Браунівський корпус
![](http://upload.wikimedia.org/wikipedia/commons/thumb/2/27/Metcalf_Research_Laboratory_%28Brown%29_05.jpg/220px-Metcalf_Research_Laboratory_%28Brown%29_05.jpg)
Стандартний корпус сучасної американської англійської мови Браунівського університету (або просто Браунівський корпус ) — це електронне зібрання текстових зразків американської англійської мови, перший великий структурований корпус різноманітних жанрів. Цей корпус вперше встановив планку для наукового вивчення частоти категорій слів та їх розподілу у повсякденному мовленні. Складений Генрі Кучерою та В. Нельсоном Френсісом з Браунівського університету в Род-Айленді, це загальний мовний(?) корпус, що містить 500 текстових уривків англійською мовою загальною кількістю приблизно мільйон слів, зібраних з робіт, опублікованих у Сполучених Штатах у 1961 році.
Історія
У 1967 році Кучера і Френсіс опублікували свою роботу «Комп'ютерний аналіз сучасної американської англійської мови», яка надала основні статистичні дані про те, що сьогодні відомо просто як Браунівський корпус.[1]
Браунівський корпус представляв собою ретельно складену збірку поточної американської англійської мови, що налічувала близько мільйона слів, взятих із найрізноманітніших джерел. Кучера і Френсіс піддали його різноманітним комп'ютерним аналізам, з яких вони склали багатий і різноманітний опус, поєднавши елементи лінгвістики, психології, статистики та соціології. Він дуже широко використовувався в комп’ютерній лінгвістиці і протягом багатьох років був одним з найбільш цитованих ресурсів цієї галузі.[2]
Невдовзі після публікації першого лексикостатистичного аналізу бостонський видавець Хоутон-Міфлін звернувся до Кучери, щоб надати трирядкову базу цитат на мільйон слів для нового Словника американської спадщини. Цей новаторський словник, який з’явився у 1969 році, був першим словником, який був складений з використанням корпусної лінгвістики для частоти слів та іншої інформації.
Початковий корпус мав лише самі слова, а також ідентифікатор розташування для кожного з них. Протягом наступних кількох років застосовувалися теги частин мови. Програма додавання тегів Greene and Rubin (див. розмічування частин мови) значно допомогла в цьому, але високий рівень помилок означав, що було потрібно багато ручної коректури.
Розмічений Браунівський корпус використовував вибірку приблизно з 80 частин мови, а також спеціальні індикатори для складених форм, скорочень, іншомовних слів та кількох інших явищ і сформував модель для багатьох пізніших корпусів, таких як корпус Ланкастера-Осло-Бергена (британська англійська початку 1990-х) та корпус Фрайбурга-Брауна американської англійської мови (FROWN) (американська англійська початку 1990-х).[3][4] Розмічення корпусу дозволило робити набагато складніший статистичний аналіз.
Один цікавий результат полягає в тому, що навіть для досить великих вибірок графік слів у порядку зменшення частоти їх появи показує гіперболу: частота n-го найчастішого слова приблизно пропорційна 1/n . Таким чином, артикль «the» становить майже 7% Браунівського корпусу, прийменники «to» і «of» - більше ніж 3% кожен; тим часом як приблизно половина загального словника, який складається з понад 50 000 слів, становлять гапакси (hapax legomenon): слова, які зустрічаються у корпусі лише один раз.[5] Цей простий зв’язок між категорією і частотою був відзначений надзвичайною різноманітністю явищ Джорджем Кінгслі Ципфом (наприклад, див. «Психобіологія мови») і відомий як закон Ципфа .
Незважаючи на те, що Браунівський корпус став першим у галузі корпусної лінгвістики, сучасні типові корпуси (наприклад, Корпус сучасної американської англійської мови, Британський національний корпус або Міжнародний корпус англійської мови) зазвичай є набагато більшими (приблизно 100 мільйонів слів).
Класифікація текстів
Корпус складається з 500 текстів, розподілених у 15 жанрах приблизно пропорційно до кількості текстів, опублікованих в 1961 році в кожному з цих жанрів. Усі відібрані роботи були вперше опубліковані в 1961 році й написані носіями американської англійської мови.
Кожен зразок починався з випадкового речення-межі у статті чи іншому вибраному підрозділі й продовжувався до першого речення після 2000 слів. У кількох випадках неправильні підрахунки призвели до того, що вибірки становили трохи менше 2000 слів.
Оригінальне введення даних було зроблено на перфораторах з лише великими літерами; великі літери позначалися попередньою зірочкою, а різні спеціальні елементи, такі як формули, також мали спеціальні коди.
Спочатку корпус (1961) містив 1 014 312 слів із 15 текстових категорій:
- ПРЕСА: Репортаж (44 тексти)
- Політичні
- Спортивні
- Суспільні
- Точкові новини
- Фінансові
- Культурні
- ПРЕСА: Редакція (27 текстів)
- Інституційний щоденник
- Особисті
- Листи до редакції
- ПРЕСА: Рецензії (17 текстів)
- театр
- книги
- музика
- танці
- РЕЛІГІЯ (17 текстів)
- Книги
- Періодичні видання
- Трактати
- НАВИЧКИ ТА ХОБІ (36 текстів)
- Книги
- Періодичні видання
- ПОПУЛЯРНА НАУКА (48 текстів)
- Книги
- Періодичні видання
- БЕЛЛЕТРИСТИКА - Біографія, мемуари тощо (75 текстів)
- Книги
- Періодичні видання
- РІЗНЕ: уряд і органи палати США (30 текстів)
- Урядові документи
- Звіти фонду
- Галузеві звіти
- Корпоративний каталог
- Промислові органи палат
- ВИВЧЕНЕ (80 текстів)
- Природничі науки
- Медицина
- Математика
- Соціальні та поведінкові науки
- Політологія, право, освіта
- Гуманітарні науки
- Технологія та інженерія
- ХУДОЖНЯ ЛІТЕРАТУРА: загальне (29 текстів)
- Романи
- Оповідання
- ХУДОЖНЯ ЛІТЕРАТУРА: містика та детектив (24 тексти)
- Романи
- Оповідання
- ХУДОЖНЯ ЛІТЕРАТУРА: наука (6 текстів)
- Романи
- Оповідання
- ХУДОЖНЯ ЛІТЕРАТУРА: пригоди та вестерн (29 текстів)
- Романи
- Оповідання
- ХУДОЖНЯ ЛІТЕРАТУРА: романтика та історії кохання (29 текстів)
- Романи
- Оповідання
- ГУМОР (9 текстів)
- Романи
- Нариси тощо.
Теги для частин мови
тег | Визначення |
---|---|
CC | координаційний сполучник (і, або) |
CD | кількісний числівник (один, два, 2 і т. ) |
CS | підрядний сполучник (якщо, хоча) |
EX | квантор існування |
JJ | прикметник |
JJA | прикметник + допоміжне дієслово |
JJC | порівняльний прикметник |
JJCC | прикметник + сполучник |
JJS | найвищий ступінь порівняння прикметника |
JJF | прикметник + жіночий рід |
JJM | прикметник + чоловічий рід |
NN | іменник однини або незлічуваний іменник |
NNА | іменник + допоміжне дієслово |
NNC | іменник + сполучник |
NNS | іменник множини |
NNP | власний іменник або частина імені (де, ла, фон) |
NNPC | власний іменник + сполучник |
PRP | особовий займенник, однина |
PRPS | особовий займенник, множина |
PRP$ | присвійний займенник |
RB | прислівник |
RBR | порівняльний прислівник |
RBS | вищий ступінь порівняння прислівника |
VB | дієслово, форма основи (інфінітив без частки to) |
VBA | дієслово + допоміжне дієслово, однина, теперішній час |
VBD | дієслово, минулий час |
VBG | дієслово, дієприкметник теперішнього часу/герундій |
VBN | дієслово, дієприкметник минулого часу |
VBZ | дієслово, 3-ї особи однини теперішнього часу |
FW | іноземні слова |
PUN | усі розділові знаки |
Дивись також
- LOB Corpus, корпус британської англійської мови, заснований на тих же параметрах, що й Браунівський корпус
- Британський національний корпус
Посилання
- ↑ Francis, W. Nelson & Henry Kucera. 1967. Computational Analysis of Present-Day American English. Providence, RI: Brown University Press.
- ↑ Francis, W. Nelson & Henry Kucera. 1979. BROWN CORPUS MANUAL: Manual of Information to Accompany a Standard Corpus of Present-Day Edited American English for Use with Digital Computers. http://icame.uib.no/brown/bcm.html.
- ↑ Hundt, Marianne, Andrea Sand & Rainer Siemund. 1998. Manual of Information to Accompany the Freiburg-Brown Corpus of American English (FROWN). http://khnt.hit.uib.no/icame/manuals/frown/INDEX.HTM
- ↑ Leech, Geoffrey & Nicholas Smith. 2005. Extending the possibilities of corpus-based research on English in the twentieth century: A prequel to LOB and FLOB. ICAME Journal 29. 83–98.
- ↑ Kirsten Malmkjær, The Linguistics Encyclopedia, 2nd ed, Routledge, 2002, ISBN 0-415-22210-9, p. 87.