SYN v13: korpus současné psané češtiny

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11210%2F24%3A10489363" target="_blank" >RIV/00216208:11210/24:10489363 - isvavai.cz</a>

Výsledek na webu

<a href="https://wiki.korpus.cz/doku.php/cnk:syn:verze13" target="_blank" >https://wiki.korpus.cz/doku.php/cnk:syn:verze13</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

SYN v13: korpus současné psané češtiny

Popis výsledku v původním jazyce

Synchronní korpus o celkovém rozsahu 5,3 mld. textových slov (tj. 6,4 mld. tokens), který zachycuje psanou češtinu především z let 1990-2023. 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 v12, spočívá jednak v aktualizaci publicistiky (přidání textů z roku 2023 v rozsahu přes 100 mil. textových slov) a jednak ve vylepšení lemmatizace a morfologického značkování.

Název v anglickém jazyce

SYN v13: corpus of contemporary written Czech

Popis výsledku anglicky

Corpus of contemporary written Czech sized 5.3 billion running words (i.e. 6.4 billion tokens). It covers mostly the period of 1990-2023. SYN v13 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 v12, lie in the update of the newspaper part (added texts from 2023 sized 100+ 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

2024

Kód důvěrnosti údajů

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

Interní identifikační kód produktu

SYN v13

Technické parametry

https://wiki.korpus.cz/doku.php/cnk:syn:verze13

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