Rozdíly

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

--- cnk:syn:verze10 [2022/03/03 12:28] – vytvořeno michalkren
+++ cnk:syn:verze10 [2023/10/11 19:58] (aktuální) – [Jak citovat SYN verze 10] jankrivan
@@ Řádek 9: / Řádek 9: @@
 ^ ::: ^ Počet [[pojmy:lemma|lemmat]] |  7 432 413 |
 ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] |  131 383 |
-^ ::: ^ Počet [[pojmy:atributy_strukturni|textů]] |  18 158 945 |
+^ ::: ^ Počet [[seznamy:strukturni_atributy_syn|textů]] |  18 158 945 |
 ^ ::: ^ Počet vět |  374 658 105 |
 ^ Další informace ^ [[pojmy:referencni|Referenční]] |  ANO |
@@ Řádek 16: / Řádek 16: @@
 </WRAP>
-Každý **korpus SYN** obsahuje vždy všechny [[pojmy:synchronni|synchronní]] [[pojmy:psany|psané]] korpusy řady SYN (viz popis celé řady [[cnk:syn|SYN]]) zveřejněné do doby vzniku dané verze. Korpus SYN verze 9 tedy zahrnuje korpusy [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]], [[cnk:syn2013pub|SYN2013PUB]], [[cnk:syn2015|SYN2015]] a [[cnk:syn2020|SYN2020]]; kromě nich je však jeho součástí také publicistika z let 2010–2018, která je již součástí korpusů [[cnk:syn:verze4|SYN verze 4]], [[cnk:syn:verze5|verze 5]], [[cnk:syn:verze6|verze 6]], [[cnk:syn:verze7|verze 7]], [[cnk:syn:verze8|verze 8]] a také **dosud nezveřejněná publicistika z roku 2019** v objemu téměř 150 mil. slov.
+Každý **korpus SYN** obsahuje vždy všechny [[pojmy:synchronni|synchronní]] [[pojmy:psany|psané]] korpusy řady SYN (viz popis celé řady [[cnk:syn|SYN]]) zveřejněné do doby vzniku dané verze. Korpus SYN verze 10 tedy zahrnuje korpusy [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]], [[cnk:syn2013pub|SYN2013PUB]], [[cnk:syn2015|SYN2015]] a [[cnk:syn2020|SYN2020]]; kromě nich je však jeho součástí také publicistika z let 2010–2019, která je již součástí korpusů [[cnk:syn:verze4|SYN verze 4]], [[cnk:syn:verze5|verze 5]], [[cnk:syn:verze6|verze 6]], [[cnk:syn:verze7|verze 7]], [[cnk:syn:verze8|verze 8]], [[cnk:syn:verze9|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 [[pojmy:reprezentativnost|reprezentativní]]; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2013pub|SYN2013PUB]] a publicistické složky z let 2010–2019.
+Korpus SYN není [[pojmy:reprezentativnost|reprezentativní]]; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2013pub|SYN2013PUB]] a publicistické složky z let 2010–2020.
-Průběžné každoroční vydávání aktuální publicistiky v řadě SYN zmíněné výše mělo také ten efekt, že v okamžiku vytváření korpusu SYN2020 bylo potřeba do něj zařadit některá čísla periodik, která již byla předtím zařazena do některého ze SYNů verze 5 až 8. Důsledkem tohoto průniku korpusu SYN2020 se staršími SYNy pak pro SYN v9 je, že na rozdíl od předchozích verzí korpusu SYN už nemůže platit, že všechny jeho složky jsou disjunktní. Nadále však platí, že publicistické texty zařazené jako do SYN2020, tak do některého ze SYNů verze 5 až 8, jsou do korpusu SYN verze 9 zařazeny pouze jednou.
+Korpus SYN verze 10 je [[pojmy:referencni|referenční]], a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané [[pojmy:atributy_pozicni|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 [[pojmy:subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 10 [[manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''syn=<nowiki>"</nowiki>v10<nowiki>"</nowiki>''. Právě při přípravě publicistických dat z roku 2020 (''syn=<nowiki>"</nowiki>v10<nowiki>"</nowiki>'') 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=<nowiki>"</nowiki>v10<nowiki>"</nowiki>'' z vyhledávání vyloučit.
-Korpus SYN verze 9 je [[pojmy:referencni|referenční]], a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané [[pojmy:atributy_pozicni|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 [[pojmy:subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 9 [[manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''syn=<nowiki>"</nowiki>v9<nowiki>"</nowiki>''((V případě textů z průniku korpusu SYN2020 se staršími SYNy je v této položce vyznačen korpus SYN2020.)).
+===== Složení korpusu SYN verze 10 =====
-===== Složení korpusu SYN verze 9 =====
 ^ <fs medium>Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku</fs> ^^^^^^
@@ Řádek 37: / Řádek 35: @@
 ^ [[cnk:syn2000|SYN2000]] |  100 mil.  |  ✓  |  ✓  |  2000  | reprezentativní korpus, převažují texty z let 1990–1999|
-==== Publicistika v SYN verze 9 ====
+==== Publicistika v SYN verze 10 ====
-Složení publicistické části korpusu SYN verze 9 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--2019; celkový počet publicistických titulů se blíží 200. Následující grafy ukazují složení korpusu SYN podle [[pojmy:txtype_group|hlavních textových typů]] v jednotlivých letech a nabízejí bližší pohled na složení publicistické části.
+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 [[pojmy:txtype_group|hlavních textových typů]] v jednotlivých letech a nabízejí bližší pohled na složení publicistické části.
-[{{:cnk:syn:slozeni_syn_v9.png?400|Složení korpusu SYN verze 9}}]
+[{{:cnk:syn:slozeni_syn_v10.png?400|Složení korpusu SYN verze 10}}]
-[{{:cnk:syn:slozeni_syn_v9_pub.png?400|Složení publicistické části korpusu SYN verze 9}}]
+[{{:cnk:syn:slozeni_syn_v10_pub.png?400|Složení publicistické části korpusu SYN verze 10}}]
-====== Struktura a anotace korpusu SYN verze 9 ======
+====== Struktura a anotace korpusu SYN verze 10 ======
-[[pojmy:atributy_strukturni|Strukturace]] a [[pojmy:anotace|anotace]] textů korpusu SYN verze 9 vycházejí z korpusu SYN2020. [[cnk:syn2020#struktura_korpusu_syn2020_a_strukturni_znacky|Hierarchie strukturních značek]] korpusu SYN verze 9 je tedy shodná se SYN2020, stejně tak odpovídají korpusu SYN2020 také [[cnk:syn2020#anotace_syn2020zmeny_oproti_ostatnim_korpusum_rady_syn|lemmatizace a morfologické značkování]]. Upozorňujeme tedy, že **SYN verze 9 se v těchto ohledech liší od svého předchůdce, korpusu [[cnk:syn:verze8|SYN verze 8]].**
+[[pojmy:atributy_strukturni|Strukturace]] a [[pojmy:anotace|anotace]] textů vycházejí ze SYN2020. [[cnk:syn2020#struktura_korpusu_syn2020_a_strukturni_znacky|Hierarchie strukturních značek]] korpusu SYN verze 10 je tedy shodná se SYN2020, stejně tak odpovídají korpusu SYN2020 také [[cnk:syn2020#anotace_syn2020zmeny_oproti_ostatnim_korpusum_rady_syn|lemmatizace a morfologické značkování]]. SYN verze 10 je tedy v tomto ohledu stejný jako jeho předchůdce, korpus [[cnk:syn:verze9|SYN verze 9]].
-Shoda struktura a anotace SYN verze 9 se [[cnk:syn2020|SYN2020]] má pouze tyto výjimky:
+Shoda struktury a anotace SYN verze 10 se [[cnk:syn2020|SYN2020]] má pouze tyto výjimky:
-  * podobně jako v jiných korpusech řady SYN přibyl i v korpusu SYN verze 9 atribut ''<doc syn>'' pro [[cnk:syn#referencni_korpusy_jako_subkorpusy_v_syn|vytváření subkorpusů odpovídajících původním referenčním korpusům]];
+  * podobně jako v jiných korpusech řady SYN je i v korpusu SYN verze 10 navíc atribut ''<doc syn>'' pro [[cnk:syn#referencni_korpusy_jako_subkorpusy_v_syn|vytváření subkorpusů odpovídajících původním referenčním korpusům]];
-  * [[pojmy:syntakticka_analyza|syntaktická anotace]] korpusu SYN2020 byla pro SYN verze 9 nahrazena **[[seznamy:frazemy|anotací frazémovou]]**, která odpovídá korpusu SYN verze 8.
+  * [[pojmy:syntakticka_analyza|syntaktická anotace]] korpusu SYN2020 byla pro SYN verze 10 nahrazena **[[seznamy:frazemy|anotací frazémovou]]**, která odpovídá korpusu SYN verze 9.
 ====== Jak citovat SYN verze 10 ======
 <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.: //Korpus SYN, verze 10 z 22. 2. 2022//. Ústav Českého národního korpusu FF UK, Praha 2022. Dostupný z WWW: https://www.korpus.cz
+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): [[http://www.lrec-conf.org/proceedings/lrec2014/pdf/294_Paper.pdf|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): [[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>

Historie:

Rozdíly

Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence