| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| pojmy:reprezentativnost [2013/07/25 03:39] – olgarichterova | pojmy:reprezentativnost [2022/11/29 12:49] (aktuální) – [Korpusy psané češtiny] michalskrabal |
|---|
| ====== Reprezentativnost korpusu ====== | ====== Reprezentativnost korpusu ====== |
| |
| //Reprezentativnost// a //vyváženost// jsou v korpusové lingvistice často používané, ale nejednoznačně definované pojmy dotýkající se vztahu mezi [[pojmy:korpus|korpusem]] (jako vybraným vzorkem jazyka) a jazykovou realitou (jako celou populací). Je třeba stále znovu zdůrazňovat, že žádný korpus nepokrývá kompletní spektrum užití žádného jazyka a že problém reprezentativnosti dosud nebyl uspokojivě vyřešen. V porovnání s metodami [[pojmy:introspekce|introspekce]] či náhodným výběrem dokladů určitého jevu ovšem jde o výrazné přiblížení požadavku replikovatelnosti a ověřitelnosti výzkumů. | //Reprezentativnost// a //vyváženost// jsou v korpusové lingvistice často používané, ale nejednoznačně definované pojmy dotýkající se vztahu mezi [[pojmy:korpus|korpusem]] (jako vybraným vzorkem jazyka) a jazykovou realitou (jako celou populací). Je třeba zdůraznit, že žádný korpus nepokrývá kompletní spektrum užití příslušného jazyka a že problém reprezentativnosti dosud nebyl uspokojivě vyřešen. V porovnání s metodami [[pojmy:introspekce|introspekce]] či náhodným výběrem dokladů určitého jevu ovšem využití korpusů představuje výrazné přiblížení požadavku opakovatelnosti a ověřitelnosti výzkumů. |
| |
| Obecně lze říci, že korpus je vzhledem k jazyku (v realitě tedy vzhledem k jeho části, např. jazyku psanému) **reprezentativní**, obsahuje-li v dostatečném množství texty všech jeho variet. Odpovídají-li poměry mezi varietami v korpusu jejich poměrům v reálném úzu, jedná se navíc o korpus **vyvážený** právě z hlediska užívání (v řadě [[cnk:syn|SYN]] definovaného jako recepce textů určitého typu v určitém poměru). V jiných pohledech se však pojmy //reprezentativnost// a //vyváženost// zaměňují. | Obecně lze říci, že korpus je vzhledem k jazyku (resp. k jeho části, např. jazyku psanému) **reprezentativní**, obsahuje-li v dostatečném množství texty všech jeho variet. Odpovídají-li navíc poměry mezi varietami v korpusu jejich poměrům v reálném úzu, jedná se zároveň o korpus **vyvážený** právě z hlediska užívání. Specifickou definici zavádí D. Biber, který reprezentativnost ztotožňuje s tím, do jaké míry vzorek (korpus) postihuje rozsah variability přítomný v populaci.(("Representativeness refers to the extent to which a sample includes the full range of variability in a population" (D. Biber (1993): Representativeness in corpus design. Literary and linguistic computing, 8(4), p. 243).)) V jiných přístupech se však pojmy //reprezentativnost// a //vyváženost// zaměňují. |
| |
| Tyto definice přinášejí řadu otázek: jaké množství textů je dostatečné, jak vymezit jednotlivé variety, a hlavně jak zjistit poměry jejich zastoupení v úzu. Motivace je však zřejmá: korpus by měl být věrným odrazem jazyka, malým vzorkem, který však v maximální možné míře odpovídá celku. Zásadním problémem je ovšem nemožnost skutečně objektivně měřit míru, v níž korpus jazyku odpovídá. | Tyto problémy přinášejí řadu praktických otázek pro výstavbu korpusu: jaké množství textů je dostatečné, jak vymezit všechny jednotlivé variety, a hlavně jak zjistit poměry jejich zastoupení v úzu? Reprezentativnost korpusu je proto třeba chápat jako //deziderátum//, zároveň se však jedná o úlohu, která současnými metodami a prostředky není zcela uspokojivě řešitelná. Symptomatické pro tento typ problémů je i to, že neexistuje způsob, jak objektivně měřit reprezentativnost, tedy míru, v níž korpus jazyku odpovídá. |
| |
| Na druhé straně je však reprezentativnost a vyváženost korpusů nezbytná proto, že bez nich nelze korpusová data interpretovat ve vztahu k jazyku, tj. udělat nutný krok od popisu dat v korpusu k popisu jazyka: ten umožňují právě principy reprezentativnosti a vyváženosti. Mezi korpusem a jazykovou realitou je tedy vztah, který nezbývá než korigovat (nutně subjektivní) intuicí. | Na druhé straně je však reprezentativnost a vyváženost korpusů nezbytná proto, že bez nich nelze korpusová data interpretovat ve vztahu k jazyku, tj. udělat nutný krok od popisu dat v korpusu k popisu jazyka. To umožňují právě principy reprezentativnosti a vyváženosti. Mezi korpusem a jazykovou realitou je tedy vztah, který nezbývá než korigovat (nutně subjektivní) intuicí. |
| |
| Reprezentativnost a vyváženost psaných korpusů řady SYN v ČNK se zakládá na řadě průzkumů, které se pokoušely různými způsoby kvantifikovat výše zmíněnou recepci (ne tedy např. produkci) psaných textů běžnými čtenáři. Přestože je výsledné složení těchto korpusů v některých ohledech diskutabilní, jde o pokus uchopit reprezentativnost a vyváženost obecných, nespecializovaných jazykových korpusů na solidním základě. | ===== Reprezentativnost v ČNK ===== |
| |
| ====== Specializované korpusy ====== | ==== Korpusy psané češtiny ==== |
| |
| Nereprezentují větší část jazykového úzu, ale podávají obraz o velmi specifickém užití jazyka. | Reprezentativnost a vyváženost psaných korpusů řady [[cnk:syn|SYN]] v ČNK se v průběhu let vyvíjela. Korpusy aspirující na reprezentativnost vydané do roku 2010 včetně ([[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]] a [[cnk:syn2010|SYN2010]]) opírají svoje složení o řadu průzkumů, které se pokoušely různými způsoby kvantifikovat //recepci// psaných textů běžnými čtenáři. Tento způsob zjišťování proporcí jednotlivých [[pojmy:genre|žánrů]] a [[pojmy:txtype|textových typů]] má celou řadu praktických i metodologických problémů (je např. otázka, do jaké míry a jak přesně jsou mluvčí schopni reflektovat svoje vlastní čtenářství v průběhu delšího úseku); klíčová je rovněž otázka zastarávání takovýchto průzkumů (a potřeby jejich neustále aktualizace) stejně jako jejich finanční a organizační náročnost. |
| |
| Příklady: | Počínaje korpusem [[cnk:syn2015|SYN2015]] byla s revizí [[cnk:klasifikace_textu_syn2015|klasifikace textů]] přepracována i koncepce vyvažování korpusu((Cvrček, V. - Čermáková, A. - Křen, M.: [[http://sas.ujc.cas.cz/archiv.php?art=4324|Nová koncepce synchronních korpusů psané češtiny]]. Slovo a slovesnost 77, s. 83–101)), která spíše než proporce jednotlivých textových typů zohledňuje jejich klasifikaci a hierarchii. Na základě zkušeností z předchozích korpusů tak neabsolutizuje nějaký konkrétní poměr textů určitého typu, ale staví jednotlivé kategorie textů na stejnou úroveň a snaží se o //rovnoměrné// zastoupení. Rezignuje tím na vyváženost (proporce stanovené arbitrárně pro jednotlivé kategorie nemusí odpovídat jejich zastoupení v populaci), avšak při zachování reprezentativnosti (každý hlavní typ textu by měl být v korpusu zastoupen). Zodpovědnost za sestavení korpusu se tak do určité míry přesouvá na uživatele, který zároveň dostává v rozhraní [[manualy:kontext:index|KonText]] k dispozici nástroje na tvorbu vlastního [[manualy:kontext:subkorpus|subkorpusu]] se složením, které by líp reflektovalo jeho aktuální výzkumné potřeby. |
| * [[cnk:czesl-plain|Korpus CzeSL-plain]] | |
| * [[cnk:ksk-dopisy|Korpus soukromé korespondence]] | |
| * [[cnk:link|Korpus LINK]] | |
| * [[cnk:orwell|Korpus ORWELL]] | |
| |
| --- //Michal Křen, Olga Richterová// | ==== Mluvené korpusy ==== |
| |
| ==== Související odkazy ==== | Situace u mluvených korpusů (řady [[cnk:oral|Oral]] a [[cnk:ortofon|Ortofon]]) je výrazně limitována množstvím dostupných dat. Pokud to sesbíraný materiál dovoloval, byly korpusy uspořádány tak, aby byly vyvážené z hlediska zastoupení hlavních sociolingvistických kategorií (pohlaví, věk, vzdělání a oblast pobytu mluvčího v dětství.). V zásadě se tak stejně jako v případě korpusů psaných (od SYN2015 dále) preferuje vyváženost jednotlivých kategorií mluvčích (viz [[cnk:ortofon#vyvazenost_korpusu|popis korpusu Ortofon]]) na úkor demografických proporcí. |
| |
| [[pojmy:struktura_korpusu|Struktura korpusu]] | ==== Specializované korpusy ==== |
| |
| [[pojmy:atributy_strukturni|Strukturní atributy]] | Specializované korpusy nereprezentují jazykový úzus jako celek, ale informují nás o velmi specifickém užití jazyka, vzhledem k němuž můžou být – jsou-li kvalitně zpracovány – reprezentativní. |
| |
| [[cnk:struktura#korpusy_psane_soucasne_cestiny_rada_syn|Obecné a specializované korpusy řady SYN]] | Příklady: |
| | * [[cnk:czesl-plain|Korpus CzeSL-plain]] |
| | * [[cnk:ksk-dopisy|Korpus soukromé korespondence KSK]] |
| | * [[cnk:link|Korpus LINK]] |
| | * [[cnk:orwell|Korpus ORWELL]] |
| |
| [[cnk:struktura|Struktura Českého národního korpusu]] | ==== Související odkazy ==== |
| |
| [[pojmy:introspekce|Introspekce]] | <WRAP round box 49%> |
| | [[pojmy:struktura_korpusu|Struktura korpusu]] • [[pojmy:atributy_strukturni|Strukturní atributy]] • [[cnk:struktura|Korpusy ČNK]] • [[pojmy:referencni|Referenční korpusy]] |
| | </WRAP> |
