Corporaanalyse

Corporaanalyse, også kalt korpusanalyse, er en systematisk undersøkelse av språkdata hentet fra korpora for å kartlegge mønstre og variasjon i språkbruken. Den kombinerer kvantitativ analyse av store tekstsamlinger med kvalitative tolkninger av kontekst og bruk.

Korpora er strukturerte tekstsamlinger som kan være monolinguale eller flerspråklige og omfatte ulike sjangre: aviser, litteratur, vitenskapelige tekster, eller tekster fra nettet og sosiale medier. De kan være generelle eller spesialiserte, og ofte inkluderer de metadata som språk, tidsperiode, sjanger og forfatter. Mange korpora er også annotert med lingvistisk informasjon, som ordklasser, lemmatisering og syntaktiske trekk.

Metoder inkluderer frekvensanalyse, kontekstsøk i koncordanser, kollokasjonelle analyser og n-gram-analyser, samt nøkkelordanalyse og longitudinelle studier. Forbehandling omfatter tokenisering, normalisering og lemmatisering, og av og til stemming. Resultater støttes ofte av statistiske mål og visuelt presenteres.

En typisk forskningsprosess følger trinn: formulere et spørsmål, velge eller sette sammen relevante korpora, forbehandle og annotere data, utføre analyser og tolke funnene i språkvitenskapelig sammenheng. Sammenligning mellom korpora kan avsløre endringer over tid eller variasjon mellom språkvarianter.

Korpusanalyse brukes innen språkforskning, leksikografi, språkopplæring, natural language processing og digital humaniora. Den bidrar til utvikling og evaluering av NLP-modeller, ordbøker og terminologi, samt studier av variasjon, stil og diskurs.

Utfordringer inkluderer representativitet og bias i utvalg, annotasjonskvalitet, opphavsrett og etiske spørsmål ved innsamling av tekster, særlig fra sosiale medier. Språkmangfold og lav ressursriktighet kan gjøre analyser mer komplekse og begrense generaliserbarhet.