Korpusová lingvistika – 2 Mgr. Dana Hlaváčková, Ph.D. CJBB105 Vývoj korpusové lingvistiky • raná korpusová lingvistika, počítačová lexikografie, frekvenční studie (90. léta 19. st. – 50. léta 20. st.) • předěl – generativní lingvistika (50. léta 20. st.) • rozvoj počítačové techniky (od. 60. let 20. st.) Raná korpusová lingvistika konec 19. st – 50. léta 20. st. • strukturalistická tradice, americký deskriptivismus, metody založené na zkoumání souborů textů a na empirii • shromažďování jazykového materiálu, rozsah je důležitým parametrem • nemluvíme o korpusech ani o korpusové lingvistice – archiv, kartotéka, deníky, seznamy, slovníky • žánrová vyváženost souboru textů • zkoumání významů slov a homonymie • problematika slovní jednotky a lemmatizace • morfologické, syntaktické i sémantické analýzy jazyka na základě textového materiálu Raná korpusová lingvistika • počátky moderní lexikografie – excerpční lístky (ručně, na stroji), výpisky z beletrie, novin, zapojení slova v kontextu (konkordance) –zápisy dětské mluvy – rodičovské deníky, akvizice jazyka (1876–1926), od 1927 analýzy jazyka, později malý vzorek dětí a dlouhodobé sledování –frekvenční studie – Käding (11 mil. slov), na dlouhou dobu nejrozsáhlejší jazykový materiál –výuka jazyka pro cizince – frekvenční seznamy slov, frekvenční slovníky, např. E. Thorndike – The Teacher’s Word Book, 1921 Raná korpusová lingvistika • komparativní lingvistika – srovnávání významů slov z různých jazyků • zapisování indiánských jazyků – Franz Boas, 1940, zakladatel moderní americké antropologie, studie indiánských kmenů Kritika • kolem 1950 – Noam Chomsky – generativní lingvistika, odpor ke korpusovému přístupu k jazyku, korpusy nejsou v lingvistice potřebné, poskytují pokřivená data • předpočítačové období – ruční hledání v rozsáhlých datech je příliš pracné • X rozvoj počítačové techniky Korpusová lingvistika a počítačová lexikografie (od 60. let 20. st.) • Henry Kučera, W. Nelson Francis – Brown Corpus, 1960–1964, Brown University – 500 textových vzorků (vždy 2000 slov), 15 žánrových kategorií, 1 mil. slov – Computational Analysis of Present-Day American English, 1967 (lingvistika, psychologie, statistika, sociologie) – později v 70. letech označkován (PoS tagging) – vzor pro další korpusy – dostupný na MU přes Sketch Engine • American Heritage Dictionary of the English Language, 1969 – 1. slovník založený na korpusu (Brown Corpus, třířádkové citace, preskripce i deskripce), Boston Korpusová lingvistika a počítačová lexikografie (od 60. let 20. st.) • Geoffrey Leech (1936–2014), Stig Johansson – Lancaster-Oslo/Bergen Corpus (LOB), 1970–1978 • britský protějšek k Brown Corpus, stejná struktura (1 mil slov, 500 textových vzorků po 2000 slovech, 15 žánrů) • psaná britská angličtina z r. 1961 • University of Lancaster, University of Oslo, Norwegian Computing Centre for the Humanities, Bergen • originální verze – 1976 • značkovaná verze (PoS tagging) – 1986 Korpusová lingvistika a počítačová lexikografie (od 60. let 20. st.) • Randolph Quirk (1920) – The Survey of English Usage (SEU), 1959, University College London, první korpusové pracoviště –v týmu také Jan Firbas (český jazykovědec, anglista) –cílem bylo popsat gramatický repertoár dospělých, vzdělaných rodilých mluvčích v Británii –SEU – vzorky psané a mluvené britské angličtiny (půl na půl), 200 textů, každý 5000 slov, mluvené – monology i dialogy –původně na papíře (lístky 6 x 4 palce), později převeden do počítačově čitelné podoby (Svartvik) • R. Quirk – Towards a description of English Usage, 1960, publikace o SEU Korpusová lingvistika a počítačová lexikografie (od 60. let 20. st.) • SEU byl použit pro jednu z nejdůležitějších korpusově založených gramatik – Comprehensive Grammar of the English Language (Quirk, Greenbaum, Leech, Svartvik, 1985) • Jan Svartvik, Sidney Greenbaum – The London-Lund Corpus of Spoken English, Lund University, Sweden (100 přepisů, 500 tis. slov, zveřejněn až 1980) –1. počítačový korpus mluveného jazyka –SEU – 13 textů mluvené angličtiny –Survey of Spoken English (SSE), Jan Svartvik, Lund University, 1975 jako sesterský projekt London Survey • 87 textů mluvené angličtiny Korpusová lingvistika a počítačová lexikografie (od 60. let 20. st.) • COBUILD – Collins Birmingham University International Language Database, britské výzkumné centrum na University of Birmingham, od r. 1980 založeno vydavatelstvím Collins, na počátku vedl profesor John Sinclair (1933–2007) • Birmingham Collection of English Text (Collins Corpus), 1980, jako první využil OCR • Collins COBUILD English Language Dictionary, 1987, Sinclaire (pro výuku angličtiny jako cizího jazyka), první slovník založený na současné, běžně užívané angličtině Corpus, Concordance, Collocation, (Oxford University Press, 1991) Korpusová lingvistika v ČR • Marie Těšitelová – Korpus věcného stylu (1971–1985), ručně morfologicky a syntakticky značkovaný (Český akademický korpus, ÚFAL MFF UK, 2007) – Jaroslav Jelínek, Josef V. Bečka, Marie Těšitelová – Frekvence slov, slovních druhů a tvarů v českém jazyce, 1961 • 1988 Iniciativní skupina pro přípravu počítačových korpusů, textů a slovníků (Pala, Čermák, Schmiedtová, Hajičová ad.) • Počítačový fond češtiny, 1992 • Skupina pro počítačový fond češtiny – Čermák, Králík, Pala, Hajič, Hajičová, Sgall, Schmiedtová, Benko, Kučera • 1993–95 Počítačový korpus českých psaných textů (GAČR) • 1994 – založení Ústavu Českého národního korpusu Korpusová lingvistika v ČR • 1995 – cesta do Velké Británie po centrech korpusové lingvistiky – Pala, Čermák, Petkevič, Schmiedtová • Oxford University Press, University of Oxford – Patrick Hanks • School od English, Birmingham City University – John Sinclaire • Lancaster University – Geoffrey Leech • – příprava korpusového manažeru – Pavel Rychlý – CQP (Universitat Stuttgart, Institut für Maschinelle Sprachverarbeitung, prof. Ulrich Heid, autoři CQP Schulze a Christ) • – Manatee Bonito – Pavel Rychlý – dizertační práce