cnk:uvod - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
~~NOTOC~~

====== Jaké korpusy zpřístupňuje Český národní korpus? ======

Projekt [[http://www.korpus.cz|Český národní korpus]] zpřístupňuje řadu různých [[pojmy:korpus|korpusů]], jejich okomentovaný přehled najdete v sekci týkající se jeho **[[struktura|složení]]**. Celkový rozsah textů, který ČNK v korpusech zpracoval a zpřístupnil, přesahuje 4,5 miliardy slov v českých jednojazyčných a 1,5 miliardy slov v cizojazyčných [[pojmy:paralelni|paralelních korpusech]].

Korpusy slouží jak laikům, tak odborníkům jako východisko pro [[pojmy:korpus#korpus_a_jeho_vyuziti|různé druhy]] empirického poznávání jazyka. Pravidla jejich užívání se řídí jednotnými zásadami, které uživatelé schvalují při bezplatné [[kurz:zaciname|registraci]], a podléhají běžným zvyklostem pro [[cnk:citace|citování]] vědeckých pramenů. 

===== Přehled dostupných korpusů =====


^ <fs large>Korpusy psaného jazyka (synchronní)</fs> ^^^^^^
^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění((U verzovaných korpusů, jako jsou např. [[cnk:syn|SYN]] nebo [[cnk:intercorp|InterCorp]], je uveden také rok zveřejnění první verze.)) ^ charakteristika korpusu ^
| **[[cnk:struktura#korpusypsanesoucasnecestiny(radasyn)#obecne|Obecné korpusy]]** ||||||
| [[cnk:syn|SYN]] ([[cnk:syn:verze12|verze 12]]) |  5 mld. |  ✓  |  ✓  |  2010-2023  | [[pojmy:verzovany|verzovaný]] korpus, spojující synchronní psané korpusy řady SYN a další, dosud nezveřejněné texty |
| [[cnk:syn2020|SYN2020]] |  100 mil. |  ✓  |  ✓  |  2020  | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 2015–2019 |
| [[cnk:syn2015|SYN2015]] |  100 mil. |  ✓  |  ✓  |  2015  | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 2010–2014, s novou [[cnk:klasifikace_textu_syn2015|klasifikací textů]] |
| [[cnk:syn2013PUB|SYN2013PUB]] |  935 mil. |  ✓  |  ✓  |  2013  | [[pojmy:referencni|referenční]] korpus publicistických textů z let 2005--2009 |
| [[cnk:syn2010|SYN2010]] |  100 mil. |  ✓  |  ✓  |  2010  | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 2005–2009 |
| [[cnk:syn2009PUB|SYN2009PUB]] |  700 mil. |  ✓  |  ✓  |  2010  | [[pojmy:referencni|referenční]] korpus publicistických textů z let 1995–2007 |
| [[cnk:syn2006PUB|SYN2006PUB]] |  300 mil. |  ✓  |  ✓  |  2006  | [[pojmy:referencni|referenční]] korpus publicistických textů z let 1989–2004|
| [[cnk:syn2005|SYN2005]] |  100 mil. |  ✓  |  ✓  |  2005  | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 2000–2004 |
| [[cnk:syn2000|SYN2000]] |  100 mil. |  ✓  |  ✓  |  2000  | [[pojmy:referencni|referenční]] reprezentativní korpus, převažují texty z let 1990–1999 |
| **[[cnk:struktura#webove|Webové korpusy]]** ||||||
| [[cnk:online|ONLINE]] ([[cnk:online:gen2|2. generace]]) |  > 6 mld. |  ✓  |  ✓  |  2020  | monitorovací korpus českého internetu |
| [[cnk:net|NET]] (verze 2) |  176 mil. |  ✓  |  ✓  |  2019  | korpus polooficiální internetové komunikace |
| **[[pojmy:akvizicni_korpus|Akviziční korpusy]]** ||||||
| [[cnk:czesl-man|CzeSL-man]] |  100 tis. |  ✓  |  ✓  |  2016  | [[pojmy:zakovsky|žákovský]] korpus češtiny nerodilých mluvčích s ruční chybovou anotací |
| [[cnk:czesl-plain|CzeSL-plain]] |  2 mil. |  ✗  |  ✗  |  2012  | [[pojmy:zakovsky|žákovský]] korpus češtiny nerodilých mluvčích |
| [[cnk:czesl-sgt|CzeSL-SGT]] |  960 tis. |  ✓  |  ✓  |  2014  | [[pojmy:zakovsky|žákovský]] korpus češtiny nerodilých mluvčích s metadaty a automatickou anotací|
| [[cnk:czesl-sgt-basic|CzeSL-SGT-basic]] |  960 tis. |  ✓  |  ✓  |  2019  | korpus identický s CzeSL-SGT až na omezený výběr metadat ve vyhledávacím rozhraní |
| [[cnk:skript2012|SKRIPT2012]] |  590 tis. |  ✓  |  ✓  |  2013  | korpus školních písemných prací |
| [[cnk:vespa_cz|VESPA_CZ]] |  500 tis. |  ✓  |  ✓  |  2022  | [[pojmy:zakovsky|žákovský]] korpus psané akademické angličtiny pokročilých mluvčích s češtinou jako L1 |
| **Autorské korpusy** ||||||
| [[cnk:capek|Capek]] |  2,3 mil. |  ✓  |  ✓  |  2007  | autorský korpus pouze vlastních textů Karla Čapka |
| [[cnk:capek|Capek_uplny]] |  2,5 mil. |  ✓  |  ✓  |  2007  | autorský korpus všech textů Karla Čapka |
| [[cnk:cep|Cep]] |  420 tis. |  ✓  |  ✓  |  2015  | autorský korpus prozaických textů Jana Čepa |
| [[cnk:kh-dopisy|KH-DOPISY]] |  500 tis. |  ✗  |  ✗  |  2017  | korpus korespondence Karla Havlíčka |
| [[cnk:kh-noviny|KH-NOVINY]] |  1 mil. |  ✗  |  ✗  |  2021  | korpus publicistiky Karla Havlíčka |
| [[cnk:orwell|ORWELL]] |  80 tis. |  ✓  |  ✓  |  2003  | ručně označkovaný korpus Orwellova románu [[wp>Nineteen_Eighty-Four|1984]] |
| **[[cnk:struktura#korpusypsanesoucasnecestiny(radasyn)#specializovane|Specializované korpusy]]** ||||||
| [[cnk:etalon|Etalon]] |  1,9 mil. |  ✓  |  ✓  |  2021  | manuálně anotovaný korpus českých textů |
| [[cnk:fictree|FicTree]] |  135 tis. |  ✓  |  ✓  |  2017  | manuálně syntaktický anotovaný korpus beletrie |
| [[cnk:fsc2000|FSC2000]] |  100 mil. |  ✓  |  ✗  |  2004  | upravený SYN2000, referenční zdroj Frekvenčního slovníku češtiny |
| [[JEROME]] |  85 mil. |  ✓  |  ✓  |  2013  | jednojazyčný [[pojmy:srovnatelny|srovnatelný]] korpus pro výzkum překladové češtiny |
| [[cnk:koditex|Koditex]] |  10,8 mil. |  ✓  |  ✓  |  2018  | korpus vytvořený pro účely multidimenzionální analýzy češtiny |
| [[cnk:ksk-dopisy|KSK-DOPISY]] |  800 tis. |  ✗  |  ✗  |  2006  | korpus soukromé korespondence: přepisy ručně psaných dopisů z let 1990–2004|
| [[cnk:ksp|KSP]] (verze 2) |  37,5 mil. |  ✓  |  ✓  |  2022  | korpus současné české poezie (publikované knižně i na literárních serverech) z let 1990–2020|
| [[cnk:link|LINK]] |  1,8 mil. |  ✓  |  ✓  |  2010  | korpus sestavený z odborných lingvistických textů |
| [[cnk:totalita|Totalita]] |  12,9 mil. |  ✓  |  ✓  |  2010  | korpus psaného jazyka komunistického režimu |
| [[cnk:veda|Věda]] |  15 mil. |  ✓  |  ✓  |  2023  | korpus odborných textů, komplement [[https://db.korpus.cz/search/acphrase|Frázové banky akademické češtiny]] |
^ <fs large>[[cnk:struktura#korpusy_mluvene|Korpusy mluveného jazyka (synchronní)]]</fs> ^^^^^^
^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^
| **Obecné korpusy** ||||||
| [[cnk:orator|ORATOR]] (verze 2) |  1,2 mil. |  ✓  |  ✓  |  2019  | [[pojmy:referencni|referenční]] korpus monologů s jednoúrovňovou transkripcí |
| [[cnk:ortofon|ORTOFON]] (verze 3) |  2,4 mil. |  ✓  |  ✓  |  2017  | [[pojmy:referencni|referenční]] reprezentativní korpus neformální mluvené češtiny s dvouúrovňovou transkripcí (zahrnuje Čechy, Moravu a Slezsko) |
| [[cnk:oral|ORAL]] (verze 1) |  5,4 mil. |  ✓  |  ✓  |  2017  | [[pojmy:referencni|referenční]] korpus neformální mluvené češtiny (zahrnuje Čechy, Moravu a Slezsko) |
| [[cnk:oral2013|ORAL2013]] |  2,8 mil. |  ✗  |  ✗  |  2013  | [[pojmy:referencni|referenční]] reprezentativní korpus neformální mluvené češtiny (zahrnuje Čechy, Moravu a Slezsko) |
| [[cnk:oral2008|ORAL2008]] |  1 mil. |  ✗  |  ✗  |  2008  | [[pojmy:referencni|referenční]] sociolingvisticky vyvážený korpus neformální mluvené češtiny (zahrnuje pouze Čechy) |
| [[cnk:oral2006|ORAL2006]] |  1 mil. |  ✗  |  ✗  |  2006  | [[pojmy:referencni|referenční]] korpus neformální mluvené češtiny (zahrnuje pouze Čechy) |
| **Specializované korpusy** ||||||
| [[cnk:bmk|BMK]] |  490 tis. |  ✗  |  ✗  |  2002  | Brněnský mluvený korpus: přepis nahrávek brněnské mluvy z 90. let 20. století |
| [[cnk:dialekt|DIALEKT]] (verze 2) |  223 tis. |  ✓  |  ✓  |  2017  | [[pojmy:referencni|referenční]] nářeční korpus s dvouúrovňovou transkripcí  |
| [[cnk:jazyky-v-migraci|Jazyky v migraci]] |  294 tis. |  ✓  |  ✓  |  2022  | korpus rozhovorů (vedených v češtině a němčině) s pozdními německými vysídlenci a českými migranty z Československa do Německa o jejich jazykových biografiích |
| [[cnk:lindsei_cz|LINDSEI_CZ]] |  120 tis. |  ✗  |  ✗  |  2017  | [[pojmy:zakovsky|žákovský]] korpus spontánní mluvené angličtiny pokročilých mluvčích s češtinou jako L1 |
| [[cnk:pmk|PMK]] |  675 tis. |  ✗  |  ✗  |  2001  | Pražský mluvený korpus: přepis nahrávek pražské mluvy z 90. let 20. století |
| [[cnk:schola2010|SCHOLA2010]] |  790 tis. |  ✗  |  ✗  |  2010  | korpus vyučovacích hodin |
| [[cnk:speeches|SPEECHES]] |  215 tis. |  ✓  |  ✓  |  2015  | korpus prezidentských projevů |
| [[cnk:parlcorp|Parlcorp]] |  38 mil. |  ✓  |  ✓  |  2021  | korpus projevů v poslanecké sněmovně (1993-2021) |
^ <fs large>[[cnk:struktura#diachronnikorpus|Korpus psaného jazyka (diachronní)]]</fs> ^^^^^^
^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^
| [[cnk:diakorp|DIAKORP]] (verze 6) |  3,4 mil. |  ✗  |  ✗  |  2005  | [[pojmy:verzovany|verzovaný]] korpus diachronní složky ČNK |
| [[cnk:onomos|OnomOs]] |  200 tis. |  ✓  |  ✓  |  2023  | korpus vybraných čísel (Rudého) Práva s anotací jmenných entit |
^ <fs large>[[cnk:struktura#cizojazycnekorpusy|Korpusy cizojazyčné]]</fs> ^^^^^^
| **[[cnk:struktura#cizojazycnekorpusy#paralelni|Psané paralelní korpusy (překlady a originály)]] ** ||||||
^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^
| [[cnk:intercorp|InterCorp]] ([[cnk:intercorp:verze16|verze 16]], [[cnk:intercorp:verze16ud|verze 16ud]]) |  5,3 mld. |  (✓)  |  (✓)  |  2008-2024  | [[pojmy:verzovany|verzovaný]] [[pojmy:paralelni|paralelní]] korpus zahrnující kromě češtiny 61 dalších jazyků |
| [[cnk:psalm77|Žalm 77]] |  10 tis. |  (✓)  |  (✓)  |  2023  | [[pojmy:paralelni|paralelní]] korpus 11 verzí textu žalmu 77 v rumunštině, církevní slovanštině a řečtině |
| **[[cnk:struktura#cizojazycnekorpusy#paralelni|Psané srovnatelné webové korpusy]]** ||||||
^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^
| [[cnk:aranea|Aranea]] |  1 000 mil. |  ✓  |  ✓  |  2014  | [[pojmy:srovnatelny|srovnatelné]] webové korpusy pro řadu jazyků  |
| **[[cnk:struktura#cizojazycnekorpusy#jednojazycne|Psané jednojazyčné webové korpusy]]** ||||||
^ korpus ^ velikost (počet slov) ^ lemmatizace ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^
| [[cnk:dewac|deWaC]] |  1 350 mil. |  ✓  |  ✓  |  2013  | webový korpus němčiny |
| [[cnk:frwac|frWaC]] |  1 350 mil. |  ✓  |  ✓  |  2013  | webový korpus francouzštiny|
| [[cnk:itwac|itWaC]] |  1 600 mil. |  ✓  |  ✓  |  2013  | webový korpus italštiny |
| [[cnk:ukwac|ukWaC]] |  1 900 mil. |  ✓  |  ✓  |  2013  | webový korpus britské angličtiny |
| **Psané jednojazyčné speciální korpusy** ||||||
| [[cnk:codit|CODIT]] |  27 mil. |  ✗  |  ✗  |  2021  | diachronní korpus italštiny pokrývající období od 13. století do roku 1947 |
| [[cnk:dotko|DOTKO]] (verze 2) |  15,5 mil. |  ✓  |  ✗  |  2010  | korpus dolní lužické srbštiny |
| [[cnk:eebo|EEBO]] |  730 mil. |  ✗  |  ✗  |  2015  | korpus anglických textů z období 1475--1700 z kolekce [[http://www.textcreationpartnership.org/tcp-eebo/|Early English Books Online]] |
| [[cnk:hotko|HOTKO]] (verze 2) |  36 mil. |  ✗  |  ✗  |  2013  | korpus horní lužické srbštiny |
| [[cnk:lEstRepublicain|lEstRepublicain]] |  73 mil. |  ✓  |  ✓  |  2013  | korpus textů francouzského regionálního deníku //L’Est Républicain// |
| [[cnk:nkjp|NKJP_1M]] |  1 mil. |  ✓  |  ✓  |  2018  | ručně označkovaný milionový vzorek korpusu polštiny NKJP (//Narodowy korpus języka polskiego//) |
| [[cnk:obc|OBC]] |  24 mil. |  ✗  |  ✓  |  2021  | [[http://fedora.clarin-d.uni-saarland.de/oldbailey/index.html|Old Bailey Corpus]], záznamy soudních procesů z let 1720--1913 |
====== Kdo tvoří Český národní korpus? ======

Za tvorbou ČNK stojí **[[http://ucnk.ff.cuni.cz|Ústav Českého národního korpusu]]** ve spolupráci s **[[http://utkl.ff.cuni.cz/|Ústavem teoretické a komputační lingvistiky]]**; při budování korpusů hojně využívají nástroje vyvinuté **[[http://ufal.mff.cuni.cz/|Ústavem formální a aplikované lingvistiky]]**.

====== Jak lze korpusy ČNK využívat? ======

Pro práci s korpusem slouží specializované nástroje,
[[pojmy:korpusovy_manazer|korpusové manažery/vyhledávače]]; za nejkomfortnější
z nich pro práci s korpusy ČNK v současnosti považujeme nástroj
[[manualy:kontext:index|KonText]]. Pro efektivní práci s korpusy a korpusovými
nástroji doporučujeme projít **[[manualy:kontext:index|Manuál rozhraní
KonText]]** a **[[kurz:uvod|Kurz práce s ČNK]]** od [[kurz:prvni_dotaz|prvního dotazu]] až k dotazům [[kurz:pokrocile_dotazy|pokročilým]]. 





----
<WRAP center round box 57%>
[[manualy:kontext:index|Manuál rozhraní KonText]] • [[manualy:kontext:novy_dotaz|Menu: Nový dotaz]] • [[kurz:zaciname|Jak začít pracovat s Českým národním korpusem]] • [[kurz:uvod|Kurz práce s korpusem v 7 lekcích]] </WRAP>
Historie: • negace • jazyky-v-migraci • index • aranea • eebo • strukturni_atributy_diakorp • lemmatizace • registrova_klasifikace • parlcorp • verze16ud