Новые корпуса испанского языка CORPES XXI и CDH - новые возможности

Размещено на http://www.allbest.ru/

Казанский (Приволжский) федеральный университет

НОВЫЕ КОРПУСА ИСПАНСКОГО ЯЗЫКА CORPES XXI И CDH - НОВЫЕ ВОЗМОЖНОСТИ

Жолобова Анна Олеговна, к. филол. н., доцент

Аннотация

испанский язык корпус система

В статье дается характеристика новым корпусам испанского языка, над которыми работает Испанская королевская академия: современному корпусу CORPES XXI и историческому CDH. Приводятся данные географического, жанрово-тематического, хронологического и статистического характера. Анализируются новые технические возможности системы поиска данных корпусов в сопоставлении с предыдущим корпусом CREA, в котором отсутствует морфологическая разметка.

Ключевые слова и фразы: национальный корпус испанского языка; исторический корпус; современный корпус; географические данные; жанрово-тематические данные; хронологические данные; статистические данные; морфологическая разметка.

Annotation

NEW CORPUSES OF THE SPANISH LANGUAGE CORPES XXI AND CDH - NEW POSSIBILITIES

Zholobova Anna Olegovna, Ph. D. in Philology, Associate Professor Kazan (Volga Region) Federal University

The article describes new corpuses of the Spanish language, with which the Royal Spanish Academy works: the modern corpus CORPES XXI and historical one CDH. The data of geographical, genre-thematic, chronological and statistical nature are given. The author analyzes the new technical possibilities of corpuses data search engine in comparison with the previous corpus CREA, which lacks the morphological marking.

Key words and phrases: National Corpus of the Spanish language; historical corpus; modern corpus; geographical data; genrethematic data; chronological data; statistical data; morphological markings.

Основная часть

Отличительной особенностью электронного корпуса языка по сравнению с простым собранием текстов в электронном виде является его разметка или аннотация, которая может быть морфологической, семантической, синтаксической и т.п. (см., например, статью Г. В. Колпаковой [2]). Отсутствие необходимой морфологической разметки и лемматизации в первом национальном корпусе испанского языка CREA / CORDE не раз становилось предметом критики (см. подробнее в: [1]). Признав недочеты корпуса, Испанская королевская академия приступила к воплощению амбициозного проекта по созданию нового национального корпуса испанского языка, включающего современный корпус [4] и исторический [3].

В 2007 году было принято решение о необходимости создания корпуса испанского языка XXI века CORPES XXI, который должен отличаться представительностью и состоять из текстов различного типа с ежегодным объемом пополнения в 25 млн словоформ [4]. На первом этапе работы, который планируют завершить в декабре 2014 года, корпус составят устные и письменные тексты с 2001 г. по 2012 г. общим объемом 300 млн словоформ. На июль 2014 году версия бета 0.7 насчитывает 174 156 994 словоформ. Устные тексты составляют лишь 10%, письменные - 90%, причем последние распределены по типу источника следующим образом: книги - 40%, пресса - 40%, Интернет - 7,5%, разное - 2,5% [Ibidem].

Рассмотрим поисковые возможности CORPES XXI. Во-первых, в отличие от корпуса CREA поиск можно осуществлять как по лемме (основной форме слова), так и по словоформе. Также отличительной особенностью является то, что при поиске сразу нескольких лексем или словоформ некоторые команды теперь вводятся не вручную в поисковую строку, а выбираются из выпадающего списка в меню Conector «связка». Так, команда Y «и» позволит найти контекст с двумя заданными лексемами: campo Y casa «поле И дом»; команда O «или» позволит найти контекст с одной из заданных лексем: campo O casa «поле ИЛИ дом»; команда NO «не» исключает из поиска вторую лексему: campo NO casa «поле НЕ дом». Сохранилась возможность использовать в поисковой строке команды Ї?? (c помощью вопросительного знака можно заменить один другой знак в запросе, что позволит найти в корпусе все возможные варианты с подстановкой данного знака) и Ї*? (позволяет заменить сразу несколько знаков) [6]. Однако, благодаря более продвинутому программному обеспечению, система поиска в CORPES XXI в отличие от CREA успешно справляется со сложными запросами типа sal* [1].

Кроме того, появилась возможность выбрать интересующий класс слова (clase de palabra): adjetivo «прилагательное», adverbio «наречие», afijo «аффикс», amalgama «сочетание», artнculo «артикль», conjunciуn «союз», cuantificador «квантификатор», demostrativo «указательная форма», desconocido «неизвестная форма», interjecciуn «междометие», interrogativo «вопросительная форма», numeral «числительное», posesivo «притяжательная форма», preposiciуn «предлог», pronombre personal «личное местоимение», puntuaciуn «пунктуация», relativo «относительное местоимение», sustantivo «существительное», verbo «глагол». В зависимости от выбранной грамматической категории можно задать другие связанные с ней грамматические признаки. Так, например, указав категорию глагола, возможно задать определенное число, лицо, время (сюда включены и безличные формы глагола), и залог.

Выбор в меню поиска графы Subcorpus «подкорпус» открывает доступ к дополнительным параметрам поиска: tнtulo «название», autor «автор, fecha de clasificaciуn «дата классификации» (годы издания), origen «происхождение» (географическая характеристика), medio «канал» (устная или письменная речь), bloque «блок», soporte «формат», tema «тема», tipologнa «типология» (тип текста).

Интересно отметить, что в рассматриваемом корпусе по сравнению с CREA изменилась географическая дистрибуция текстов: 70% всего материала составляют латиноамериканские тексты, а 30% - испанские. Кроме того, представлены Филиппины и Экваториальная Гвинея. При выборе из выпадающего списка критерия Amйrica «Америка» появляется меню Zonas lingьнsticas «лингвистические зоны», которое включает следующие регионы:

1. Andina «андская» (Боливия, Эквадор, Перу);

2. Antillas «антильская» (Куба, Пуэрто Рико, Доминиканская республика);

3. Caribe continental «континентальные страны Карибского бассейна» (Колумбия, Венесуэла);

4. Chilena «чилийская» (Чили);

5. Mйxico y Centroamйrica «Мексика и Центральная Америка» (Коста Рика, Сальвадор, Гватемала, Гондурас, Мексика, Никарагуа, Панама);

6. Rнo de la Plata «Рио де ла Плата» (Аргентина, Парагвай, Уругвай).

7. Estados Unidos «США».

При выборе определенного региона появляется меню Paнses «страны», в котором мы можем задать конкретную страну, принадлежащую данной лингвистической зоне.

Типологию текстов мы можем отразить в следующей Таблице, где первый блок - художественная литература, второй - нехудожественная литература:

Также в поиске мы можем задать параметры словесного окружения (proximidad): лемму, словоформу, класс слова, расстояние (до 5 слов), интервал, положение слова относительно искомого (справа, слева), причем есть возможность выбрать те же дополнительные критерии поиска, как и в случае основной единицы поиска.

Что касается представления результатов выполненного запроса, то отметим следующие особенности:

1. упорядочить полученные результаты конкорданса можно согласно различным параметрам (год издания, страна, автор и т.д.);

2. наведение курсора на высвеченную синим цветом лексему активирует дополнительное окошко, в котором указываются грамматические характеристики лексемы и более широкий контекст его употребления;

3. наведение курсора на первую графу таблицы конкорданса (год издания) активирует дополнительное окошко, в котором указываются выходные данные текста-источника;

4. контексты употребления можно вывести на печать (все или по выбору).

Кроме конкорданса, результаты можно получить в виде статических данных по таким позициям, как распределение по зонам, по странам, по году, по тематике и по типу текста. По каждой позиции статистика представлена в двух формах: табличной и в виде круговой диаграммы. Кроме того, указывается абсолютная частота, количество документов и нормализованная частота появления определенной лексемы или словоформы. Также система позволяет получить фактическую и статистическую информацию по сочетаемости интересующей единицы в корпусе.

Исторический корпус Corpus del Nuevo diccionario histуrico del espaсol (CDH) «корпус Нового исторического словаря испанского языка» общим объемом более 355 млн словоформ состоит из трех больших блоков: основной корпус (более 53 млн словоформ), корпус 12 в.-1975 г. (более 199 млн словоформ), корпус 1975-2000 гг. (более 103 млн словоформ) [3]. Распределение текстов по географическим зонам выглядит следующим образом: Испания - 73,5%; Мексика и Центральная Америка - 6,9%; Рио де ла Плата - 5,5%; андская зона - 4,3%; континентальные страны Карибского бассейна - 3,9%; Чили - 2,5%; антильская зона - 2,4%; США - 0,5% [5].

Принципы работы в CDH такие же, как и в CORPES XXI. Однако имеются и некоторые особенности. Так, например, можно выбрать дополнительный тип кодификации корпуса: leyenda «подпись» (подпись на изображении или фотографии, принадлежащих автору произведения), cambio de mano «» (текст, принадлежащий другому автору, но не являющийся цитатой), correcciуn «правка» (правильная форма исходного текста с ошибками), desarrollo «расшифровка» (развернутая форма аббревиатуры), idioma extranjero «иностранный язык», glosa «глосса» (пометы на полях текста), nota «заметка» (авторские комментарии и сноски), cita «цитата» (цитата другого автора или фрагмент из другого текста того же автора), sic «дословное цитирование».

Итак, проанализировав новый национальный корпус испанского языка с различных позиций, мы можем с уверенностью сказать, что испанская корпусная лингвистика вышла на совершенно новый уровень развития. Главными достоинствами нового корпуса по сравнению с предыдущим корпусом CREA / CORDE является его лемматизация, морфологическая аннотация, представительность и удобный интерфейс, что создает новые и гораздо более широкие возможности для проведения лингвистических исследований в области испанского языка и его национальных вариантов.

Список литературы

1. Жолобова А. О. Национальный корпус испанского языка: CREA и CORDE // Филологические науки. Вопросы теории и практики. 2014. № 9 (39). Ч. 1. C. 56-58.

2. Колпакова Г. В. Методы анализа корпусной лингвистики // Филологические науки. Вопросы теории и практики. 2012. № 4 (15). С. 75-77.

3. CDH [Электронный ресурс]. URL: http://www.rae.es/recursos/banco-de-datos/cdh (дата обращения: 10.11.2014).

4. CORPES XXI [Электронный ресурс]. URL: http://www.rae.es/recursos/banco-de-datos/corpes-xxi (дата обращения: 10.11.2014).

5. Corpus del Nuevo Diccionario Histуrico del Espaсol [Электронный ресурс]. URL: http://web.frl.es/CNDHE/ org/publico/pages/ayuda/ayuda.view (дата обращения: 14.11.2014).

6. Manual de uso: Corpus del espaсol del siglo XXI [Электронный ресурс]. URL: http://web.frl.es/CORPES/org/publico/ pages/ayuda/manual.view (дата обращения: 10.11.2014).

Размещено на Allbest.ru