Definícia a príklady korpusov v lingvistike
Slovník gramatických a rétorických pojmov
Podľa Tonyho McEneryho a kol. existuje čoraz väčší konsenzus, že korpus je súbor (1) strojovo čitateľné (dva) autentické texty (vrátane prepisov hovorených údajov), čo je (3) vzorkovaný byť (4) reprezentatívny určitého jazyka alebo jazykovej odrody“ ( Jazykové štúdiá založené na korpusoch , 2006). (Monty Rakusen/Getty Images)
In lingvistika , a korpus je zbierka lingvistických údajov (zvyčajne obsiahnutých v počítačovej databáze) používaných na výskum, štipendium a výučbu. Tiež sa nazýva a textový korpus . množné číslo: korpusy .
Prvým systematicky organizovaným počítačovým korpusom bol Brown University Standard Corpus of Present-Day Americká angličtina (bežne známy ako Brown Corpus), zostavený v 60. rokoch 20. storočia lingvisti Henry Kučera and W. Nelson Francis.
Medzi významné korpusy v anglickom jazyku patria:
- Americký národný korpus (ANC)
- Britský národný korpus (BNC)
- Corpus of Contemporary American English (COCA)
- Medzinárodný korpus angličtiny (ICE)
Etymológia
Z latinčiny „telo“
Príklady a postrehy
- „Hnutie za „autentické materiály“ vo vyučovaní jazykov, ktoré sa objavilo v 80. rokoch 20. storočia [obhajovalo] väčšie používanie materiálov z reálneho sveta alebo „autentických“ materiálov – materiálov, ktoré nie sú špeciálne navrhnuté na použitie v triede – pretože sa tvrdilo, že takýto materiál by odhalil študentov k príkladom prirodzený jazyk použitie prevzaté z kontextu reálneho sveta. V poslednom čase vznik korpusovej lingvistiky a zakladanie rozsiahlych databáz resp korpusy rôznych žánrov autentického jazyka ponúkli ďalší prístup k poskytovaniu učebných materiálov, ktoré odrážajú autentické používanie jazyka.
(Jack C. Richards, Predslov editora série. Používanie korpusov v jazykovej učebni , od Randi Reppen. Cambridge University Press, 2010)
' Corpora môže kódovať jazyk vytvorený v akomkoľvek režime - napríklad existujú korpusy hovoreného jazyka a korpusy písaného jazyka. Okrem toho niektoré video korpusy nahrávajú paralingvistický vlastnosti ako napr gesto ... a boli vytvorené korpusy posunkového jazyka. . ..
„Korpory reprezentujúce písomnú formu jazyka zvyčajne predstavujú najmenšiu technickú výzvu na zostavenie. . . . Unicode umožňuje počítačom spoľahlivo ukladať, vymieňať a zobrazovať textový materiál v takmer všetkých systémoch písania na svete, súčasných aj zaniknutých. . . .
„Zhromažďovanie a prepisovanie materiálu na hovorený korpus je však časovo náročné. Niektoré materiály môžu byť získané zo zdrojov ako World Wide Web. . .. Takéto prepisy však neboli navrhnuté ako spoľahlivé materiály na lingvistické skúmanie hovoreného jazyka. . . . [S]hovorené korpusové dáta sa častejšie vyrábajú zaznamenávaním interakcií a ich následným prepisom. Pravopisný a/alebo fonematický prepisy hovorených materiálov možno zostaviť do korpusu reči, ktorý je možné vyhľadávať pomocou počítača.“
(Tony McEnery a Andrew Hardie, Korpusová lingvistika: metóda, teória a prax . Cambridge University Press, 2012)
' Zhoda je základným nástrojom v korpusovej lingvistike a jednoducho znamená použitie korpusového softvéru na nájdenie každého výskytu konkrétneho slova alebo frázy. . . . Pomocou počítača teraz môžeme vyhľadávať milióny slov za pár sekúnd. Hľadané slovo alebo fráza sa často označuje ako „uzol“ a riadky zhody sú zvyčajne prezentované so slovom/frázou uzla v strede riadku so siedmimi alebo ôsmimi slovami na každej strane. Sú známe ako zobrazenia kľúčových slov v kontexte (alebo konkordancie KWIC).“
(Anne O'Keeffe, Michael McCarthy a Ronald Carter, 'Úvod.' Od korpusu po triedu: Používanie jazyka a výučba jazykov . Cambridge University Press, 2007)
„V roku 1992 [Jan Svartvik] predstavil výhody korpusovej lingvistiky v predhovore k vplyvnému zborníku príspevkov. Jeho argumenty sú tu uvedené v skrátenej forme:
- Korpusové dáta sú objektívnejšie ako dáta založené na introspekcii.
- Korpusové údaje môžu byť ľahko overené inými výskumníkmi a výskumníci môžu zdieľať rovnaké údaje namiesto toho, aby vždy zostavovali svoje vlastné.
- Korpusové údaje sú potrebné pre štúdie variácií medzi dialekty , registrov a štýlov .
- Korpusové údaje poskytujú frekvenciu výskytu lingvistických položiek.
- Korpusové údaje neposkytujú len názorné príklady, ale sú teoretickým zdrojom.
- Korpusové údaje poskytujú základné informácie pre množstvo aplikovaných oblastí, ako je výučba jazykov a jazykové technológie (strojový preklad, syntéza reči atď.).
- Korpusy poskytujú možnosť úplnej zodpovednosti za lingvistické prvky - analytik by mal brať do úvahy všetko v údajoch, nielen vybrané prvky.
- Počítačové korpusy poskytujú výskumníkom z celého sveta prístup k údajom.
- Korpusové údaje sú ideálne pre nerodilých hovorcov daného jazyka.
(Svarvik 1992:8-10) Svartvik však tiež poukazuje na to, že je veľmi dôležité, aby sa korpusový lingvista tiež venoval starostlivej manuálnej analýze: len čísla zriedka stačia. Zdôrazňuje tiež, že dôležitá je kvalita korpusu.“
(Hans Lindquist, Korpusová lingvistika a popis angličtiny . Edinburgh University Press, 2009)
„Okrem aplikácií v lingvistickom výskume ako také možno uviesť nasledujúce praktické aplikácie.
Lexikografia
Frekvenčné zoznamy odvodené od korpusu a najmä konkordancie sa etablujú ako základné nástroje pre lexikograf . . . .
Jazyk Vyučovanie
. . . Používanie konkordancií ako nástrojov jazykového vzdelávania je v súčasnosti hlavným záujmom počítačom podporovaného jazykového vzdelávania (CALL; pozri Johns 1986). . . .
Reč Spracovanie
Stroj preklad je jedným z príkladov aplikácie korpusov pre to, čo informatici nazývajú spracovanie prirodzeného jazyka . Okrem strojového prekladu je hlavným cieľom výskumu pre NLP spracovanie reči to znamená vývoj počítačových systémov schopných vydávať automaticky produkovanú reč z písaného vstupu ( syntéza reči ), alebo prevod hlasového vstupu do písanej formy ( rozpoznávanie reči ).' (Geoffrey N. Leech, 'Corpora.' Lingvistická encyklopédia ed. od Kirsten Malmkjaer. Routledge, 1995)