Kolokace

Kolokací (dříve se užíval termín slovní spojení) se v rámci korpusové lingvistiky nejčastěji rozumí smysluplné, ustálené, syntagmatické spojení dvou (nebo víc) slovních tvarů (někdy celých lexémů) v blízkém kontextu.

Vznik kolokace je podmíněn vzájemnou sémantickou kompatibilitou členů (schopností spojovat se v sousloví, srov. psát dopis × *psát dřevo) a její význam často přesahuje sumu významů každého z členů (kolokátů) chápaného izolovaně (cestovní ruch). Potřeba vymezení kolokací nabývá na důležitosti zejména v souvislosti s rozšířením korpusů, konkrétně v reakci na pozorování poukazující na fakt, že volba jednoho prostředku předznamenává volbu prostředků v jeho blízkosti. Tento princip (pojmenovaný jako idiom principle, princip předurčeného výběru) kontrastuje s principem volného výběru (open-choice principle), který předpokládá volnou kombinovatelnost jednotek; ta však v absolutním smyslu nikdy neexistuje.

Výrazem uplatnění principu předurčeného výběru jsou jednak kolokace (popř. koligace) a jednak frazémy. Kolokace představují samostatnou lexikální jednotku, je tedy možné u nich vymezovat všechny charakteristiky tradičně určované u jednoslovných lexémů (slovnědruhové zařazení, morfologické a syntaktické vlastnosti apod.).

Schématické znázornění extrakce kolokací v blízkém kontextu klíčového slova z konkordančního seznamu

Ustálenost kolokací je měřitelná celkovou frekvencí spojení v korpusu (čím vyšší frekvence, tím ustálenější kolokace) a ovlivňuje ji také míra kompatibility jejích členů s ostatními jednotkami v korpusu (čím nižší, tím ustálenější). Specifickým typem jsou pak kombinace se slovy monokolokabilními, která jsou schopná vstupovat do kolokace pouze s velmi omezeným počtem lexémů/slovních tvarů (tratoliště se vyskytuje téměř výlučně ve spojení s tvarem krve).

Syntagmatičnost spojení se projevuje nejen existencí syntaktického vztahu mezi slovy, ale především v sémantice spojení: kolokace představuje v prvé řadě slovní spojení kompatibilní sémanticky, syntagmatičnost se však v některých případech projevuje také v tom, že některé významové aspekty slov, které do kolokace vstupují, se realizují až v souvýskytu se slovy jinými (stroužek označuje specifický tvar, vyskytuje se však téměř výlučně ve spojení se slovem česnek). Důraz na syntagmatičnost spojení se u kolokací projevuje také v tom, že k základovému slovu/frázi (node) se obyčejně hledají kolokáty v rámci úzce vymezeného kontextového okna (span) v textovém řetězu. Opakovaný souvýskyt dvou slov v bezprostředním kontextu (nebo také nízkou průměrnou vzdálenost, proximitu) je přitom možné chápat jako významný indikátor syntagmatičnosti jejich vztahu.

Kolokace jsou jako pojem dosud terminologicky neustálené, existuje proto několik paralelních pohledů, které pod tento pojem zahrnují různě širokou škálu podobných jevů. Kolokace se tak v různých přístupech vymezují v opozici k

1. volným syntagmatickým spojením (hlavní změna)
2. víceslovným termínům (hlavní osa)
3. víceslovným vlastním jménům (Hlavní nádraží Praha)
4. frazémům a idiomům (ležet ladem)
5. individuálním autorským metaforám (virové hrátky).

V jiných přístupech jsou ale víceslovné termíny, víceslovná vlastní jména a frazémy/idiomy považovány za zvláštní typy kolokací (vedle kolokací prostých).

K identifikaci kolokací se v praxi používají statistické asociační míry, které ve většině případů dávají do vztahu frekvenci jednotek vstupujících do kolokace, frekvenci celého spojení a případně také velikost korpusu. Mezi nejběžnější patří MI-score, t-score, log-likelihood, logDice, Z-score ad. Každá asociační míra je citlivá na jiný druh kolokací, žádnou proto není možné označit za univerzálně platnou, identifikující automaticky všechny ostatní.

Seznam kolokátů jednoho slova bývá někdy označován za kolokační paradigma. V případě velmi omezeného kolokačního paradigmatu mluvíme o tzv. monokolokabilních slovech, tj. slovech, která vyžadují ve svém blízkém kontextu výskyt jednoho referenčního slova, které se rekrutuje z velmi omezené skupiny (např. slovo tratoliště vyžaduje doplnění krve, slovní tvar zásluze se vyskytuje téměř výhradně ve spojení po zásluze potrestán apod.)

O jiných termínech vymezujících ustálené souvýskyty slov pojednáváme pod hlavičkou lexical bundles.