Definitie en voorbeelden van Corpora in de taalkunde

Woordenlijst van grammaticale en retorische termen

Volgens Tony McEnery et al. is er 'een toenemende consensus dat een corpus een verzameling is van (1) machineleesbaar (twee) authentiek teksten (inclusief transcripties van gesproken gegevens), dat is (3) bemonsterd zijn (4) vertegenwoordiger van een bepaalde taal of taalvariëteit' ( Op corpus gebaseerde taalstudies , 2006). (Monty Rakusen/Getty Images)

In taalkunde , a corpus is een verzameling taalkundige gegevens (meestal opgenomen in een computerdatabase) die worden gebruikt voor onderzoek, wetenschap en onderwijs. Ook wel een tekst corpus . Meervoud: corpora .

Het eerste systematisch georganiseerde computercorpus was het Brown University Standard Corpus of Present-Day Amerikaans Engels (algemeen bekend als het Brown Corpus), samengesteld in de jaren zestig door taalkundigen Henry Kučera en W. Nelson Francis.

Opmerkelijke Engels taal corpora zijn de volgende:

• Het Amerikaanse Nationale Corpus (ANC)
• Brits Nationaal Corpus (BNC)
• Het corpus van hedendaags Amerikaans Engels (COCA)
• Het internationale corpus van het Engels (ICE)

Etymologie
Van het Latijn, 'lichaam'

Voorbeelden en observaties

• 'De beweging 'authentieke materialen' in het taalonderwijs die in de jaren tachtig opkwam, [pleitte] voor een groter gebruik van echte of 'authentieke' materialen - materialen die niet speciaal zijn ontworpen voor gebruik in de klas - omdat werd beweerd dat dergelijk materiaal zou blootleggen leerlingen naar voorbeelden van natuurlijke taal gebruik ontleend aan real-world contexten. Meer recentelijk de opkomst van corpuslinguïstiek en de oprichting van grootschalige databases of corpora van verschillende genres van authentieke taal hebben een verdere aanpak geboden om leerders lesmateriaal te bieden dat authentiek taalgebruik weerspiegelt.'
  (Jack C. Richards, voorwoord van de redacteur van de serie. Corpora gebruiken in de taalklas , door Randi Reppen. Cambridge University Press, 2010)
Wijzen van communicatie: schrijven en spreken
' Corpora kan taal coderen die in elke modus wordt geproduceerd - er zijn bijvoorbeeld corpora van gesproken taal en er zijn corpora van geschreven taal. Bovendien, sommige videocorpora opnemen paralinguïstisch functies zoals: gebaar ..., en corpora van gebarentaal zijn geconstrueerd. . ..
'Corpora die de geschreven vorm van een taal vertegenwoordigt, vormt meestal de kleinste technische uitdaging om te construeren. . . . Unicode stelt computers in staat om op betrouwbare wijze tekstmateriaal op te slaan, uit te wisselen en weer te geven in bijna alle schrijfsystemen van de wereld, zowel huidige als uitgestorven. . . .
'Materiaal voor een gesproken corpus is echter tijdrovend om te verzamelen en te transcriberen. Bepaald materiaal kan worden verzameld uit bronnen zoals het World Wide Web. . .. Transcripten zoals deze zijn echter niet ontworpen als betrouwbaar materiaal voor taalkundige verkenning van gesproken taal. . . . [S]poken-corpusgegevens worden vaker geproduceerd door interacties vast te leggen en vervolgens te transcriberen. Orthografische en/of fonemisch transcripties van gesproken materiaal kunnen worden gecompileerd tot een corpus van spraak dat op de computer doorzoekbaar is.'
(Tony McEnery en Andrew Hardie, Corpuslinguïstiek: methode, theorie en praktijk . Cambridge University Press, 2012) concordantie
' concordantie is een kerninstrument in de corpuslinguïstiek en het betekent eenvoudigweg het gebruik van corpussoftware om elk voorkomen van een bepaald woord of bepaalde zin te vinden. . . . Met een computer kunnen we nu binnen enkele seconden miljoenen woorden doorzoeken. Het zoekwoord of de woordgroep wordt vaak het 'knooppunt' genoemd en concordantielijnen worden meestal weergegeven met het knooppuntwoord/de zin in het midden van de regel met zeven of acht woorden aan weerszijden. Deze staan ​​bekend als Key-Word-in-Context-displays (of KWIC-concordanties).'
(Anne O'Keeffe, Michael McCarthy en Ronald Carter, 'Inleiding.' Van corpus tot klaslokaal: taalgebruik en taalonderwijs . Cambridge University Press, 2007) Voordelen van corpuslinguïstiek
'In 1992 presenteerde [Jan Svartvik] de voordelen van corpuslinguïstiek in een voorwoord bij een invloedrijke verzameling papers. Zijn argumenten worden hier in verkorte vorm weergegeven:
- Corpusdata zijn objectiever dan data op basis van introspectie.
- Corpusgegevens kunnen eenvoudig worden geverifieerd door andere onderzoekers en onderzoekers kunnen dezelfde gegevens delen in plaats van altijd hun eigen gegevens te verzamelen.
- Corpusgegevens zijn nodig voor onderzoek naar variatie tussen dialecten , registreert en stijlen .
- Corpusgegevens geven de frequentie van voorkomen van taalkundige items.
- Corpusgegevens bieden niet alleen illustratieve voorbeelden, maar zijn een theoretische bron.
- Corpusdata geven essentiële informatie voor een aantal toepassingsgebieden, zoals taalonderwijs en taaltechnologie (machinevertaling, spraaksynthese enz.).
- Corpora biedt de mogelijkheid van volledige verantwoordelijkheid voor linguïstische kenmerken - de analist moet rekening houden met alles in de gegevens, niet alleen met geselecteerde kenmerken.
- Geautomatiseerde corpora geeft onderzoekers over de hele wereld toegang tot de gegevens.
- Corpusgegevens zijn ideaal voor niet-moedertaalsprekers van de taal.
(Svarvik 1992:8-10) Svartvik wijst er echter ook op dat het van cruciaal belang is dat de corpuslinguïst zich ook bezighoudt met zorgvuldige handmatige analyse: alleen cijfers zijn zelden voldoende. Hij benadrukt ook dat de kwaliteit van het corpus belangrijk is.'
(Hans Lindquist, Corpuslinguïstiek en de beschrijving van het Engels . Edinburgh University Press, 2009) Aanvullende toepassingen van op corpus gebaseerd onderzoek
'Afgezien van de toepassingen in taalkundig onderzoek' per se , kunnen de volgende praktische toepassingen worden genoemd.
Lexicografie
Van het corpus afgeleide frequentielijsten en meer in het bijzonder concordanties vestigen zich als basisinstrumenten voor de lexicograaf . . . .
Taal Onderwijs
. . . Het gebruik van concordanties als hulpmiddelen voor het leren van talen is momenteel een grote belangstelling voor computerondersteund leren van talen (CALL; zie Johns 1986). . . .
Toespraak Verwerken
Machine vertaling is een voorbeeld van de toepassing van corpora voor wat computerwetenschappers noemen natuurlijke taalverwerking . Naast machinevertaling is een belangrijk onderzoeksdoel voor NLP: spraakverwerking , dat wil zeggen, de ontwikkeling van computersystemen die in staat zijn om automatisch geproduceerde spraak uit geschreven invoer te produceren ( spraaksynthese ), of spraakinvoer omzetten in geschreven vorm ( spraakherkenning ).' (Geoffrey N. Leech, 'Corpora.' De taalkundige encyclopedie , red. door Kirsten Malmkjaer. Routledge, 1995)