Korpus SYN2025 je synchronní reprezentativní a referenční korpus současné psané češtiny, obsahující 100 milionů textových slov, tedy včetně interpunkce (tokenů). Navazuje na předchozí korpusy řady SYN (SYN2000, SYN2005, SYN2010, SYN2015 a SYN2020), vydávané v pětiletých intervalech, a pokrývá spolu s nimi časové období od roku 1989. Každý z korpusů řady SYN zachycuje především jazyk posledních pěti let, která předcházela jeho zveřejnění; SYN2025 je tak zaměřen na období 2020–2024. Žádný z textů v SYN2025 nebyl použit v jiném korpusu této řady (korpusy jsou vzájemně disjunktní). Korpus SYN2025 je lemmatizovaný a morfologicky tagovaný, stejně jako korpusy SYN2020 a SYN2015 obsahuje i syntaktické značkování, ve srovnání s předchozími korpusy však v anotaci přináší některé dílčí změny (viz samostatná sekce níže).

Z hlediska reprezentativnosti je složení textů v korpusu SYN2025 arbitrární: tři hlavní textové makrotypy – beletrie (FIC), oborová literatura (NFC) a publicistika (NMG) – jsou zastoupeny stejným dílem (tj. vždy jednou třetinou). Cílem bylo zahrnout co nejširší spektrum různých typů veřejných psaných (tištěných) komunikátů, které jako celek reprezentují současnou psanou češtinu; neodráží však jazykovou populaci v přesně daných proporcích, tedy reálný poměr výskytu textů ani jejich recepci. Platí přitom, že pojetí psanosti bylo počínaje korpusem SYN2015 zúženo pouze na jazyk tištěný a veřejně publikovaný; ani korpus SYN2025 tedy neobsahuje např. nápisy ve veřejném prostoru, soukromé dopisy, plakáty nebo další tzv. efemera a nejsou do něj zahrnuty ani texty publikované pouze na internetu (pro ty existují speciální korpusy internetové češtiny, např. NET či ONLINE)

Klasifikace textů v SYN2025 je založena na externích, mimotextových kritériích a je hierarchická. Nejvyšší úroveň txtype_group určuje tři již zmíněné makrotypy textů: beletrii, oborovou literaturu a publicistiku, z nichž každý je zastoupen stejným dílem; další úroveň členění představuje txtype, vydělující např. v rámci beletrie prózu (romány vedle povídek), poezii a drama. Nejjemnější úroveň klasifikace textů pak představuje tzv. genre, jemuž je u textů oborové literatury (NFC) ještě nadřazena souhrnná kategorie genre_group – takto jsou třeba matematika (MAT), technika (TEC) a výpočetní technika (ICT) sloučeny jako jednotlivé disciplíny formálních a technických věd (FTS).

Podrobnosti o složení a klasifikaci najdete zde: přehledný souhrn jednotlivých kategorií včetně zkratek.

Vycházíme z předpokladu, že za synchronní lze považovat text, který se stále čte (resp. vydává), což v praxi indikuje rok vydání. Hranice synchronie se však u tří hlavních makroskupin liší:

• pro beletrii platí strategie 25 + 75, tj. doba od prvního vydání nepřesahuje 75 let (přibližně tři žijící generace) a konkrétní vydání díla zařazovaného do korpusu není starší 25 let (zajištění současné recepce),
• 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 SYN2025 je to období let 2020 až 2024).

Nejvyšší strukturní jednotkou je ve shodě s mezinárodní konvencí dokument <doc>, který se skládá z jednoho nebo několika textů <text> (články v periodiku, kapitoly v knize nebo jiné smysluplné úseky). Texty se dále člení do odstavců <p> a vět <s>. Každá z těchto struktur je charakterizována konkrétními atributy, jejichž přehled uvádíme v následující tabulce.

Kromě výše uvedených hierarchických struktur jsou v korpusu zaznamenány také následující struktury:

• <hi>: zvýraznění a řezy písma (pouze tam, kde byly zachyceny ve vstupním formátu);
• <lb>: označení hranice verše v poezii;
• <note>: označení poznámek pod čarou (pouze tam, kde byly zachyceny ve vstupním formátu);
• <table/> místo, kde byla v původním textu tabulka (nepárová struktura);
• <ref/> místo, kde byl v původním textu webový odkaz (nepárová struktura);
• <email/> místo, kde byla v původním textu e-mailová adresa (nepárová struktura);
• <graphic/> místo, kde byl v původním textu grafický symbol, rovnice apod. (nepárová struktura);
• <geo/> místo, kde byly v původním textu GPS souřadnice (nepárová struktura)
• <g/> místo, kde mezi dvěma po sobě následujícími tokeny nebyla v textu mezera (nepárová struktura), např. „70<g/>. léta“.

Změny ve struktuře SYN2025 oproti předchozím korpusům:

• poznámky pod čarou (<note>) se v korpusu SYN2025 objevují nově a jsou přesunuty vždy na konec dané struktury <text>; nepřerušují tak souvislost textu v místě, kde byla poznámka učiněna;
• nadpisy již nejsou označeny zvláštní strukturou <head>, ale stejně jako v novějších korpusech řady SYN (např. SYN v13) je namísto toho zavedena hodnota atributu type struktury <p>; ten odlišuje nadpis (<p type=„head“>) od běžného textu (<p type=„normal“>).

Morfologické značkování, lemmatizace a tokenizace korpusu SYN2025 probíhá plně automaticky podle anotačního standardu ČNK, který byl aplikován již na korpus SYN2020.