5. Типология корпусов

Несмотря на разнообразие корпусов, можно выделить два основных способа их деления на классы:

1) противопоставление корпусов, относящихся ко всему языку (часто к языку определенного периода), корпусам, относящимся к какому-либо подъязыку (жанр, стиль, язык определенной возрастной или социальной группы, язык писателя или ученого и т.д.);

2) разделение корпусов по типу лингвистической разметки. Несмотря на наличие множества типов разметки, большинство реально существующих корпусов относится к корпусам морфологического либо синтаксического типа (последние в англоязычной литературе называют treebanks, что можно перевести как «банки синтаксических структур»). При этом следует подчеркнуть, что корпус с синтаксической разметкой явно или неявно включает в себя и морфологические характеристики лексических единиц.

Вообще существует большое число разных типов корпусов, что определяется многообразием исследовательских и прикладных задач, для решения которых они создаются, и различными основаниями для классификации. В зависимости от поставленных целей и классифицирующих признаков, можно выделить различные типы корпусов (табл. 1).

Таблица 1

Классификация корпусов

Признак	Типы корпусов
Тип языковых данных	Письменные Устные Смешанные
«Параллельность»	Одноязычные Двуязычные Многоязычные
«Литературность»	Литературные Диалектные Разговорные Терминологические Смешанные
Цель	Многоцелевые Специализированные
Жанр	Литературные Фольклорные Драматургические Публицистические
Доступность	Свободно доступные Коммерческие Закрытые
Назначение	Исследовательские Иллюстративные
Динамичность	Динамические (мониторные) Статические
Разметка	Размеченные Неразмеченные
Характер разметки	Морфологические Синтаксические Семантические Просодические и т.д.
Объем текстов	Полнотекстовые «Фрагментнотекстовые»

Итак, по типу языковых данных корпусы делятся на письменные, устные и смешанные. В письменных корпусах устная речь не представлена (Брауновский корпус, LOB), в устных корпусах представлена только устная речь, смешанными обычно бывают национальные корпусы, представляющие бытование языка в определенный период времени (НКРЯ, BNC и др.).

Устные – письменные

Большая часть корпусов 1 поколения были исключительно письменными. Письменные

тексты гораздо легче собирать. Существуют три метода ввода письменных текстов в

компьютер:

● заново набирать тексты (это лучше, чем пробивать перфокарты, как было с Брауновским

корпусом);

● использовать тексты, которые уже существуют в электронной форме;

● сканировать напечатанные тексты (но при этом нужно исправлять много ошибок).

Большие современные корпусы обычно комбинированные, с преобладанием

письменных текстов. Даже в BNC лишь 10% текстов устные. Выделяется ICE, в котором 60%

текстов устные. Между тем, язык в основном существует именно в устной форме, письменная его форма вторична. Поэтому так важны устные корпусы, либо смешанные.

Среди специфически устных корпусов нужно назвать London Lund Corpus (LLC, 1975

г.) и Lancaster/IBM Spoken English Corpus (1992), сокращённо SEC. Этот последний состоит

из 52600 словоупотреблений. Он поставляется на CD-ROMе вместе с аудиозаписями,

полностью размечен на предмет ударений, интонации, пауз и т.п. Однако, он не содержит

информации о социальном статусе и образовании респондентов, что ограничивает его

использование в социолингвистике.Corpus of Spoken American English (1991), миллион словоупотреблений, 80 часов звучания. Map Task Corpus (1991, университет Глазго, Шотландия), 147 тысяч словоупотреблений, 16 часов звучания.

Устные корпусы включают меньше словоупотреблений, чем письменные, не только из-

за трудоёмкости сбора данных, но и потому, что для просодических исследований обычно

достаточно меньшего количества слов. Так, для изучения интонации достаточно корпуса в сто

тысяч словоупотреблений.

Устные корпусы могут включать как монологическую, так и диалогическую речь. Для

сбора материала используются записи с радио и телевидения или опрос по выборочным

методикам социологии и социолингвистики. Отметим, что скрытая запись сейчас считается

неэтичной (в отличие от 70-х годов).

Обычно собирают довольно подробную информацию о респондентах:

● место записи

● что респондент делает

● время

● дата

● количество участников

● степень спонтанности беседы

● тема

● пол участников

● возраст участников

● этническая принадлежность участников

● основной язык участников

● профессия

● образование

● социальный статус

● отношение к записывающему

● диалект

Самая трудоёмкая стадия — transcription. Орфографическая транскрипция одного часа

записи с минимальной интонационной разметкой может занять около 10 часов. Если же

размечать текст по всем правилам TEI (Text Encoding Initiative), то на это может уйти 25 часов

и более. А без разметки корпус устных текстов не имеет смысла — как минимум, должна быть

указана продолжительность пауз, размечена одновременная речь, ударение, интонация.

Иногда включают контекстные комментарии типа «ест печенье». Именно благодаря

подробной разметке корпус LLC стал стандартном для корпусов устной речи.