زبانشناسی پیکرهای
- معرفیشده توسط
- John Sinclair
- سال
- 1980
- نوع
- Empirical process pipeline
- خانواده
- Empirical Linguistics
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
زبانشناسی پیکرهای، مطالعه زبان بر اساس مجموعههای بزرگ و نمایندهای از متون (پیکرهها) است که با رایانه پردازش میشوند. این روش که توسط جان سینکلر و دیگران پیشگام شد، از تحلیل آماری، همآییابی (concordancing) و ابزارهای محاسباتی برای بررسی الگوهای استفاده واقعی زبان بهره میبرد. زبانشناسی پیکرهای درک ما از زبان انگلیسی و زبانهای دیگر را دگرگون کرده و الگوهای بسامد، ترجیحات همنشینی (collocation) و تنوع سبک (register variation) را که پیشتر پنهان بودند، آشکار ساخته است. این حوزه به زبانشناسی نظری، آموزش زبان کاربردی و پردازش زبان طبیعی خدمت میکند.
شهود پشت روش
پیکره زبانی مانند کتابخانهای بزرگ از گفتار و نوشتار واقعی است که با دقت انتخاب و سازماندهی شده است. زبانشناسان پیکرهای به جای اتکا به جملات ابداعی یا مشاهدات منفرد، از رایانه میخواهند تا تمام موارد یک کلمه یا عبارت را بیابد، بسامدها را بشمارد، اندازهگیری کند که کدام کلمات تمایل دارند با هم ظاهر شوند و الگوها را در انواع مختلف متن (روزنامهها در مقابل رمانها، گفتار رسمی در مقابل غیررسمی) مقایسه کند. الگوهایی که در میلیونها کلمه ظاهر میشوند، اغلب مفروضات نظری را واژگون میکنند یا پیشبینیها را با دقت کمی تأیید میکنند.
تاریخ
جان سینکلر در دهههای 1960 تا 1980 پیشگام زبانشناسی پیکرهای بود و Survey of English Usage و سپس پروژه COBUILD را ایجاد کرد. ذخیرهسازی دیجیتال و قدرت محاسباتی امکان رشد نمایی را در دهههای 1990 و 2000 فراهم کرد. پیکرههای بزرگ مانند پیکره ملی بریتانیا (British National Corpus)، پیکره انگلیسی معاصر آمریکا (Corpus of Contemporary American English) و مجموعه داده Google Books Ngram، این حوزه را متحول کردند. امروزه، روشهای پیکرهای در زبانشناسی، مطالعات زبان کاربردی و پردازش زبان طبیعی استاندارد هستند.
چه زمانی استفاده شود
استفاده از زبانشناسی پیکرهای برای تحقیق در مورد الگوهای واقعی کاربرد زبان، آزمودن فرضیههای نظری با دادههای تجربی، درک تنوع در میان سبکها و گویشها، یا توسعه منابع زبانی برای کاربردهای پردازش زبان طبیعی. پیکرهها برای مطالعه پدیدههای با بسامد بالا، تنوع گویشی، تغییر زبان و معناشناسی واژگانی ضروری هستند. این روشها مکمل روشهای آزمایشی و دروننگرانه هستند.
محدودیتها و ملاحظات
- پیکرهها نمونههای محدودی هستند؛ پدیدههای با بسامد پایین ممکن است به اندازه کافی نمایش داده نشوند و عدم وجود یک شکل در پیکره، امکانناپذیری آن را اثبات نمیکند.
- حاشیهنویسیها (برچسبگذاری اجزای کلام، تجزیه) خطا ایجاد میکنند که در مراحل بعدی منتشر میشوند. حاشیهنویسی دستی پرهزینه است؛ حاشیهنویسی خودکار کامل نیست.
- نتایج منعکسکننده ترکیب پیکره هستند (مثلاً پیکرههای نوشتاری ممکن است زبان گفتاری را به طور مساوی نمایش ندهند)؛ سوگیریها در انتخاب بر یافتهها تأثیر میگذارند.
- الگوهای بسامد مستقیماً شایستگی (competence) را آشکار نمیکنند؛ بسامد بالا ممکن است عوامل عملکرد (performance) مانند قراردادهای گفتمانی را به جای ساختار دستوری منعکس کند.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- شواهد تجربی برای الگوهای زبان بر اساس کاربرد واقعی فراهم میکند و اتکا به دروننگری و جملات ابداعی را کاهش میدهد.
- امکان تحلیل کمی بسامد، همنشینی و تنوع در میان مجموعه دادههای بزرگ و متنوع را فراهم میآورد.
- با استفاده از پیکرههای استاندارد و قابل مقایسه، مقایسه بینزبانی و بینسبکی را تسهیل میکند.
- از کشف الگوها (مانند ترجیحات معنایی، نشانگرهای سبک) که پیشبینی آنها بدون داده دشوار است، پشتیبانی میکند.
کاربردها
- مطالعه الگوهای بسامد و کاربرد افعال عبارتی انگلیسی (مانند 'put up with'، 'run into') برای توسعه مواد آموزشی درجهبندی شده بر اساس بسامد.
- تحلیل الگوهای همنشینی برای بهبود ترجمه ماشینی با اطمینان از اینکه خروجی، ترجیحات طبیعی هموقوعی کلمات را رعایت میکند.
- بررسی تغییر زبان در طول زمان با مقایسه بسامد کلمات و همنشینیها در پیکرههای همزمان (diachronic corpora) (مانند Google Books Ngram Viewer).
- مستندسازی زبانهای در معرض خطر با ساخت پیکرههای کوچک و تخصصی و تحلیل آنها برای ایجاد واژهنامهها و دستور زبانها.
- مطالعه تنوع سبک در انگلیسی (دانشگاهی، خبری، مکالمه) برای درک چگونگی تفاوت واژگان و نحو در زمینههای اجتماعی مختلف.
چگونه کار میکند
چگونه کار میکند
گردآوری مجموعهای بزرگ و نماینده از متون (معمولاً میلیونها کلمه) در قالب دیجیتال، با اطمینان از تنوع در میان ژانرها، سبکها و گویشوران/نویسندگان.
توکنسازی (تقسیم به کلمات)، برچسبگذاری اجزای کلام (part-of-speech tagging) و در صورت تمایل، افزودن حاشیهنویسیهای نحوی یا معنایی (تجزیه، بازشناسی موجودیت نامدار).
استفاده از نرمافزار همآییابی برای استخراج تمام وقوعهای کلمات یا عبارات هدف، شمارش بسامدها، محاسبه همنشینیها و تولید فهرستها و توزیعهای بسامد.
بهکارگیری روشهای آماری (تحلیل بسامد، آزمونهای مربع کای، معیارهای همنشینی) برای شناسایی الگوها، اندازهگیری قدرت وابستگی و مدلسازی تنوع زبان.
نتیجهگیری در مورد ساختار زبان، الگوهای کاربرد، تنوع گویشی و سبکی، و اعتبارسنجی پیشبینیهای نظری در برابر شواهد تجربی.
دامهای رایج
- فرض کردن اینکه بسامد پیکره مستقیماً منعکسکننده پذیرش دستوری است. الگوهای غایب ممکن است به جای غیردستوری بودن، از نظر کاربردشناختی نشانهدار باشند؛ بسامد پایین ممکن است به جای ناممکن بودن زبانی، منعکسکننده زمینه گفتمانی باشد.
- نادیده گرفتن خطاهای حاشیهنویسی و رفتار با دادههای برچسبگذاری شده خودکار به عنوان معیار طلایی. حاشیهنویسیها را به صورت دستی، به ویژه برای تحلیلهای حیاتی، اعتبارسنجی کنید.
- تعمیم بیش از حد از یک پیکره به زبان به طور کلی. ترکیب پیکره مهم است؛ نتایج حاصل از پیکره ملی بریتانیا ممکن است به انگلیسی گفتاری در مناطق دیگر تعمیم نیابد.
- اشتباه گرفتن همبستگی با علیت در الگوهای همنشینی. دو کلمه ممکن است به دلیل موضوع (مثلاً 'برف' و 'زمستان') به جای وابستگی معنایی یا دستوری، به طور مکرر همoccur کنند.
پرسشهای متداول
اندازه یک پیکره چقدر باید باشد؟
بستگی به سوال تحقیق شما دارد. برای پدیدههای با بسامد بالا (کلمات رایج، انواع جملات پایه)، دهها هزار کلمه کافی است. برای پدیدههای نادر یا تنوع دقیق، ممکن است میلیونها کلمه لازم باشد. یک قاعده سرانگشتی خوب: برای تحلیل آماری پایه باید حداقل 30 تا 50 وقوع از پدیده هدف خود داشته باشید. با این حال، حتی پیکرههای تخصصی کوچک (هزاران کلمه) برای مستندسازی زبانهای در معرض خطر ارزشمند هستند.
همآییابی (concordance) چیست؟
همآییابی فهرستی از تمام وقوعهای یک کلمه یا عبارت هدف است که معمولاً در متن نشان داده میشود (معمولاً یک یا دو خط در هر طرف). کلمه هدف برای اسکن آسان در مرکز قرار میگیرد. همآییابیها همنشینیها (کلماتی که به طور منظم در نزدیکی هدف ظاهر میشوند)، تنوع سبک و الگوهای نحوی را آشکار میکنند. نرمافزارهای پیکرهای مدرن همآییابیها را با شمارش بسامد و گزینههای مرتبسازی تولید میکنند.
چگونه قدرت همنشینی را اندازهگیری کنم؟
معیارهای متعددی قدرت همنشینی (وابستگی) را کمی میکنند. اطلاعات متقابل (MI) انحراف از هموقوعی تصادفی را اندازهگیری میکند؛ نسبت درستنمایی لگاریتمی (LLR) یک آزمون آماری است؛ معیارهای T-score و Delta-P وابستگی را به طور متفاوتی اندازهگیری میکنند. هیچ معیار واحدی به طور جهانی بهترین نیست؛ معیارهای مختلف برای سوالات تحقیقاتی متفاوت مناسب هستند. بسامدهای خام را در کنار معیارها بررسی کنید تا از مصنوعاتی که در آنها همنشینیهای با بسامد پایین به طور تصادفی وابستگی بالایی نشان میدهند، اجتناب کنید.
آیا شواهد پیکره میتواند گرامری نبودن یک جمله را اثبات کند؟
خیر. عدم وجود در یک پیکره نشان میدهد که آن جمله در آن مجموعه خاص نادر یا غایب است، نه اینکه در زبان غیرممکن است. جملات ممکن است به دلیل محدودیتهای کاربردشناختی یا گفتمانی نادر باشند، نه به دلیل گرامری نبودن. شواهد پیکره را با قضاوتهای پذیرش، دادههای آزمایشی و استدلال نظری ترکیب کنید تا در مورد گرامری بودن نتیجهگیری کنید.
روشهای مرتبط
منابع
Sinclair, J. M. (1991). Corpus, Concordance, Collocation. Oxford: Oxford University Press.
باز کردن مرجع انتشارکپی شد.McEnery, T., & Hardie, A. (2012). Corpus Linguistics: Method, Theory and Practice. Cambridge: Cambridge University Press.
باز کردن مرجع DOIکپی شد.Biber, D., Conrad, S., & Reppen, R. (2006). Corpus Linguistics: Investigating Language Structure and Use. Cambridge: Cambridge University Press.
باز کردن مرجع انتشارکپی شد.