Korpus SYN verze 4
| Název | SYN verze 4 | |
|---|---|---|
| Pozice | Počet pozic (tokenů) | 4 349 023 692 |
| Počet pozic (tokenů) bez interpunkce | 3 626 417 275 | |
| Počet slovních tvarů (wordů) | 10 506 034 | |
| Počet lemmat | 7 427 573 | |
| Struktury | Počet dokumentů | 87 653 |
| Počet textů | 14 097 711 | |
| Počet vět | 275 182 453 | |
| Další informace | Referenční | ANO |
| Reprezentativní | NE (převažuje publicistika) | |
| Rok zveřejnění | 2016 | |
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 4 tedy zahrnuje korpusy SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN2013PUB a SYN2015; kromě nich je však jeho součástí také dosud nezveřejněná publicistika převážně z let 2010–2014 v ročních objemech přesahujících 200 mil. slov.
Protože jsou všechny tyto složky navzájem disjunktní (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 4 dána součtem jejich velikostí, který činí 3,626 miliardy textových slov (tokenů bez interpunkce). Korpus SYN není reprezentativní; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů SYN2006PUB, SYN2009PUB, SYN2013PUB a publicistické složky z let 2010–2014.
Korpus SYN verze 4 je referenční, a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané strukturní a poziční anotace, které 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 4 vytvořit zadáním podmínky syn="v4".
Složení korpusu SYN verze 4
| Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku | |||||
|---|---|---|---|---|---|
| korpus | velikost (počet slov) | lemmatizace | morfologické značky | rok zveřejnění | charakteristika korpusu |
| 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 4
Složení publicistické části korpusu SYN verze 4 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 1998–2014; celkový počet publicistických titulů je 176. 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 4
Korpus SYN verze 4 se od svého předchůdce, korpusu SYN verze 3, výrazně liší ve strukturaci a anotaci textů, které odpovídají korpusu SYN2015. Změny se projevují jak převzetím hierarchie strukturních značek SYN2015 (např. původní <opus> byl nahrazen <doc>, nově byl zaveden odstavec <p> atd.) a jejich atributů (např. původní <opus název> byl nahrazen <doc title>), tak i klasifikace textů SYN2015, která byla zpětně aplikována na všechny texty obsažené v korpusu SYN verze 4. Jedním z důsledků tohoto rozhodnutí bylo také vyřazení textů (především internetových periodik), které nesplňují zúžené pojetí psanosti.
Tato shoda struktury a anotace s korpusem SYN2015 má pouze dvě výjimky:
- korpus SYN verze 4 obsahuje navíc atribut
<doc syn>pro vytváření subkorpusů odpovídajících původním referenčním korpusům; - podstatnou změnou je nahrazení syntaktická anotace korpusu SYN2015 pilotní verzí anotace frazémů.
Jak citovat SYN verze 4
Křen, M. – Cvrček, V. – Čapka, T. – Čermáková, A. – Hnátková, M. – Chlumská, L. – Jelínek, T. – Kováříková, D. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Škrabal, M. – Truneček, P. – Vondřička, P. – Zasina, A.: Korpus SYN, verze 4 z 16. 9. 2016. Ústav Českého národního korpusu FF UK, Praha 2016. Dostupný z WWW: http://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.
— Michal Křen, Olga Richterová
Související odkazy
SYN • SYN verze 3 • SYN2000 • SYN2005 • SYN2006PUB • SYN2009PUB • SYN2010 • SYN2013PUB • SYN2015
