SYN v14: korpus současné psané češtiny

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11210%2F25%3A10509068" target="_blank" >RIV/00216208:11210/25:10509068 - isvavai.cz</a>

Výsledek na webu

<a href="https://wiki.korpus.cz/doku.php/cnk:syn:verze14" target="_blank" >https://wiki.korpus.cz/doku.php/cnk:syn:verze14</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

SYN v14: korpus současné psané češtiny

Popis výsledku v původním jazyce

Synchronní korpus o celkovém rozsahu 5,48 mld. textových slov (tj. 6,6 mld. tokens), který zachycuje psanou češtinu především z let 1990-2024. Obsahuje převážně texty publicistické, ačkoli zahrnuje také velké množství dalších textových typů (beletrii, oborovou literaturu). Korpus je plně automaticky lemmatizován a morfologicky označkován podle anotačního standardu ČNK, u každého textu jsou uvedeny podrobné bibliografické a další údaje včetně jeho příslušnosti ke klasifikaci textů. Rozdíl oproti předchozí verzi, korpusu SYN v13, spočívá jednak v aktualizaci publicistiky (přidání textů z roku 2024 v rozsahu přes 100 mil. textových slov), dále ve vylepšení lemmatizace a morfologického značkování a především ve zcela nové anotací víceslovných jednotek..

Název v anglickém jazyce

SYN v14: corpus of contemporary written Czech

Popis výsledku anglicky

Corpus of contemporary written Czech sized 5.48 billion running words (i.e. 6.6 billion tokens). It covers mostly the period of 1990-2024. SYN v14 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 following the unified CNC annotation scheme. The main differences when compared to its predecessor, SYN v13, lie in the update of the newspaper part (added texts from 2024 sized 100+ million running words), improved lemmatization and morphological tagging, and most importantly, a brand new annotation of multiword expressions..

Druh

X - Nezařazeno

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

2025

Kód důvěrnosti údajů

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