~~NOTOC~~ ====== Korpus SYN_r25 ====== SYN_r25 je korpus zahrnující všech šest zveřejněných [[pojmy:synchronni|synchronních]] [[pojmy:reprezentativnost|reprezentativních]] a [[pojmy:referencni#referencni_korpus_jako_nemenna_entita|referenčních]] korpusů současné [[pojmy:psany|psané]] češtiny [[cnk:syn|řady SYN]] ([[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2010|SYN2010]], [[cnk:syn2015|SYN2015]], [[cnk:syn2020|SYN2020]] a [[cnk:syn2025|SYN2025]]). Pokrývá tedy časové období od roku 1990 do roku 2024 daty, která nejsou vychýlená ve prospěch publicistiky tak jako souhrnné korpusy řady SYN (např. [[cnk:syn:verze14|SYN v14]]). Kromě relativně vyváženého složení poskytuje také výhodu přiměřené velikosti: 100milionové reprezentativní korpusy jsou pro některé výzkumné otázky příliš malé, zatímco souhrnné korpusy můžou být příliš velké a práce s nimi pomalá i v případě, že si uživatel [[manualy:kontext:korpusy#vytvorit_novy_subkorpus|vytvoří odpovídající subkorpus]]. Korpus SYN_r25 spojuje výhody reprezentativních a souhrnných korpusů řady SYN také v oblasti anotace. SYN_r25 je jednotně [[pojmy:lemma|lemmatizovaný]] a morfologicky [[pojmy:tag|tagovaný]], obsahuje [[pojmy:syntakticka_analyza|syntaktické značkování]] a [[seznamy:mwe|značkování víceslovných lexikálních jednotek]], navíc je opatřen [[seznamy:named_entities|značkováním pojmenovaných entit]] a [[seznamy:verbform|anotací složených slovesných tvarů]]. ^ Název ^^ SYN_r25 ^ ^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] | 713 716 351 | ^ ::: ^ Počet pozic bez interpunkce | 585 195 666 | ^ ::: ^ Počet různých [[pojmy:word|slovních tvarů (wordů)]] | 4 404 849 | ^ ::: ^ Počet různých [[pojmy:lemma|lemmat]] | 2 275 065 | ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] | 19 134 | ^ ::: ^ Počet [[seznamy:strukturni_atributy_syn|textů]] | 836 245 | ^ ::: ^ Počet odstavců

| 15 811 855 | ^ ::: ^ Počet vět | 44 864 156 | ^ Další informace ^ [[pojmy:referencni|Referenční]] | ANO | ^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] | ANO (viz [[cnk:klasifikace_textu_syn2015|klasifikace textů]]) | ^ ::: ^ Rok zveřejnění | 2026 | ====== Složení korpusu SYN_r25 ====== [[cnk:klasifikace_textu_syn2015|Klasifikace textů]] v SYN_r25 je stejná jako v korpusech SYN2015, SYN2020 a SYN2025. Ačkoli korpus SYN_r25 vzniknul spojením šesti reprezentativních korpusů řady SYN, jeho velikost plně neodpovídá součtu velikostí původních korpusů, ani v něm nejsou tři hlavní [[pojmy:txtype_group|textové makrotypy]] – beletrie (FIC), oborová literatura (NFC) a publicistika (NMG) – zastoupeny přesně stejným dílem, tj. vždy jednou třetinou. ^ Korpusy zahrnuté do korpusu SYN_r25 ^^^^^^ ^ korpus ^ velikost (počet slov) ^ [[pojmy:lemma|lemmatizace]] ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ ^ [[cnk:syn2025|SYN2025]] | 100 mil. | ✓ | ✓ | 2025 | reprezentativní korpus, převažují texty z let 2020–2024| ^ [[cnk:syn2020|SYN2020]] | 100 mil. | ✓ | ✓ | 2020 | reprezentativní korpus, převažují texty z let 2015–2019| ^ [[cnk:syn2015|SYN2015]] | 100 mil. | ✓ | ✓ | 2015 | reprezentativní korpus, převažují texty z let 2010–2014| ^ [[cnk:syn2010|SYN2010]] | 100 mil. | ✓ | ✓ | 2010 | reprezentativní korpus, převažují texty z let 2005–2009| ^ [[cnk:syn2005|SYN2005]] | 100 mil. | ✓ | ✓ | 2005 | reprezentativní korpus, převažují texty z let 2000–2004| ^ [[cnk:syn2000|SYN2000]] | 100 mil. | ✓ | ✓ | 2000 | reprezentativní korpus, převažují texty z let 1990–1999| Důvodů je několik. Korpusy vydané do roku 2010 včetně (SYN2000, SYN2005 a SYN2010) opíraly svoje složení o řadu průzkumů, které se pokoušely různými způsoby kvantifikovat recepci psaných textů běžnými čtenáři. Počínaje korpusem SYN2015 byla s revizí klasifikace textů přepracována i koncepce vyvažování korpusu. Z řady důvodů, které jsou popsány [[https://asjournals.lib.cas.cz/slovoaslovesnost/article/uuid:aaad68bb-ba00-406f-a0b4-3bcde2f7a39f/pdf|v samostatném článku]], je v novějších korpusech (SYN2015, SYN2020, SYN2025) akcentována především pestrost zastoupených textů s tím, že proporce jednotlivých kategorií nemusejí odpovídat jejich zastoupení v populaci. Spolu s touto koncepční změnou došlo v roce 2015 také ke zpětné revizi textů zařazených původně do korpusů SYN2000, SYN2005 a SYN2010, jejíž součástí byla jednak reklasifikace a jednak vyřazování některých starších textů mj. z technických důvodů (kvalita jejich zpracování byla z dnešního pohledu nedostatečná). Důsledkem všech těchto změn a také toho, že s každým novým korpusem dochází k přezpracování textů novými verzemi anotačních nástrojů (včetně [[cnk:syn2020#tokenizace|tokenizace]]), jsou potom přirozené posuny ve velikosti. Proto tedy součet velikosti např. beletrie ve všech šesti původních reprezentativních korpusech nedává celkovou velikost beletrie v SYN_r25, což se týká pochopitelně také ostatních kategorií. Jak je ale vidět v následující tabulce, proporce jednotlivých částí SYN_r25 jsou velice blízké reprezentativním korpusům při zachování jejich hlavní devizy, kterou je jejich pestrost. Ta je navíc v případě SYN_r25 doplněna o pokrytí tištěné produkce celého porevolučního období. ^ txtype_group ^ Podíl ^ | FIC: beletrie | 29,56 % | | NFC: oborová literatura | 30,87 % | | NMG: publicistika | 39,57 % | ^ txtype ^ genre / genre_group ^ kategorie ^ podíl ^ | **beletrie** (FIC) |||| | NOV | | próza | 23,28 % | | COL | | kratší próza | 4,43 % | | VER | | poezie | 0,92 % | | SCR | | drama | 0,69 % | | X | | ostatní beletrie | 0,24 % | | **oborová literatura** (NFC) |||| | SCI/PRO/POP | HUM | humanitní vědy | 7,11 % | | ::: | SSC | sociální vědy | 7,90 % | | ::: | NAT | přírodní vědy | 5,54 % | | ::: | FTS | formální a technické vědy | 5,39 % | | ::: | ITD | interdisciplinární | 0,87 % | | MEM | | memoáry, autobiografie | 3,69 % | | ADM | | administrativní texty | 0,37 % | | **publicistika** (NMG) |||| | NEW | NTW | celostátní publicistika – konkrétní tituly (MF, LN, HN, Právo) | 16,27 % | | ::: | NTW | celostátní publicistika – ostatní | 9,33 % | | ::: | REG | regionální publicistika | 3,91 % | | LEI | | volnočasová publicistika | 10,06 % | ===== Struktura SYN_r25 ===== Struktura korpusu SYN_r25 je plně shodná se SYN2025, podrobné informace jsou proto k dispozici jako součást [[cnk:syn2025#struktura_korpusu_syn2025_a_strukturni_znacky|popisu strukturních značek korpusu SYN2025]]. ===== Anotace SYN_r25 ===== Morfologické značkování, lemmatizace a tokenizace korpusu SYN_r25 probíhá plně automaticky podle [[cnk:anotacni_standard_cnk|anotačního standardu ČNK]], který byl aplikován již na korpus SYN2020. Tokenům jsou přiřazeny [[pojmy:atributy_pozicni|poziční atributy]]: [[pojmy:lemma|lemma]] a sublemma, [[pojmy:tag|tag]], [[pojmy:verbtag|verbtag]], pos a case. Kromě toho je korpus opatřen [[pojmy:syntakticka_analyza|syntaktickým značkováním]] s řadou [[pojmy:atributy_pozicni|pozičních atributů]] přiřazených tokenům, např. [[seznamy:parent|parent]], [[seznamy:afun|afun]], [[seznamy:p_tag|p_tag]] (viz [[seznamy:syntakticke_znacky]]). Ve srovnání s reprezentatovními korpusy řady SYN je korpus SYN_r25 navíc označkován: * [[seznamy:mwe|anotací víceslovných lexikálních jednotek]], * [[seznamy:named_entities|anotací pojmenovaných entit]] a * [[seznamy:verbform|značkováním složených slovesných tvarů]]. ====== Jak citovat SYN_r25 ====== Jelínek, T. – Petkevič, V. – Skoumalová, H. – Cvrček, V. – Hnátková, M. – Kocek, J. – Křen, M. – Vítovec, P. – Vondřička, P. (2026): //SYN_r25: souhrnný reprezentativní korpus psané češtiny//. Ústav lingvistiky FF UK, Praha. Dostupný z WWW: http://www.korpus.cz Cvrček, V. – Čermáková, A. – Křen, M. (2016): Nová koncepce synchronních korpusů psané češtiny. //Slovo a slovesnost//, 77 (2), 83–101. Jelínek, T. – Křivan, J. – Petkevič, V. – Skoumalová, H. – Šindlerová, J. (2021): [[https://doi.org/10.1007/978-3-030-83527-9_4|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): [[https://asjournals.lib.cas.cz/slovoaslovesnost/article/uuid:286197ce-8b36-43ac-9563-eba2abf8ca0e|Změny v morfologické anotaci korpusů řady SYN: nové možnosti zkoumání české gramatiky a lexikonu]]. //Slovo a slovesnost//, 83 (2), 122–145.