Korpusų apibrėžimas ir pavyzdžiai kalbotyroje
Gramatikos ir retorikos terminų žodynas
Pasak Tony McEnery ir kt., „vis labiau sutariama, kad korpusas yra (1) nuskaitomas mašininiu būdu (du) autentiškas tekstai (įskaitant žodinių duomenų nuorašus), tai yra (3) paimti mėginiai būti (4) atstovas tam tikros kalbos ar kalbos atmainos“ ( Korpusu pagrįstos kalbos studijos , 2006). („Monty Rakusen“ / „Getty Images“)
Į lingvistika , a korpusas yra kalbinių duomenų rinkinys (dažniausiai yra kompiuterinėje duomenų bazėje), naudojamas moksliniams tyrimams, mokslams ir mokymui. Taip pat vadinamas a teksto korpusas . Daugiskaita: korpusai .
Pirmasis sistemingai organizuotas kompiuterių korpusas buvo Browno universiteto standartinis šių dienų korpusas Amerikos anglų kalba (paprastai žinomas kaip Brown Corpus), sudarytas 1960 m kalbininkai Henry Kučera ir W. Nelson Francis.
Įžymūs anglų kalbos korpusai yra šie:
- Amerikos nacionalinis korpusas (ANC)
- Britų nacionalinis korpusas (BNC)
- Šiuolaikinės Amerikos anglų kalbos korpusas (COCA)
- Tarptautinis anglų kalbos korpusas (ICE)
Etimologija
Iš lotynų kalbos „kūnas“
Pavyzdžiai ir pastebėjimai
- „Autentiškos medžiagos“ judėjimas kalbų mokyme, atsiradęs devintajame dešimtmetyje, [pasitarė] plačiau naudoti tikro pasaulio arba „autentiškas“ medžiagas – medžiagas, kurios nėra specialiai sukurtos naudoti klasėje, nes buvo teigiama, kad tokia medžiaga atskleis besimokantiesiems pavyzdžiais natūrali kalba naudojimas paimtas iš realaus pasaulio kontekstų. Visai neseniai atsirado korpuso lingvistika ir susikūrė didelės apimties duomenų bazės arba korpusai Įvairių autentiškos kalbos žanrų atstovai pasiūlė tolesnį metodą, kaip teikti besimokantiems mokomąją medžiagą, atspindinčią autentiškos kalbos vartojimą.
(Jackas C. Richardsas, serijos redaktoriaus pratarmė. Korpusų naudojimas kalbų klasėje , pateikė Randi Reppen. Cambridge University Press, 2010)
“ Korpusas gali koduoti kalbą, sukurtą bet kokiu režimu – pavyzdžiui, yra sakytinės kalbos korpusai ir yra rašytinės kalbos korpusai. Be to, kai kurie vaizdo korpusai įrašo paralingvistinis funkcijų, tokių kaip gestas ..., ir buvo sukonstruoti gestų kalbos korpusai . . ..
„Kalbos rašytinę formą reprezentuojantys korpusai paprastai yra mažiausias techninis iššūkis. . . . „Unicode“ leidžia kompiuteriams patikimai saugoti, keistis ir rodyti tekstinę medžiagą beveik visose pasaulio rašymo sistemose, tiek dabartinėse, tiek išnykusiose. . . .
„Tačiau kalbėtojo korpuso medžiagai surinkti ir perrašyti reikia daug laiko. Kai kurios medžiagos gali būti renkamos iš tokių šaltinių kaip World Wide Web. . .. Tačiau tokie nuorašai kaip šie nebuvo sukurti kaip patikima medžiaga lingvistiniam šnekamosios kalbos tyrinėjimui. . . . [S]išsakyti korpuso duomenys dažniau gaunami registruojant sąveikas ir jas perrašant. Ortografinis ir/arba foneminis sakytinės medžiagos transkripcijos gali būti sudarytos į kalbos korpusą, kuriame galima ieškoti kompiuteriu.
(Tony McEnery ir Andrew Hardie, Korpuso lingvistika: metodas, teorija ir praktika . Cambridge University Press, 2012 m.)
“ Suderinamumas yra pagrindinis korpuso lingvistikos įrankis ir paprasčiausiai reiškia korpuso programinės įrangos naudojimą, norint rasti kiekvieną konkretaus žodžio ar frazės atvejį. . . . Naudodami kompiuterį dabar galime ieškoti milijonų žodžių per kelias sekundes. Paieškos žodis ar frazė dažnai vadinama „mazgu“, o atitikties eilutės paprastai pateikiamos su mazgo žodžiu / fraze eilutės centre, o septyni ar aštuoni žodžiai pateikiami abiejose pusėse. Jie žinomi kaip raktinio žodžio kontekste ekranai (arba KWIC atitikmenys).
(Anne O'Keeffe, Michaelas McCarthy ir Ronaldas Carteris, „Įvadas“. Nuo korpuso iki klasės: kalbos vartojimas ir kalbų mokymas . Cambridge University Press, 2007)
„1992 m. [Janas Svartvikas] įtakingo straipsnių rinkinio pratarmėje pristatė korpuso lingvistikos pranašumus. Jo argumentai čia pateikiami sutrumpinta forma:
- Korpuso duomenys yra objektyvesni nei duomenys, pagrįsti savistaba.
- Korpuso duomenis gali lengvai patikrinti kiti tyrėjai, o tyrėjai gali dalytis tais pačiais duomenimis, užuot visada rinkę savo.
- Korpuso duomenys reikalingi skirtumai tarp tarmės , registrai ir stiliai .
- Korpuso duomenys pateikia kalbinių elementų atsiradimo dažnumą.
- Korpuso duomenys pateikia ne tik iliustruojančius pavyzdžius, bet ir yra teorinis šaltinis.
- Korpuso duomenys suteikia esminės informacijos apie daugelį taikomųjų sričių, tokių kaip kalbos mokymas ir kalbos technologijos (mašininis vertimas, kalbos sintezė ir kt.).
- Korpusai suteikia visiškos atskaitomybės už kalbines ypatybes galimybę – analitikas turėtų atsižvelgti į viską, kas yra duomenyse, o ne tik į pasirinktas ypatybes.
- Kompiuterizuoti korpusai suteikia viso pasaulio mokslininkams prieigą prie duomenų.
- Korpuso duomenys idealiai tinka tiems, kuriems ši kalba nėra gimtoji.
(Svarvik 1992:8-10) Tačiau Svartvikas taip pat atkreipia dėmesį į tai, kad labai svarbu, kad korpuso lingvistas taip pat atidžiai analizuotų rankiniu būdu: retai pakanka vien skaičių. Jis taip pat pabrėžia, kad korpuso kokybė yra svarbi.
(Hansas Lindquistas, Korpuso lingvistika ir anglų kalbos aprašymas . Edinburgo universiteto leidykla, 2009 m.)
„Neskaitant pritaikymo lingvistiniuose tyrimuose per se , galima paminėti šiuos praktinius pritaikymus.
Leksikografija
Iš korpuso gauti dažnių sąrašai ir, ypač, konkordancijos, įsitvirtina kaip pagrindinės priemonės leksikografas . . . .
Kalba Mokymas
. . . Konkordansų, kaip kalbos mokymosi priemonių, naudojimas šiuo metu yra labai svarbus kompiuterinis kalbų mokymasis (CALL; žr. Johns 1986). . . .
Kalba Apdorojimas
Mašina vertimas yra vienas iš korpusų taikymo pavyzdžių, ką vadina kompiuterių mokslininkai natūralios kalbos apdorojimas . Be mašininio vertimo, pagrindinis NLP tyrimo tikslas yra kalbos apdorojimas ty kompiuterinių sistemų, galinčių automatiškai išvesti kalbą iš rašytinės įvesties, kūrimas ( kalbos sintezė ) arba kalbos įvestį konvertuoti į rašytinę formą ( kalbos atpažinimas ).' (Geoffrey N. Leech, „Korpusas“. Lingvistikos enciklopedija , red. pateikė Kirsten Malmkjaer. Routledge, 1995)