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.
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:
- podobně jako v jiných korpusech řady SYN přibyl i v korpusu SYN verze 9 atribut
<doc syn>pro vytváření subkorpusů odpovídajících původním referenčním korpusům; - syntaktická anotace korpusu SYN2020 byla pro SYN verze 9 nahrazena anotací frazémovou, která odpovídá korpusu SYN verze 8.
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
SYN • 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