Toto je starší verze dokumentu!
Reprezentativnost korpusu
V korpusové lingvistice jde o často používané, ale nejednoznačně definované pojmy dotýkající se vztahu mezi korpusem (jako vzorkem) a jazykovou realitou (jako populací), který dosud nebyl uspokojivě vyřešen.
Obecně lze říci, že korpus je vzhledem k jazyku (případně 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. V jiných pohledech se však pojmy reprezentativnost a vyváženost zaměňují.
Tyto definice přinášejí řadu otázek: jaké množství 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 objektivně měřit 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, kterému dávají opodstatnění právě reprezentativnost a vyváženost. Mezi korpusem a jazykovou realitou je tedy vztah, který nezbývá než korigovat (nutně subjektivní) intuicí.
Reprezentativnost a vyváženost psaných korpusů řady SYN v ČNK jsou založeny na řadě průzkumů, které se pokoušely různými způsoby kvantifikovat 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.
— Michal Křen
