pojmy:reprezentativnost - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== 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 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 (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 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. To umožňují právě principy reprezentativnosti a vyváženosti. Mezi korpusem a jazykovou realitou je tedy vztah, který nezbývá než korigovat (nutně subjektivní) intuicí.

===== Reprezentativnost v ČNK =====

==== Korpusy psané češtiny ====

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.

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.

==== Mluvené korpusy ====

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.

==== Specializované korpusy ====

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.

Příklady: 
  * [[cnk:czesl-plain|Korpus CzeSL-plain]]
  * [[cnk:ksk-dopisy|Korpus soukromé korespondence KSK]]
  * [[cnk:link|Korpus LINK]]
  * [[cnk:orwell|Korpus ORWELL]]

==== Související odkazy ====

<WRAP round box 49%>
[[pojmy:struktura_korpusu|Struktura korpusu]] • [[pojmy:atributy_strukturni|Strukturní atributy]] • [[cnk:struktura|Korpusy ČNK]] • [[pojmy:referencni|Referenční korpusy]]
</WRAP>
Historie: • deverbativni_adj_sublemmata • hledani_v_paralelnim_korpusu • hledani_v_diachronnim_korpusu • atributy_pozicni • syntakticke_znacky • lexikalni_bohatost • lexikalni_bohatost • syntakticka_komplexita • verbtagy_detail • tokenizace_dohromady_asie