Linguistics: an introduction Part II Investigating language in use: corpus linguistics

Question 1

Corpus linguïstics

Answer 1

Een samenbundeling van het werkelijke gebruik van een taal in de vorm van een corpus (voor 1980 in boeken die bestaan uit ‘slips’ en sinds 1980 in databanken). Er zijn verschillende soorten corpora die een aspect van taal bevatten. Voorbeelden hiervan zijn: historical corpus, general corpus, etc. … Elk soort corpus heeft zijn eigen nut en kenmerken.

Belangrijk om te vermelden is dat de meningen over wat corpus linguïstics is verschillen. Sommige vinden het een methodologisch fundament om taal te onderzoeken en anderen vinden het een discipline op zichzelf.

Question 2

COBUILD corpus

Answer 2

Collins Birmingham University International Language Database (4,5 miljard woorden) General corpus

Question 3

BNC

Answer 3

British National Corpus (100 miljoen woorden) General corpus

Question 4

Google Books

Answer 4

34 miljard woorden General corpus

Question 5

General corpora

Answer 5

Het doel van general corpora is een snapshot of algemeen overzicht van een taal of een taalvariatie zoals die ooit in de geschiedenis werd gesproken. Er wordt zoveel mogelijk rekening gehouden met het overrepresenteren en onderrepresenteren van taalelementen. Alles wordt zo gebalanceerd mogelijk weergegeven om zo representatief mogelijk een taal vatten. Dit zijn grote databanken met vaak miljoenen of miljarden woorden.

Question 6

COCA

Answer 6

Corpus of Contemporary American English general corpus

Question 7

ICE

Answer 7

International corpus of English parsed corpus

Question 8

Specialized corpora

Answer 8

Het doel van specialized corpora is een afgebakend onderdeel van een taal te omvatten. Die onderdelen komen in de vorm van een enkel genre (e.g. kranten), een enkel register (e.g. academisch taalgebruik), een enkele modaliteit of een volledig werk van een individu (e.g. een volledig werk van Shakespeare en Proust). Dit zijn vaak kleinere corpora en kunnen volledig zijn. Het streven naar een representatieve balans blijft net zoals in general corpora.

Question 9

Historical corpora

Answer 9

Het doel van historical corpora is een snapshot van een taal omvatten uit verschillende periodes, gebaseerd op historische periodes. Het kan gaan over een taal doorheen de middeleeuwen of zelfs een specifiek genre binnen een bepaalde periode. Met de recente evolutie van technologie kunnen we gesproken taal ook analyseren aan de hand van chatrooms en dergelijke. Deze computer-mediated genres zijn vrij recent en bij gevolg nog klein. Een andere manier van gesproken taal te representeren in een historisch corpus is via criminele procedures uit bepaalde periodes. Meerendeel van historische corpora blijft representatief voor geschreven taal.

Question 10

Parsed corpora

Answer 10

Het doel van parsed corpora is bepaalde structuren en grammaticale categorieën weergeven. Dit zijn kleinere corpora en zijn alleen nuttig als dat het fenomeen weergeeft dat je zoekt.

Question 11

Learner corpora

Answer 11

Learner corpora geven de taal weer van sprekers die nog niet volledig de taal beheersen. Tot deze categorie behoren kinderen die hun thuistaal ontwikkelen en elke stage in de ontwikkeling wordt weergeven (e.g. kinderen tussen de 6 - 12 jaar oud). Ook behoort tweede taal studentenspraak en schrijven (e.g. LINDSEI bevat essays van studenten in het Engels met een andere taal als thuistaal).

Question 12

CHILDES corpus

Answer 12

Child Language Database Exchange System learner corpus

Question 13

LINDSEI

Answer 13

Louvain International Database of Spoken English Interlanguage learner corpus

Question 14

Multilingual corpora

Answer 14

Multilingual corpora bevatten teksten die verschillende talen gelijk vertegenwoordigen in aantal genres en aantal woorden. Een comparable corpus is een multilingual corpus dat het gebruik van de talen vergelijkt binnen een bepaald genre of meerdere genres. Een parallel corpus is een corpus dat overeenkomende zinnen woorden en uitdrukkingen van talen weergeeft.

Question 15

Multimedia corpora

Answer 15

Transcripties gemaakt op basis van video- en audio-opnames vormen een corpus, vaak voor Minority languages en endangered languages.

Question 16

Corpora for intercultural interactions

Answer 16

Deze corpora bevatten interacties in het Engels tussen mensen die Engels niet als thuistaal hebben.

Question 17

The web as corpus

Answer 17

Het WereldWijdeWeb wordt een corpus wanneer de bewust uitgekozen teksten van het correcte soort worden samengebundeld.

Question 18

How do you build your own corpus?

Answer 18

STAPPENPLAN:
1. Formuleer de juiste onderzoeksvraag en bijvragen.
2. Controleer als er reeds geen corpus/corpora bestaan die kunnen helpen.
3. Bepaal hoe groot het corpus moet zijn. Houd rekening met volledigheid/representativiteit en practicalia (hoe veel tijd en middelen heb ik?).
4. Bepaal hoe de teksten verzameld zullen worden (officieel domein <-> privé corpus).
5. Bepaal hoe de teksten opgeslagen zullen worden, opdat de juiste software wordt gebruikt om tot verlangde bestandsformaat te komen. Houd hierbij rekening met markup (data toevoegen aan data die gebruikt worden in het corpus) en transcriptie van audio en videobestanden (hoe ga je te werk en hoe nauwkeurig moet te transcriptie zijn? Link de bestanden met de transcriptie).
6. Annoteer het corpus voor semantische of andere informatie toe te voegen (part-of-speech helpt bij gerichte zoekopdrachten).
7. Houd rekening met ethiek. Copyright vraagt voor toestemming. Privacyregels (e.g. GDPR wetten in de EU) zijn in veel landen anders, dus zorg dat de wetten gevolgd worden. Wie anoniem wil zijn, blijft anoniem in het corpus.

Question 19

Software for analysing a corpus

Answer 19

Sommige general corpora hebben build-in software voor corpusanalyse, maar niet alle corpora hebben dat. AntConc, Sketch Engine en WordSmith Tools zijn computersoftware die helpen bij het ontginnen van informatie uit een corpora. Het toont sommige van de meest basale soorten informatie die men er uit zou willen halen en toont hoe men het te pakken krijgt. TIP: kijk toch ook naar andere opties dan degene die de software aanhaalt, want er komt informatie bij die de software of het corpus niet bevatten of tonen.

Question 20

Lemma

Answer 20

De vorm die een set woordvormen van een lexeem voorstelt.

Question 21

Range

Answer 21

Het aantal teksten waar iets in voorkomt

Question 22

regular expressions

Answer 22

De opeenvolging van gestandaardiseerde karakters die het zoekpatroon in een tekst of corpus specificeren.

Question 23

Keywords

Answer 23

Woorden die ongebruikelijk veel (positive keyword) of weinig (negative keyword) voorkomen in een tekst of corpus ten opzichte van het referentie corpus.

Question 24

Keyness

Answer 24

Het relatieve belang van de verschillen.

Question 25

Concordance software

Answer 25

De keren dat een woord of zin voorkomt geplaatst in context, gewoonlijk voorafgegaan en opgevolgd door een aantal woorden. Het doel is om betekenis te achterhalen, meer dan het doel is om frequentie te achterhalen.

Question 26

Collocations

Answer 26

Woorden die statistisch gezien vaak samen voorkomen. Het wordt gebaseerd op frequentie en de kracht ervan, verschillende software tools geven de metingen voor de kracht anders weer.

Question 27

Clusters

Answer 27

Een cluster is een samenstelling van woorden die in een verschillende volgorde voorkomen (e.g. salt and pepper vs pepper and salt). Clusters samen met collocaties helpen bij het vinden van synoniemen.

Question 28

Limitations

Answer 28

Corpusonderzoek neemt zeer veel tijd in beslag, daarom is het verstandig om uw zoekopdrachten zo gefocust en simpel mogelijk te houden. Het kan voorkomen dat je zoekopdracht te uitgebreid is, dan word je overweldigd het aantal hits aangegeven door de software die je handmatig zal moeten afgaan. Houd het dus kort en bondig.