Skip to content
Kembali ke hasil pencarian

Linguistik Korpus

Diperkenalkan oleh
John Sinclair
Tahun
1980
Jenis
Empirical process pipeline
Keluarga
Empirical Linguistics

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Linguistik korpus adalah studi tentang bahasa berdasarkan kumpulan teks yang besar dan representatif (korpus) yang diproses oleh komputer.

Dipelopori oleh John Sinclair dan lainnya, metode ini menggunakan analisis statistik, konkordansi, dan alat komputasi untuk memeriksa pola penggunaan bahasa aktual. Linguistik korpus telah mengubah pemahaman kita tentang bahasa Inggris dan bahasa lainnya, mengungkapkan pola frekuensi, preferensi kolokasi, dan variasi register yang sebelumnya tersembunyi. Ini melayani linguistik teoretis, pengajaran bahasa terapan, dan pemrosesan bahasa alami.

Intuisi di balik metode

Korpus linguistik ibarat perpustakaan besar berisi ujaran dan tulisan aktual, yang dipilih dan diorganisasi dengan cermat. Alih-alih mengandalkan kalimat yang dibuat-buat atau observasi terisolasi, ahli linguistik korpus meminta komputer untuk menemukan semua kemunculan kata atau frasa, menghitung frekuensi, mengukur kata mana yang cenderung muncul bersama, dan membandingkan pola di berbagai jenis teks (surat kabar versus novel, ujaran formal versus kasual). Pola yang muncul di jutaan kata sering kali membalikkan asumsi teoretis atau mengonfirmasi prediksi dengan ketelitian kuantitatif.

Sejarah

John Sinclair memelopori linguistik korpus pada tahun 1960-an hingga 1980-an, membangun Survey of English Usage dan kemudian proyek COBUILD. Penyimpanan digital dan kekuatan komputasi memungkinkan pertumbuhan eksponensial pada tahun 1990-an hingga 2000-an. Korpus besar seperti British National Corpus, Corpus of Contemporary American English, dan dataset Google Books Ngram mengubah bidang ini. Saat ini, metode korpus adalah standar dalam linguistik, studi bahasa terapan, dan NLP.

Kapan digunakan

Menggunakan linguistik korpus untuk menyelidiki pola penggunaan bahasa aktual, menguji hipotesis teoretis dengan data empiris, memahami variasi di berbagai register dan dialek, atau mengembangkan sumber daya bahasa untuk aplikasi NLP. Korpus sangat penting untuk mempelajari fenomena frekuensi tinggi, variasi dialek, perubahan bahasa, dan semantik leksikal. Korpus melengkapi metode eksperimental dan introspektif.

Batasan dan pertimbangan

  • Korpus adalah sampel terbatas; fenomena berfrekuensi rendah mungkin tidak terwakili secara memadai, dan ketiadaan dalam korpus tidak membuktikan suatu bentuk tidak mungkin.
  • Anotasi (penandaan POS, parsing) menimbulkan kesalahan yang merambat ke hilir. Anotasi manual mahal; anotasi otomatis tidak sempurna.
  • Hasil mencerminkan komposisi korpus (misalnya, korpus tertulis mungkin tidak mewakili bahasa lisan secara setara); bias dalam pemilihan memengaruhi temuan.
  • Pola frekuensi tidak secara langsung mengungkapkan kompetensi; frekuensi tinggi mungkin mencerminkan faktor kinerja seperti konvensi wacana daripada struktur gramatikal.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Menyediakan bukti empiris untuk pola bahasa berdasarkan penggunaan aktual, mengurangi ketergantungan pada introspeksi dan kalimat yang dibuat-buat.
  • Memungkinkan analisis kuantitatif frekuensi, kolokasi, dan variasi di berbagai kumpulan data yang besar dan beragam.
  • Memfasilitasi perbandingan lintas bahasa dan lintas register dengan menggunakan korpus yang terstandarisasi dan dapat dibandingkan.
  • Mendukung penemuan pola (misalnya, preferensi semantik, penanda register) yang sulit diprediksi tanpa data.

Penerapan

  • Mempelajari pola frekuensi dan penggunaan frasa kerja bahasa Inggris (misalnya, 'put up with', 'run into') untuk mengembangkan materi pengajaran yang digradasi berdasarkan frekuensi.
  • Menganalisis pola kolokasi untuk meningkatkan terjemahan mesin dengan memastikan keluaran menghormati preferensi kemunculan kata yang alami.
  • Menyelidiki perubahan bahasa dari waktu ke waktu dengan membandingkan frekuensi kata dan kolokasi di berbagai korpus diakronis (misalnya, Google Books Ngram Viewer).
  • Mendokumentasikan bahasa terancam punah dengan membangun korpus kecil yang terspesialisasi dan menganalisisnya untuk membuat kamus dan tata bahasa.
  • Mempelajari variasi register dalam bahasa Inggris (akademik, berita, percakapan) untuk memahami bagaimana kosakata dan sintaksis berbeda di berbagai konteks sosial.

Cara kerjanya

Cara kerjanya

1

Menyusun kumpulan teks yang besar dan representatif (biasanya jutaan kata) dalam bentuk digital, memastikan keragaman di berbagai genre, register, dan penutur/penulis.

2

Melakukan tokenisasi (memecah menjadi kata), anotasi dengan penanda kelas kata (part-of-speech tags), dan secara opsional menambahkan anotasi sintaktik atau semantik (parsing, pengenalan entitas bernama).

3

Menggunakan perangkat lunak konkordansi untuk mengekstrak semua kemunculan kata atau frasa target, menghitung frekuensi, mengukur kolokasi, dan menghasilkan daftar frekuensi serta distribusinya.

4

Menerapkan metode statistik (analisis frekuensi, uji chi-square, metrik kolokasi) untuk mengidentifikasi pola, mengukur kekuatan asosiasi, dan memodelkan variasi bahasa.

5

Menarik kesimpulan tentang struktur bahasa, pola penggunaan, variasi dialek dan register, serta memvalidasi prediksi teoretis terhadap bukti empiris.

Kesalahan umum

  • Mengasumsikan frekuensi korpus secara langsung mencerminkan keberterimaan gramatikal. Pola yang absen mungkin ditandai secara pragmatis daripada tidak gramatikal; frekuensi rendah mungkin mencerminkan konteks wacana, bukan ketidakmungkinan linguistik.
  • Mengabaikan kesalahan anotasi dan memperlakukan data yang ditandai secara otomatis sebagai standar emas. Validasi anotasi secara manual, terutama untuk analisis kritis.
  • Melakukan generalisasi berlebihan dari satu korpus ke bahasa secara luas. Komposisi korpus penting; hasil dari British National Corpus mungkin tidak dapat digeneralisasi ke bahasa Inggris lisan di wilayah lain.
  • Mencampuradukkan korelasi dengan kausalitas dalam pola kolokasi. Dua kata mungkin muncul bersama secara sering karena topik (misalnya, 'salju' dan 'musim dingin') daripada dependensi semantik atau gramatikal.

Pertanyaan yang sering diajukan

Seberapa besar ukuran korpus yang dibutuhkan?

Tergantung pada pertanyaan penelitian Anda. Untuk fenomena frekuensi tinggi (kata umum, tipe kalimat dasar), puluhan ribu kata sudah cukup. Untuk fenomena langka atau variasi terperinci, jutaan kata mungkin diperlukan. Aturan praktis yang baik: Anda harus memiliki setidaknya 30-50 kemunculan fenomena target Anda untuk analisis statistik dasar. Namun, bahkan korpus terspesialisasi yang kecil (ribuan kata) berharga untuk dokumentasi bahasa terancam punah.

Apa itu konkordansi?

Konkordansi adalah daftar semua kemunculan kata atau frasa target, biasanya ditampilkan dalam konteks (biasanya satu atau dua baris di setiap sisi). Target ditempatkan di tengah agar mudah dipindai. Konkordansi mengungkapkan kolokasi (kata-kata yang secara teratur muncul di dekat target), variasi register, dan pola sintaktik. Perangkat lunak korpus modern menghasilkan konkordansi dengan hitungan frekuensi dan opsi penyortiran.

Bagaimana cara mengukur kekuatan kolokasi?

Beberapa metrik mengukur kekuatan kolokasi (asosiasi). Mutual Information (MI) mengukur penyimpangan dari kemunculan bersama secara acak; Log-Likelihood Ratio (LLR) adalah uji statistik; T-score dan Delta-P mengukur asosiasi secara berbeda. Tidak ada metrik tunggal yang terbaik secara universal; metrik yang berbeda sesuai dengan pertanyaan penelitian yang berbeda. Periksa frekuensi mentah bersama dengan metrik untuk menghindari artefak di mana kolokasi berfrekuensi rendah menunjukkan asosiasi tinggi secara kebetulan.

Bisakah bukti korpus membuktikan sebuah kalimat tidak gramatikal?

Tidak. Ketiadaan dalam korpus menunjukkan bahwa hal itu jarang terjadi atau tidak ada dalam koleksi tertentu, bukan bahwa hal itu tidak mungkin dalam bahasa tersebut. Kalimat mungkin jarang karena kendala pragmatis atau wacana, bukan gramatikalitas. Gabungkan bukti korpus dengan penilaian keberterimaan, data eksperimental, dan penalaran teoretis untuk menarik kesimpulan tentang gramatikalitas.

Metode terkait

Sumber

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

    Buka referensi publikasi
    Disalin.
  2. McEnery, T., & Hardie, A. (2012). Corpus Linguistics: Method, Theory and Practice. Cambridge: Cambridge University Press.

    Buka referensi DOI
    Disalin.
  3. Biber, D., Conrad, S., & Reppen, R. (2006). Corpus Linguistics: Investigating Language Structure and Use. Cambridge: Cambridge University Press.

    Buka referensi publikasi
    Disalin.