2.2.3. Экстралингвистическая разметка
Экстралингвистическая разметка, или метаданные, включает в себя «внешнюю», «интеллектуальную» разметку (библиографические характеристики, типологические характеристики, тематические характеристики, социологические характеристики), «формальную» структурную разметку (текст, раздел, глава, часть, абзац, предложение), а также технико-технологическую разметку (кодировку, даты обработки, исполнителей, источник электронной версии).
Набор метаданных во многом определяет возможности, предоставляемые корпусами исследователям. При выборе этих данных необходимо руководствоваться целями исследования и потребностями лингвистов, а также возможностями по внесению в текст тех или иных дополнительных признаков.
«Внешняя», «интеллектуальная» разметка нужна, во-первых, для выявления взаимосвязи языка и условий его существования; во-вторых, для изучения отдельных подмножеств языка.
Выделяют два класса факторов, влияющих на язык текстов:
внешние, внеязыковые факторы (E – external);
внутренние факторы (I – internal).
Дж. Синклер выделяет три группы E-факторов:
Е1 (origin) – факторы, относящиеся к созданию текста автором;
E2 (state) – факторы, относящиеся к внешним признакам текста (включая устную или письменную речь);
Е3 (aims) – факторы, относящиеся к причинам создания текста и его влиянию на аудиторию
и две группы I-факторов:
I1 (topic) – предметная область текста;
I2 (style) – стилистические особенности (стиль, жанр) [57].
В НКРЯ, например, используется следующий набор метаданных:
Первый блок:
автор текста: имя, пол, дата рождения (или примерный возраст);
название текста;
время и место создания текста (может указываться точно или приблизительно);
объем текста: для художественных произведений принято, что обычная длина рассказа – менее 5 тыс. слов; обычная длина повести – от 5 до 15 тыс. слов; обычная длина романа – более 15 тыс. слов.
Второй блок: параметры метаописания трех основных массивов текстов корпуса – художественных текстов; нехудожественных текстов; драматургических произведений
Например, для художественных текстов в НКРЯ указывается:
жанр текста: нежанровая проза, автобиографическая проза, детектив, детская литература, историческая проза, криминальная литература, приключения, фантастика, юмор и сатира;
тип текста: автобиографическая проза, анекдот, ассоциативная проза, боевик, детектив, очерк, литературное письмо, повесть, притча, пьеса, рассказ, роман, сказка, триллер, эпопея, эссе и др.;
хронотоп текста: приблизительное указание на место и время описываемых в тексте событий [27].
Реально предлагается следующее: древний Восток; Россия XVII век; Россия XIX век; Россия/СССР: советский период в целом; Россия, советский период – Германия 1920-1940-е годы; Россия/СССР – Европа 1960-1980-е годы; Россия/СССР: перестройка; Россия/СССР: советский и постсоветский период; Америка: современная жизнь; Израиль: современная жизнь; Средняя Азия: современная жизнь; ирреальный мир и др. Также может встретиться тэг «хронотоп не определен».
Служебная, или «имплицитная», метаразметка в НКРЯ включает:
«текст-стиль», при этом выделяются академический, научно-популярный, официально-деловой, нейтральный, сниженный, сниженный с элементами грубого просторечия и жаргона, архаизованный, индивидуально-авторский, диалектный и пр. (всего 21);
аудитория – возраст;
аудитория – уровень образования;
аудитория – размер (более подробно см. http://ruscorpora.ru/corpora-parameter.html)