Korpuslinguistik
- Eingeführt von
- John Sinclair
- Jahr
- 1980
- Typ
- Empirical process pipeline
- Familie
- Empirical Linguistics
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Korpuslinguistik ist die Untersuchung von Sprache auf der Grundlage großer, repräsentativer Textsammlungen (Korpora), die computergestützt verarbeitet werden.
Die von John Sinclair und anderen pionierhaft entwickelte Methode nutzt statistische Analysen, Konkordanzanalysen und computergestützte Werkzeuge zur Untersuchung von Mustern des tatsächlichen Sprachgebrauchs. Die Korpuslinguistik hat unser Verständnis des Englischen und anderer Sprachen revolutioniert, indem sie Frequenzmuster, Kollokationspräferenzen und Registervariationen aufdeckte, die zuvor verborgen waren. Sie dient der theoretischen Linguistik, der angewandten Sprachvermittlung und der Verarbeitung natürlicher Sprache.
Die Intuition hinter der Methode
Ein linguistischer Korpus ist wie eine große Bibliothek tatsächlicher Rede und Schrift, sorgfältig ausgewählt und organisiert. Anstatt sich auf erfundene Sätze oder isolierte Beobachtungen zu verlassen, bitten Korpuslinguisten den Computer, alle Vorkommen eines Wortes oder einer Phrase zu finden, Häufigkeiten zu zählen, zu messen, welche Wörter tendenziell zusammen auftreten, und Muster über verschiedene Textarten hinweg zu vergleichen (Zeitungen im Vergleich zu Romanen, formelle im Vergleich zu informeller Sprache). Muster, die über Millionen von Wörtern entstehen, verwerfen oft theoretische Annahmen oder bestätigen Vorhersagen mit quantitativer Strenge.
Geschichte
John Sinclair war in den 1960er bis 1980er Jahren Pionier der Korpuslinguistik und baute den Survey of English Usage und später das COBUILD-Projekt auf. Digitale Speicherung und Rechenleistung ermöglichten ein exponentielles Wachstum in den 1990er und 2000er Jahren. Große Korpora wie das British National Corpus, das Corpus of Contemporary American English und der Google Books Ngram-Datensatz revolutionierten das Feld. Heute sind Korpusmethoden Standard in der Linguistik, den angewandten Sprachwissenschaften und der NLP.
Wann wird sie eingesetzt?
Korpuslinguistik nutzen, um tatsächliche Sprachgebrauchsmuster zu untersuchen, theoretische Hypothesen mit empirischen Daten zu testen, Variationen über Register und Dialekte hinweg zu verstehen oder Sprachressourcen für NLP-Anwendungen zu entwickeln. Korpora sind essentiell für die Untersuchung von Hochfrequenzphänomenen, Dialektvariationen, Sprachwandel und lexikalischer Semantik. Sie ergänzen experimentelle und introspektive Methoden.
Grenzen und Hinweise
- Korpora sind endliche Stichproben; Phänomene mit geringer Frequenz sind möglicherweise nicht ausreichend repräsentiert, und die Abwesenheit in einem Korpus beweist nicht, dass eine Form unmöglich ist.
- Annotationen (POS-Tagging, Parsing) führen Fehler ein, die sich nachgelagert fortpflanzen. Manuelle Annotation ist teuer; automatische Annotation ist unvollkommen.
- Ergebnisse spiegeln die Korpuszusammensetzung wider (z. B. schriftliche Korpora repräsentieren gesprochene Sprache möglicherweise nicht gleichmäßig); Verzerrungen bei der Auswahl beeinflussen die Ergebnisse.
- Frequenzmuster offenbaren nicht direkt Kompetenz; hohe Frequenz kann Leistungsfaktoren wie Diskurskonventionen widerspiegeln und nicht grammatische Struktur.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Liefert empirische Beweise für Sprachmuster, die auf tatsächlichem Gebrauch basieren, und reduziert die Abhängigkeit von Introspektion und erfundenen Sätzen.
- Ermöglicht quantitative Analyse von Frequenz, Kollokation und Variation über große, vielfältige Datensätze hinweg.
- Erleichtert den Vergleich zwischen Sprachen und Registern durch die Verwendung standardisierter, vergleichbarer Korpora.
- Unterstützt die Entdeckung von Mustern (z. B. semantische Präferenzen, Registermarker), die ohne Daten schwer vorherzusagen wären.
Anwendungen
- Untersuchung von Frequenz- und Nutzungsmustern englischer Phrasal Verbs (z. B. 'put up with', 'run into'), um Lehrmaterialien zu entwickeln, die nach Frequenz geordnet sind.
- Analyse von Kollokationsmustern zur Verbesserung der maschinellen Übersetzung, indem sichergestellt wird, dass die Ausgabe natürliche Wortkombinationspräferenzen berücksichtigt.
- Untersuchung des Sprachwandels im Laufe der Zeit durch Vergleich von Worthäufigkeiten und Kollokationen in diachronen Korpora (z. B. Google Books Ngram Viewer).
- Dokumentation gefährdeter Sprachen durch Aufbau kleiner, spezialisierter Korpora und deren Analyse zur Erstellung von Wörterbüchern und Grammatiken.
- Untersuchung von Registervariationen im Englischen (akademisch, Nachrichten, Konversation), um zu verstehen, wie sich Wortschatz und Syntax in verschiedenen sozialen Kontexten unterscheiden.
So funktioniert es
So funktioniert es
Eine große, repräsentative Sammlung von Texten (typischerweise Millionen von Wörtern) in digitaler Form zusammenstellen, wobei die Vielfalt über Genres, Register und Sprecher/Schreiber hinweg gewährleistet wird.
Tokenisieren (in Wörter aufteilen), mit Wortart-Tags annotieren und optional syntaktische oder semantische Annotationen hinzufügen (Parsing, Erkennung benannter Entitäten).
Konkordanzsoftware verwenden, um alle Vorkommen von Zielwörtern oder -phrasen zu extrahieren, Häufigkeiten zu zählen, Kollokationen zu berechnen und Frequenzlisten und -verteilungen zu generieren.
Statistische Methoden anwenden (Frequenzanalyse, Chi-Quadrat-Tests, Kollokationsmetriken), um Muster zu identifizieren, die Stärke der Assoziation zu messen und Sprachvariationen zu modellieren.
Schlussfolgerungen über Sprachstruktur, Nutzungsmuster, Dialekt- und Registervariationen ziehen und theoretische Vorhersagen anhand empirischer Beweise validieren.
Häufige Fallstricke
- Annahme, dass Korpusfrequenz direkt die grammatische Akzeptabilität widerspiegelt. Fehlende Muster können pragmatisch markiert und nicht ungrammatisch sein; geringe Frequenz kann Diskurskontext und nicht linguistische Unmöglichkeit widerspiegeln.
- Ignorieren von Annotationsfehlern und Behandeln von automatisch getaggten Daten als Goldstandard. Annotationen manuell validieren, insbesondere für kritische Analysen.
- Überverallgemeinerung von einem Korpus auf Sprache im Allgemeinen. Die Korpuszusammensetzung ist wichtig; Ergebnisse des British National Corpus lassen sich möglicherweise nicht auf gesprochenes Englisch in anderen Regionen verallgemeinern.
- Verwechslung von Korrelation mit Kausalität in Kollokationsmustern. Zwei Wörter können aufgrund des Themas häufig zusammen auftreten (z. B. 'Schnee' und 'Winter') und nicht aufgrund semantischer oder grammatischer Abhängigkeit.
Häufig gestellte Fragen
Wie groß muss ein Korpus sein?
Das hängt von Ihrer Forschungsfrage ab. Für Phänomene mit hoher Frequenz (häufige Wörter, grundlegende Satztypen) reichen Zehntausende von Wörtern aus. Für seltene Phänomene oder detaillierte Variationen können Millionen von Wörtern erforderlich sein. Eine gute Faustregel: Sie sollten mindestens 30-50 Vorkommen Ihres Zielphänomens für grundlegende statistische Analysen haben. Selbst kleine spezialisierte Korpora (Tausende von Wörtern) sind jedoch wertvoll für die Dokumentation gefährdeter Sprachen.
Was ist eine Konkordanz?
Eine Konkordanz ist eine Liste aller Vorkommen eines Zielworts oder einer Zielphrase, die typischerweise im Kontext angezeigt werden (normalerweise eine oder zwei Zeilen auf jeder Seite). Das Zielwort ist zur einfachen Übersicht zentriert. Konkordanzen zeigen Kollokationen (Wörter, die regelmäßig in der Nähe des Ziels vorkommen), Registervariationen und syntaktische Muster. Moderne Korpussoftware generiert Konkordanzen mit Häufigkeitszählungen und Sortieroptionen.
Wie messe ich die Stärke von Kollokationen?
Mehrere Metriken quantifizieren die Stärke von Kollokationen (Assoziation). Mutual Information (MI) misst die Abweichung von zufälliger Ko-Okurrenz; der Log-Likelihood-Ratio (LLR) ist ein statistischer Test; T-Score und Delta-P messen die Assoziation unterschiedlich. Keine einzelne Metrik ist universell die beste; verschiedene Metriken eignen sich für unterschiedliche Forschungsfragen. Überprüfen Sie rohe Häufigkeiten neben Metriken, um Artefakte zu vermeiden, bei denen Kollokationen mit geringer Frequenz zufällig eine hohe Assoziation aufweisen.
Kann Korpusbeweis beweisen, dass ein Satz ungrammatisch ist?
Nein. Die Abwesenheit in einem Korpus zeigt, dass er in dieser speziellen Sammlung selten oder nicht vorhanden ist, nicht dass er in der Sprache unmöglich ist. Sätze können aufgrund pragmatischer oder diskursiver Einschränkungen selten sein und nicht aufgrund von Grammatikalität. Kombinieren Sie Korpusbeweise mit Akzeptabilitätsurteilen, experimentellen Daten und theoretischer Argumentation, um Schlussfolgerungen über Grammatikalität zu ziehen.
Verwandte Methoden
Quellen
Sinclair, J. M. (1991). Corpus, Concordance, Collocation. Oxford: Oxford University Press.
Publikationsreferenz öffnenKopiert.McEnery, T., & Hardie, A. (2012). Corpus Linguistics: Method, Theory and Practice. Cambridge: Cambridge University Press.
DOI-Referenz öffnenKopiert.Biber, D., Conrad, S., & Reppen, R. (2006). Corpus Linguistics: Investigating Language Structure and Use. Cambridge: Cambridge University Press.
Publikationsreferenz öffnenKopiert.