Развитие электронных корпусов в современной испанской лексикографии

Размещено на http://www.allbest.ru/

Московский государственный университет имени М. В. Ломоносова

Развитие электронных корпусов в современной испанской лексикографии

Е.В. Коренева кандидат филологических наук, доцент кафедры испанского языка факультета иностранных языков и регионоведения

В статье рассматриваются основные пути и способы создания электронных корпусов и баз данных испанского языка. Эта работа осуществляется под руководством Королевской испанской академии, в сотрудничестве с латиноамериканскими академиями. Новый и наиболее полный вид электронных лексикографических источников является удобным, доступным и бесплатным, поэтому востребован пользователями, прежде всего как доказательная база для научно-исследовательской работы. В данных лексикографических ресурсах находит свое практическое воплощение концепция паниспанизма, единства и многообразия вариантов и форм испанской речи.

Ключевые слова: корпусная лингвистика; лексикография; электронные базы данных; современный испанский язык; паниспанизм.

E.V. Koreneva

PhD (Philology), Department of Spanish, Faculty of Foreign Languages and Areal Studies,

Lomonosov Moscow State University

DEVELOPMENT OF ELECTRONIC CORPORA IN MODERN SPANISH LEXICOGRAPHY

The article discusses key ways and methods of creating Spanish language electronic corpora and databases. This work is carried out under the direction of the Royal Spanish Academy, in collaboration with the Latin American academies. The new and most complete type of electronic lexicographic sources is convenient, accessible and free, therefore it is popular among users as an evidential base for the research. Within these lexicographic resources the concept of panispanism with its unity and variety of variants and forms of Spanish speech is practically implemented.

Key words: corpus linguistics; lexicography; electronic databases; modern Spanish; panispanism.

Введение

История современной лексикографии и лингвистических исследований в целом неотделима от эволюции баз данных лексической документации, поскольку единственным доступным нам источником информации об истории языка и, следовательно, его лексики являются тексты. Подготовка электронных корпусов находится в русле популярных направлений развития испанского языкознания, поскольку все эти направления на сегодняшний день «связаны с прикладными аспектами или глобальными проектами, объединяющими лингвистов разных стран на двух континентах» [Оболенская 2018, с 14]. На протяжении всей своей истории Королевская испанская академия языка (Real Academia Espanola) создавала архив, включающий около 10 млн лексикографических карточек, которые в настоящее время оцифрованы и доступны для ознакомления. Кроме того, университеты и другие гуманитарные организации, различные фонды создают электронные лексикографические ресурсы, многие из которых содержат ценную дополнительную информацию, основанную на достоверных источниках, позволяющую более точно описать историю развития лексических единиц.

Основные электронные корпусы, созданные под руководством Королевской испанской академии

В последней трети двадцатого столетия во всем испаноговорящем сообществе была осознана необходимость обозначить рамки испанского языкового пространства (прежде всего в условиях экспансии английского языка) и описать его на новом уровне. Королевская испанская академия приступила к решению этой задачи в содружестве с 22 академиями языка других испаноговорящих стран. Как отмечает Ю. Л. Оболенская, «именно Академии испанского языка стали инициаторами так называемой глобализации испанского лингвистического пространства, приступив к созданию того, что в разных документах называлось “lengua estandar”. Мы стали свидетелями настоящей лингвистической революции - переходу к «новой паниспанской языковой политике», отражающейся в попытках создания паниспанской языковой нормы; по словам академиков нескольких национальных Академий испанского языка - это пиренейская норма с учетом и допустимостью национальной специфики» [Оболенская 2018, с. 14].

Провозглашенная идея паниспанизма нашла свое воплощение в «Новой грамматике испанского языка», а также и в лексикографических проектах. В 1998 году в Мексике состоялся XI Конгресс Ассоциации академий испанского языка, на котором провозгласили девиз: «La unidad en diversidad» - «Единство в многообразии», что определило «дальнейшее направление деятельности национальных Академий, а именно, Испанский язык в мире и Сохранение испанского языка. Все вопросы нормализации и кодификации испанского языка теперь 22 академии решают сообща. При этом действия академий испанского языка в 22 странах испанской речи направлены на унификацию вариантов испанского языка» [там же, с.15].

Использование компьютеров и вычислительной техники привело к глубоким изменениям методов работы во всех сферах лингвистики. Осознавая необходимость включения этих методов в традиционные исследования, в 1995 году Королевская испанская академия решила подготовить банк данных испанского языка, состоящий из двух больших корпусов текстов: корпус CREA - испанский язык последних двадцати пяти лет и корпус CORDE - испанский язык всех предшествующих лет. Но позже появилась необходимость создания еще двух новых корпусов. Ученые приступили к разработке двух новых проектов: Корпуса Нового исторического словаря (CDH - Corpus del Nuevo diccionario historico) и Корпуса испанского языка XXI века (CORPES XXI - Corpus del Espanol del Siglo XXI). электронный лексикографический паниспанизм

Корпус испанского языка XXI века (CORPES XXI), как и CREA, является эталонным корпусом. Это база данных, состоящая из тысяч текстов (романы, пьесы, сценарии фильмов, пресс-релизы, очерки, стенограммы радио- или телевизионных выпусков, стенограммы речей и т. д.), с 2001 года до сегодняшнего дня. Они обычно используются, чтобы уточнить значение и характеристики слов, выражений и конструкций, исходя из фактических зарегистрированных употреблений. В настоящее время, учитывая размер, который они имеют, и количество словоупотреблений, такие корпусы представлены в электронном формате.

Итак, в настоящее время в открытом доступе на сайте Королевской испанской академии находятся четыре корпуса испанского языка:

• CORPES XXI - Корпус испанского языка XXI века;

• CDH - Корпус Нового исторического словаря;

• CREA - Корпус испанского языка последних двадцати пяти лет;

• CORDE - Диахронический корпус испанского языка.

Кроме того, есть еще и общий архив лексикографических карточек (Fichero General). Все эти ресурсы удобно организованы, ими может пользоваться любой желающий.

С того момента, как в 1995 году Академия приняла решение о создании эталонного корпуса современного испанского языка (CREA) и его дополнений, диахронического корпуса испанского языка (CORDE), в этом направлении была проделана большая работа. В версиях, которые можно считать законченными в конце 2013 года, CREA содержит около 160 млн форм текстов из всех испаноязычных стран, созданных за период с 1975 по 2004 год. CORDE состоит из чуть более 250 млн форм, взятых из текстов от зарождения испанского языка до 1974 года.

В целом лексикографический корпус имеет основной целью зафиксировать язык в определенный момент его развития для более глубокого его изучения. Электронный корпус современного испанского языка должен содержать тексты не только всех типов речи, но в нем должны быть представлены достаточно полно примеры из всех испаноговорящих стран. Для развития этого направления лексикографической работы на XIII Международном конгрессе Ассоциаций академий испанского языка, состоявшемся в Медельине (Колумбия) в марте 2007 года, Академии испанского языка Испании и латиноамериканских стран договорились поручить Королевской испанской академии осуществлять общее руководство этой деятельностью («colaboracion de todas las academias de la lengua espanola en la preparacion de un corpus textual que amplie y actualice el CREA» URL: http://rae.es/recursos/ banco-de-datos/crea). Тексты, составляющие CORPES XXI, отбираются по определенным параметрам и обрабатываются системой кодирования, специально разработанной для этого корпуса. Исследуются письменные и устные документы из Испании, Латинской Америки, Филиппин и Экваториальной Гвинеи, около 25 млн карточек ежегодно с 2001 по 2012 год. Предварительная версия была представлена на VI Международном конгрессе по испанскому языку (Панама, октябрь 2013 г.), а с декабря 2013 года можно получить доступ к CORPES XXI через специальное приложение, позволяющее быстро найти информацию о содержащемся в корпусе слове или выражении. Таким образом, провозглашенная Академией идея «паниспанизма» (enfoque pan- hispanico) находит воплощение в практике лексикографирования. Эта позиция тем более важна, что «наблюдаются серьезные расхождения в формах существования испанского языка в различных испаноязычных государствах, которые находят свое отражение в национальнокультурной специфике испанского языка в этих странах» [Фирсова 2007, с. 28].

Необходимость постоянно улучшать и расширять банк данных привела к тому, что RAE начала создавать Корпус нового исторического словаря (CDH), который был предназначен в основном для того, чтобы служить документальным фондом для новой версии академического исторического словаря.

Развитие электронной словарной базы идет рука об руку с появлением новых технологических возможностей. Финансовую помощь проекту Академии предоставляет банк «Сантандер» («Banco Santander»). В 2015 году была выпущена версия 0.8 CORPES XXI с двумя важными нововведениями: возможностью получить звуковую версию устных текстов и возможностью расширить запрос по грамматическим категориям.

С декабря 2018 года Корпус XXI (версия 0.91) имеет более 285 тыс. документов (около 286 млн форм), отобранных из письменных версий и стенограмм устных выступлений. Во многих случаях возможна загрузка аудиофайла или просмотр видео из исходного документа. Примеры из художественной литературы (романы, сценарии, рассказы, пьесы) превышают 81 млн, в то время как количество словоформ, которые содержатся в текстах научной литературы (социальные науки, здравоохранение, политика, искусство, технологии), приближается к 207 млн. Пресса и публицистические тексты представлены примерно в 142 млн форм. Еще 5 млн взяты из блогов, цифровых интервью и прочих источников электронной коммуникации. Однако полной и всеобъемлющей базы на сегодняшний день пока не создано, поэтому, как пишет О. Рублева, «представляется своевременным ставить задачу создания широкой сети электронных словарей и справочников разных видов - нового типа электронного многофункционального многоязычного ресурса, способного объединить достижения современной лексикографии в глобальную справочную лексикографическую сеть, которая должна интегрировать все типы словарей и их возможности, должна быть построена на широком исходном материале, содержать ссылки на типовые для культуры тексты, а также на исследования, проводимые с непосредственным участием носителями языка и культуры» [Рублева 2010, с. 18].

По словам Мигеля Барреро, представителя издательства «Сантильяна», «для нового поколения естественнее пользоваться словарём в электронном виде, чем в бумажном, поэтому необходимо понять опыт пользователя в отношении владения современными технологиями и обеспечить его соответствующим продуктом» Зд. и далее перевод наш. - Е. К. [El mundo digital y los diccionarios]. Гильермо Рохо, академический директор проекта CORPES XXI, считает, что важно сотрудничать с платформами «Google» и др. для обеспечения быстрого доступа пользователям, а также обмена опытом работы по созданию электронных баз данных между лексикографами разных стран.

Другие (не академические) электронные корпусы испанского языка

Электронные корпусы испанского языка разрабатываются не только RAE, в сотрудничестве с академиями латиноамериканских стран, но и отдельными учеными - известными лексикографами, а также ведущими университетами и издательствами. «Проблемы нормализации и кодификации стоят на повестке дня у довольно активно работающей группы университетских исследователей каталанского, галисийского, баскского языков и диалектов этих языков - астурийского, эстремадурского или валенсийского и т. д., которые на волне тенденции к самоидентификации также стремятся к приобретению статуса языка» [Оболенская 2018, с. 16]. Наиболее полный перечень самых значимых электронных корпусов испанского языка, а также научных исследований на эту тему содержится в подготовленной Гильермо Рохо статье для Испанской лингвистической энциклопедии [Rojo 2016].

Так, к категории эталонных корпусов можно отнести Корпус испанского языка (Corpus del espanol - CE), построенный Марком Дэвисом, содержащий около 100 млн форм, от истоков языка до конца XX века. Этот корпус аннотирован и лемматизирован, что придает ему наибольшую ценность. Поиск информации осуществляется очень быстро, есть поиск по векам, а в рамках XX века также и по типу текста.

Общий характер также имеет Корпус испанского языка (Corpus del espanol actual - CEA), который подготовили Карлос Субиратс и Марк Ортега. Этот ресурс включает около 450 млн форм, полученных из политических и дипломатических текстов, официальных документов ООН и испаноязычной Википедии, аннотированных автоматически.

В результате того, что в последнее время много внимания уделяется нормированию испанского языка в его устной форме, в частности, в координации с социолингвистическими исследованиями, возникло значительное количество проектов по сбору устных материалов в городах по ту и другую сторону Атлантики. Ассоциация лингвистики и филологии Латинской Америки (ALFAL) взяла на себя задачу оцифровки и унифицированного кодирования части собранных материалов. Благодаря этой работе все материалы, первоначально распространяемые на компакт-дисках, были затем полностью включены в CREA. Кроме того, эти данные, к которым были добавлены интервью, записанные в некоторых американских городах, были использованы в проекте «Грамматическое исследование испанского языка, на котором говорят в Латинской Америке» (EGREHA), выполненного под руководством Сезаря Эрнандеса Алонсо (2009). Современным характеристикам соответствует и проект «Социолингвистического исследования испанского языка Испании и Америки» (PRESEEA), который координируется профессором Франсиско Морено Фернандесом. С 2014 года в этом проекте участвуют 39 групп исследователей, которые собрали и расшифровали интервью на испанском языке в разных городах мира. Тексты имеют общую кодировку и удобную систему ссылок, которые позволяют полностью или частично восстановить весь текст интервью.

Интересные примеры словоупотреблений содержатся также в корпусах, представляющих устную речь различных городов Испании, в частности Corpus oral para el estudio del lenguaje juvenil y del espanol hablado en Alicante (Корпус устного молодежного языка Аликанте), подготовленный под руководством Долорес Асорин. Разрабатываются и постоянно пополняются корпусы устной речи молодежи и подростков Мадрида, Барселоны, Сантьяго-де-Чили, Саламанки, Гватемалы.

Университеты Испании и Латинской Америки активно работают над созданием электронных корпусов прежде всего для учебных целей (ELE). Так, в Автономном университете Мадрида группой под руководством Инес Фернандес-Ордоньес создан Корпус звучащей речи сельских районов Испании. Папский католический университет Вальпараисо сосредоточил свое внимание на испанском языке СМИ: «Проект международного распространения испанского языка СМИ» (DIES-M), координируемый Раулем Авила, собирает и транскрибирует тексты СМИ (печатная пресса, радио и телевидение).

На научно-техническом стиле испанского языка и соответствии специальной лексики и терминологии построен трехъязычный Технический корпус Института прикладной лингвистики Университета Помпеу Фабра, с примерами из письменных текстов (на испанском, каталанском, английском языках) из области техники, права, экономики, медицины и окружающей среды.

В целях лингводидактики разрабатываются также корпусы, составленные из текстов (сочинений, эссе и др.) студентов, изучающих испанский язык как иностранный (L1 и L2). Так, Spanish Learner Language Oral Corpora подготовлен совместно учеными из британских университетов Ньюкасла, Гринвича и Саутгемптона. В Гранадском университете группа исследователей под руководством профессора Кристобаля Лосано составила Corpus escrito de espanol L2, ставший затем частью международного проекта по изучению синтаксиса и порядка слов в предложении в английском и испанском языках. Наконец, Институт Сервантеса в 2014 году опубликовал Корпус текстов, написанных изучающими испанский язык (CAES), который представляет тексты, написанные более 1 400 студентами ELE, у которых арабский, китайский, французский, английский, португальский или русский первый язык.

В корпусной лингвистике развивается и диахроническое направление. Кроме уже упомянутого корпуса CORDE, важным ресурсом для изучения истории испанского языка является Цифровая библиотека текстов древнего испанского языка, а также Корпус документов на испанском языке до 1700 года - проект, который возглавляет профессор Педро Санчес Прието. В этой электронной базе содержится более 1 500 транскрибированных документов.

Следует упомянуть также Средневековый библейский проект, осуществляемый под руководством Андреса Энрике Ариаса, тематически он строго ограничен, поскольку включает только переводы текстов Библии на испанский, но тем не менее содержит около 5 млн словоформ, что открывает широкие возможности для исторических исследований и восстановления недостающих данных. В 2015 году в Сети опубликован Диахронический и диатопический корпус испанского языка Америки (CORDIAM), разработанный под руководством Консепсьон Компани и Вирджинии Бертолоцци и спонсируемый Мексиканской академией языка.

Создаются также электронные корпусы и для других языков Испании. Так, в настоящее время имеются уже корпусы каталанского, галисийского и баскского языков, кроме того появились исследования и лексикографические ресурсы, представляющие арагонский диалект (см. подробнее: [Оболенская, Шевелёва 2018, с. 19-20]). Следует также упомянуть о том, что испанский язык широко представлен в международных многоязычных электронных корпусах. Среди таких баз данных можно выделить MultiUN: Multilingual Parallel Text 2000-2009, с 350 млн форм, взятых из официальных текстов ООН; European Parliament Proceedings Parallel Corpus 1996-2011 и Wikicorpus (версия 1.0), в которых содержатся лексические единицы из испанской, каталанской и английской версий Википедии, аннотированные с помощью программы «FreeLing». Также большое количество единиц представлено в многоязычных ре сурсах, предлагаемых в базах данных ELRA, Albayzin, EUROM, SpeechDat, ACCOR, MULTEXT, MATE (наиболее полный перечень информации об этих корпусах содержится на сайте http://liceu.uab.es/~joaquim/ language_resources/spoken_res/Corp_oral_esp.html, который ведет Хоаким Листерри). Наконец, сеть, известная как «Web as Corpus», тоже содержит ресурсы на испанском языке, хотя в ней отбор текстов носит достаточно произвольный характер, но в последнее время их фильтрация становится всё более тщательной.

Заключение

Итак, современный этап развития испаноязычных электронных лексикографических ресурсов характеризуется интенсивностью. Электронные корпусы, с одной стороны, являются практическим воплощением последних достижений в области лингвистики и новых информационных технологий. С другой стороны, эти базы данных служат фундаментальным материалом для дальнейших научных исследований в разных направлениях филологической науки. Корпусы являются основными ресурсами, которые, помимо прямой эксплуатации, служат исходной точкой для многочисленных приложений, адаптированных под определенные научные и практические задачи. Так, например, аннотированное приложение «LSP Spanish Treebank», разработанное в Университете Помпеу Фабра, содержит около 42 тыс. проанализированных предложений. «Трудно переоценить важность появления такого инструмента исследований практически во всех направлениях современной лингвистики, каким стали языковые корпусы» [Оболенская 2018, с. 18]. Как было отмечено на заседании Лексикографической комиссии Ассоциации академий языка весной 2020 года, в настоящее время разработки, касающиеся применения высоких технологий и обработки большого массива языковых данных, требуют создания одноязычных и многоязычных баз текстов, сборников, словарей, обогащенных метаданными и дополнительной лингвистической информацией. Извлечение и идентификация компонентов фразы, распознавание именованных объектов, увеличение объема данных позволяет совершенствовать машинное и дистанционное обучение, включая новейшие методы специального обучения с использованием многоуровневых нейронных сетей. Для обеспечения всё большей доступности электронных лексикографических ресурсов необходимо расширять сотрудниче ство с крупными IT-компаниями, государственными структурами и финансовыми организациями.

Список литературы / references

1. Оболенская Ю. Л., Шевелёва А. Ю. Актуальные тенденции испанского языкознания // Вестник Московского университета. Серия 9. Филология. 2018. № 2. С. 9-34. [Obolenskaya, Yu. L., Sheveleva, A. Yu. (2018). Aktual'nyye tendentsii ispanskogo yazykoznaniya (Current trends in Spanish linguistics). Bulletin of Moscow University. Seriya 9. Filologiya, 2, 9-34. (In Russ.)].

2. Рублева О. С. Слово в электронном словаре (с позиций пользователя электронными ресурсами): автореф. дис. ... канд. филол. наук. Тверь, 2010. [Rubleva, O. S. (2010). Slovo v elektronnom slovare (s pozitsiy pol'zovatelya elektronnymi resursami). (Word in the electronic dictionary from the standpoint of the user of electronic resources): abstract of PhD in Philology. Tver. (In Russ.)].

3. Фирсова Н. М. Современный испанский язык в Испании и странах Латинской Америки: учебное пособие. М.: АСТ Восток-Запад, 2007. [Firsova, N. M. (2007). Sovremennyy ispanskiy yazyk v Ispanii i stranakh Latinskoy Ameri- ki. (Modern Spanish in Spain and Latin America). Moscow: AST Vostok-Za- pad.). (In Russ.)].

4. Corpus de aprendices de espanol L2. URL: www.cervantes.es/lengua_y_ensenan- za/informacion.htm (дата обращения: 12.05.2020).

5. Corpus diacronico del espanol. URL: http://rae.es/recursos/banco-de-datos/corde (дата обращения: 11.05.2020).

6. Corpus del espanol del siglo XXI. URL: http://rae.es/recursos/banco-de-datos/ corpes-xxi (дата обращения: 17.05.2020).

7. Corpus de referencia del espanol actual. URL: http://rae.es/recursos/banco-de- datos/crea (дата обращения: 11.05.2020).

8. El mundo digital y los diccionarios. URL : www.rae.es/noticias/el-mundo-digital- y-los-diccionarios (дата обращения: 11.05.2020).

9. Lavid J. Lenguaje y nuevas tecnologias. Nuevas perspectivas, metodos y herra- mientas para el linguista del siglo XXI. Madrid: Catedra, 2005.

10. Real Academia Espanola. URL: www.rae.es.com (дата обращения: 15.05.2020). Rojo G. Los corpus textuales del espanol / Gutierrez-Rexach J. (ed.): Enciclopedia linguistica hispanica. Oxon: Routledge, 2016. Р 285-296.

Размещено на Allbest.ru