Korpus

Jazykový korpus (z lat. corpus „tělo, těleso“) je rozsáhlý soubor autentických textů (psaných nebo mluvených) převedený do elektronické podoby v jednotném formátu tak, aby v něm bylo možné jednoduše vyhledávat jazykové jevy, zejména slova a slovní spojení (kolokace). Korpus zobrazuje jazykové jevy v jejich přirozeném kontextu, a umožňuje tak vytvářet na reálných datech podložený jazykový výzkum v rozsahu, který byl dříve nemyslitelný.

Hlavní předností korpusu je vedle užití přirozeného jazykového materiálu i schopnost vypovídat o frekvenci (četnosti) jevů a jejich typickém úzu, což je informace jen pomocí badatelovy intuice nezjistitelná. Jelikož do korpusu vstupují texty jako celek, poskytuje na rozdíl třeba od lístkového katalogu nevýběrové informace o všech typech jazykových jevů (navíc v rozsahu, který byl dříve nemyslitelný).

Korpusy jsou budovány s cílem sloužit jako záznam a pokud možno co nejobjektivnější model jazykové empirie. Ta je přirozeně zdrojem dat pro lingvistický výzkum, dnes se ovšem korpusy využívají i v jiných oblastech, které využívají texty jako zdroje poznání reality (historie, sociologie, psychologie apod.).

Vzhledem k rozsahu dnešních korpusů, které nezřídka přesahují hranici sto milionů slov, je nutné na jejich vytěžování používat speciální nástroje, korpusové manažery. Ty většinou umožňují vedle hledání a prohlížení výsledků také filtrování a jednoduché statistické vyhodnocování nalezených dat.

Rozsah ovšem není jediným kritériem kvality a spolehlivosti korpusu. Jakkoli rozsáhlý korpus je vždy jen vzorkem jazyka a z toho titulu je třeba na něj klást stejné nároky jako na každý jiný vzorek. Abychom mohli výsledky získané na vzorku (korpusu) vztáhnout na celou populaci (všechny texty, celý jazyk), je třeba zajistit, aby korpus byl vzhledem k populaci, kterou má zrcadlit, reprezentativní. V optimálním případě to znamená, že korpus je vzhledem k populaci, kterou reprezentuje, uspořádán tak, že se v něm objevují jevy ve stejných proporcích jako ve zkoumané populaci. Ačkoli existuje relativně rozsáhlá odborná literatura zabývající se precizním designem korpusů, je třeba konstatovat, že v této otázce je mnoho nevyřešeného a míru reprezentativnosti stále nelze objektivně měřit.

Pro usnadnění práce s korpusy jsou texty v nich obsažené často anotovány. Jde jednak o doplňování metainformací o textech (jejich původ, autorství atp.) a jednak o doplňování informací k jednotlivým jevům. Příkladem takové anotace je lemmatizace, tj. přiřazení slovníkové podoby každému tvaru (tokenu), nebo tagování, tj. přiřazení speciální značky (tagu), která popisuje gramatické nebo sémantické vlastnosti slov. V rámci ČNK jsou všechny korpusy opatřeny strukturními značkami zachycujícími metainformace o textech, pouze korpusy psané češtiny jsou však lemmatizovány a morfologicky tagovány.

Korpusový přístup se v dnešní lingvistice uplatňuje téměř na všech rovinách popisu jazyka. Kvantitativním analýzám nejmenších jednotek (fonémů a grafémů) se na angličtině věnoval už H. Kučera v rámci vytěžování prvního moderního korpusu (Brown corpus). V současnosti vznikají za účelem výzkumu fonetické databáze, které poskytují rozsáhlé možnosti kvantifikace a zkoumání segmentálních i suprasegmentálních jevů mluveného jazyka. Rovina grafémiky je vytěžována s pomocí korpusů psané češtiny, a to jak v perspektivě synchronní, tak diachronní. V oblasti gramatiky najdeme dnes pro češtinu celou paletu studií z morfologie a syntaxe (ovlivněné corpus-based i corpus-driven přístupem), stejně tak jako první souborná gramatická díla.

V lexikologii a lexikografii, což jsou oblasti, pro něž byly korpusy budovány především, je korpusový přístup dnes převládající metodologií; vedle tradičních výkladových a překladových slovníků umožnil příchod korpusů i vytváření slovníků specializovaných (frekvenční, kolokační). V současné době se stále více analýz zaměřuje na vyšší roviny, CADS = corpus assisted discourse studies (studium diskurzu založené na korpusu) je jak synchronní, tak diachronní. Jejich hlavní odlišnost oproti kvalitativním metodám studia diskurzu (jako je CDA = critical discourse analysis) spočívá v kvantitativním rozsahu empirické báze, kterou korpusy poskytují, což umožňuje redukovat badatelův subjektivní vliv na analýzu. Korpusový přístup se vedle lexikografie a cizojazyčné pedagogiky (tvorba učebnic) uplatňuje také v dialektologii, sociolingvistice, psycholingvistice, forenzní lingvistice, při studiu jazykové variability, v jazykové didaktice a studiu akvizice jazyka ad.

Vznik korpusu by vždy měl být podřízen jeho účelu, od toho se odvíjí i jejich klasifikace. Korpusy třídit podle různých kritérií:

1. z hlediska počtu jazyků: a) jednojazyčný a b) vícejazyčný
2. z hlediska tématu ap.: a) obecný a b) specializovaný,
3. z hlediska modu: a) psaný a b) mluvený,
4. z hlediska časového záběru: a) synchronní a b) diachronní,
5. z hlediska „archeologického“: a) synchronní a b) archivní
6. z hlediska vymezeného účelu různé

Ke specializovaným korpusům lze pro českou oblast počítat např. KSK (Korpus soukromé korespondence) či např. korpus jediného autora (korpus Karla Čapka, Bohumila Hrabala, Orwellova románu 1984, srov. však i korpus období komunistické totality, některé z nich dosud nezveřejněné), patří sem však i lexikograficky orientovaný korpus tvořící podklad Frekvenčního slovníku češtiny (FSC2000), nebo korpus LINK (korpus lingvistických textů); vzniká i speciální korpus neslyšících, korpus esemesek, e-mailů aj.

Mluvený korpus je ze své podstaty synchronní (pro češtinu jich je momentálně k dispozici celá řada, zejména ORAL, ORTOFON, DIALEKT), volně sem však patří i korpus nahrávek žáků ve škole SCHOLA2010, existují i korpusy vznikající z fonetických či prozodických důvodů aj. Korpusy však mohou zahrnovat i více modů, tj. zvl. zároveň grafický přepis, fonetickou původní i průvodní nahrávku a (stále velmi řídce) ještě někdy i nafilmovaný záznam; pak jde o korpusy multimodální (ev. multimediální).

Diachronní korpus je vlastně soubor více korpusů z různých, resp. všech dob vývoje jazyka, pokud už jsou elektronický dostupné; stav zachycení minulosti se od jazyka k jazyku značně liší.

Na základě dalších hledisek můžeme vymezit monitorovací korpus, který se chápe jako v ideálních proporcích sestavený a otagovaný korpus, k němuž se přidávají jak nové texty, tak nové značky k existujícím korpusům starým. To má umožňovat srovnání korpusového záznamu stavu jazyka (etalonu) se změnami napříč časem.

Paralelní korpusy jsou hlavním představitelem vícejazyčných překladových textů (v zásadě synchronních), umožňující srovnání jazyků. Zvláštním případem jsou vícejazyčné paralelní korpusy, sdílející řadu textů a vázané na jeden jazyk, jako je český InterCorp. Z nedostatku paralelních korpusů se někdy užívají i srovnatelné korpusy (comparable corpora) založené na (např. novinových) textech se stejným tématem, kde je naděje na nalezení i obdobných ekvivalentů daných takovým tématem.

Příklady dalších korpusů spolu s jejich popisem najdete ve speciálním přehledu.

Projekt Českého národního korpusu byl založen v roce 1994 prof. Františkem Čermákem (institucionálně je zaštítěn Ústavem Českého národního korpusu při FF UK).

Od svého počátku si kladl za cíl být centrem korpusového výzkumu v ČR a poskytovatelem korpusů pro všechny druhy výzkumu (nejen lingvistického). V roce 2012 zahrnoval následující složky:

• synchronní korpusy psané, řada SYN
• synchronní korpusy mluvené, zejm. řadu ORAL
• diachronní korpus DIAKORP
• paralelní korpus InterCorp

Přístup ke všem korpusům prostřednictvím webového rozhraní je bezplatný, z licenčních důvodů je nutná registrace. ČNK zároveň poskytuje možnost hostování i mnoha dalším korpusům.

Projekt ČNK se kromě budování korpusů (a tedy mapování jazykového stavu a vývoje češtiny) věnuje i zpřístupňování dat pro výzkumné účely zejména v oblasti automatického zpracování přirozeného jazyka (natural language processing, NLP), vývoji nových nástrojů pro vytěžování korpusů (např. SyD) a rozvoji metodologie korpusové lingvistiky i její popularizaci.