SYN v12: korpus současné psané češtiny

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11210%2F23%3A10472991" target="_blank" >RIV/00216208:11210/23:10472991 - isvavai.cz</a>

Výsledek na webu

<a href="https://wiki.korpus.cz/doku.php/cnk:syn:verze12" target="_blank" >https://wiki.korpus.cz/doku.php/cnk:syn:verze12</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

SYN v12: korpus současné psané češtiny

Popis výsledku v původním jazyce

Synchronní korpus o celkovém rozsahu přes 5 mld. textových slov (tj. více něž 6 mld. tokens), který zachycuje psanou češtinu především z let 1990-2022. Obsahuje převážně texty publicistické, ačkoli zahrnuje také velké množství dalších textových typů (beletrii, oborovou literaturu). Korpus je lemmatizován a morfologicky označkován kombinací stochastických a pravidlových metod, u každého textu jsou uvedeny podrobné bibliografické a další údaje včetně jeho příslušnosti ke klasifikaci textů. Rozdíl oproti předchozí verzi, korpusu SYN v11, spočívá jednak v aktualizaci publicistiky (přidání textů z roku 2022 v rozsahu cca 150 mil. textových slov) a jednak ve vylepšení lemmatizace a morfologického značkování.

Název v anglickém jazyce

SYN v12: corpus of contemporary written Czech

Popis výsledku anglicky

Corpus of contemporary written Czech sized over 5 billion running words (i.e. more than 6 billion tokens). It covers mostly the period of 1990-2022. SYN v12 features rich metadata including detailed bibliographical information, revised text-type classification etc. Although it contains a wide range of text types (fiction, non-fiction, newspapers), the newspapers prevail noticeably. The corpus is lemmatized and morphologically annotated by a combination of stochastic and rule-based methods. The main differences when compared to its predecessor, SYN v11, lie in the update of the newspaper part (added texts from 2022 sized ca 150 million running words), as well as in the improved lemmatization and morphological tagging.

Druh

R - Software

CEP obor

—

OECD FORD obor

60203 - Linguistics

Projekt

<a href="/cs/project/LM2023044" target="_blank" >LM2023044: Český národní korpus</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

SYN v12

Technické parametry

https://wiki.korpus.cz/doku.php/cnk:syn:verze12

Ekonomické parametry

Korpus je veřejně dostupný především přes rozhraní KonText na https://www.korpus.cz/kontext/ , průměrný počet uživatelských dotazů činí přes 100 denně.

IČO vlastníka výsledku

00216208

Název vlastníka

Univerzita Karlova