Reprezentativnost a vyváženost jsou v korpusové lingvistice často používané, ale nejednoznačně definované pojmy dotýkající se vztahu mezi korpusem (jako vybraným vzorkem jazyka) a jazykovou realitou (jako celou populací). Je třeba zdůraznit, že žádný korpus nepokrývá kompletní spektrum užití příslušného jazyka a že problém reprezentativnosti dosud nebyl uspokojivě vyřešen. V porovnání s metodami introspekce či náhodným výběrem dokladů určitého jevu ovšem využití korpusů představuje výrazné přiblížení požadavku opakovatelnosti a ověřitelnosti výzkumů.
Obecně lze říci, že korpus je vzhledem k jazyku (resp. k jeho části, např. jazyku psanému) reprezentativní, obsahuje-li v dostatečném množství texty všech jeho variet. Odpovídají-li navíc poměry mezi varietami v korpusu jejich poměrům v reálném úzu, jedná se zároveň o korpus vyvážený právě z hlediska užívání. Specifickou definici zavádí D. Biber, který reprezentativnost ztotožňuje s tím, do jaké míry vzorek (korpus) postihuje rozsah variability přítomný v populaci.1) V jiných přístupech se však pojmy reprezentativnost a vyváženost zaměňují.
Tyto problémy přinášejí řadu praktických otázek pro výstavbu korpusu: jaké množství textů je dostatečné, jak vymezit všechny jednotlivé variety, a hlavně jak zjistit poměry jejich zastoupení v úzu? Reprezentativnost korpusu je proto třeba chápat jako deziderátum, zároveň se však jedná o úlohu, která současnými metodami a prostředky není zcela uspokojivě řešitelná. Symptomatické pro tento typ problémů je i to, že neexistuje způsob, jak objektivně měřit reprezentativnost, tedy míru, v níž korpus jazyku odpovídá.
Na druhé straně je však reprezentativnost a vyváženost korpusů nezbytná proto, že bez nich nelze korpusová data interpretovat ve vztahu k jazyku, tj. udělat nutný krok od popisu dat v korpusu k popisu jazyka. To umožňují právě principy reprezentativnosti a vyváženosti. Mezi korpusem a jazykovou realitou je tedy vztah, který nezbývá než korigovat (nutně subjektivní) intuicí.
Reprezentativnost a vyváženost psaných korpusů řady SYN v ČNK se v průběhu let vyvíjela. Korpusy aspirující na reprezentativnost vydané do roku 2010 včetně (SYN2000, SYN2005 a SYN2010) opírají svoje složení o řadu průzkumů, které se pokoušely různými způsoby kvantifikovat recepci psaných textů běžnými čtenáři. Tento způsob zjišťování proporcí jednotlivých žánrů a textových typů má celou řadu praktických i metodologických problémů (je např. otázka, do jaké míry a jak přesně jsou mluvčí schopni reflektovat svoje vlastní čtenářství v průběhu delšího úseku); klíčová je rovněž otázka zastarávání takovýchto průzkumů (a potřeby jejich neustále aktualizace) stejně jako jejich finanční a organizační náročnost.
Počínaje korpusem SYN2015 byla s revizí klasifikace textů přepracována i koncepce vyvažování korpusu2), která spíše než proporce jednotlivých textových typů zohledňuje jejich klasifikaci a hierarchii. Na základě zkušeností z předchozích korpusů tak neabsolutizuje nějaký konkrétní poměr textů určitého typu, ale staví jednotlivé kategorie textů na stejnou úroveň a snaží se o rovnoměrné zastoupení. Rezignuje tím na vyváženost (proporce stanovené arbitrárně pro jednotlivé kategorie nemusí odpovídat jejich zastoupení v populaci), avšak při zachování reprezentativnosti (každý hlavní typ textu by měl být v korpusu zastoupen). Zodpovědnost za sestavení korpusu se tak do určité míry přesouvá na uživatele, který zároveň dostává v rozhraní KonText k dispozici nástroje na tvorbu vlastního subkorpusu se složením, které by líp reflektovalo jeho aktuální výzkumné potřeby.
Situace u mluvených korpusů (řady Oral a Ortofon) je výrazně limitována množstvím dostupných dat. Pokud to sesbíraný materiál dovoloval, byly korpusy uspořádány tak, aby byly vyvážené z hlediska zastoupení hlavních sociolingvistických kategorií (pohlaví, věk, vzdělání a oblast pobytu mluvčího v dětství.). V zásadě se tak stejně jako v případě korpusů psaných (od SYN2015 dále) preferuje vyváženost jednotlivých kategorií mluvčích (viz popis korpusu Ortofon) na úkor demografických proporcí.
Specializované korpusy nereprezentují jazykový úzus jako celek, ale informují nás o velmi specifickém užití jazyka, vzhledem k němuž můžou být – jsou-li kvalitně zpracovány – reprezentativní.
Příklady: