Korpus Jazyky v migraci tvoří záznam spontánní jazykové produkce mluvčích užívajících neformální mluvenou češtinu a němčinu. Mluvčí, s nimiž byly vedeny rozhovory v letech 2018, 2019 a 2020, se ve svých vyprávěních ohlížejí za svou jazykovou biografií v České republice a v Německu. Ta část rozhovoru, která je vztažena k České republice, je z důvodu elicitace morfosyntaktických jevů spojených s jazykovým kontaktem a jazykovou izolací vedena v němčině. Naopak ta část rozhovoru, která je vztažena k Německu, je ze stejných důvodů vedena v češtině.

Struktury a strukturní atributy korpusu Jazyky v migraci jsou popsány na samostatné stránce.

Korpus vznikl v rámci česko-německé části projektu Language across generations: contact induced change in morphosyntax in German-Polish bilingual speech financovaného v programu BEETHOVEN 2 německou Vědeckou společností (Deutsche Forschungsgemeinschaft, DFG – číslo projektu HA 2659/9-1) a polským Národním centrem vědy (Narodowe Centrum Nauki, NCN – číslo projektu 2016/23/G/HS2/04369).

Hlavním cílem projektu bylo integrovat gramatický a sociolingvistický výzkum jazykového kontaktu. Toho bylo dosaženo zkoumáním souvislostí mezi jazykovými biografiemi a morfosyntaxí jazykové produkce dotazovaných bilingvních mluvčích.

Korpus se skládá z rozhovorů s dvaceti osobami narozenými kolem roku 1955, které v letech 1964 až 1986 – tedy po dosažení tzv. kritického věku (v průměru 12 let) – emigrovaly z Československa do Spolkové republiky Německo. Tyto osoby se dělí na dvě skupiny. První skupinou jsou tzv. pozdní vysídlenci, tj. příslušníci německé menšiny, kteří po druhé světové válce nebyli násilně vysídleni, ale zemi opustili se svými rodinami nebo z vlastního rozhodnutí až v 60. letech 20. století. Druhou skupinou jsou tzv. migranti, tj. osoby bez německého původu, které emigrovaly z politických nebo ekonomických důvodů po potlačení Pražského jara.

Hledání v korpusu lze kromě jazyka omezit na základě sociolingvisticky nebo jinak relevantních údajů v metadatech přepisů jednotlivých záznamů: počtu mluvčích v jednom interview, genderu, roku narození a migrace, regionu původu a současného bydliště, typu lokality (město versus venkov), dosaženého vzdělání a prostředí, ve kterém byla pořízena nahrávka. V korpusu lze vyhledávat také pomocí témat probíraných v daném úseku nahrávky.

Anonymizována jsou v metadatech i v textu osobní jména aktérů a jejich blízkých i místa jejich narození či pobytu, která by mohla přispět k jejich identifikaci.

Transkripce zachovává většinu transkripčních zásad platných pro mluvené korpusy v ČNK, a to včetně speciálních symbolů (např. @ pro hezitační zvuky). V němčině bylo navíc v souladu s ortografickou normou zachováno psaní substantiv s velkým počátečním písmenem (např. in der Schule).

Nahrávky byly segmentovány na jednotky obsahující slovesný tvar určitý, včetně například pauz a hezitace: wir hatten vier Semester @ .. Matfyz gehabt.

Metatextové informace jsou na základní vrstvě přepisu (poziční atribut word) zaznamenány v jazyce dokumentu, tzn. například jako Störgeräusche v německojazyčné a jako rušivé zvuky v českojazyčné části korpusu. Lemmatizace je v korpusu pro každý jazyk zvlášť (viz oddíl Značkování), takže na této úrovni jsou tyto informace převedeny do jazyka lemmatizace: německy v atributu lemma_de, česky v atributu lemma_cs. U záznamu smíchu na rozdíl od jiných mluvených korpusů v ČNK vědomě rozlišujeme mezi údaji mluvčí se směje / der/die Interviewte lacht, výzkumnice se směje / die Interviewerin lacht a všichni se smějí / alle lachen.

Tyto a další záznamy lze cíleně vyhledávat jak souhrnně (například zadáním pokoročilého dotazu [lemma_de="\(Störgeräusche\)"] či [lemma_cs="\(rušivé zvuky\)"], protože lemmata těchto položek jsou napříč korpusem stejná bez ohledu na hlavní jazyk daného dokumentu), tak v jednotlivých jazycích (například zadáním pokročilého dotazu [word="\(rušivé zvuky\)"]). Celou paletu použitých anotací lze dohledat pomocí dotazu [word="\(.*\)"].

Při práci s těmito anotacemi mějte prosím na paměti, že režim jednoduchého dotazu neumožňuje vyhledat tokeny, které obsahují mezery. Zadáte-li tedy jednoduchý dotaz (Störgeräusche), najdou se všechny výskyty, německé i české, protože jednoduchý dotaz implicitně prohledává atributy word, lemma_cs a lemma_de zároveň. Ovšem jednoduchý dotaz (rušivé zvuky) nenalezne nic, neboť v této podobě hledá sekvenci dvou tokenů (rušivé a zvuky), ne jeden token (rušivé zvuky).

Korpus je lemmatizován a morfologicky označkován. V českojazyčné části používá stejný typ morfologických značek jako současné mluvené korpusy (viz https://wiki.korpus.cz/doku.php/cnk:lemtag_mluv). V německojazyčné části je využit Stuttgart-Tübingen-Tagset (viz http://www.sfs.uni-tuebingen.de/resources/stts-1999.pdf nebo https://homepage.ruhr-uni-bochum.de/stephen.berman/Korpuslinguistik/Tagsets-STTS.html). Z tohoto důvodu nelze pomocí morfologických značek (tagů) prohledávat celý korpus najednou, ale vždy cíleně českojazyčnou (lemma_cs), nebo německojazyčnou část (lemma_de). Značky pro shodné kategorie se z tohoto důvodu od sebe liší podle užité sady.

V přepisech jsou nadto identifikovány a označeny jazykové fenomény, jež jsou interpretovány jako výsledky jazykového kontaktu a jazykové izolace v oblasti morfosyntaxe:

Kromě označení daného jevu je specifikován také syntaktický rámec, v němž je označený jazykový jev situován:

V korpusu je tak přes funkci Omezit hledání možné cíleně vyhledat například přepínání z češtiny do němčiny na úrovni předložkové fráze: in Juli gabs dann in in Prag in in ve Fučíkárně.

Vzhledem k užitému typu segmentace (viz oddíl Transkripce) lze na základě anotačních značek vyhledávat celé syntaktické segmenty. Výsledkem následujícího dotazu je zobrazení segmentů, které obsahují anotaci AA v syntaktickém rámci VP:

<sp langgener_category="AA\??" & langgener_category="VP"/>

Při vyhledávání konkrétních slov v syntakticky anotovaných segmentech lze použít operátor containing. Tímto způsobem lze například vyhledat segmenty anotované jako AA, které obsahují slovo a:

<sp langgener_category="AA\??"/> containing [word="a"]

Registrovaní uživatelé mohou v rámci svého výzkumu pracovat také s kompletními transkripty. Ty jsou dostupné na platformě Lindat pod názvem Languages in Migration, viz https://lindat.mff.cuni.cz/.

Autorky a autoři korpusu děkují těm, kteří se v různých fázích jeho vzniku podíleli na jeho koncepci, tvorbě a kontrole (v abecedním pořadí): Carolin Centner, Björn Hansen, Marie Kopřivová, Iga Kościołek, Iveta Patáková, Korbinian Slavik, Maria Svojanovská a Vladimír Svojanovský.

Bučková, Aneta (v přípravě). Syntaktische Musterentlehnungen bei deutsch-tschechischen Bilingualen. Dizertace, Univerzita Řezno.

Bučková, Aneta (2021). Jazykový management a jazykové ideologie česko-německých dvojjazyčných mluvčích. Naše řeč 104(5), s. 374–390. Dostupný z: https://www.ceeol.com/search/journal-detail?id=626, cit. 21.12.2021.

Bučková, Aneta (2022). Syntaktische Musterreplikationen bei deutsch-tschechischen Bilingualen. Ein gebrauchsbasierter Ansatz. Brücken – Zeitschrift für Sprach-, Literatur- und Kulturwissenschaft 28(2), s. 83–109. Dostupný z: https://bruecken.ff.cuni.cz/magazin/2-28-2021/, cit. 16.12.2021.

Bučková, Aneta, Centner, Carolin, Księżyk, Felicja & Irena Prawdzic (2022). Sprachstrukturelle Annotation der LangGener-Korpora: Typologie und Abgrenzungsprobleme. In Hansen, Björn, Zielińska, Anna (eds.). Soziolinguistik trifft Korpuslinguistik: Deutsch-polnische und deutsch-tschechische Zweisprachigkeit. Heidelberg: Winter Universitätsverlag s. 53–90. Dostupný z: https://www.winter-verlag.de/de/person/120559/Anna_Zieliska/

Bučková, Aneta & Marek Nekula (2022). Immigrantinnen und Immigranten aus der Tschechoslowakei in Deutschland: Musterentlehnungen in ihren sprachbiographischen Interviews. In Hansen, Björn, Zielińska, Anna (eds.). Soziolinguistik trifft Korpuslinguistik: Deutsch-polnische und deutsch-tschechische Zweisprachigkeit. Heidelberg: Winter Universitätsverlag, s. 173–189 a 265–266. Dostupný z: https://www.winter-verlag.de/de/person/120559/Anna_Zieliska/

Bučková, Aneta & Irena Prawdzic (2022). Transkriptionskonventionen. In Hansen, Björn, Zielińska, Anna (eds.). Soziolinguistik trifft Korpuslinguistik: Deutsch-polnische und deutsch-tschechische Zweisprachigkeit. Heidelberg: Winter Universitätsverlag s. 105–113. Dostupný z: https://www.winter-verlag.de/de/person/120559/Anna_Zieliska/

Hansen, Björn – Nekula, Marek (2022). Die LangGener-Korpora als Ressourcen der Mehrsprachigkeitsforschung zwischen Sozio- und Korpuslinguistik. In Hansen, Björn, Zielińska, Anna (eds.). Soziolinguistik trifft Korpuslinguistik: Deutsch-polnische und deutsch-tschechische Zweisprachigkeit. Heidelberg: Winter Universitätsverlag, s. 173–189. Dostupný z: https://www.winter-verlag.de/de/person/120559/Anna_Zieliska/