

Obě strany předchozí revizePředchozí verze
Následující verze
Předchozí verze
cnk:syn2020 [2021/01/14 10:47] Tomáš Jelínekcnk:syn2020 [2023/10/13 17:02] (aktuální) – [Jak citovat SYN2020] Jan Křivan
Řádek 17: Řádek 17:
 ^ ::: ^ Počet [[pojmy:lemma|lemmat]] |  726 822 | ^ ::: ^ Počet [[pojmy:lemma|lemmat]] |  726 822 |
 ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] <doc> |  3 910 | ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] <doc> |  3 910 |
-^ ::: ^ Počet [[pojmy:atributy_strukturni|textů]] <text> |  114 211 |+^ ::: ^ Počet [[seznamy:strukturni_atributy_syn|textů]] <text> |  114 211 |
 ^ ::: ^ Počet odstavců <p> |  2 855 289 | ^ ::: ^ Počet odstavců <p> |  2 855 289 |
 ^ ::: ^ Počet vět <s> |  7 997 312 | ^ ::: ^ Počet vět <s> |  7 997 312 |
Řádek 50: Řádek 50:
   * u odborných textů platí požadavek prvního vydání v posledních 25 letech,   * u odborných textů platí požadavek prvního vydání v posledních 25 letech,
   * hranice synchronie publicistických titulů zůstává nezměněna, tj. text musí být vydán v období mapovaném daným korpusem (v případě SYN2020 je to období let 2015 až 2019).   * hranice synchronie publicistických titulů zůstává nezměněna, tj. text musí být vydán v období mapovaném daným korpusem (v případě SYN2020 je to období let 2015 až 2019).
 +
 +==== Podíl originálů a překladů ====
 +
 +Do korpusu SYN2020 jsou (stejně jako do ostatních korpusů řady SYN) kromě původních českých textů zařazeny také překlady. Jejich podíl se v různých částech korpusu liší, následující tabulka uvádí **//procento českých originálů v jednotlivých typech textu//**.
 +
 +^  txtype  ^  kategorie  ^    ^
 +| **Beletrie** ||  **24 %** |
 +| NOV | próza |  17 % |
 +| COL | kratší próza |  50 % |
 +| VER | poezie |  97 % |
 +| SCR | drama |  16 % |
 +| **Oborová literatura** ||  **72 %** |
 +| SCI | odborná literatura |  79 % |
 +| PRO | profesní literatura |  99 % |
 +| POP | populárně naučná literatura |  62 % |
 +| MEM | memoáry, autobiografie |  40 % |
 +| ADM | administrativa |  100 % |
 +| **Publicistika** ||  **100 %** |
 +| NEW | tradiční publicistika |  100 % |
 +| LEI | volnočasová publicistika |  100 % |
 +
 +Poznámka: u periodik je zdrojovým jazykem velké většiny textů čeština. Protože ale není realistické to pro každý jednotlivý článek ověřovat, je čeština jako zdrojový jazyk periodik uvedena paušálně. Je tedy třeba počítat s tím, že v oborech s významým zastoupením periodik (publicistika, profesní literatura) tím může být uváděné procento českých originálů ovlivněno.
  
 ===== Struktura korpusu SYN2020 a strukturní značky ===== ===== Struktura korpusu SYN2020 a strukturní značky =====
Řádek 56: Řádek 78:
  
 ^ ''<doc>'' ^ Poznámka ^ ''<text>'' ^ Poznámka ^ ''<p>'' ^ Poznámka ^'' <s>'' ^ Poznámka ^ ^ ''<doc>'' ^ Poznámka ^ ''<text>'' ^ Poznámka ^ ''<p>'' ^ Poznámka ^'' <s>'' ^ Poznámka ^
-| title | název dokumentu nebo periodika | [[seznamy:section|section]] | generovaný typ rubriky (u vybraných periodik) | type běžný odstavec/nadpis | id | jednoznačný identifikátor | +| title | název dokumentu nebo periodika | [[seznamy:section|section]] | generovaný typ rubriky (u vybraných periodik) | id jednoznačný identifikátor | id | jednoznačný identifikátor | 
-| subtitle | podtitul | [[seznamy:section|section_orig]] | původní název rubriky (u vybraných periodik) | id | jednoznačný identifikátor |  |  |+| subtitle | podtitul | [[seznamy:section|section_orig]] | původní název rubriky (u vybraných periodik) | 
 | author | autor dokumentu | author | autor článku (u vybraných periodik) |  |  |  |  | | author | autor dokumentu | author | autor článku (u vybraných periodik) |  |  |  |  |
 | issue | vydání (u periodik) | id | jednoznačný identifikátor |  |  |  |  | | issue | vydání (u periodik) | id | jednoznačný identifikátor |  |  |  |  |
Řádek 120: Řádek 142:
 ==== Vícenásobná lemmatizace a značkování (agregát) ==== ==== Vícenásobná lemmatizace a značkování (agregát) ====
  
-V korpusu SYN2020 jsou nově zavedena **vícenásobná lemmata a značky** pro zvláštní skupinu slov, tzv. **agregáty**. Agregáty jsou slova, která se v češtině píšou jako jedno slovo, ale z pohledu syntaxe či určování gramatických kategorií se chovají jako slova dvě (výjimečně tři). Jedná se o kondicionálové spojky (//aby//, //kdyby//), spojení slov s příklonkou //s// (//dělalas//, //viděls//, //komus//, //vždyťs//), spojení předložek s některými zájmeny (//nač//, //očpak//, //zaň//), případně kombinace posledních dvou typů (//načs//). U každého z těchto slov se uvádějí současně dvě (případně tři) lemmata, sublemmata, tagy a verbtagy podle jejich jednotlivých částí. Podrobněji k agregátům na stránce [[cnk:syn2020:agregat|agregáty]].+V korpusu SYN2020 jsou nově zavedena **vícenásobná lemmata a značky** pro zvláštní skupinu slov, tzv. **agregáty**. Agregáty jsou slova, která se v češtině píšou jako jedno slovo, ale z pohledu syntaxe či určování gramatických kategorií se chovají jako slova dvě (výjimečně tři). Jedná se o kondicionálové spojky (//aby//, //kdyby//), spojení slov s příklonkou //s// (//dělalas//, //viděls//, //komus//, //vždyťs//), spojení předložek s některými zájmeny (//nač//, //očpak//, //zaň//), případně kombinace posledních dvou typů (//načs//). U každého z těchto slov se uvádějí současně dvě (případně tři) lemmata, sublemmata, tagy a verbtagy podle jejich jednotlivých částí. Podrobněji k agregátům na stránce [[cnk:syn2020:agregat|agregáty]]. V terminologii standardu [[https://universaldependencies.org/|Universal Dependencies]] se o těchto tokenech mluví jako o víceslovných tokenech, "multiword tokens".
  
 ==== Automatická anotace korpusu ==== ==== Automatická anotace korpusu ====
-Celý proces anotace SYN2020 probíhá automaticky. Podrobný postup anotace včetně údajů o míře úspěšnosti je popsán na stránce [[cnk:syn2020:automaticka_anotace|automatická anotace]].+Celý proces anotace SYN2020 probíhá automaticky. Podrobný postup anotace včetně údajů o míře úspěšnosti je popsán na stránce [[cnk:syn2020:automaticka_anotace|automatická anotace]]. Najdete zde i bibliografické údaje k softwarovým nástrojům a k datům, které byly pro značkování využity; píšete-li článek či jiný akademický text s využitím značkování (lemmat, tagů, verbtagů, syntaktického značkování), je vhodné ocitovat nástroje, které byly použity k vytvoření anotace.
  
 ====== Jak citovat SYN2020 ====== ====== Jak citovat SYN2020 ======
Řádek 129: Řádek 151:
 <WRAP round tip 70%> <WRAP round tip 70%>
 Křen, M. – Cvrček, V. – Henyš, J. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kováříková, D. – Křivan, J. – Milička, J. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Šindlerová, J. – Škrabal, M.: //SYN2020: reprezentativní korpus psané češtiny//. Ústav Českého národního korpusu FF UK, Praha 2020. Dostupný z WWW: http://www.korpus.cz Křen, M. – Cvrček, V. – Henyš, J. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kováříková, D. – Křivan, J. – Milička, J. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Šindlerová, J. – Škrabal, M.: //SYN2020: reprezentativní korpus psané češtiny//. Ústav Českého národního korpusu FF UK, Praha 2020. Dostupný z WWW: http://www.korpus.cz
 +
 +Jelínek, T. – Křivan, J. – Petkevič, V. – Skoumalová, H. – Šindlerová, J. (2021): [[https://doi.org/10.1007/978-3-030-83527-9_4|SYN2020: A new corpus of Czech with an innovated annotation]]. In: K. Ekštein – F. Pártl – M. Konopík (eds.), //Text, Speech, and Dialogue.// TSD 2021. Lecture Notes in Computer Science, vol. 12848. Cham: Springer, 48–59.
 +
 +Křivan, J. – Šindlerová, J. (2022): [[https://asjournals.lib.cas.cz/slovoaslovesnost/article/uuid:286197ce-8b36-43ac-9563-eba2abf8ca0e|Změny v morfologické anotaci korpusů řady SYN: nové možnosti zkoumání české gramatiky a lexikonu]]. //Slovo a slovesnost//, 83, 2/2022, 122–145.
 +
 </WRAP> </WRAP>