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~~
====== Corpus SYN version 4 ======

<WRAP right 35%>
^ <fs medium>Name</fs> ^^ <fs medium>SYN version 4</fs> ^
^ [[pojmy:atributy_pozicni|Position]] ^ Number of tokens |  4 349 023 692 |  
^ ::: ^ Number of tokens without punctuation  |  3 626 417 275 |  
^ ::: ^ Number of [[en:pojmy:word|word forms]]  |  10 506 034 |  
^ ::: ^ Number of [[en:pojmy:lemma|lemmas]] |  7 427 573 |
^ [[en:pojmy:atributy_strukturni|Structures]] ^ Number of [[en:pojmy:doc|documents]] |  87 653 |
^ ::: ^ Number of [[en:pojmy:atributy_strukturni|texts]]|  14 097 711 |
^ ::: ^ Number of sentences |  275 182 453 |
^ Other information ^ [[en:pojmy:referencni|Referential]] |  YES |  
^ ::: ^ [[en:pojmy:reprezentativnost|Representative]] |  NO (predominantly journalism) |  
^ ::: ^ Publication year |  2016 |
</WRAP>

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]],[[en:cnk:syn2013pub|SYN2013PUB]] and [[cnk:syn2015|SYN2015]]; it additionally contains an **as yet unpublished journalistic component predominantly from the years 2010–2014** in yearly volumes exceeding 200 mil. words.

Because all of these corpora are **disjunctive** (i.e. they do not contain the same texts), the total size of the SYN version 4 is given by their sum, which makes 3,626 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]], [[en:cnk:syn2013pub|SYN2013PUB]] and the journalistic component from the years 2010–2014.

The SYN version 4 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 It is however necessary to keep in mind that the linguistic information will become outdated, as a natural result of the referential nature of the corpus. Individual versions of the corpus SYN will continue to be published regularly every year with the addition of current journalistic data, and every new addition will be given the attribute value ''<doc syn>'' equal to the version of the SYN corpus in which the given text first appeared; for example a [[en:pojmy:subkorpus|subcorpus]] corresponding to the above mentioned (as yet unpublished) journalistic component can be [[en:manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|created]] from the SYN version 4  with the help of the condition ''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 ====


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, Sport//), regional daily newspapers (chiefly //Deníky Bohemia// and //Moravia// published by Vltava Labe Media) and non-specialized magazines (//Reflex, Respekt, Týden//) fron the years 1998--2014; the total number of journalistic titles is 176. The following graphs show the composition of the SYN corpus based on the [[en:pojmy:txtype_group|main text types]] over the years and offer a closer look at the composition of the journalistic section. 

[{{: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: • verze5 • vaclavcvrcek • pos • verze4 • gen1 • semanticka_preference • containing • ortofon • proc • jirimilicka
Search

Navigation

Print/export

Tools

Languages

Licence
