Korpus SYN verze 12
| Název | SYN verze 12 | |
|---|---|---|
| Pozice | Počet pozic (tokenů) | 6 238 142 297 |
| Počet pozic (tokenů) bez interpunkce | 5 174 701 189 | |
| Počet slovních tvarů (wordů) | 11 384 712 | |
| Počet lemmat | 7 604 956 | |
| Struktury | Počet dokumentů | 144 755 |
| Počet textů | 18 965 216 | |
| Počet vět | 398 423 123 | |
| Další informace | Referenční | ANO |
| Reprezentativní | NE (převažuje publicistika) | |
| Rok zveřejnění | 2023 | |
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 12 tedy zahrnuje korpusy SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN2013PUB, SYN2015 a SYN2020; kromě nich je však jeho součástí také publicistika z let 2010–2021, která je již součástí korpusů SYN verze 4 až verze 11, a také dosud nezveřejněná publicistika z roku 2022 v objemu téměř 150 mil. slov.
Korpus SYN není reprezentativní; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů SYN2006PUB, SYN2009PUB, SYN2013PUB a publicistické složky z let 2010–2022.
Korpus SYN verze 12 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 12 vytvořit zadáním podmínky syn="v12".
Složení korpusu SYN verze 12
| 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 12
Složení publicistické části korpusu SYN verze 12 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 1998–2022; 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 12
Strukturace a anotace textů vycházejí ze SYN2020. Hierarchie strukturních značek korpusu SYN verze 12 je tedy shodná se SYN2020, stejně tak odpovídají korpusu SYN2020 také lemmatizace a morfologické značkování. SYN verze 12 je tedy v tomto ohledu stejný jako jeho předchůdce, korpus SYN verze 11.
Shoda struktury a anotace SYN verze 12 se SYN2020 má pouze tyto výjimky:
- podobně jako v jiných korpusech řady SYN přibyl i v korpusu SYN verze 12 atribut
<doc syn>pro vytváření subkorpusů odpovídajících původním referenčním korpusům; - syntaktická anotace korpusu SYN2020 byla pro SYN verze 12 nahrazena anotací frazémovou, která odpovídá korpusům SYN verze 9, 10 a 11.
Jak citovat SYN verze 12
Křen, M. – Cvrček, V. – Čapka, T. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kováříková, D. – Křivan, J. – Milička, J. – Petkevič, V. – Skoumalová, H. – Šindlerová, J. – Škrabal, M.: Korpus SYN, verze 12 ze 29. 12. 2023. Ústav Českého národního korpusu FF UK, Praha 2023. 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 11 • SYN verze 10 • 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
