en:cnk:syn:verze4 - 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~~
====== Korpus SYN verze 4 ======

<WRAP right 35%>
^ <fs medium>Název</fs> ^^ <fs medium>SYN verze 4</fs> ^
^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] |  4 349 023 692 |  
^ ::: ^ Počet [[pojmy:token|pozic (tokenů) bez interpunkce ]] |  3 626 417 275 |  
^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] |  10 506 034 |  
^ ::: ^ Počet [[pojmy:lemma|lemmat]] |  7 427 573 |
^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] |  87 653 |
^ ::: ^ Počet [[pojmy:atributy_strukturni|textů]] |  14 097 711 |
^ ::: ^ Počet vět |  275 182 453 |
^ Další informace ^ [[pojmy:referencni|Referenční]] |  ANO |  
^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] |  NE (převažuje [[seznamy:txtype|publicistika]]) |  
^ ::: ^ Rok zveřejnění |  2016 |
</WRAP>

Každý **korpus SYN** obsahuje vždy všechny [[pojmy:synchronni|synchronní]] [[pojmy:psany|psané]] korpusy řady [[cnk:syn|SYN]] zveřejněné do doby vzniku dané verze. Korpus SYN verze 4 tedy zahrnuje korpusy [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]], [[cnk:syn2013pub|SYN2013PUB]] a [[cnk:syn2015|SYN2015]]; kromě nich je však jeho součástí také **dosud nezveřejněná publicistika převážně z let 2010–2014** v ročních objemech přesahujících 200 mil. slov.

Protože jsou všechny tyto složky navzájem **disjunktní** (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 4 dána součtem jejich velikostí, který činí 3,626 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]], [[cnk:syn2013pub|SYN2013PUB]] a publicistické složky z let 2010–2014.

Korpus SYN verze 4 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). Jednotlivé verze korpusu SYN budou nadále zveřejňovány pravidelně každý rok s přírůstkem v podobě aktuálních publicistických dat, přičemž tento přírůstek bude označen hodnotou atributu ''<doc syn>'' rovnou verzi korpusu SYN, v níž se daný text objevil poprvé; například [[pojmy:subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 4 [[manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''syn=<nowiki>"</nowiki>v4<nowiki>"</nowiki>''.

===== Composition of the corpus SYN version 4 =====

^ <fs medium>Referential written language corpora (synchronic and general) ordered by date of creation</fs> ^^^^^^
^ corpus ^ size (words) ^ [[en:pojmy:lemma|lemmatization]] ^ [[en:pojmy:tag|morphological tags]] ^ publication year ^ corpus description ^
^ [[en:cnk:syn2015|SYN2015]] | 100 mil. |  YES  |  YES  |  2015  | representative corpus, mainly texts from the years 2010–2014|
^ [[en:cnk:syn2013PUB|SYN2013PUB]] | 935 mil. |  YES  |  YES  |  2013  | corpus of journalistic texts from the years 2005-2009 |
^ [[en:cnk:syn2010|SYN2010]] | 100 mil. |  YES  |  YES  |  2010  | representative corpus, mainly texts from the years  2005–2009|
^ [[en:cnk:syn2009PUB|SYN2009PUB]] | 700 mil. |  YES  |  YES  |  2010  | corpus of journalistic texts from the years 1995–2007 |
^ [[en:cnk:syn2006PUB|SYN2006PUB]] | 300 mil. |  YES  |  YES  |  2006  | corpus of journalistic texts from the years 1989–2004|
^ [[en:cnk:syn2005|SYN2005]] | 100 mil. |  YES  |  YES  |  2005  | representative corpus, mainly texts from the years  2000–2004|
^ [[en:cnk:syn2000|SYN2000]] | 100 mil. |  YES  |  YES  |  2000  | representative corpus, mainly texts from the years 1990–1999|

==== Journalism in SYN version 4 ====


Složení publicistické části korpusu SYN verze 4 pokrývá produkci hlavních celostátních deníků (//Mladá fronta DNES, Lidové noviny, Právo, Hospodářské noviny, Blesk, Sport//), regionálních deníků (především //Deníky Bohemia// a //Moravia// z produkce nakladatelství Vltava Labe Media) a nespecializovaných časopisů (//Reflex, Respekt, Týden//) v letech 1998--2014; celkový počet publicistických titulů je 176. Následující grafy ukazují složení korpusu SYN podle [[pojmy:txtype_group|hlavních textových typů]] v jednotlivých letech a nabízejí bližší pohled na složení publicistické části. 

[{{:cnk:slozeni_syn_v4.png?400|Composition of the corpus SYN version 4}}]

[{{:cnk:slozeni_syn_v4_pub.png?400|Composition of the journalistic part of the corpus SYN version 4}}]

====== Structure and annotation of the corpus SYN version 4 ======

Korpus SYN verze 4 se od svého předchůdce, korpusu [[cnk:syn:verze3|SYN verze 3]], výrazně liší ve [[pojmy:atributy_strukturni|strukturaci]] a [[pojmy:anotace|anotaci]] textů, které odpovídají korpusu [[cnk:syn2015|SYN2015]]. Změny se projevují jak převzetím [[cnk:syn2015#struktura_korpusu_a_strukturni_znacky|hierarchie strukturních značek SYN2015]] (např. původní ''<opus>'' byl nahrazen ''<doc>'', nově byl zaveden odstavec ''<p>'' atd.) a jejich atributů (např. původní ''<opus název>'' byl nahrazen ''<doc title>''), tak i [[cnk:klasifikace_textu_syn2015|klasifikace textů SYN2015]], která byla zpětně aplikována na všechny texty obsažené v korpusu SYN verze 4. Jedním z důsledků tohoto rozhodnutí bylo také vyřazení textů (především internetových periodik), které nesplňují [[cnk:syn2015#pojeti_psanosti_v_syn2015|zúžené pojetí psanosti]].

Tato shoda struktury a anotace s korpusem SYN2015 má pouze dvě výjimky:
  * korpus SYN verze 4 obsahuje navíc atribut ''<doc syn>'' pro [[cnk:syn#referencni_korpusy_jako_subkorpusy_v_syn|vytváření subkorpusů odpovídajících původním referenčním korpusům]];
  * podstatnou změnou je nahrazení [[pojmy:syntakticka_analyza|syntaktická anotace]] korpusu SYN2015 pilotní verzí **[[seznamy:frazemy|anotace frazémů]]**.

====== How to cite SYN version 4 ======

<WRAP round tip 70%>
Křen, M. – Cvrček, V. – Čapka, T. – Čermáková, A. – Hnátková, M. – Chlumská, L. – Jelínek, T. – Kováříková, D. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Škrabal, M. – Truneček, P. – Vondřička, P. – Zasina, A.: Corpus SYN, verison 4 z 16. 9. 2016. Ústav Českého národního korpusu FF UK, Praha 2016. 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. 
</WRAP>



 --- //Michal Křen, Olga Richterová//

====== Related links ======
<WRAP round box 50%>
[[en:cnk:syn|SYN]] • [[en:cnk:syn:verze3|SYN version 3]] • [[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>
Trace: • vaclavcvrcek • idiom • typ • gen1 • syn2013pub • containing • verze4 • klasifikace_textu_syn2015 • negace • akalex
Search

Navigation

Print/export

Tools

Languages

Licence
