Целесообразность создания текстовых корпусов объясняется:
История [ | ]
Первым большим компьютерным корпусом считается Брауновский корпус (БК, англ. Brown Corpus , BC), который был создан в 1960-е годы в Университете Брауна и содержал 500 фрагментов текстов по 2 тысячи слов в каждом, которые были опубликованы на английском языке в США в 1961 году. В результате он задал стандарт в 1 млн словоупотреблений для создания представительных корпусов на других языках. По модели близкой к БК в 1970-е годы был создан частотный словарь русского языка Засориной , построенный на основе корпуса текстов объёмом также в 1 миллион слов и включавший примерно в равной пропорции общественно-политические тексты, художественную литературу, научные и научно-популярные тексты из разных областей и драматургию. По аналогичной модели был построен и русский корпус, созданный в 1980-е годы в Университете Уппсалы , Швеция.
Размер в один миллион слов достаточен для лексикографического описания только самых частотных слов, поскольку слова и грамматические конструкции средней частоты встречаются по несколько раз на миллион слов (со статистической точки зрения язык является большим набором редких событий). Так, каждое из таких обыденных слов, как англ. polite (вежливый) или англ. sunshine (солнечный свет) встречается в БК всего 7 раз, выражение англ. polite letter лишь один раз, а такие устойчивые выражения как англ. polite conversation, smile, request - ни разу.
По этим причинам, а также в связи с ростом компьютерных мощностей, способных работать с большими объёмами текстов, в 1980-е годы в мире было предпринято несколько попыток создать корпусы большего размера. В Великобритании такими проектами были Банк Английского (Bank of English) в Бирмингемском университете и Британский национальный корпус (British National Corpus , BNC). В СССР таким проектом был Машинный фонд русского языка , создававшийся по инициативе А. П. Ершова .
Современное состояние [ | ]
Наличие большого количества текстов в электронной форме существенно облегчило задачу создания больших представительных корпусов размером в десятки и сотни миллионов слов, но не ликвидировало проблем: сбор тысяч текстов, снятие проблем с авторскими правами, приведение всех текстов в единую форму, балансировка корпуса по темам и жанрам отнимают много времени. Представительные корпусы существуют (или разрабатываются) для немецкого, польского, чешского, словенского, финского, новогреческого, армянского, китайского, японского, болгарского и других языков.
Проблемы [ | ]
Проблема представительности [ | ]
Корпус состоит из конечного числа текстов, но он призван адекватно отражать лексикограмматические феномены, типичные для всего объёма текстов в соответствующем языке (или подъязыке). Для представительности важен как размер, так и структура корпуса. Представительный размер зависит от задачи, поскольку он определяется тем, как много примеров может быть найдено для исследуемых феноменов. В связи с тем, что со статистической точки зрения язык содержит большое число относительно редких слов (Закон Ципфа), для исследования первых пяти тысяч наиболее частотных слов (например, убыток, извиняться ) требуется корпус размером около 10-20 миллионов словоупотреблений, в то время как для описания первых двадцати тысяч слов (незатейливый, сердцебиение, роиться ) уже требуется корпус свыше ста миллионов словоупотреблений.
Проблема разметки [ | ]
К первичной разметке текстов относятся этапы, обязательные для каждого корпуса:
- токенизация (разбиение на орфографические слова)
- лемматизация (приведение словоформ к словарной форме)
Проблема представления результатов [ | ]
В больших корпусах возникает проблема, которая ранее была неактуальной: поиск по запросу может выдавать сотни и даже тысячи результатов (контекстов употребления), которые просто физически невозможно просмотреть в ограниченное время. Для решения этой проблемы разрабатываются системы, позволяющие группировать результаты поиска и автоматически разбивать их на подмножества (кластеризация результатов поиска), либо выдающие наиболее устойчивые словосочетания (коллокации) со статистической оценкой их значимости.
Веб как корпус [ | ]
Использование поисковых машин [ | ]
В качестве корпуса может использоваться множество текстов, доступных в интернете (то есть миллиарды словоупотреблений для основных мировых языков). Для лингвистов самым распространенным способом работы с Интернетом остаётся составление запросов к поисковой машине и интерпретация результатов либо по числу найденных страниц, либо по первым возвращенным ссылкам. В английском языке такая методология получила название англ. Googleology , для русского более подходящим названием может стать Яндексология . Необходимо отметить, что такой подход годится для решения ограниченного класса задач, так как средства разметки текстов, используемые в вебе, не описывают ряд лингвистических особенностей текста (указание ударений , грамматических классов, границ словосочетаний и т. д.). Кроме того, дело осложняется малой распространённостью семантической вёрстки .
Использование веб-страниц [ | ]
Второй способ заключается в автоматическом извлечении большого количества страниц из Интернета и их дальнейшем использовании в качестве обычного корпуса, что дает возможность провести его разметку и использовать лингвистические параметры в запросах. Этот способ позволяет быстро создать представительный корпус для любого языка в достаточной степени представленного в Интернете, но его жанровое и тематическое разнообразие будет отражать интересы пользователей Интернета .
Всё большую популярность в научной среде получает использование Википедии - как корпуса текстов .
Проект Татоэба [ | ]
В 2006 году появился сайт Татоэба (Tatoeba), позволяющий на свободной основе добавлять новые и изменять существующие предложения на различных языках, связанные между собой по смыслу. В его основу лёг лишь англо-японский корпус, а уже сейчас число языков превышает 80, а число предложений - 600000 . Любой желающий может добавлять новые предложения и их переводы, а при необходимости - бесплатно скачать целиком или частично все языковые корпусы.
Существует несколько проектов, ориентированных на разработку удобного поискового интерфейса и обеспечения разнообразных возможностей поиска. В рамках этих проектов разрабатываются корпуса сразу на многих языках. Эти проекты интересны тем, что в них можно искать по морфологическим параметрам, получать квантитативную информацию, например о частоте употребления языкового выражения по разным жанрам, информацию о наиболее типичной сочетаемости некоторого языкового выражения или же синтаксическую информацию.
Корпуса, созданные Марком Дэвисом
Ряд корпусов английского языка, а также испанский и португальский корпус созданы профессором корпусной лингвистики Марком Дэвисом. Интерфейс к ним позволяет осуществлять удобный поиск по корпусам очень большого объема. Все они снабжены морфологической аннотацией. Возможен поиск с использованием специальных символов для неточного поиска. Искать можно по слову, словосочетанию из 2-х слов, грамматической конструкции, сравнивать синонимы. Эти корпуса также имеют некоторые интересные и уникальные возможности поиска. Во-первых, в них можно запрашивать информацию о синонимических группах слов, а также искать по спискам, задаваемым самим пользователем. Во-вторых, в них предоставляется информация о распределении частоты употребления искомого языкового выражения по жанрам и по годам. Подробнее о корпусах Марка Дэвиса смотри ниже.
Корпуса проекта VISL
Проект VISL Института языка и коммуникации (Institute of Language and Communication (ISK)) Университета южной Дании представляет собой исследования в области машинных ресурсов для обучения и анализа языков, разработку различных программ автоматической обработки текстов. В рамках этого проекта разрабатывается инструментарий для обучения языку и для лингвистических исследований, включая морфологические и синтаксические анализаторы, системы машинного перевода для большого количества языков. Для этих целей используются корпуса анализируемых в рамках проекта языков, размеченные морфологически, некоторые из них имеют и синтаксическую разметку. Это корпуса английского, немецкого, французского, датского, эсперанто, эстонского, португальского языков. Поскольку фокус исследований в рамках данного проекта — разработка инструментария, то авторы корпусов не ставят целью обеспечить сбалансированные представительные корпуса для анализируемых языков. Для многих языков корпуса представляют собой тексты Википедии либо соответствующую часть мультиязычного корпуса текстов документов Европарламента.
Корпуса, доступные с сайта университета Лидс
С сайта университета Лидс доступно большое количество корпусов. Это коллекции корпусов английского языка, корпусов русских текстов, корпусов китайского языка, Интернет-корпуса для многих других языков. Полный список корпусов можно найти по адресу http://corpus.leeds.ac.uk/list.html .
Поисковый интерфейс предоставляет интересные возможности. Он позволяет вести очень точный поиск, поскольку дает возможность использовать специальный язык запросов. Кроме того, результаты легко копируются в таблицу Excel. Можно также получить информацию о коллокациях, в которые входят интересующие пользователя языковые выражения (слова и словосочетания).
Закрыть раздел
Существует достаточно много корпусов английского языка. Некоторые из них упоминаются
почти в каждом учебнике по корпусной лингвистике и на любом сайте, посвященном корпусам.
Однако многие из них платные, и доступ к ним затруднен. Есть и доступные корпуса с
удобным поисковым интерфейсом. Целая серия общедоступных английских корпусов — это
корпуса, созданные Марком Дэвисом. Со списком этих корпусов можно ознакомиться по
адресу, приведенному выше. Все они имеют одинаковый поисковый интерфейс, обеспечивающий
поиск по разнообразным параметрам. Следует также отметить собрание корпусов, доступных с
сайта университета Лидс.
Разметка и возможности поиска
Корпус включает морфологическую и синтаксическую разметку.
Закрыть раздел
Закрыть раздел
Закрыть раздел
Разметка и возможности поиска
Возможен поиск по различным подкорпусам. Выдача ограничена до 500 предложений. Длина выдаваемого контекста до 200 символов. Какая-либо разметка, кроме метатекстовой, отсутствует. Поиск по лемме отсутствует, возможен только поиск по точной форме. Можно использовать подстановочные знаки для «неточного поиска» (например, на запрос “bon+ ” получить следующие формы bon, bons, bonne, bonnes) .
Закрыть раздел
Разметка и возможности поиска
Есть лемматизация и морфологическая разметка. Тексты Европарламента имеют синтаксическую разметку, т.е. для французского языка в рамках проекта VISL представлен банк синтаксических деревьев. Поиск осуществляется поисковым интерфейсом, разработанным в рамках данного проекта с использованием специального языка запросов. Поиск возможен по словам, словосочетаниям, морфологическим и синтаксическим характеристикам.
Закрыть раздел
Закрыть раздел
Исторический корпус испанского языка CORPUS DEL ESPAСOL
Общая характеристика, состав
Исторический корпус испанского языка, в котором представлены тексты с 13 по 20 века. Один из корпусов, созданных профессором Марком Дэвисом (см. выше). В корпусе содержится 100 миллионов слов из более чем 20000 испанских текстов (20 миллионов слов из текстов 1900-х, 20 миллионов из 1800-х, 40 миллионов из 1500-1700-х и 20 миллионов из 1200-1400-х годов).
Доступ к корпусу
Корпус находится в свободном доступе. Требуется регистрация.
Как и в остальных корпусах Марка Дэвиса, в корпусе есть лемматизация и морфологическая разметка. Возможен поиск по словоформе, лемме, словосочетанию из двух слов, синонимическому ряду, списку слов, заданному пользователем, сравнение синонимов по сочетаемости, предоставляется информация о частоте употребления языкового выражения по векам, что особенно важно для исторического корпуса.
Закрыть раздел
Корпус испанского языка Corpus de Referencia del Español Actual (CREA)
Общая характеристика, состав
Представительный корпус испанского языка, отражающий язык во всех его национальных вариантах за период с 1975 по 1999 гг. 50% корпуса образуют европейские тексты, 50% — латиноамериканские тексты. 90% объема корпуса занимают письменные тексты, 10% приходится на долю записей устной речи. Корпус является проектом Испанской Королевской Академии. Корпус характеризуется использованием целых текстов. Тексты снабжены метаразметкой.
Доступ к корпусу
Корпус имеет свободный доступ онлайн.
Разметка и возможности корпуса
Корпус имеет только метаразметку. То есть поиск может осуществляться в различных подкорпусах, задаваемых по жанру, времени создания текста, стране и т.п. Искать можно по словоформе или группе словоформ. Планируемый объем корпуса 125 миллионов словоупотреблений.
Закрыть раздел
Диахронический корпус испанского языка Corpus Diacrуnico del Espaсol (CORDE)
Общая характеристика, состав
Диахронический корпус испанского языка (Испанская Королевская Академия) включает тексты различных типов (художественные (проза, поэзия, драматургия), дидактические, религиозные, общественные, научные, документально-исторические, юридические), отражающие различные исторические эпохи: 21% объема приходится на тексты, написанные до 1492 г., 28% — на тексты, написанные с 1493 по 1713 гг., 51% — на тексты, написанные с 1714 по 1974 гг. По географическому признаку тексты разделены следующим образом: 74% образуют тексты, созданные в Испании, 26% — тексты, созданные в других регионах.
Корпус – репрезентативное собрание текстов, обычно в читаемом машиной формате и включающее информацию о ситуации, в которой текст был произведен, такую как информация о говорящем, авторе, адресате или аудитории.
Корпусная лингвистика – деятельность, требующаяся для составления и использования корпуса, направленная на исследование естественного использования языка.
Цель КЛ – исследование естественного использования языка.
Задачи КЛ:
Сбор текстов с определенной целью
Их машинная обработка
Помощь в создании словарей (лексикографическая поддержка)
Составление конкордансов (список встречающихся в тексте словоформ, располож в алфавитном порядке. В противоположность словарю, слово дается с его словесным окружением).
Составление частотных словарей
Создание национальных корпусов
Исследование использования естественного языка в разных регистрах
Помощь в создании лингводидактических пособий
Проверка лингвистических теорий
Существует 2 типа корпусов: Национальный (средний объем 160 млн слов) и корпусы, предназначенные для определенных целей. Национальный корпус представляет данный язык на определенном этапе (ах) его существования и во всем многообразии жанров, стилей, территориальных и социальных вариантов. # ruscorpora.ru
Методы КЛ – КЛ сама представляет собой пучок методов из разных областей лингвистических исследований.
Главная цель КЛ – лингвистическое описание яз системы (подход от конкретного изучения коммуникации людей), особый способ отражения речевого материала в корпусе текстов, кот может использоваться в свою очередь другими лингв дисциплинами.
КЛ имеет 2 черты, дающие основание претендовать на положение самостоятельной дисциплины:
Характер используемого словесного материала
Специфика инструментария
Отступления КЛ:
КЛ не отрицает ценности и необходимостиречевых данных, не представленных в корпусной форме
КЛ утверждает то, что из корпусов текстов невозможно извлечь все возможные лингв выводы, те корпус текстов не является самодостаточным.
Лингв корпусы:
1) Brown corpus (1млн слов)
2) LOB (London Oslo/Bergen corpus) (1 млн слов британского англ, аналог Brown corpus)
3) British national corpus
4) International corpus of English (600 тыс словоупотреблений)
5) Bank of English (585млн словоупотреблений)
6) Co build corpus
7) Американский национальный корпус (в свободном доступе 14 млн словоупотреблений, 15 % объем устных текстов от общего объема)
КЛ лучше всего представляется в виде пучка методов, процедур и ресурсов, имеющих дело с эмпирическими данными в лингвистике. В качестве методологии, подъем современной КЛ тесно связан с историей лингвистики как эмпирической науки.
В основе КЛ лежали:
1) историческая лингвистика – изменения в языке и реконструкция (сравнительно историч метод)
2) Написание грамматик, лексикография и обучение языку (Герман Пауль)
3) Социолингвистика – языковое многообразие.
14. Судебная лингвистика: цели, задачи, методы.
Судебная лингвистика – раздел прикладной лингвистики. Дисциплина, в которой научные знания о языке, накопленные в теоретической лингвистике, используются в сфере судопроизводства (forensic linguistic, от лат forum – место для дебатов в суде и forensic). Термин предложен в 1968 году британским лингвистом Яном Свартвиком, который в этом же году произвел лингвистический анализ судебных документов по делу Тимати Эвенса (Эвенс был повешан за убийство его жены и ребенка). Свартвик убедил суд, что Эвенс невиновен и был посмертно оправдан.
Сейчас судебной лингвистикой называют все аспекты судопроизводства, требующие лингвистических знаний как в сфере защиты, так и в сфере обвинения и в судебном разбирательстве в целом.
С 70 годов ХХ века стали опубликовывать статьи о суд лингвистике в научных журналах. В основном по установлению авторства в документах. Далее возникли другие аспекты и проблемы, связанные с критической лингвистикой (1979г). в этом году опубликована книга «Language and control». Авторы поставили проблему анализа языка как контроля над другими. Язык стал изучаться как что-то еще для понимания чего-то еще: что-то еще – социальное и экономическое устройство общества, организация социального порядка, структура межличностных отношений. Критическая лингвистика отвергает понятие объективной действительности в обществе. Мысль: Все что есть в обществе, могло бы быть каким либо другим.
Тематика исследований, ведущихся в русле критической лингвистики разнообразна и включает в себя анализ того, каким образом язык (дискурс) способствует созданию и поддержанию социальных явлений (политическая и этическая неккоректность). Этноцентризм (Россия для русских), расизм, сексизм, угнетение, неравенство. Также в критической лингвистике исследуется язык, способы осуществления власти, манипуляции, пропаганды доминирования, дискриминации, соц влияние, стереотипы. в результате такого анализа вскрывается зависимость между социальной и лингвистической структурами. Критическая лингвистика доказывает, что выбор языковых знаков мотивируется соответствующей идеологией.
Критическая лингвистика имеет выход и в сферу суд лингвистики. Он был впервые осуществлен в связи с постановкой задачи создания текстов законов понятных простым гражданам. В 1982 году Водак в Австрии организовала лингвистическую команду, которая в течении 3 лет проводила тесты на понятность текстов законов для простых людей. На примере закона «О применении техники в строительстве» она делает вывод, что понятность текстов законов – общ-политич проблема. Необходимо принимать срочные меры, чтобы приблизить законы к гражданину и убрать барьеры при их чтении и непонимании.
По ходу развития суд лингвистики анализу подверглись различные аспекты коммуникаций во время суд процесса. Лингвистов интересовало, понимают ли присяжные инструкции, полученные перед вынесением вердикта. Изучение показало, что многие присяжные не понимают значимость предъявляемых доказательств, аргументацию сторон и обращенные к ним инструкции и вопросы судьи.
След проблема – адекватной интерпретации смысла того или иного языкового выражения, употребляемого обвиняемым или свидетелем. Это направление заложено Малькольмом Култхардом. Он провел лингвистическую экспертизу по делу Бентли, кот был повешан в 50 годах ХХ века. Экспертиза в 80 годах помогла оправдать Бентли посмертно.
Изучение интересующих суд лингвистику типов языковых коммуникативных личностей. # неискренняя дискурс. личность, угражающая личность, плагиатор (человек, ворующий чужой дискурс).
Трудности, испытываемые некоторыми говорящими в процессе судебной коммуникации. # с детьми; людьми, говорящими на диалекте; иностранцами.
В последнее время – проблема суд перевода и необходимости подготовки квалифицированных суд переводчиков..
Итак, в настоящее время суд лингвистика решает след проблемы (задачи):
Установление смысла того или иного слова, высказывания, текста
Критический анализ лингв аспектов, взаимосвязь юридической системы и общества
Выявление юридически значимых типов дискурса
Суд перевод и иные виды обеспечения суд процесса
В ряде стран для принятия суд лингвистики судами есть более прочная основа, в частности в США. Там любой научный метод применяется судом, если он проходит тест Дауберта, кот отвечает след критериям:
Знание и статус эксперта – эксперт должен иметь достаточно знания в области, должное образование, опыт работы и иметь статус в академич или другом сообществе
Проверяемость метода – техника, процедура дБ эмпирически тестируемой, проверяемой на фактах. Методика дБ опровергаемой и подвергаемой сомнению.
Peer review (человек равный по статусу) . Процедура дБ подтверждена научным сообществом и дБ опубликована и отрецензирована
Error ray (процент ошибок)
Понятность – эксперт д объяснить сущность процедуры
Voice parade – опознание подозреваемого по голосу жертвой или свидетелем преступления (Nolan фонетист)
Автоматическое распознавание говорящего по голосу (комп определяет кто говорит)
Метод дискриптивного анализа идиолекта (индивидуальное варьирование языка) – снятие лингв отпечатков идиолекта (редкие слова, выражения)
Семантический анализ – анализ значений, имеющихся или отсутствующих у тех или иных языковых выражений.
Корпусная лингвистика - это раздел прикладной лингвистики , занимающийся разработкой общих принципов построения и использованием лингвистических корпусов (корпусов текстов).
Одним из основных источников языкового материала, необходимого для проведения лингвистических и филологических исследований является текст, письменный или устный. На основе анализа множества текстов можно сделать вывод об интересующем исследователя языковом явлении, например, о поведении грамматической конструкции, использования выразительных средств в языке и т.п. Развитие вычислительной техники способствовало тому, что большое количество текстов стало доступно в электронном виде. Для того, чтобы можно было работать с такими объемами текстов, извлекая из них нужную информацию, во всем мире стали создаваться лингвистические корпусы , т.е. коллекции текстов, специально отобранных, размеченных по различным лингвистическим параметрам и обеспеченных системой поиска. Увеличение объема материала исследования потребовало применения новых методов анализа лингвистических данных, включая их статистическую обработку.
Таким образом, корпусная лингвистика включает два аспекта: во-первых, создание и разметка (аннотирование) корпусов текстов и разработка средств поиска по ним и, во-вторых, собственно лингвистический - экспериментальные исследования на базе корпусов.
Это относительно молодое и активно развивающееся направление, тесно связанное с компьютерной лингвистикой и широко применяющее квантитативные методы.
Цели, задачи и основные направления корпусной лингвистики
Возможность пользоваться обширными электронными ресурсами значительно облегчила процесс сбора материала в лингвистических исследованиях. Однако такая доступность языковых данных радикально изменила требования к доказательной базе лингвистических исследований: в наше время мало привести несколько экзотических примеров в подтверждение выдвигаемой концепции, необходимо представить достаточно полную выборку данных того или иного языка. Однако работать с мегабайтами «сырых» текстов не менее трудно, чем искать примеры вручную.
Необходимость и возможность обработки большого массива текстов для извлечения из них лингвистических, литературоведческих и др. данных обусловили бурный рост электронных ресурсов, включая лингвистически аннотированные корпуса текстов.
Корпусная лингвистика призвана ответить на следующие вопросы:
- какие принципы лежат в основе устройства корпусов, как должна быть устроена стандартизованная разметка корпуса относительно различных языковых параметров (жанровая и стилевая разметка текстов, морфологическая разметка и т.п.)
- какие лингвистические и литературоведческие задачи можно решать с помощью корпусов,
- как пользоваться корпусами, включая специальные языки запросов к корпусам.
Использование корпусов текстов дает возможность наблюдать поведение интересующих исследователя языковых единиц (слов, словосочетаний, грамматических категорий, синтаксических конструкций и т.д.) в естественной языковой среде, т.е. в реально существующих, а не искусственно сконструированных контекстах.
Кроме того, корпусные исследования позволяют, используя статистические методы, сформулировать, подтвердить или опровергнуть некоторую гипотезу о том или ином языковом явлении на большом объеме материала.
При этом если исследователь пользуется уже существующим корпусом, он полностью минует долгий и трудоемкий этап сбора материала (опрос информантов, работа со словарными картотеками или письменными текстами и т.д.).
Для некоторых целей оказывается достаточным использование в качестве корпуса уже существующих электронных коллекций текстов, таких как виртуальные библиотеки, архивы электронных версий периодических изданий или новостных лент. Гигантским собранием текстов является весь Интернет. Существует даже такое направление исследований - Интернет как корпус. Однако поскольку тексты в сети не систематизированы и не имеют лингвистической аннотации (разметка корпуса) - что относится и к прочим виртуальным коллекциям текстов,— дать точную статистическую оценку всего множества или некоторого подмножества текстов затруднительно, поэтому и возникает потребность в структурированных и аннотированных лингвистических корпусах.
Практически все современные лингвистические исследования и работы по составлению словарей и грамматик так или иначе ориентированы на использование представительных корпусов текстов (ср., например, словари издательства Collins, создаваемые на базе электронного языкового корпуса Bank of English, насчитывающего более 2,5 миллиарда слов).
Создание и лингвистическое аннотирование (лингвистическая разметка) корпусов играет основополагающую роль в развитии современных технологий автоматической обработки текстов на естественном языке. Такие корпуса служат большой экспериментальной базой для разработки различных модулей автоматического лингвистического анализа. С одной стороны, наличие экспертной лингвистической разметки в корпусе позволяет оценить качество работы того или иного лингвистического модуля. Например, используя корпус с морфологической разметкой, где каждому слову из текста приписана его исходная форма и грамматические характеристики, можно проверить, насколько точно работает система автоматического морфологического анализа. С другой стороны, в современных системах автоматического анализа текстов (морфологических и синтаксических анализаторах и др.) используются различные методы машинного обучения. Для того чтобы это стало возможным, необходим большой обучающий корпус, содержащий "эталонную" разметку.
Одним из приоритетных направлений корпусной лингвистики является создание и расширение универсальных национальных корпусов (корпусов того или иного естественного языка), представительных по отношению ко всему языку, которые могут служить для исследования самых разнообразных явлений этого языка. Большинство языков мира уже имеют свои национальные корпуса. Общепризнанным образцом является, в частности, Британский национальный корпус (BNC). Среди корпусов славянских языков выделяется Чешский национальный корпус , созданный в Карловом университете Праги. Национальные корпуса существуют также для немецкого, китайского, финского и др. языков. Для русского языка таким представительным корпусом является Национальный корпус русского языка (НКРЯ) .
По мере создания все большего количества корпусов и развития различных технологий обработки текстовой информации вырабатывались некоторые универсальные принципы и языки разметки лингвистической информации в корпусе, создавались специальные инструменты для работы с корпусом на любом языке так называемые корпусные менеджеры. Выработка универсальных стандартов и технологий сделало возможным создавать большие представительные корпуса за очень короткий срок.
Таким образом, предметом корпусной лингвистики являются "теоретические основы и практические механизмы создания и использования представительных массивов языковых данных, предназначенных для лингвистических исследований в интересах широкого круга пользователей" .
История и современность
Можно сказать, что первые корпуса и корпусные методы появились задолго до возникновения корпусной лингвистики как научного направления. По сути, любое лингвистическое исследование, основанное на сопоставлении и анализе контекстов, является корпусным.
Еще в конце XIX - начале XX в. в целях усовершенствования средств связи, а также в целях быстрого обучения языку создавались частотные словари. Частотность слов оценивалась по специальным выборкам текстов.
Первые корпуса в строгом смысле этого слова появились в 60-х гг. ХХ в. Прообразом для них послужили словарные картотеки - собрания фрагментов текстов, обычно в виде карточек, содержащих то или иное слово, и систематизированные относительно описываемого слова (в основном, по алфавиту).
Сторонники данного радикального подхода признают правомерными методами изучения языка только лингвистический эксперимент (или, как его частный случай, эксперимент над самим собой, т.е. интроспекцию). Однако, существуют области, где интроспекция и эксперимент в принципе невозможны (например, история языка).
По сути, в корне этого спора извечный вопрос: «Что изучает лингвистика - язык или речь?». Неприятие корпусных методов основывается на убеждении, что лингвист изучает язык как систему, а не его конкретные проявления в речи, а корпус - не что иное, как собрание конкретных употреблений. Соответственно, сторонники изучения речи широко используют корпуса в своих исследованиях. Компромиссная точка зрения состоит в том, что задача лингвистики - изучение языка, но это невозможно без анализа его реализации в речи. Так и корпусные методы позволяют сделать выводы о феноменах языка, основываясь на конкретном речевом материале. Таким образом, корпусная лингвистика не является альтернативой традиционной лингвистике, а напротив, дополняет и обогащает ее.
Рекомендуемая литература
Баранов А.Н. Корпусная лингвистика// Баранов А.Н. Введение в прикладную лингвистику. М., 2003. С. 112-137.
Захаров В.П. Корпусная лингвистика: Учебно-метод. пособие. - СПб., 2005. - 48 с. Доступно для скачивания по адресу: http://vp-zakharov.narod.ru/publications.htm
Михайлов М.Н. Компьютерное обеспечение корпуса текстов (взгляд пользователя) // Русистика сегодня. 1998. № 1-2. С. 192-201
Френсис У.Н. Проблемы формирования и машинного представления большого корпуса текстов // Новое в зарубежной лингвистике. Вып. XIV. Проблемы и методы лексикографии. М., 1983. С. 334-353
Рахилина Е. В. Корпус как творческий проект // Национальный корпус русского языка: 2006—2008. Новые результаты и перспективы. СПб.: Нестор-История, 2009, с.7-26.
Плунгян В. А., Сичинава Д. В. Национальный корпус русского языка: опыт создания корпусов текстов современного русского языка // Л. Н. Беляева и др. (ред.). Труды Межд. конференции «Корпусная лингвистика-2004». СПб: СПбГУ, 2004, 216-238.
McEnery, T. and Wilson, A . Corpus Linguistics. (2nd Ed.) 2001. Edinburgh: Edinburgh University Press
Кустова Г. И., Ляшевская О. Н., Падучева Е. В., Рахилина Е. В. Семантическая разметка лексики в Национальном корпусе русского языка: принципы, проблемы, перспективы. // Национальный корпус русского языка: 2003-2005. Результаты и перспективы. - М., 2005. С. 155-174.
Ляшевская О. Н., Плунгян В. А., Сичинава Д. В. О морфологическом стандарте Национального корпуса русского языка. // Национальный корпус русского языка: 2003-2005. Результаты и перспективы. - М., 2005. С. 111-135.
Савчук С.О.
Метатекстовая разметка в Национальном корпусе русского языка: базовые принципы и основные функции // Национальный корпус русского языка: 2003-2005. Результаты и перспективы. - М., 2005. С. 62-88
Ссылки
Редактор статьи Архипов Александр Владимирович, кандидат филологических наук, доцент филологического факультета МГУ.
В.П. Захаров
Корпусная лингвистика
Санкт-Петербург
ББК 81.1
Рецензенты:
докт. филол. наук Л.Н. Беляева (Рос. гос. пед. ун-т им. А.И.Герцена)
канд. фил. наук С.А. Коваль (С.-Петерб. гос. ун-т)
Печатается по постановлению
Редакционно-издательского совета
С.-Петербургского государственного университета
Захаров В.П.
З-38Корпусная лингвистика: Учебно-метод. пособие. – СПб., 2005. – 48 с.
Предлагаемое пособие содержит описание предмета и основного содержания корпусной лингвистики – нового направления в лингвистике. Оно включает также программу учебной дисциплины «Корпусная лингвистика», которая изучается студентами отделения структурной и прикладной лингвистики Санкт-Петербургского государственного университета. Пособие базируется на исследовательской и преподавательской деятельности автора.
Для студентов и аспирантов, специализирующихся в области прикладной лингвистики и автоматизированных систем обработки текста.
ББК 81.1
ã В.П. Захаров, 2005
ã Санкт-Петербургский
государственный
университет, 2005
1. Основные понятия
Введение: корпусы и корпусная лингвистика
Корпусная лингвистика – раздел компьютерной лингвистики, занимающийся разработкой общих принципов построения и использования лингвистических корпусов (корпусов текстов) с использованием компьютерных технологий. Под названием лингвистический, или языковой, корпус текстов понимается большой, представленный в электронном виде, унифицированный, структурированный, размеченный, филологически компетентный массив языковых данных, предназначенный для решения конкретных лингвистических задач. В понятие «корпус текстов» входит также система управления текстовыми и лингвистическими данными, которую в последнее время чаще всего называют корпусным менеджером (или корпус-менеджером) (англ. corpus manager). Это специализированная поисковая система, включающая программные средства для поиска данных в корпусе, получения статистической информации и предоставления результатов пользователю в удобной форме.
Целесообразность создания и смысл использования корпусов определяется следующими предпосылками:
1) достаточно большой (репрезентативный) объем корпуса гарантирует типичность данных и обеспечивает полноту представления всего спектра языковых явлений;
2) данные разного типа находятся в корпусе в своей естественной контекстной форме, что создает возможность их всестороннего и объективного изучения;
3) однажды созданный и подготовленный массив данных может использоваться многократно, многими исследователями и в различных целях.
Можно сказать, что все современные лингвистические исследования и работы по составлению словарей и грамматик так или иначе ориентированы на использование представительных корпусов текстов. Развитие современных интеллектуальных программных систем, предназначенных для обработки текстов на естественном языке, также требует большой экспериментальной лингвистической базы. Спрос на корпусные данные совпал с появлением соответствующих технических возможностей.
Первые лингвистические корпусы текстов появились в 60-е гг. прошлого столетия. В 1963 г. в Брауновском университете (США) впервые был создан большой корпус текстов на машинном носителе (Brown Corpus). Авторы корпуса У. Френсис (W. Francis) и Г. Кучера (H. Kucera) спроектировали его как набор из пятисот двухтысячесловных прозаических печатных текстов американского варианта английского языка. Тексты принадлежали пятнадцати наиболее массовым жанрам англоязычной печатной прозы США и были напечатаны в 1961 г. Корпус сопровождался большим количеством материалов его первичной статистической обработки - частотный и алфавитно-частотный словарь, разнообразные статистические распределения. Появление Брауновского корпуса вызвало всеобщий интерес и оживленные дискуссии. Прежде всего они коснулись принципов отбора текстов и состава потенциально решаемых на таком корпусе задач. Затем последовали Ланкастерский корпус английского языка (Lancaster-Oslo-Bergen Corpus, LOB), Уппсальский корпус русского языка. Среди современных корпусов английского языка наиболее известны Британский национальный корпус (British National Corpus), Международный корпус английского языка (International Corpus of English), лингвистический Банк английского языка (Bank of English) и др. В настоящее время корпусы созданы для многих языков мира (см. Приложение 1). Ведется работа и над созданием Национального корпуса русского языка.
В первой половине 90-х гг. корпусная лингвистика окончательно сформировалась как отдельный раздел науки о языке. При этом она тесно взаимодействует с компьютерной лингвистикой, используя ее достижения и в свою очередь обогащая ее.
Поиск в корпусе данных позволяет по любому слову построить конкорданс – список всех употреблений данного слова в контексте со ссылками на источник. Корпусы могут использоваться для получения разнообразных справок и статистических данных о языковых и речевых единицах. В частности, на основе корпусов можно получить данные о частоте словоформ, лексем, грамматических категорий, проследить изменение частот и контекстов в различные периоды времени, получить данные о совместной встречаемости лексических единиц и т.д. Представительный массив языковых данных за определенный период позволяет изучать динамику процессов изменения лексического состава языка, проводить анализ лексико-грамматических характеристик в разных жанрах и у разных авторов, и т.д. Корпусы призваны служить также источником и инструментом многоаспектных лексикографических работ по подготовке разнообразных исторических и современных словарей. Данные корпусов могут быть использованы для построения и уточнения грамматик и в целях обучения языку.
Можно сказать, что корпусная лингвистика имеет своим предметом теоретические основы и практические механизмы создания и использования представительных массивов языковых данных, предназначенных для лингвистических исследований в интересах широкого круга пользователей.