Definisjon og eksempler på Corpora i lingvistikk
Ordliste over grammatiske og retoriske termer
I følge Tony McEnery et al., er det 'en økende konsensus om at et korpus er en samling av (1) maskinlesbar (to) autentisk tekster (inkludert transkripsjoner av talte data), som er (3) samplet å være (4) representant av et bestemt språk eller språkvariant' ( Korpusbaserte språkstudier , 2006). (Monty Rakusen/Getty Images)
I lingvistikk , a korpus er en samling av språklige data (vanligvis inneholdt i en datadatabase) som brukes til forskning, stipend og undervisning. Også kalt a tekstkorpus . Flertall: korpus .
Det første systematisk organiserte datakorpuset var Brown University Standard Corpus of Present-Day amerikansk engelsk (ofte kjent som Brown Corpus), kompilert på 1960-tallet av lingvister Henry Kučera og W. Nelson Francis.
Bemerkelsesverdige engelskspråklige korpus inkluderer følgende:
- The American National Corpus (ANC)
- British National Corpus (BNC)
- Corpus of Contemporary American English (COCA)
- The International Corpus of English (ICE)
Etymologi
Fra latin, 'kropp'
Eksempler og observasjoner
- 'Autentisk materiale'-bevegelsen i språkundervisningen som dukket opp på 1980-tallet [forfektet] en større bruk av virkelige eller 'autentiske' materialer - materialer som ikke er spesielt designet for klasseromsbruk - siden det ble hevdet at slikt materiale ville avsløre elever til eksempler på naturlig språk bruk hentet fra virkelige kontekster. Mer nylig fremveksten av korpuslingvistikk og etablering av store databaser eller korpus av ulike sjangere av autentisk språk har tilbudt en ytterligere tilnærming til å gi elever undervisningsmateriell som gjenspeiler autentisk språkbruk.'
(Jack C. Richards, serieredaktørens forord. Bruke Corpora i språkklasserommet , av Randi Reppen. Cambridge University Press, 2010)
' Corpora kan kode språk produsert i hvilken som helst modus - for eksempel er det korpus av talespråk og det er korpus av skriftspråk. I tillegg en del videokorpora paralingvistisk funksjoner som gest ..., og korpus av tegnspråk er konstruert. . ..
'Corpora som representerer den skriftlige formen til et språk, utgjør vanligvis den minste tekniske utfordringen å konstruere. . . . Unicode lar datamaskiner på en pålitelig måte lagre, utveksle og vise tekstmateriale i nesten alle verdens skrivesystemer, både nåværende og utdødde. . . .
«Material for et talt korpus er imidlertid tidkrevende å samle inn og transkribere. Noe materiale kan være samlet inn fra kilder som World Wide Web. . .. Avskrifter som disse er imidlertid ikke utformet som pålitelige materialer for språklig utforskning av talespråk. . . . [S]poken korpusdata produseres oftere ved å registrere interaksjoner og deretter transkribere dem. Ortografisk og/eller fonemisk transkripsjoner av talt materiale kan settes sammen til et korpus av tale som er søkbart på datamaskin.'
(Tony McEnery og Andrew Hardie, Korpuslingvistikk: Metode, teori og praksis . Cambridge University Press, 2012)
' Overensstemmende er et kjerneverktøy i korpuslingvistikk, og det betyr ganske enkelt å bruke korpusprogramvare for å finne hver forekomst av et bestemt ord eller uttrykk. . . . Med en datamaskin kan vi nå søke i millioner av ord på sekunder. Søkeordet eller -frasen blir ofte referert til som 'node', og konkordanslinjer presenteres vanligvis med nodeordet/frasen i midten av linjen med sju eller åtte ord presentert på hver side. Disse er kjent som Key-Word-in-Context-skjermer (eller KWIC-konkordanser).'
(Anne O'Keeffe, Michael McCarthy og Ronald Carter, 'Introduksjon.' Fra korpus til klasserom: Språkbruk og språkopplæring . Cambridge University Press, 2007)
«I 1992 presenterte [Jan Svartvik] fordelene med korpuslingvistikk i et forord til en innflytelsesrik artikkelsamling. Hans argumenter er gitt her i forkortet form:
– Korpusdata er mer objektive enn data basert på introspeksjon.
– Korpusdata kan enkelt verifiseres av andre forskere og forskere kan dele de samme dataene i stedet for alltid å kompilere sine egne.
– Korpusdata trengs for studier av variasjon mellom dialekter , registrerer og stiler .
- Korpusdata gir frekvensen av forekomst av språklige gjenstander.
– Korpusdata gir ikke bare illustrerende eksempler, men er en teoretisk ressurs.
- Korpusdata gir viktig informasjon for en rekke anvendte områder, som språkundervisning og språkteknologi (maskinoversettelse, talesyntese osv.).
- Corpora gir mulighet for total ansvarlighet for språklige funksjoner - analytikeren bør redegjøre for alt i dataene, ikke bare utvalgte funksjoner.
– Datastyrte korpus gir forskere over hele verden tilgang til dataene.
- Korpusdata er ideelle for språket som ikke har morsmål.
(Svarvik 1992:8-10) Svartvik påpeker imidlertid også at det er avgjørende at korpuslingvisten også driver nøye manuell analyse: rene figurer er sjelden nok. Han understreker også at kvaliteten på korpuset er viktig.'
(Hans Lindquist, Corpus Linguistics and the Description of English . Edinburgh University Press, 2009)
«Bortsett fra anvendelsene i språkforskning per se , kan følgende praktiske anvendelser nevnes.
Leksikografi
Korpus-avledede frekvenslister og, mer spesielt, konkordanser etablerer seg som grunnleggende verktøy for leksikograf . . . .
Språk Undervisning
. . . Bruk av konkordanser som språklæringsverktøy er for tiden en stor interesse for dataassistert språklæring (CALL; se Johns 1986). . . .
Tale Behandling
Maskin oversettelse er ett eksempel på bruken av korpus for det informatikere kaller naturlig språkbehandling . I tillegg til maskinoversettelse er et stort forskningsmål for NLP talebehandling , det vil si utviklingen av datasystemer som er i stand til å sende ut automatisk produsert tale fra skriftlig input ( talesyntese ), eller konvertere taleinndata til skriftlig form ( talegjenkjenning ).' (Geoffrey N. Leech, 'Corpora.' The Linguistic Encyclopedia , red. av Kirsten Malmkjær. Routledge, 1995)