Kollokaatioanalyysit

Kollokaatioanalyysit ovat kielitieteellinen tutkimusmenetelmä, jossa tutkitaan sanojen välistä yhteistoimintaa suurissa tekstiaineistoissa. Niiden tarkoituksena on tunnistaa sanaparien ja monisanaisten ilmauksien toistuvia yhteyksiä sekä niiden kielen rakenteeseen ja sanastoon liittyvää merkitystä.

Analyysit voivat nojata tilastollisiin mittareihin tai sääntöperusteisiin lähestymistapoihin. Yleisimmät tilastolliset mittarit ovat esimerkiksi mutual information (MI), t-testi, log-likelihood ja chi-neliö. Kolokaatioita voidaan luokitella syntaktisesti (esim. adjektiivi-nimi, verbi-objekti) tai semanttisen vakiintuneisuuden mukaan.

Tietoaineistojen kerääminen ja esikäsittely, kuten tokenisointi, normalisointi ja sanaston harmonisointi, ovat olennaisia. Tämän jälkeen voidaan laskea yhteistoiminnan mittareita ja muodostaa kolokaatioverkkoja tai listata kielellisesti merkittäviä ilmauksia.

Sovelluksia ovat sanakirja- ja kielityön lexikografia, kielenoppimismateriaalit, luonnollisen kielen prosessointi sekä konekäännös. Kollokaatioanalyysi tukee myös terminologian ja semantiikan kartoitusta sekä kielialueiden sanaston dynamiikan ymmärtämistä.

Haasteita ovat alueellinen ja ajallinen vaihtelu, aineistoriippuvuus, harvinaisten ilmauksien tilastollinen merkitsevyys sekä polysemian vaikutus. Tekstin kontekstualointi ja oikeanlaisen mittarin valinta vaikuttavat tulosten tulkintaan.

Esimerkkejä suomalaisista kollokaatioista ovat "ottaa huomioon", "tehdä päätös", "antaa mahdollisuus".