KORPUSOVÁ LINGVISTIKA
Dana Hlaváčková
JAZYKOVÝ KORPUS
Rozsáhlý soubor elektronicky uložených jazykových dat,
obvykle označkovaný, organizovaný se zřetelem k využití
pro určitý cíl, vůči němuž je také považován za
reprezentativní.
Čermák, F. Jazykový korpus: Prostředek a zdroj poznání.
In Studie z korpusové lingvistiky. Praha: Karolinum, 2000, s. 15-38.
KORPUSOVÁ LINGVISTIKA
● podstatná část počítačové lingvistiky – korpusy
poskytují zdroj jazykových dat
● studium jazyka založené na jeho přirozeném
kontextovém užívání
● metodologický přístup ke zkoumání jazyka
PŘEDNOSTI KORPUSŮ
● velký rozsah s možností dalšího rozšiřování
● jazyková data v přirozené kontextové podobě
● převaha typických jazykových jevů nad okrajovými
● reprezentativní korpus je schopen zachytit variabilitu
jazyka
● zrychlení a usnadnění lingvistické práce
ZÁKLADNÍ POJMY
● textové slovo, pozice, token – řetězec znaků oddělený
z obou stran mezerami
● tokenizace – proces rozdělení textu na tokeny
●
korpusový prohlížeč, korpusový manažer (Bonito,
Bonito2, Sketch Engine, KonText)
● konkordance, konkordanční řádek, konkordanční seznam
● KWIC – key word in context (hledaný výraz v korpusu)
ZÁKLADNÍ POJMY
●
atributy – prvky, které lze hledat v korpusu (word, lemma,
tag, lc, pos)
● lemma – základní slovní tvar
● lemmatizace – přiřazení základního slovního tvaru
● strukturní značky – hranice dokumentů a vět
● regulární výrazy – speciální znaky umožňující efektivní
hledání v korpusu
TYPY KORPUSŮ
● druh zachycené komunikace – psané (written corpora)
– mluvené (spoken corpora)
● časový záběr – diachronní
– synchronní
● účel – všeobecné
– specializované
● jazyk – jednojazyčné
– paralelní
● možnost rozšíření – uzavřené (referenční)
– otevřené (nereferenční)
● značkování – tagging (POS tagging, morfologie)
– parsing (syntax, treebank)
– alignment (párování)
REPREZENTATIVNOST KORPUSŮ
Relativní
● v závislosti na účelu korpusu (kvantita x kvalita)
● malý vzorek vzhledem k celku jazyka
● nezobrazuje reálné užití jazyka
● snaha zachytit variabilitu textů
SYN2000 SYN2005, SYN2010
denní tisk / 60 % publicistika / 33 %
naučná literatura / 25 % odborná literatura / 27 %
krásná literatura / 15 % beletrie / 40 %