en:cnk:syn2010 - Příručka ČNK

This page is read only. You can view the source, but not change it. Ask your administrator if you think this is wrong.
~~NOTOC~~
====== Corpus SYN2010 ======

SYN2010 is a synchronic representative corpus of written Czech comprising 100 million tokens. It is a sequel to the corpora [[en:cnk:SYN2000]] and [[en:cnk:SYN2005]] and together with them forms a series of synchronic representative corpora that cover three successive periods. 
**All corpora contain different texts and are therefore disjoint**. The basic characteristic freatures of the SYN2010 are identical to those of the corpus [[en:SYN2005|SYN2005]], which is predominantly related to the same conception of [[en:pojmy:reprezentativnost|representativeness]] based on the reception of written language and the resulting composition of the corpus. The SYN2010 corpus is [[en:pojmy:lemma|lemmatized]] and [[en:pojmy:tag|morphologically tagged]].


<WRAP right 35%>
^ <fs medium>Name</fs> ^^ <fs medium>SYN2010</fs> ^
^ Positions ^ Number of positions (tokens) | 121 667 413 |  
^ ::: ^ Number of positions (tokens) without punctuation | 101 219 603 |  
^ ::: ^ Number of word forms (words) | 1 706 345 |  
^ ::: ^ Number of lemmata | 785 580 |
^ Structural attributes ^ Number of opera | 2 649 |
^ ::: ^ Number of documents | 152 634 |
^ ::: ^ Number of sentences | 8 172 649 |
^ Further information ^ Reference | YES  |  
^ ::: ^ Representative | YES |  
^ ::: ^ Publication date | 2010  |
</WRAP>

====== Changes compared to the SYN2005 corpus ======

Oproti korpusu [[SYN2005|SYN2005]] byla v korpusu SYN2010 **výrazně vylepšena lemmatizace** a **[[pojmy:tag|slovnědruhové značkování]]**; obojí je v zásadě shodné se zpracováním korpusu [[SYN2009PUB|SYN2009PUB]]. Ačkoli se tedy [[SYN2005|SYN2005]] a SYN2010 navzájem neliší pojetím [[pojmy:reprezentativnost|reprezentativnosti]], při případném srovnávání lexikálních frekvencí mezi nimi **je třeba brát v úvahu také tyto rozdíly**. Proto jsme zveřejnili [[seznamy:srovnavaci_seznamy|srovnávací frekvenční seznamy]] slovních tvarů a lemmat, která obsahuje zcela nová data ze všech tří synchronních reprezentativních korpusů [[SYN2000|SYN2000]], [[SYN2005|SYN2005]] a SYN2010, zlemmatizovaných a morfologicky označkovaných na úrovni korpusu SYN2010. Tato data obsahují také údaje o tzv. přepočítaných frekvencích, které jsou navzájem přímo srovnatelné, a umožňují tudíž studium změn, kterými čeština za posledních 20 let prošla.

====== Composition of SYN2010 ======

Some of the fiction texts may have been published earlier, but there is a general rule that the corpus consists mainly of newer texts, whereas the proportion of older texts is decreasing. Compared to the SYN2005 corpus, the lemmatization and morphological tagging of the SYN2010 corpus have been significantly improved; both of them correspond with the processing of the [[en:cnk:SYN2009PUB]].

<WRAP clear></WRAP>

[{{:en:cnk:syn2010-slozeni.gif|Structure of corpus SYN2010: <fc #ffcc00>40 % fiction</fc>, <fc #cc0000>27 % technical literature</fc>, <fc #3333ff>33 % journalism</fc>}}]
<WRAP clear></WRAP>

More detailed information about the genre composition of the SYN2010 corpus is shown by the CNC’s [[https://ucnk.ff.cuni.cz/slozeni2010.php|interactive graph]].

==== Composition of the journalistic texts ====

The basic characteristic features of the SYN2010 corpus are identical to those of SYN2005, especially the concept of representativeness based on the reception of written language, and the resulting composition of the corpus. All newspaper and magazine texts included into SYN2010 were published in 2005--2009, each year being equally represented -- just as in SYN2005. Naturally, the proportion of particular newspaper and magazine titles has changed. However, the criteria that define a synchronic text in both fiction and professional literature remained unchanged; the SYN2010 corpus thus includes solely professional texts published after 1989.

<WRAP clear></WRAP>
[{{:en:cnk:syn2010-slozeni-odborna-en.gif|Structure of technical and other specialized literature according to thematic orientation (no. of words  in mil.)}}]
[{{:en:cnk:syn2010-slozeni-publicistika-roky-en.gif|Structure of journalism according to the year of issue (no. of words  in mil.)}}]
[{{:en:cnk:syn2010-slozeni-publicistika-tituly-en.gif|Structure of journalism according to the newspaper title (no. of words  in mil.)}}]

===== Struktura korpusu SYN 2010 =====

Mezi [[pojmy:atributy_strukturni|strukturní jednotky]], na něž se člení tento korpus, patří ''<opus>'', ''<doc>'' a ''<s>'', tedy celý text, dokument (část textu) a věta - a pak každá jednotlivá [[pojmy:atributy_strukturni#pozice_jako_strukturni_jednotka|pozice]]. Jejich seznam lze zobrazit pomocí položky menu [[manualy:kontext:moznosti_zobrazeni|Možnosti zobrazení]], sekce //Struktury//.

{{:cnk:strukturni_znacky.png?direct&300|Strukturní jednotky a jejich atributy v korpusovém manažeru}}

K těmto strukturním jednotkám náležejí [[pojmy:atributy_strukturni#strukturni_atributy_atributy_strukturnich_jednotek|následující atributy]], na obrázku patrné pod nadpisem //Metainformace//.



--- //Michal Křen, Olga Richterová//


====== How to cite SYN2010 ======

<WRAP round tip 70%>
Křen, M. – Bartoň, T. – Cvrček, V. – Hnátková, M. – Jelínek, T. – Kocek, J. – Novotná, R. – Petkevič, V. – Procházka, P. – Schmiedtová, V. – Skoumalová, H.: //SYN2010: žánrově vyvážený korpus psané češtiny//. Ústav Českého národního korpusu FF UK, Praha 2010. Available on-line: http://www.korpus.cz
</WRAP>


====== Related links ======

<WRAP round box 48%>
[[en:cnk:syn|SYN]] • [[en:cnk:syn2000|SYN2000]] • [[en:cnk:syn2005|SYN2005]] • [[en:cnk:syn2006pub|SYN2006PUB]] • [[en:cnk:syn2009pub|SYN2009PUB]]
</WRAP>
Trace: • uvod • aibrown • frekvence • cermak • syn2000 • index • koditex • nkjp • citace
Search

Navigation

Print/export

Tools

Languages

Licence
