Nastavení

Korpus SYN verze 9

Název SYN verze 9
Pozice Počet pozic (tokenů) 5 692 729 712
Počet pozic (tokenů) bez interpunkce 4 719 008 171
Počet slovních tvarů (wordů) 10 843 867
Počet lemmat 7 375 002
Struktury Počet dokumentů 124 247
Počet textů 17 687 333
Počet vět 362 174 692
Další informace Referenční ANO
Reprezentativní NE (převažuje publicistika)
Rok zveřejnění 2021

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 9 tedy zahrnuje korpusy SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN2013PUB, SYN2015 a SYN2020; kromě nich je však jeho součástí také publicistika z let 2010–2018, která je již součástí korpusů SYN verze 4, verze 5, verze 6, verze 7, verze 8 a také dosud nezveřejněná publicistika z roku 2019 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 2010–2019.

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 jak do SYN2020, tak do některého ze SYNů verze 5 až 8, jsou do korpusu SYN verze 9 zařazeny pouze jednou.

Korpus SYN verze 9 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 9 vytvořit zadáním podmínky syn="v9"1).

Složení korpusu SYN verze 9

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 9

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 hlavních textových typů v jednotlivých letech a nabízejí bližší pohled na složení publicistické části.

Složení korpusu SYN verze 9
Složení publicistické části korpusu SYN verze 9

Struktura a anotace korpusu SYN verze 9

Strukturace a anotace textů vycházejí ze SYN2020. Hierarchie strukturních značek korpusu SYN verze 9 je tedy shodná se SYN2020, stejně tak odpovídají korpusu SYN2020 také lemmatizace a morfologické značkování. Upozorňujeme tedy, že SYN verze 9 se v těchto ohledech liší od svého předchůdce, korpusu SYN verze 8.

Shoda struktura a anotace SYN verze 9 se SYN2020 má pouze tyto výjimky:

Jak citovat SYN verze 9

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 9 z 5. 12. 2021. Ústav Českého národního korpusu FF UK, Praha 2021. 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

1)
V případě textů z průniku korpusu SYN2020 se staršími SYNy je v této položce vyznačen korpus SYN2020.