| Next revision | Previous revision |
| en:cnk:syn:verze3 [2016/12/11 16:30] – created veronikapojarova | en:cnk:syn:verze3 [2017/04/21 11:01] (current) – [The composition of the SYN version 3 corpus] michalskrabal |
|---|
| Every **SYN corpus** contains all the [[en:pojmy:synchronni|synchronic]] [[en:pojmy:psany|written]] corpora of the [[en:cnk:syn|SYN]] series published up until the time of the given version's publication. The corpus SYN version 3 therefore contains the corpora [[en:cnk:syn2000|SYN2000]], [[en:cnk:syn2005|SYN2005]], [[en:cnk:syn2006pub|SYN2006PUB]], [[en:cnk:syn2009pub|SYN2009PUB]], [[en:cnk:syn2010|SYN2010]] and [[en:cnk:syn2013pub|SYN2013PUB]]. | Every **SYN corpus** contains all the [[en:pojmy:synchronni|synchronic]] [[en:pojmy:psany|written]] corpora of the [[en:cnk:syn|SYN]] series published up until the time of the given version's publication. The corpus SYN version 3 therefore contains the corpora [[en:cnk:syn2000|SYN2000]], [[en:cnk:syn2005|SYN2005]], [[en:cnk:syn2006pub|SYN2006PUB]], [[en:cnk:syn2009pub|SYN2009PUB]], [[en:cnk:syn2010|SYN2010]] and [[en:cnk:syn2013pub|SYN2013PUB]]. |
| |
| Protože jsou všechny tyto korpusy navzájem **disjunktní** (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 3 dána součtem jejich velikostí, který činí 2,232 miliardy textových slov ([[[[pojmy:token|tokenů]] bez interpunkce). Korpus SYN není [[pojmy:reprezentativnost|reprezentativní]]; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]] a [[cnk:syn2013pub|SYN2013PUB]]. | Because all of these corpora are **disjunctive** (i.e. they do not contain the same texts), the total size of the SYN version 3 is given by their sum, which makes 2,232 billion words ([[en:pojmy:token|tokens]] without punctuation). The SYN corpus is not [[en:pojmy:reprezentativnost|representative]]; the dominant component is journalism, which is the result of the predominance of journalistic corpora [[en:cnk:syn2006pub|SYN2006PUB]], [[en:cnk:syn2009pub|SYN2009PUB]] and [[en:cnk:syn2013pub|SYN2013PUB]]. |
| |
| Korpus SYN verze 3 je [[pojmy:referencni|referenční]], a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí. Je ovšem třeba upozornit na postupné zastarávání dodané lingvistické informace, které z referenčnosti zákonitě vyplývá. | The SYN version 3 corpus is [[en:pojmy:referencni|referential]],and will remain accessible to users even after newer versions have been published. It is however necessary to keep in mind that the linguistic information will become outdated, as a natural result of the referential nature of the corpus. |
| |
| ====== Složení korpusu SYN verze 3 ====== | ====== The composition of the SYN version 3 corpus ====== |
| |
| ^ <fs medium>Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku</fs> ^^^^^^ | ^ <fs medium>Referential written language corpora (synchronic and general) ordered by date of creation</fs> ^^^^^^ |
| ^ korpus ^ velikost (počet slov) ^ [[pojmy:lemma|lemmatizace]] ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ | ^ corpus ^ size (words) ^ [[en:pojmy:lemma|lemmatization]] ^ [[en:pojmy:tag|morphological tags]] ^ publication year ^ corpus description ^ |
| ^ [[cnk:syn2013PUB|SYN2013PUB]] | 935 mil. | ANO | ANO | 2013 | korpus publicistických textů z let 2005-2009 | | ^ [[en:cnk:syn2013PUB|SYN2013PUB]] | 935 mil. | ✓ | ✓ | 2013 | corpus of journalistic texts from the years 2005-2009 | |
| ^ [[cnk:syn2010|SYN2010]] | 100 mil. | ANO | ANO | 2010 | reprezentativní korpus, převažují texty z let 2005–2009| | ^ [[en:cnk:syn2010|SYN2010]] | 100 mil. | ✓ | ✓ | 2010 | representative corpus, mainly texts from the years 2005–2009| |
| ^ [[cnk:syn2009PUB|SYN2009PUB]] | 700 mil. | ANO | ANO | 2010 | korpus publicistických textů z let 1995–2007 | | ^ [[en:cnk:syn2009PUB|SYN2009PUB]] | 700 mil. | ✓ | ✓ | 2010 | corpus of journalistic texts from the years 1995–2007 | |
| ^ [[cnk:syn2006PUB|SYN2006PUB]] | 300 mil. | ANO | ANO | 2006 | korpus publicistických textů z let 1989–2004| | ^ [[en:cnk:syn2006PUB|SYN2006PUB]] | 300 mil. | ✓ | ✓ | 2006 | corpus of journalistic texts from the years 1989–2004| |
| ^ [[cnk:syn2005|SYN2005]] | 100 mil. | ANO | ANO | 2005 | reprezentativní korpus, převažují texty z let 2000–2004| | ^ [[en:cnk:syn2005|SYN2005]] | 100 mil. | ✓ | ✓ | 2005 | representative corpus, mainly texts from the years 2000–2004| |
| ^ [[cnk:syn2000|SYN2000]] | 100 mil. | ANO | ANO | 2000 | reprezentativní korpus, převažují texty z let 1990–1999| | ^ [[en:cnk:syn2000|SYN2000]] | 100 mil. | ✓ | ✓ | 2000 | representative corpus, mainly texts from the years 1990–1999| |
| |
| Složení publicistické části korpusu SYN verze 3 pokrývá produkci hlavních celostátních deníků (Mladá fronta DNES, Lidové noviny, Právo, Hospodářské noviny, Blesk) a nespecializovaných časopisů (Reflex, Respekt, Týden) mezi lety 1998--2009. Tabulku s velikostí 15 titulů nejvíce zastoupených v publicistické části korpusu SYN verze 3 (s rozložením po jednotlivých letech; údaje jsou v milionech slov, tj. pozic bez započtení interpunkce) je možné stáhnout níže, náhled složení publicistické části je vidět na následujícím grafu. | The composition of the journalistic part of the corpus SYN version 3 covers the production of most of the national daily newspapers (Mladá fronta DNES, Lidové noviny, Právo, Hospodářské noviny, Blesk) and non-specialized magazines (Reflex, Respekt, Týden) between the years 1998--2009. A table containing the 15 titles most represented in the journalistic part of the corpus SYN version 3 (with a layout for the individual years; the numbers are in millions of words, i.e. positions not counting punctuation) can be downloaded below, a preview of the composition of the journalism part can be seen on the following graph. |
| |
| {{:cnk:slozeni_syn_v3.ods|Composition of the journalism part of SYN version 3}} | {{:cnk:slozeni_syn_v3.ods|Composition of the journalism part of SYN version 3}} |
| |
| <WRAP round tip 70%> | <WRAP round tip 70%> |
| Křen, M. – Čermák, F. – Hlaváčová, J. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kopřivová, M. – Novotná, R. – Petkevič, V. – Procházka, P. – Schmiedtová, V. – Skoumalová, H. – Šulc, M.: //Korpus SYN, verze 3 z 27. 1. 2014//. Ústav Českého národního korpusu FF UK, Praha 2014. Available online: http://www.korpus.cz | Křen, M. – Čermák, F. – Hlaváčová, J. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kopřivová, M. – Novotná, R. – Petkevič, V. – Procházka, P. – Schmiedtová, V. – Skoumalová, H. – Šulc, M.: //Corpus SYN, version 3 from 27. 1. 2014//. Ústav Českého národního korpusu FF UK, Praha 2014. Available online: http://www.korpus.cz |
| |
| Hnátková, M. – Křen, M. – Procházka, P. – Skoumalová, H. (2014): [[http://www.lrec-conf.org/proceedings/lrec2014/pdf/294_Paper.pdf|The SYN-series corpora of written Czech]]. In //Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC'14)//, 160–164. Reykjavík: ELRA. ISBN 978-2-9517408-8-4. | Hnátková, M. – Křen, M. – Procházka, P. – Skoumalová, H. (2014): [[http://www.lrec-conf.org/proceedings/lrec2014/pdf/294_Paper.pdf|The SYN-series corpora of written Czech]]. In //Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC'14)//, 160–164. Reykjavík: ELRA. ISBN 978-2-9517408-8-4. |
| ====== Related links ====== | ====== Related links ====== |
| <WRAP round box 50%> | <WRAP round box 50%> |
| [[en:cnk:syn|SYN]] • [[en:cnk:syn:verze4|SYN verze 4]] • [[en:cnk:syn2000|SYN2000]] • [[en:cnk:syn2005|SYN2005]] • [[en:cnk:syn2006pub|SYN2006PUB]] • [[en:cnk:syn2009pub|SYN2009PUB]] • [[en:cnk:syn2010|SYN2010]] • [[en:cnk:SYN2013PUB|SYN2013PUB]] • [[en:cnk:syn2015|SYN2015]] | [[en:cnk:syn|SYN]] • [[en:cnk:syn:verze4|SYN version 4]] • [[en:cnk:syn2000|SYN2000]] • [[en:cnk:syn2005|SYN2005]] • [[en:cnk:syn2006pub|SYN2006PUB]] • [[en:cnk:syn2009pub|SYN2009PUB]] • [[en:cnk:syn2010|SYN2010]] • [[en:cnk:SYN2013PUB|SYN2013PUB]] • [[en:cnk:syn2015|SYN2015]] |
| </WRAP> | </WRAP> |
| |
