Toto je starší verze dokumentu!
Korpus SYN verze 9
| Název | SYN verze 9 | |
|---|---|---|
| Pozice | Počet pozic (tokenů) | 5 846 590 684 |
| Počet pozic (tokenů) bez interpunkce | ? ??? ??? ??? | |
| Počet slovních tvarů (wordů) | 10 848 897 | |
| Počet lemmat | 7 379 681 | |
| Struktury | Počet dokumentů | 124 247 |
| Počet textů | 18 154 218 | |
| Počet vět | 372 592 262 | |
| 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 přes ??? 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.
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 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 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 8
Složení publicistické části korpusu SYN verze 8 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 1998–2018; 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 8
Korpus SYN verze 8 je co do strukturace a anotace textů shodný se svými předchůdci: verzí 7, verzí 6, verzí 5 a verzí 4. Opírá se tudíž o hierarchii strukturních značek a jejich atributů a o klasifikaci textů podle korpusu SYN2015, až na dvě výjimky:
- přidání atributu
<doc syn>pro vytváření subkorpusů odpovídajících původním referenčním korpusům; - nahrazení syntaktické anotace v korpusu SYN2015 pilotní verzí anotace frazémové.
Jak citovat SYN verze 8
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 8 z 12. 12. 2019. Ústav Českého národního korpusu FF UK, Praha 2019. 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, Michal Škrabal
Související odkazy
SYN • SYN verze 7 • SYN verze 6 • SYN verze 5 • SYN verze 4 • SYN verze 3 • SYN2000 • SYN2005 • SYN2006PUB • SYN2009PUB • SYN2010 • SYN2013PUB • SYN2015
