Cílem práce je sestavit paralelní (srovnatelný) korpus na základě editací Wikipedie, které prokazatelně přebírají a jsou překlady textů z jiných jejích jazykových mutací. Často se překládají i celé stránky z anglické do české Wikipedie a v takových případech musí být toto převzetí správně indikováno v textu. Vyžaduje to jak licence Wikipedie, tak editorská kultura.

Student se seznámí se strukturou databáze Wikipedie, zejména se systémem pro správu verzí stránek. Pomocí skriptů extrahuje všechny takové editace, které jsou prokazatelně překlady a vytvoří z nich zarovnané texty. Hlavní jazykový pár bude angličtina a čeština, nicméně skripty by měly umět extrahovat paralelní (srovnatelná) data i pro jiné jazykové páry. Takto extrahované texty následně student upraví do podoby zarovnaných vertikálních souborů, ze kterých se vytvoří paralelní (srovnatelný) korpus pro nástroj Sketch Engine, který se vyvíjí ve spolupráci s Centrem pro zpracování přirozeného jazyka na Fakultě informatiky.

Práce bude psána anglicky.