ÚVOD DO KORPUSOVÉ
LINGVISTIKY
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
 Studium jazyka založené na jeho přirozeném
kontextovém užívání
 Studuje a analyzuje data získaná z korpusů
 Metodologie
 Podstatná část počítačové lingvistiky
ZÁKLADNÍ POJMY
 textové slovo – řetězec znaků oddělený z obou
stran mezerami
 pozice (token, tokenizace)
 lemma (základní slovní tvar)
 konkordance, konkordanční řádek,
konkordanční seznam
 KWIC – key word in context
 korpusový prohlížeč, korpusový manažer
 regulární výraz
 kolokace – ustálená slovní spojení
PŘEDNOSTI JAZYKOVÝCH 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
DVA TYPY PŘÍSTUPŮ K JAZYKU
 Raná „korpusová“ lingvistika - „korpusový“ přístup k
jazykovému materiálu, dostatečně velký soubor
přirozeně se vyskytujících jazykových dat (konec 19. st.
– 50. léta 20. st.)‫‏‬
 Předěl (50. léta 20. st.) – N. Chomsky a generativní
lingvistika
 Empirický přístup, observace x intuice a introspekce
Corpus linguists study real language, other linguists just sit at
their coffee table and think of wild and impossible sentences.
 Ch. Fillmore:
„I don‘t think there can be any corpora, however large, that
contain information about all of the areas of English lexicon and
grammar that I want to explore … [but] every corpus I have had
the chance to examine, however small, has taught me facts I
couldn‘t imagine finding out any other way. My conclusion is that
the two types of linguists need one another.“
KORPUSOVÁ LINGVISTIKA V ČR
 Lexikální archiv ÚJČ, od r. 1911, 12 mil. ručně
psaných lístků
 1988 Iniciativní skupina pro přípravu
počítačových korpusů, textů a slovníků
(sdružení lingvistů, matematiků a
programátorů)‫‏‬
 1991 Počítačový fond češtiny - projekt
lexikografického počítačového korpusu a
tezauru češtiny (Čermák, Sgall, Pala, Hajič,
Hajičová, Králík, Schmiedtová, Kučera, Benko)‫‏‬
 1994 založení ÚČNK
TYPY KORPUSŮ
 druh zachycené komunikace – psané (written corpora)
– mluvené (spoken corpora)‫‏‬
 časový záběr – diachronní
– synchronní
 účel – všeobecné
– specializované
 jazyk – jednojazyčné
– paralelní
 možnost rozšíření – uzavřené
– otevřené
 značkování – tagging (POS tagging, morfologie)
– parsing (syntax, treebank)
– alignment (párování)‫‏‬
REPREZENTATIVNOST
 Relativní
- v závislosti na účelu korpusu (kvantita x kvalita)‫‏‬
- malý vzorek vzhledem k celku jazyka
- nezobrazuje reálné užití jazyka
 Snaha zachytit variabilitu textů
- texty informativní
- texty imaginativní
Atkins, S., Clear, J., Ostler, N. Corpus Design Criteria. In Literary
and Linguistic Computing 7/1 1992, s. 1-6.
(přel. Čermák, Schmiedtová – Studie z korpusové lingvistiky)‫‏‬
SYN2000 SYN2005
denní tisk / 60 % publicistika / 33 %
naučná literatura / 25 % odborná literatura / 27 %
krásná literatura / 15 % beletrie / 40 %
LINGVISTICKÉ VYUŽITÍ KORPUSŮ
 závislost na typu a velikosti korpusu
 objevování nových jazykových jevů x ověřování
hypotéz
 fonetika, fonologie, morfologie, slovotvorba,
syntax, stylistika
 lexikografie, lexikologie
 sémantika, dialektologie, terminologie
 diachronní studie
 frekvenční studie
 konfrontace s cizími jazyky, překlad