SYN_R25 je korpus zahrnující šest zveřejněných synchronních reprezentativních a referenčních korpusů současné psané češtiny řady SYN (SYN2000, SYN2005, SYN2010, SYN2015, SYN2020 a SYN2025), pokrývá časové období od roku 1989 do roku 2024. Korpus SYN_R25 je jednotně lemmatizovaný a morfologicky tagovaný, obsahuje syntaktické značkování a značkování víceslovných lexikálních jednotek, navíc je opatřen značkováním pojmenovaných entit a anotací složených slovesných tvarů.

Jednotlivé reprezentativní korpusy tvořící korpus SYN_R25 byly vytvářeny za odlišných podmínek. 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. V těchto novějších korpusech (SYN2015, SYN2020, SYN2025) je namísto proporcí jednotlivých textových typů zohledňována jejich klasifikace a hierarchie: tři hlavní textové makrotypy – beletrie (FIC), oborová literatura (NFC) a publicistika (NMG) – jsou zastoupeny stejným dílem (tj. vždy jednou třetinou). Rezignuje se tím na vyváženost (proporce stanovené arbitrárně pro jednotlivé kategorie nemusí odpovídat jejich zastoupení v populaci), avšak při zachování reprezentativnosti (každý hlavní typ textu by měl být v korpusu zastoupen). Zároveň došlo ke zpětné reklasifikaci některých textů i v korpusech SYN2000, SYN2005 a SYN2010, takže i proto prostý součet počtu slov např. v beletrii ve všech šesti korpusech nedává celkovou velikost beletrie v SYN_R25. Jako důsledek reklasifikace a také z různých technických důvodů (z dnešního pohledu byla v dřívějších textech přílišná chybovost) byly některé texty vyřazeny. K menší rozdílům v počtu slov také dochází v důsledku změn v tokenizaci počínaje korpusem SYN2020.

Klasifikace textů v SYN_R25 je založena na externích, mimotextových kritériích a je hierarchická. Nejvyšší úroveň txtype_group určuje tři již zmíněné makrotypy textů: beletrii, oborovou literaturu a publicistiku, z nichž každý je zastoupen stejným dílem; další úroveň členění představuje txtype, vydělující např. v rámci beletrie prózu (romány vedle povídek), poezii a drama. Nejjemnější úroveň klasifikace textů pak představuje tzv. genre, jemuž je u textů oborové literatury (NFC) ještě nadřazena souhrnná kategorie genre_group – takto jsou třeba matematika (MAT), technika (TEC) a výpočetní technika (ICT) sloučeny jako jednotlivé disciplíny formálních a technických věd (FTS).

Podrobnosti o složení a klasifikaci najdete zde: přehledný souhrn jednotlivých kategorií včetně zkratek.

Vycházíme z předpokladu, že za synchronní lze považovat text, který se stále čte (resp. vydává), což v praxi indikuje rok vydání. Hranice synchronie se však u tří hlavních makroskupin liší:

• pro beletrii platí strategie 25 + 75, tj. doba od prvního vydání nepřesahuje 75 let (přibližně tři žijící generace) a konkrétní vydání díla zařazovaného do korpusu není starší 25 let (zajištění současné recepce),
• u odborných textů platí požadavek prvního vydání v posledních 25 letech,
• hranice synchronie publicistických titulů zůstává nezměněna, tj. text musí být vydán v období mapovaném daným korpusem (například v případě SYN2025 je to období let 2020 až 2024).

Hierarchie strukturních značek korpusu SYN_R25 je shodná se SYN2025: Nejvyšší strukturní jednotkou je ve shodě s mezinárodní konvencí dokument <doc>, který se skládá z jednoho nebo několika textů <text> (články v periodiku, kapitoly v knize nebo jiné smysluplné úseky). Texty se dále člení do odstavců <p> a vět <s>. Každá z těchto struktur je charakterizována konkrétními atributy, jejichž přehled uvádíme v následující tabulce.

Shoda struktury SYN_R25 se SYN2025 má pouze tuto výjimku: podobně jako v korpusech řady SYN přibyl i v korpusu SYN_R25 atribut <doc syn> pro vytváření subkorpusů odpovídajících původním referenčním korpusům.

Kromě výše uvedených hierarchických struktur jsou v korpusu zaznamenány také následující struktury:

• <hi>: zvýraznění a řezy písma (pouze tam, kde byly zachyceny ve vstupním formátu);
• <lb>: označení hranice verše v poezii;
• <ne>: označení pojmenovaných entit;
• <note>: označení poznámek pod čarou (pouze tam, kde byly zachyceny ve vstupním formátu);
• <table/> místo, kde byla v původním textu tabulka (nepárová struktura);
• <ref/> místo, kde byl v původním textu webový odkaz (nepárová struktura);
• <email/> místo, kde byla v původním textu e-mailová adresa (nepárová struktura);
• <graphic/> místo, kde byl v původním textu grafický symbol, rovnice apod. (nepárová struktura);
• <geo/> místo, kde byly v původním textu GPS souřadnice (nepárová struktura)
• <g/> místo, kde mezi dvěma po sobě následujícími tokeny nebyla v textu mezera (nepárová struktura), např. „70<g/>. léta“.

Morfologické značkování, lemmatizace a tokenizace korpusu SYN_R25 probíhá plně automaticky podle anotačního standardu ČNK, který byl aplikován již na korpus SYN2020. Tokenům jsou přiřazeny poziční atributy: lemma a sublemma, tag, verbtag, pos a case.
Kromě toho je korpus opatřen syntaktickým značkováním s řadou pozičních atributů přiřazených tokenům, např. parent, afun, p_tag (viz syntakticke_znacky), anotací víceslovných lexikálních jednotek, anotací pojmenovaných entit a značkováním složených slovesných tvarů.