Korpusová lingvistika a počítačová lexikografie Od 60. let 20. st.
Raná korpusová lingvistika (konec 19. st – 50. léta 20. st., Early corpus linguistics) ● 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, W. T. Preyer – zakladatel dětské psychologie ○ 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 ● 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 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 ● 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 ● Randolph Quirk (1920) – korpus The Survey of English Usage (SEU), 1959 ○ University College London, první korpusové pracoviště ○ v týmu také Jan Firbas (český jazykovědec, anglista) ○ vzorky psané a mluvené britské angličtiny (půl na půl), z let 1955 až 1985 ○ 200 textů, každý 5000 slov, mluvené – monology i dialogy (shromažďováno 30 let) ○ 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 ● SEU byl použit pro jednu z nejdůležitějších korpusově založených gramatik – Comprehensive Grammar of the English Language (Quirk, Greenbaum, Leech, Svartvik, 1985) ● Jan Svartvik (1931), Sidney Greenbaum – The LondonLund 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 ● 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 a počítačová lexikografie ● Deutsches Referenzkorpus (DeReKo), 1964, Mannheim Korpus, Institut für Deutsche Sprache ● LIMAS (Linguistik und Maschinelle Sprachbearbeitung), 1970, Universität Bonn ○ německá varianta Brown Corpus – 500 textů, 15 kategorií, 1 mil. slov, texty z let 1969–70
