Корпуси усного мовлення

Прагматика не була така ретельно досліджена в комп'ютерній лінгвістиці і корпусних дослідженнях , як деякі інші сфери лінгвістики , оскільки створення репрезентативного корпусу усного мовлення було складним завданням. Зрештою , виникла необхідність створити моделі ввічливості , зміни ролей та інших явищ [42].

Укладачі корпусу не завжди можуть уявити собі все різноманіття лінгвістичних завдань , які можуть бути вирішені з його допомогою . Серед них областю особливої ​​важливості , основною для розуміння мови взагалі , є дослідження усних текстів. Корпус Лондон - Лунд ( The London - Lund Corpus ) був розроблений в рамках проекту «Огляд вживання англійської мови» ( The Survey of English Usage ) . Мета проекту полягала в тому , щоб по можливості повно зафіксувати особливості граматичної системи англійської мови в мові дорослого освіченого носія . Проект розроблявся з 1960 року під керівництвом Р. Квірка в Лондонському університетському коледжі. Обсяг корпусу - 1 млн. слововживань . Текстами усного мовлення були записи радіопередач , засідань офіційних структур , а також неформальних бесід. Машинний варіант корпусу створювався в Лундському університеті ( Швеція ) і був готовий до використання в 1979 році. Саме корпус усного мовлення Лондон - Лунд був одним з перших машиночитаємих корпусів. Він складався з 34 текстів , що представляють таємно записані розмови , які були також опубліковані в книзі Дж. Свартвіка і Р. Квірка « Корпус англійської розмови » (1980) [59]. Ця книга була дуже корисна в той час , коли комп'ютерні корпуси були широко поширені, і було важко поводитися зі складною транскрипцією усного мовлення [44]. Хоча деякою частиною інформації довелося пожертвувати при складанні машиночитаемой версії, і ті , кого записали , навряд чи можуть вважатися середньостатистичними предствітелем осіб , які розмовляють англійською мовою , корпус Лондон - Лунд дуже допоміг у вивченні мови. Через складнощі складання корпусів усного мовлення цей корпус довго залишався найважливішим джерелом для комп'ютерного дослідження розмовної англійської .

Поява корпусу Лондон - Лунд призвело до безлічі досліджень по лексиці , граматиці , просодії мови і особливо за структурою і функціонуванню дискурсу. Так , були досліджені використання слів actually , really , you know , you see , I mean , well , питання і відповіді в англійській розмові , використання пасиву , просодических моделей англійської розмови і т.д. Усну та письмову англійську вивчалися в порівняльних дослідженнях на базі корпусів Лондон - Лунд і Ланкастер - Осло - Берген ; зокрема , вивчалися модальність , зв'язку в складних реченнях , заперечення . В даний час великий інтерес корпусних лінгвістів привертають способи передачі емоцій в усному мовленні , вираз здивування і т.д. Прикладом корпусу , що дозволяє проводити подібні дослідження , є мультимедійний подкорпус у складі НКРЯ .

Відсутність балансу в доступності усного та письмового матеріалу в машиночитаемом форматі триватиме ще дуже довго. В силу різних причин , побудова корпусів усного мовлення просувається набагато повільніше , ніж побудова корпусів письмовій мові. У першу чергу , усне мовлення потрібно якось зафіксувати - наприклад , за допомогою магнітної стрічки , цифрового запису або відеокасети. Потім її потрібно записати буквами , що є стомлюючої і дорогий роботою , якість якої залежить великою мірою від якості запису і ступеня шуму зовнішнього середовища в природних умовах.

Головна складність створення фонетичних лінгвістичних ресурсів пов'язана з необхідністю транскрибування усного мовлення. При цьому виникають наступні проблеми:

1 . Який алгоритм використовувати для транскрибування ?

2 . Чи враховувати індивідуальні особливості вимови ?

3 . Чи враховувати весь усний текст або його фрагменти ?

4 . Чи враховувати діалектні варіанти вимови слів ?

5 . Чи враховувати наголосу в словах?

6 . Чи враховувати просодические ознаки вимовних фраз ?

7 . Відзначати чи слова , які при прослуховуванні нерозпізнаних ?

8 . Відзначати чи в запису для фонетичного корпусу паралінгвістіческіе явища , супутні мови (паузи , сміх , бурмотіння , кашель , і т.д.)? [ 17 ]

В даний час загальноприйнято , що для створення машиночитаних фонетичних корпусів використовується транскрипція на ос ¬ нове орфографічного подання звуків мови з дополнитель ¬ вими знаками , які передають ( при необхідності) просодічес ¬ кі , паралінгвістіческіе та інші особливості вимови. Незважаючи на труднощі створення , в світі вже існує мно ¬ го досить представницьких фонетичних корпусів. Так , як описується в підручнику А.В. Зубова і І.І. Зубової , в 70 -х роках XX століття в США X. Далем і його колегами було створено « Корпус усного мовлення американського варіанту англійської язи ¬ ка ». Він включав 1 млн. слововживань , взятих із записів психоаналітичних сеансів. З кожною з 15 касет , що були у розпорядженні укладачів корпусу , було випадковим чином відібрано 225 записів сеансів. Вони містили мова 8 жінок і 21 чоловіки з 9 міст США . Відібрані записи були затранс - крібіровани на основі стандартної англійської орфографії . Діа - лектние варіанти вимови не враховувалися. Нерозпізнані слова при записі позначалися буквою Z. Наголоси і інші просо - дичні характеристики мови також не враховувалися. У той же час при орфографічною записи мовлення в якості спеціальних коментарів відзначалися паузи , сміх , зітхання , кашель та інші па - ралінгвістіческіе явища [ 17 ] .

Один з членів команди , що створила Британський на ¬ нальний корпус , Л. Бернард , стверджував , що вартість відбору 10 млн. слів з ​​усних джерел під час створення корпусу ( 1990 -ті роки) дорівнювала вартості відбору 50 міл ¬ лионов слів з ​​письмових джерел [ 26 ] . Дані витрати безпосередньо пов'язані ще й із суворо дотримуваним в західному світі авторським правом , у зв'язку з чим не можна провести повноцінний аналіз усних текстів і опублікувати його результати без отримання згоди їх автора , а це не завжди можливо з об'єктивних причин.

У складі Національного корпусу російської мови (який має також назву Російський національний корпус - РНК) в січні 2008 року містилося всього 3,9 % усних текстів. « Усний » компонент корпусу текстів подразделялся на наступні типи: публічна мова (64,3 %) , непублічна мова ( 8,1 %) , мова кіно (27,6 %) [27].

Таким чином , однією з найбільш важливих проблем при складанні національних корпусів текстів є їх недостатнє наповнення усними текстами , особливо що відносяться до непублічної мови - телефонним розмовам , неформальним бесідам і т.д.