Skrýt
Nastavení

Rozdíly

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

Odkaz na výstup diff

Obě strany předchozí revize Předchozí verze
Následující verze
Předchozí verze
cnk:syn:verze4 [2016/09/02 10:42]
Václav Cvrček
cnk:syn:verze4 [2017/04/25 18:21] (aktuální)
Michal Křen [Jak citovat SYN verze 4]
Řádek 16: Řádek 16:
 </​WRAP>​ </​WRAP>​
  
-Každý **korpus SYN** obsahuje vždy všechny [[pojmy:​synchronni|synchronní]] [[pojmy:​psany|psané]] korpusy řady [[cnk:​syn|SYN]] zveřejněné do doby vzniku dané verze. Korpus SYN verze 4 tedy zahrnuje korpusy [[cnk:​syn2000|SYN2000]],​ [[cnk:​syn2005|SYN2005]],​ [[cnk:​syn2006pub|SYN2006PUB]],​ [[cnk:​syn2009pub|SYN2009PUB]],​ [[cnk:​syn2010|SYN2010]],​ [[cnk:​syn2013pub|SYN2013PUB]] a [[cnk:​syn2015|SYN2015]];​ kromě nich je však jeho součástí také **dosud nezveřejněná publicistika převážně z let 2010–2014** v ročních objemech přesahujících 200 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 4 tedy zahrnuje korpusy [[cnk:​syn2000|SYN2000]],​ [[cnk:​syn2005|SYN2005]],​ [[cnk:​syn2006pub|SYN2006PUB]],​ [[cnk:​syn2009pub|SYN2009PUB]],​ [[cnk:​syn2010|SYN2010]],​ [[cnk:​syn2013pub|SYN2013PUB]] a [[cnk:​syn2015|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 ([[[[pojmy:​token|tokenů]] bez interpunkce). 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 2010–2014. 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 ([[[[pojmy:​token|tokenů]] bez interpunkce). 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 2010–2014.
  
-Korpus SYN verze 4 je [[pojmy:​referencni|referenční]],​ a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané ​lingvistické informace, 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 [[pojmy:​subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 4 [[manualy:​kontext:​subkorpus#​vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''​syn=<​nowiki>"</​nowiki>​v4<​nowiki>"</​nowiki>''​.+Korpus SYN verze 4 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_strukturni|strukturní]] a [[pojmy:​atributy_pozicni|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 [[pojmy:​subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 4 [[manualy:​kontext:​subkorpus#​vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''​syn=<​nowiki>"</​nowiki>​v4<​nowiki>"</​nowiki>''​.
  
 ===== Složení korpusu SYN verze 4 ===== ===== Složení korpusu SYN verze 4 =====
Řádek 26: Řádek 26:
 ^ <fs medium>​Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku</​fs>​ ^^^^^^ ^ <fs medium>​Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku</​fs>​ ^^^^^^
 ^ korpus ^ velikost (počet slov) ^ [[pojmy:​lemma|lemmatizace]] ^ [[pojmy:​tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ ^ korpus ^ velikost (počet slov) ^ [[pojmy:​lemma|lemmatizace]] ^ [[pojmy:​tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^
-^ [[cnk:​syn2015|SYN2015]] | 100 mil. |  ​ANO  ​|  ​ANO  ​| ​ 2015  | reprezentativní korpus, převažují texty z let 2010–2014| +^ [[cnk:​syn2015|SYN2015]] | 100 mil. |  ​✓  ​|  ​✓  ​| ​ 2015  | reprezentativní korpus, převažují texty z let 2010–2014| 
-^ [[cnk:​syn2013PUB|SYN2013PUB]] | 935 mil. |  ​ANO  ​|  ​ANO  ​| ​ 2013  | korpus publicistických textů z let 2005-2009 | +^ [[cnk:​syn2013PUB|SYN2013PUB]] | 935 mil. |  ​✓  ​|  ​✓  ​| ​ 2013  | korpus publicistických textů z let 2005-2009 | 
-^ [[cnk:​syn2010|SYN2010]] | 100 mil. |  ​ANO  ​|  ​ANO  ​| ​ 2010  | reprezentativní korpus, převažují texty z let 2005–2009| +^ [[cnk:​syn2010|SYN2010]] | 100 mil. |  ​✓  ​|  ​✓  ​| ​ 2010  | reprezentativní korpus, převažují texty z let 2005–2009| 
-^ [[cnk:​syn2009PUB|SYN2009PUB]] | 700 mil. |  ​ANO  ​|  ​ANO  ​| ​ 2010  | korpus publicistických textů z let 1995–2007 | +^ [[cnk:​syn2009PUB|SYN2009PUB]] | 700 mil. |  ​✓  ​|  ​✓  ​| ​ 2010  | korpus publicistických textů z let 1995–2007 | 
-^ [[cnk:​syn2006PUB|SYN2006PUB]] | 300 mil. |  ​ANO  ​|  ​ANO  ​| ​ 2006  | korpus publicistických textů z let 1989–2004| +^ [[cnk:​syn2006PUB|SYN2006PUB]] | 300 mil. |  ​✓  ​|  ​✓  ​| ​ 2006  | korpus publicistických textů z let 1989–2004| 
-^ [[cnk:​syn2005|SYN2005]] | 100 mil. |  ​ANO  ​|  ​ANO  ​| ​ 2005  | reprezentativní korpus, převažují texty z let 2000–2004| +^ [[cnk:​syn2005|SYN2005]] | 100 mil. |  ​✓  ​|  ​✓  ​| ​ 2005  | reprezentativní korpus, převažují texty z let 2000–2004| 
-^ [[cnk:​syn2000|SYN2000]] | 100 mil. |  ​ANO  ​|  ​ANO  ​| ​ 2000  | reprezentativní korpus, převažují texty z let 1990–1999|+^ [[cnk:​syn2000|SYN2000]] | 100 mil. |  ​✓  ​|  ​✓  ​| ​ 2000  | reprezentativní korpus, převažují texty z let 1990–1999|
  
 ==== Publicistika v SYN verze 4 ==== ==== 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 [[pojmy:​txtype_group|hlavních textových typů]] v jednotlivých letech a nabízejí bližší pohled na složení publicistické části. ​+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// //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 [[pojmy:​txtype_group|hlavních textových typů]] v jednotlivých letech a nabízejí bližší pohled na složení publicistické části. ​
  
 [{{:​cnk:​slozeni_syn_v4.png?​400|Složení korpusu SYN verze 4}}] [{{:​cnk:​slozeni_syn_v4.png?​400|Složení korpusu SYN verze 4}}]
Řádek 45: Řádek 45:
 ====== Struktura a anotace korpusu SYN verze 4 ====== ====== Struktura a anotace korpusu SYN verze 4 ======
  
-Korpus SYN verze 4 se od svého předchůdce,​ korpusu SYN verze 3, výrazně liší ve [[pojmy:​atributy_strukturni|strukturaci]] a [[pojmy:​anotace|anotaci]] textů, které odpovídají korpusu ​SYN2015. Jejich podrobný popis je k dispozici na stránce věnované ​[[cnk:​syn2015|SYN2015]], na tomto místě pouze zdůrazňujeme,​ že změny se projevují jak převzetím [[cnk:​syn2015#​struktura_korpusu_a_strukturni_znacky|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 [[cnk:​klasifikace_textu_syn2015|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 [[cnk:​syn2015#​pojeti_psanosti_v_syn2015|zúžené pojetí psanosti]].+Korpus SYN verze 4 se od svého předchůdce,​ korpusu ​[[cnk:​syn:​verze3|SYN verze 3]], výrazně liší ve [[pojmy:​atributy_strukturni|strukturaci]] a [[pojmy:​anotace|anotaci]] textů, které odpovídají korpusu [[cnk:​syn2015|SYN2015]]. Změny se projevují jak převzetím [[cnk:​syn2015#​struktura_korpusu_a_strukturni_znacky|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 [[cnk:​klasifikace_textu_syn2015|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 [[cnk:​syn2015#​pojeti_psanosti_v_syn2015|zúžené pojetí psanosti]].
  
 Tato shoda struktury a anotace s korpusem SYN2015 má pouze dvě výjimky: Tato shoda struktury a anotace s korpusem SYN2015 má pouze dvě výjimky:
Řádek 54: Řádek 54:
  
 <WRAP round tip 70%> <WRAP round tip 70%>
-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 ???. 2016. FIXME Ústav Českého národního korpusu FF UK, Praha 2016. Dostupný z WWW: http://​www.korpus.cz+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 169. 2016//. Ústav Českého národního korpusu FF UK, Praha 2016. Dostupný z WWW: http://​www.korpus.cz