SYN2010 is a synchronic representative corpus of written Czech comprising 100 million tokens. It is a sequel to the corpora SYN2000 and 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 SYN2005, which is predominantly related to the same conception of representativeness based on the reception of written language and the resulting composition of the corpus. The SYN2010 corpus is lemmatized and morphologically tagged.

Oproti korpusu SYN2005 byla v korpusu SYN2010 výrazně vylepšena lemmatizace a slovnědruhové značkování; obojí je v zásadě shodné se zpracováním korpusu SYN2009PUB. Ačkoli se tedy SYN2005 a SYN2010 navzájem neliší pojetím reprezentativnosti, při případném srovnávání lexikálních frekvencí mezi nimi je třeba brát v úvahu také tyto rozdíly. Proto jsme zveřejnili srovnávací frekvenční seznamy slovních tvarů a lemmat, která obsahuje zcela nová data ze všech tří synchronních reprezentativních korpusů SYN2000, 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.

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 SYN2009PUB.

Structure of corpus SYN2010: 40 % fiction, 27 % technical literature, 33 % journalism

More detailed information about the genre composition of the SYN2010 corpus is shown by the CNC’s interactive graph.

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.

Structure of technical and other specialized literature according to thematic orientation (no. of words in mil.)

Structure of journalism according to the year of issue (no. of words in mil.)

Structure of journalism according to the newspaper title (no. of words in mil.)

Mezi 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 pozice. Jejich seznam lze zobrazit pomocí položky menu Možnosti zobrazení, sekce Struktury.

K těmto strukturním jednotkám náležejí následující atributy, na obrázku patrné pod nadpisem Metainformace.

— Michal Křen, Olga Richterová