Введение в корпусную лингвистику - страница 14
Словечко PR приобрело новое значение летом 2012 года. Как это установить? Информационная система Интегрум (www.integrum.ru) – гигантская ежедневно пополняемая коллекция журнальных текстов – позволяет отслеживать самые новые или очень мелкие движения языка, иногда с точностью до одного дня.
Наконец, существуют относительно маленькие иллюстративные корпуса (англ. corpus of examples), задача которых не представлять весь язык, а лишь иллюстрировать те или иные явления. Такие инструменты незаменимы, например, в учебной аудитории при работе со школьниками или иностранными студентами.
Хельсинкский аннотированный корпус ХАНКО содержит всего 100 тыс. текстоформ. Очень маленький по современным меркам. Но он, единственный в своем роде, содержит разметку в терминах самой популярной синтаксической теории – школьного учения о частях речи и учитывает такие сложные для автоматического анализа формы, как читал бы или буду писать.
Я сторонник копилефта (англ. copyleft, принципы лицензирования свободно распространяемых продуктов – не путать с пиратством!) и считаю, что все данные, которые могут быть публичными, должны быть публичными. Принцип открытости данных хорошо бы распространить не только на прогноз погоды или статистику рождаемости, но и на языковые тексты, разрешив ученым свободно их использовать. Естественно, не для перепродажи, а для улучшения качества преподавания и разработки новых лингвистических программ. Однако, во-первых, со мной согласны не все, а во-вторых, существуют естественные ограничения, связанные с особыми обстоятельствами сбора материала.
Русский эмоциональный корпус (РЭК) состоит из видеофрагментов, фиксирующих различные эмоции. Чтобы собрать такой эмоционально нагруженный материал, авторы корпуса записывали разговоры в паспортном столе (где звучит персональная информация) или реакции студентов на третьей (последней!) пересдаче экзамена в университете. Увидеть материалы корпуса могут только его создатели и участники тайных конференций по корпусной лингвистике.
В целом корпуса обычно бывают:
● свободно распространяемыми (и доступными в интернете);
● доступными по так называемой академической лицензии, для использования в научной некоммерческой деятельности;
● имеющими ограниченный доступ.
Любой корпус – это компромисс между желаемым и возможным, это гигантское количество вложенной энергии, трудолюбия и творчества. В мире великое множество как отдельных корпусов, так и проектов типа НКРЯ, объединяющих множество разнородных корпусов в рамках одной системы.
1. Язык или языки корпуса:
а) одноязычные,
б) многоязычные:
1) параллельные (один и тот же текст на разных языках),
2) смешанные (переключение языков, многоязычное общение):
● выровненные (параллельные),
● невыровненные.
2. Тип текстов:
а) письменные тексты,
б) устные (аудиозаписи и видеозаписи),
в) смешанные (мультимодальные).
3. Жанры текстов:
а) литературные,
б) диалектные,
в) разговорные,
г) публицистические,
д) исторические,
е) корпуса второго языка (ученические и т. п.).
4. Тип данных:
а) полнотекстовые,
б) фрагментированные тексты:
1) n-граммный,
2) конкордансный.
5. Типы разметки:
а) неразмеченные,
б) размеченные (аннотированные), с типами разметки:
1) метатекстовая (жанр, время создания текста и т. д.),
2) лингвистическая:
● фонетическая,
● просодическая,
● морфологическая (полная или только частеречная),
Похожие книги
