Počítačové zpracování přirozeného jazyka

2. periodika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20-30%
3. brožury, letáčky, příručky, reklamy . . . . . . . . . . . . . . . . . . . . . . . 5-10%
4. dopisy, memoranda, zprávy, eseje . . . . . . . . . . . . . . . . . . . . . . . . 5-10%
5. mluvené texty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-10%
• je synchronní, tedy obsahuje výhradně texty ne starší než např. od r. 1987,
a vždy se uvádí datum, kdy byl text publikován poprvé,
• je obecný čili není specificky orientován na nějakou konkrétní oblast
nebo žánr a zahrnuje vzorky od všech věkových skupin, viz výše,
• je jednojazyčný – obsahuje jen vzorky pocházející od anglických (českých,...)
mluvčích.
• jsou zavedeny klasifikační rysy, které nesledují vyhraněné proporce a
jsou orientovány na pozdější využití korpusu (lze podle nich třídit a
vyhledávat v celém korpusu):
1. identifikátor vzorku
2. rozsah vzorku (počet slov), začátek a konec vzorku
3. rozsah textu příslušného typu (počet slov)
4. kompozice textu (hladký, složený, sbírka)
5. standardní bibliografický odkaz
6. datum vzniku
7. předmětná oblast
8. úroveň složitosti textu
9. autorství (individuální, společné, institucionální, neznámé)
10. pohlaví autora
11. věková skupina autora
12. etnická skupina autora
13. autorovo bydliště
14. věk cílové skupiny (na kterou je text orientován)
25