Korpusgebaseerde

Korpusgebaseerde is een aanduiding voor onderzoeksmethoden, analyses of conclusies die gebaseerd zijn op een korpus. Een korpus is een systematisch verzamelde en geannoteerde verzameling teksten die taalgebruik uit een bepaald domein, tijdperk of taalvariant representeert. Korpusgebaseerde benaderingen vormen een tegenhanger van theorie- of intuïtief gebaseerde beschrijvingen van taal, omdat ze vertrouwen op empirisch materiaal uit echte teksten.

In de praktijk wordt met korpusdata taalgebruik onderzocht door middel van frequentieanalyse, concordanties, het opsporen van collocaties en patronen in syntaxis en morfologie. Daarnaast worden statistische en machine learning-technieken toegepast, zoals n-grammodellen, lemmatisering en part-of-speech tagging, en distributieve semantiek. Korpusannotaties geven kenmerken als lemma, woordsoort, syntactische structuur of thema, wat analyses en reproduceerbaarheid bevordert. Deze annotaties dienen ook als basis voor vergelijkingen tussen corpora uit verschillende domeinen of tijdvakken.

Toepassingen omvatten lexicografie, natuurlijke taalverwerking (NLP), taalonderwijs, terminologie-extractie en vertaalhulpmiddelen. Een kernpunt is dat conclusies vaak betrekking hebben op reële taalpraktijken en niet uitsluitend op normatieve regels. De term kan ook verwijzen naar modellen die direct uit korpusdata leren, zoals statistische vertaalsystemen of distributionele semantiek, waarin taalvariatie prominent aanwezig is en frequentiepatronen centraal staan.