الانتقال إلى المحتوى
العودة إلى نتائج البحث

لسانيات المدونات (Corpus Linguistics)

قدّمه
John Sinclair
السنة
1980
النوع
Empirical process pipeline
العائلة
Empirical Linguistics

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

لسانيات المدونات هي دراسة اللغة استنادًا إلى مجموعات كبيرة وممثلة من النصوص (مدونات) تتم معالجتها بواسطة الحاسوب. تعتمد هذه المنهجية، التي رادها جون سينكلير وآخرون، على التحليل الإحصائي، والاتفاقيات (concordancing)، والأدوات الحاسوبية لفحص أنماط الاستخدام الفعلي للغة. لقد أحدثت لسانيات المدونات تحولًا في فهمنا للغة الإنجليزية ولغات أخرى، وكشفت عن أنماط التردد، وتفضيلات التلازم اللفظي (collocation)، وتنوع السجلات (register variation) التي كانت مخفية سابقًا. وهي تخدم اللسانيات النظرية، وتعليم اللغة التطبيقي، ومعالجة اللغات الطبيعية.

الفكرة الحدسية وراء الطريقة

تُعد المدونة اللغوية بمثابة مكتبة ضخمة للكلام والكتابة الفعليين، مختارة ومنظمة بعناية. بدلاً من الاعتماد على جمل مُختلقة أو ملاحظات معزولة، يطلب علماء لسانيات المدونات من الحاسوب العثور على جميع حالات كلمة أو عبارة معينة، وحساب تكراراتها، وقياس الكلمات التي تميل إلى الظهور معًا، ومقارنة الأنماط عبر أنواع مختلفة من النصوص (صحف مقابل روايات، كلام رسمي مقابل غير رسمي). غالبًا ما تقلب الأنماط التي تظهر عبر ملايين الكلمات الافتراضات النظرية رأسًا على عقب أو تؤكد التنبؤات بدقة كمية.

التاريخ

كان جون سينكلير رائدًا في لسانيات المدونات في الستينيات إلى الثمانينيات، حيث بنى مسح استخدام اللغة الإنجليزية (Survey of English Usage) ولاحقًا مشروع COBUILD. أدت سعة التخزين الرقمي وقوة الحوسبة إلى نمو أسي في التسعينيات والعقد الأول من القرن الحادي والعشرين. حولت المدونات الكبرى مثل المدونة الوطنية البريطانية (British National Corpus)، ومدونة اللغة الإنجليزية المعاصرة الأمريكية (Corpus of Contemporary American English)، ومجموعة بيانات Google Books Ngram، هذا المجال. اليوم، تُعد طرق المدونات معيارية في اللسانيات، ودراسات اللغة التطبيقية، ومعالجة اللغات الطبيعية.

متى تُستخدم

استخدام لسانيات المدونات للتحقيق في أنماط الاستخدام الفعلي للغة، واختبار الفرضيات النظرية ببيانات تجريبية، وفهم التباين عبر السجلات واللهجات، أو لتطوير موارد لغوية لتطبيقات معالجة اللغات الطبيعية (NLP). المدونات ضرورية لدراسة الظواهر عالية التردد، وتباين اللهجات، وتغير اللغة، ودلالات المفردات. وهي تكمل الأساليب التجريبية والاستبطانية.

الحدود والاعتبارات

  • المدونات هي عينات محدودة؛ قد لا يتم تمثيل الظواهر منخفضة التردد بشكل كافٍ، وغياب شكل معين لا يثبت استحالة وجوده.
  • التوصيف (وضع علامات إعرابية، تحليل نحوي) يُدخل أخطاء تنتشر لاحقًا. التوصيف اليدوي مكلف؛ التوصيف التلقائي غير مثالي.
  • النتائج تعكس تكوين المدونة (على سبيل المثال، قد لا تمثل المدونات المكتوبة اللغة المنطوقة بالتساوي)؛ التحيزات في الاختيار تؤثر على النتائج.
  • أنماط التردد لا تكشف مباشرة عن الكفاءة؛ قد يعكس التردد العالي عوامل الأداء مثل اتفاقيات الخطاب بدلاً من البنية النحوية.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • توفير أدلة تجريبية لأنماط اللغة بناءً على الاستخدام الفعلي، مما يقلل الاعتماد على الاستبطان والجمل المُختلقة.
  • تمكين التحليل الكمي للتردد، والتلازم اللفظي، والتباين عبر مجموعات بيانات كبيرة ومتنوعة.
  • تسهيل المقارنة بين اللغات وعبر السجلات باستخدام مدونات قابلة للمقارنة وموحدة.
  • دعم اكتشاف الأنماط (مثل التفضيلات الدلالية، وعلامات السجل) التي يصعب التنبؤ بها بدون بيانات.

التطبيقات

  • دراسة أنماط تردد واستخدام الأفعال المركبة في اللغة الإنجليزية (مثل 'put up with', 'run into') لتطوير مواد تعليمية مُدرجة حسب التردد.
  • تحليل أنماط التلازم اللفظي لتحسين الترجمة الآلية من خلال ضمان احترام المخرجات لتفضيلات تكرار الكلمات الطبيعية.
  • التحقيق في تغير اللغة عبر الزمن عن طريق مقارنة ترددات الكلمات والتلازمات اللفظية عبر مدونات تاريخية (مثل Google Books Ngram Viewer).
  • توثيق اللغات المهددة بالانقراض عن طريق بناء مدونات صغيرة ومتخصصة وتحليلها لإنشاء قواميس وقواعد نحوية.
  • دراسة تباين السجلات في اللغة الإنجليزية (أكاديمي، إخباري، محادثة) لفهم كيفية اختلاف المفردات والنحو عبر السياقات الاجتماعية.

كيف يعمل

كيف يعمل

1

تجميع مجموعة كبيرة وممثلة من النصوص (عادةً ملايين الكلمات) في شكل رقمي، مع ضمان التنوع عبر الأنواع (genres)، والسجلات (registers)، والمتحدثين/الكتاب.

2

تقسيم النص إلى كلمات (tokenization)، ووضع علامات إعرابية (part-of-speech tags)، وإضافة علامات نحوية أو دلالية اختيارية (parsing, named entity recognition).

3

استخدام برامج الاتفاقيات (concordancing) لاستخراج جميع حالات الكلمات أو العبارات المستهدفة، وحساب الترددات، وقياس التلازمات اللفظية (collocations)، وإنشاء قوائم التردد والتوزيعات.

4

تطبيق الأساليب الإحصائية (تحليل التردد، اختبارات مربع كاي، مقاييس التلازم اللفظي) لتحديد الأنماط، وقياس قوة الارتباط، ونمذجة تباين اللغة.

5

استخلاص استنتاجات حول بنية اللغة، وأنماط الاستخدام، وتباين اللهجات والسجلات، والتحقق من صحة التنبؤات النظرية مقابل الأدلة التجريبية.

الأخطاء الشائعة

  • افتراض أن تردد المدونة يعكس مباشرة القبول النحوي. الأنماط الغائبة قد تكون مُعلمة براغماتيًا بدلاً من كونها غير نحوية؛ قد يعكس التردد المنخفض سياق الخطاب، وليس الاستحالة اللغوية.
  • تجاهل أخطاء التوصيف والتعامل مع البيانات المُعلمة تلقائيًا على أنها معيار ذهبي. التحقق يدويًا من التوصيفات، خاصة للتحليلات الحاسمة.
  • التعميم المفرط من مدونة واحدة إلى اللغة بشكل عام. تكوين المدونة مهم؛ قد لا تنطبق نتائج المدونة الوطنية البريطانية على اللغة الإنجليزية المنطوقة في مناطق أخرى.
  • الخلط بين الارتباط والسببية في أنماط التلازم اللفظي. قد تتواجد كلمتان بشكل متكرر بسبب الموضوع (مثل 'ثلج' و 'شتاء') بدلاً من الاعتماد الدلالي أو النحوي.

الأسئلة الشائعة

ما هو حجم المدونة المطلوب؟

يعتمد ذلك على سؤال البحث الخاص بك. بالنسبة للظواهر عالية التردد (الكلمات الشائعة، أنواع الجمل الأساسية)، تكفي عشرات الآلاف من الكلمات. بالنسبة للظواهر النادرة أو التباين التفصيلي، قد تكون هناك حاجة إلى ملايين الكلمات. قاعدة عامة جيدة: يجب أن يكون لديك ما لا يقل عن 30-50 تكرارًا لظاهرتك المستهدفة لإجراء تحليل إحصائي أساسي. ومع ذلك، حتى المدونات المتخصصة الصغيرة (آلاف الكلمات) قيّمة لتوثيق اللغات المهددة بالانقراض.

ما هو الاتفاق (concordance)؟

الاتفاق هو قائمة بجميع حالات كلمة أو عبارة مستهدفة، تُعرض عادةً في سياقها (عادةً سطر أو سطرين على كل جانب). تكون الكلمة المستهدفة في المنتصف لسهولة المسح. تكشف الاتفاقيات عن التلازمات اللفظية (الكلمات التي تظهر بانتظام بالقرب من الهدف)، وتباين السجل، والأنماط النحوية. تُنشئ برامج المدونات الحديثة الاتفاقيات مع حسابات التردد وخيارات الفرز.

كيف أقيس قوة التلازم اللفظي؟

تقيس العديد من المقاييس قوة التلازم (الارتباط). المعلومات المتبادلة (MI) تقيس الانحراف عن التكرار العشوائي؛ نسبة الاحتمالية اللوغاريتمية (LLR) هي اختبار إحصائي؛ مقياس T و Delta-P يقيسان الارتباط بشكل مختلف. لا يوجد مقياس واحد هو الأفضل عالميًا؛ المقاييس المختلفة تناسب أسئلة بحث مختلفة. افحص الترددات الخام جنبًا إلى جنب مع المقاييس لتجنب النتائج الظاهرية حيث تُظهر التلازمات منخفضة التردد ارتباطًا عاليًا بالصدفة.

هل يمكن لدليل المدونة أن يثبت أن جملة ما غير نحوية؟

لا. الغياب من مدونة يُظهر أنها نادرة أو غائبة في تلك المجموعة المحددة، وليس أنها مستحيلة في اللغة. قد تكون الجمل نادرة بسبب قيود براغماتية أو خطابية، وليس بسبب القواعد النحوية. اجمع بين دليل المدونة وأحكام القبول، والبيانات التجريبية، والاستدلال النظري لاستخلاص استنتاجات حول القواعد النحوية.

طرق ذات صلة

المصادر

  1. Sinclair, J. M. (1991). Corpus, Concordance, Collocation. Oxford: Oxford University Press.

    افتح مرجع المنشور
    تم النسخ.
  2. McEnery, T., & Hardie, A. (2012). Corpus Linguistics: Method, Theory and Practice. Cambridge: Cambridge University Press.

    افتح مرجع DOI
    تم النسخ.
  3. Biber, D., Conrad, S., & Reppen, R. (2006). Corpus Linguistics: Investigating Language Structure and Use. Cambridge: Cambridge University Press.

    افتح مرجع المنشور
    تم النسخ.