Korpus SYN verze 10
| Název | SYN verze 10 | |
|---|---|---|
| Pozice | Počet pozic (tokenů) | 5 887 514 992 |
| Počet pozic (tokenů) bez interpunkce | 4 881 700 519 | |
| Počet slovních tvarů (wordů) | 11 033 112 | |
| Počet lemmat | 7 432 413 | |
| Struktury | Počet dokumentů | 131 383 |
| Počet textů | 18 158 945 | |
| Počet vět | 374 658 105 | |
| Další informace | Referenční | ANO |
| Reprezentativní | NE (převažuje publicistika) | |
| Rok zveřejnění | 2022 | |
Každý korpus SYN obsahuje vždy všechny synchronní psané korpusy řady SYN (viz popis celé řady SYN) zveřejněné do doby vzniku dané verze. Korpus SYN verze 10 tedy zahrnuje korpusy SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN2013PUB, SYN2015 a SYN2020; kromě nich je však jeho součástí také publicistika z let 2010–2019, která je již součástí korpusů SYN verze 4, verze 5, verze 6, verze 7, verze 8, verze 9 a také dosud nezveřejněná publicistika z roku 2020 v objemu přes 150 mil. slov (až po zveřejnění celého korpusu jsme však zjistili, že část dat publicistiky z roku 2020 byla nedopatřením nesprávně lemmatizována, podrobněji viz níže).
Korpus SYN není reprezentativní; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů SYN2006PUB, SYN2009PUB, SYN2013PUB a publicistické složky z let 2010–2020.
Korpus SYN verze 10 je referenční, a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané poziční anotace, která z referenčnosti zákonitě vyplývá). Jednotlivé verze korpusu SYN budou nadále zveřejňovány pravidelně každý rok s přírůstkem v podobě aktuálních publicistických dat, přičemž tento přírůstek bude označen hodnotou atributu <doc syn> rovnou verzi korpusu SYN, v níž se daný text objevil poprvé; například subkorpus odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 10 vytvořit zadáním podmínky syn="v10". Právě při přípravě publicistických dat z roku 2020 (syn="v10") však došlo k nedopatření: tvary s variantními sublemmaty (např. tvar voknem) zde dostávají namísto zvláštního lemmatu (okno) lemma totožné se sublemmatem (vokno). Chyba ovlivnila asi 1,8 % pozic této části korpusu. Při práci s korpusem SYN verze 10, při které záleží na přesných statistikách, proto doporučujeme subkorpus odpovídají podmínce syn="v10" z vyhledávání vyloučit.
Složení korpusu SYN verze 10
| Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku | |||||
|---|---|---|---|---|---|
| korpus | velikost (počet slov) | lemmatizace | morfologické značky | rok zveřejnění | charakteristika korpusu |
| SYN2020 | 100 mil. | ✓ | ✓ | 2020 | reprezentativní korpus, převažují texty z let 2015–2019 |
| SYN2015 | 100 mil. | ✓ | ✓ | 2015 | reprezentativní korpus, převažují texty z let 2010–2014 |
| SYN2013PUB | 935 mil. | ✓ | ✓ | 2013 | korpus publicistických textů z let 2005–2009 |
| SYN2010 | 100 mil. | ✓ | ✓ | 2010 | reprezentativní korpus, převažují texty z let 2005–2009 |
| SYN2009PUB | 700 mil. | ✓ | ✓ | 2010 | korpus publicistických textů z let 1995–2007 |
| SYN2006PUB | 300 mil. | ✓ | ✓ | 2006 | korpus publicistických textů z let 1989–2004 |
| SYN2005 | 100 mil. | ✓ | ✓ | 2005 | reprezentativní korpus, převažují texty z let 2000–2004 |
| SYN2000 | 100 mil. | ✓ | ✓ | 2000 | reprezentativní korpus, převažují texty z let 1990–1999 |
Publicistika v SYN verze 10
Složení publicistické části korpusu SYN verze 10 pokrývá produkci hlavních celostátních deníků (Mladá fronta DNES, Lidové noviny, Právo, Hospodářské noviny, Blesk, Sport), regionálních deníků (především Deníky Bohemia a Moravia z produkce nakladatelství Vltava Labe Media) a nespecializovaných časopisů (Reflex, Respekt, Týden) v letech 1998–2020; celkový počet publicistických titulů se blíží 200. Následující grafy ukazují složení korpusu SYN podle hlavních textových typů v jednotlivých letech a nabízejí bližší pohled na složení publicistické části.
Struktura a anotace korpusu SYN verze 10
Strukturace a anotace textů vycházejí ze SYN2020. Hierarchie strukturních značek korpusu SYN verze 10 je tedy shodná se SYN2020, stejně tak odpovídají korpusu SYN2020 také lemmatizace a morfologické značkování. SYN verze 10 je tedy v tomto ohledu stejný jako jeho předchůdce, korpus SYN verze 9.
Shoda struktury a anotace SYN verze 10 se SYN2020 má pouze tyto výjimky:
- podobně jako v jiných korpusech řady SYN je i v korpusu SYN verze 10 navíc atribut
<doc syn>pro vytváření subkorpusů odpovídajících původním referenčním korpusům; - syntaktická anotace korpusu SYN2020 byla pro SYN verze 10 nahrazena anotací frazémovou, která odpovídá korpusu SYN verze 9.
Jak citovat SYN verze 10
Křen, M. – Cvrček, V. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kováříková, D. – Křivan, J. – Milička, J. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Šindlerová, J. – Škrabal, M.: Korpus SYN, verze 10 z 22. 2. 2022. Ústav Českého národního korpusu FF UK, Praha 2022. Dostupný z WWW: https://www.korpus.cz
Hnátková, M. – Křen, M. – Procházka, P. – Skoumalová, H. (2014): The SYN-series corpora of written Czech. In Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC'14), 160–164. Reykjavík: ELRA. ISBN 978-2-9517408-8-4.
Jelínek, T. – Křivan, J. – Petkevič, V. – Skoumalová, H. – Šindlerová, J. (2021): 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): Změny v morfologické anotaci korpusů řady SYN: nové možnosti zkoumání české gramatiky a lexikonu. Slovo a slovesnost, 83, 2/2022, 122–145.
— Michal Křen
Související odkazy
SYN • SYN verze 9 • SYN verze 8 • SYN verze 7 • SYN verze 6 • SYN verze 5 • SYN verze 4 • SYN verze 3 • SYN2000 • SYN2005 • SYN2006PUB • SYN2009PUB • SYN2010 • SYN2013PUB • SYN2015 • SYN2020