Corpuslinguïstiek

Corpuslinguïstiek of corpustaalkunde is de studie van bepaalde taalverschijnselen met behulp van een verzameling geannoteerde teksten. Zulke verzamelingen van teksten worden corpora genoemd.

Zaken die vaak worden onderzocht zijn de frequentie van bepaalde woorden en de typische contexten waarin ze opduiken. Dit gebeurt tegenwoordig over het algemeen digitaal. Voordat de computer werd uitgevonden, maakte men hiervoor gebruik van concordanties, in de vorm van handmatig opgestelde overzichten van de contexten waarin een bepaald woord werd aangetroffen. Aan het eind van de 17e eeuw deed Abraham Trommius bijvoorbeeld iets dergelijks voor de Bijbel. Tegenwoordig maken onderzoekers gebruik van concordantieprogramma's.

Corpusonderzoek

Corpusmethoden, waarbij een grote hoeveelheid teksten wordt onderzocht, zijn gangbaar in een allerlei verschillende vakgebieden binnen en buiten de taalwetenschap. De reden dat deze methode zo veel navolging heeft gekregen, is omdat ze intuïties van sprekers (hoe vaak denkt men dat bepaalde woorden voorkomen) koppelt aan empirische methoden (hoe vaak komen die woorden echt voor), waardoor taalbeschrijving kan winnen aan objectiviteit. Hieronder een overzicht met voorbeelden van daadwerkelijk onderzoek.

Door deze methode te gebruiken konden verschillen en overeenkomsten tussen verschillende genres in gesproken en geschreven Engels weergegeven worden, waarbij de communicatieve functie in acht werd genomen. MF/MD is ook in andere contexten gebruikt, zoals synchrone analyses van specifieke registers/genres, diachrone studies naar de ontwikkelingen van registers en registerstudies van niet-Westerse talen.[bron?]

Bestaande corpora

Sinds het ontstaan van de corpuslinguïstiek zijn er veel verschillende corpora gemaakt, in een groot aantal talen. Veel Engelse corpora zijn (gedeeltelijk) gratis toegankelijk (bv COCA of BNC); Nederlandse corpora zijn vaak alleen beschikbaar via een universitaire login. Hieronder een overzicht van de bekendste corpora in het Nederlands, Engels en andere talen.

Nederlandse corpora

  • CGN: Corpus Gesproken Nederlands, is een corpus van bijna 9 miljoen woorden, dat bestaat uit spraakfragmenten van Nederlandse en Vlaamse sprekers. Deze spraakfragmenten zijn zowel voorbereid als spontaan en zijn voorzien van verschillende transcripties en annotaties.
  • Brieven als Buit: dit is een open corpus bestaande uit 38000 buitgemaakte brieven uit de 17e en 18e eeuw van zeevarenden aan thuisblijvenden en vice versa, samengesteld door Marijke van der Wal tussen 2008 en 2013.
  • Eindhoven Corpus: dit corpus wordt ook wel Corpus Uit den Boogaart genoemd, naar P.C. Uit den Boogaart, een van de samenstellers. Het werd in de jaren 1970 werd gemaakt, en bevat ±768.000 woorden uit de periode 1960-1976. Het Eindhoven-corpus was het eerste Nederlandstalige corpus dat zowel geschreven als (getranscribeerde) teksten bevatte.
  • Corpus Hedendaags Nederlands: Het corpus Hedendaags Nederlands bevat meer dan 800.000 teksten vanaf 1814 tot 2013. De teksten bestaan uit kranten, tijdschriften, journaaluitzendingen en juridisch materiaal. Sinds 1994 zijn deze verschillende tekstverzamelingen online toegankelijk gemaakt.
  • SoNaR-corpus: bestaat uit twee delen, SoNaR-500 en SoNaR-1, en is gemaakt in 2015. Het geeft de mogelijkheid om Nederlandse, geschreven tekst te analyseren.

Engelse corpora

  • Brown: dit is een corpus opgericht in 1961 door twee professoren van Brown University. Het bevat circa één miljoen woorden, opgeslagen op ponskaarten. De samples zijn afkomstig uit verschillende genres, zoals literatuur, journalistiek, etc.
  • British National Corpus (BNC): dit corpus is in de jaren '80 en vroege jaren '90 gemaakt door Oxford University Press en bestaat uit 100 miljoen woorden uit verschillende genres. Het corpus is vrij toegankelijk.
  • Penn is een corpus van historisch Engelse teksten vanaf de twaalfde eeuw tot in de vroege twintigste eeuw. Het bestaat uit prozateksten met syntactische annotatie en heeft 3 miljoen woorden.
  • COCA: COCA (Corpus of Contemporary American English) is een Amerikaans-Engels corpus van meer dan een miljard woorden uit verschillende genres (bijvoorbeeld gesproken tekst, fictie, kranten en academische en populaire tijdschriften) daterend uit 1990-2017.

Meertalige corpora

  • CHILDES: kindertaal in verschillende talen
  • Dutch Parallel Corpus (DPC)
  • Namur corpus: het corpus is samengesteld op de Universiteit van Namen in 1999 en bestaat uit ongeveer 2.000.000 woorden die in fictionele en non-fictionele teksten staan.
  • Internet: bijna een oneindig aantal woorden dat elke dag groeit