PLIN041 Vývoj počítačové lingvistiky
Korpusová lingvistika
od 70. let 20. st.
Mgr. Dana Hlaváčková, Ph.D.
Korpusová lingvistika
• Jan Svartvik (1931), Sidney Greenbaum, R. Quirk, K. Hofland
• The London-Lund Corpus of Spoken English (LLC)
• 1. počítačový korpus mluveného jazyka (magnetické pásky)
• spojení dvou projektů
– Survey of Spoken English (SSE), Jan Svartvik, Lund
University, 1975 jako sesterský projekt SEU
• 87 textů mluvené angličtiny (britská angličtina
vzdělaných mluvčích)
– SEU – 13 textů mluvené angličtiny
• celkem 100 přepisů nahrávek, 500 tisíc slov, zveřejněn až
1980
– fonetická transkripce, značeny prozodické vlastnosti
– někteří mluvčí o nahrávání nevěděli (spontánní projev)
Jan Svartvik (1931)
• švédský lingvista (anglistika)
• studium na univerzitě v Uppsale, stáže
na Brown University, UCL a dalších univerzitách
• 1959–60 na University of Durham u R. Quirka
• profesor angličtiny na univerzitě v Lundu (1970–1995)
• přední představitel korpusové lingvistiky, člen Gang of Four
(1961–64 SEU na UCL)
• ve švédské lingvistice měl text ústřední postavení, jako
nerodilý mluvčí nemohl využívat introspekce (důvod, proč se
věnoval korpusové lingvistice)
• členství a předsednictví v mnoha vědeckých organizacích ve
Švédsku i ve světě
• čestný doktorát z univerzity v Bergenu a z MU (1998, 1. Švéd v
historii MU)
• spolupráce s českým lingvistou Janem Firbasem
• spolupráce s katedrami anglistiky FF a PedF MU
Jan Svartvik
• pojmenoval nový směr – forenzní lingvistika (forensic
linguistics)
– The Evans Statements: A Case for Forensic Linguistics, 1968
– rozbor tvrzení T. J. Evanse falešně obviněného a
odsouzeného za vraždu manželky a dcery (1950)
– na základě kvalitativní a kvantitativní analýzy předkládá
pochybnosti o autorství a pravosti tvrzení
• A Grammar of Contemporary English (1972) – v té
době Svartvik v Lundu, komunikace na dálku
• A Comprehensive Grammar of the English Language
(1985)
• A Life in Linguistics (2005) – vzpomínky
• English – One Tongue, Many Voices, s G. Leechem
(2006)
Propojení lexikografie s korpusovou
lingvistikou
• COBUILD – Collins Birmingham University International
Language Database, britské výzkumné centrum na University
of Birmingham, od r. 1980 založeno vydavatelstvím Collins
(dnes HarperCollins Publishers), na počátku vedl profesor
John Sinclair (1933–2007)
• cílem vydání slovníku pro výuku angličtiny
• korpus Birmingham Collection of English Text (BCE), 1980,
jako první využil OCR
– Centre for Corpus Research University of Birmingham (od 70. let)
– 20 mil. slov, hlavně psaná britská angličtina
– jiná struktura než první korpusy (noviny, brožury, letáky, knihy,
časopisy, korespondence), oproti LOB vyloučena poezie a drama
Propojení lexikografie s korpusovou
lingvistikou
• Collins COBUILD English Language Dictionary, 1987,
J. Sinclaire
– pro výuku angličtiny jako cizího jazyka
– první slovník založený na současné, běžně užívané
angličtině
• Bank of English (BoE), 650 mil. slov (na poč. 90. let
200 tis.), mluvená i psaná angličtina, pro výuku
angličtiny, označkován
– dnes součástí Collins Corpus – 4,5 mld., stále se rozrůstá
John McHardy Sinclair (1933–2007)
• britský lingvista (původem Skot)
• studoval na univerzitě v Edinburghu
• profesor moderní angličtiny –
Birmingham University (1965–2000)
• jako emeritní profesor stále publikoval
• oblasti zájmu:
– průkopník analýzy diskurzu
– idiom principle (v komunikaci používáme
předpřipravené konstrukce frází)
– Towards the Analysis of Discourse, 1975
– lexikografie – kolokace, korpusová lingvistika, výuka
angličtiny
John Sinclair
• Corpus, Concordance, Collocation (Oxford
University Press, 1991)
• Reading Concordances (2003)
• Trust the Text (2004)
• 5 dětí, druhá žena Elena Tognini-Bonelli
– italská anglistka, korpusová lingvistka, působí na
univerzitě v Sieně (Toskánsko)
• založil asociaci Tuscan Word Centre, Certosa di
Pontignano, výzkumné centrum korpusové
lingvistiky
Korpusy – Německo, Francie
• Deutsches Referenzkorpus (DeReKo), 1964, (Mannheim
corpora, IDS corpora, COSMAS corpora), Institut für Deutsche
Sprache
– dnes 29 mld. slov (největší na světě)
– texty cca od r. 1950
– nevyvážený
• LIMAS (Linguistik und Maschinelle Sprachbearbeitung), 1970,
Universität Bonn
– německá varianta Brown Corpus – 500 textů, 15 kategorií,
1 mil. slov, texty z let 1969–70
• Frantext – databáze literárních textů ve francouzštině, od 10.
do 21. st., (word, lemma, phrase), 500 děl, metainformace o
textech
British National Corpus (1991–1994)
• 100 mil. slov, vyvážený korpus (široké spektrum textů)
• vzorky – 45 tis. slov od jednoho autora
• psaná (90 %) i mluvená (10 %) angličtina (ortografická
transkripce)
• BNC World Edition, 2001 (metainformace)
• poslední BNC XML Edition z r. 2007, jinak se korpus
nemění (původně v SGML)
• značkování (PoS) – Lancaster University (Geoffrey
Leech, Roger Garside a Tony McEnery)
• zaštiťuje BNC Consortium (Oxford, Lancaster,
nakladatelství, firmy, akademie, knihovna apod.)
• subkorpusy
– BNC Sampler (1 mil. psaný, 1 mil. mluvený)
– BNC Baby (4 milionové vzorky ze čtyř různých žánrů)
Lidé kolem BNC
• Geoffrey Leech – 100 Million Word of English (English
Today, 1993)
• Tony McEnery, Andrew Wilson – Corpus Linguistics:
An Introduction (Oxford University Press, 2001)
• Paul Baker, Lancaster University
• Sue Atkins, Jeremy Clear, Nicholas Ostler – Corpus
Design Criteria (Literary and Linguistic Computing,
1992)
• Michael Rundell (Lexicography MasterClass)
První korpusy
• Brown Corpus, 1963–1964 (Kučera, Francis)
• Lancaster-Oslo/Bergen Corpus (LOB), 1970–1978 (Leech,
Johansson)
• korpus a pracoviště The Survey of English Usage (SEU), 1959,
1985 (Quirk, Gang of Four)
• The London-Lund Corpus of Spoken English (LLC), 1980
(Svartvik, Greenbaum, Quirk, Hofland)
• Birmingham Collection of English Text, 1980 (John Sinclair)
• International Corpus of English, 1990 (Greenbaum)
• Bank of English (BoE), poč. 90. let (John Sinclair)
• British National Corpus, 1994