Korpusmenetelmien

Korpusmenetelmät ovat kielitieteessä käytettyjä tutkimusmenetelmiä, jotka perustuvat suurten autenttisten kieliaineistojen eli korpusten analysointiin. Näiden menetelmien tavoitteena on kuvata ja kvantifioida kielen käyttöä suurella otoksella tekstejä tai puheaineistoja sekä tunnistaa kieliopillisia ja semanttisia rakenteita.

Keskeisiä tekniikoita ovat frekvenssianalyysi ja jakaumien tarkastelu sekä konkordanssit kuten KWIC-tulokset, jotka näyttävät hakusanan kontekstin. Kollokaatioanalyysit kartoittavat sanojen yhteyksiä ja yleisiä ilmauksia. Muita tavallisia keinoja ovat lemmatisointi ja osajäsentäminen (POS-tägit), sekä syntaktinen ja semanttinen annotointi.

Korpusten suunnittelussa huomioidaan koko, edustavuus, lähteet ja metatiedot. Korpukset voidaan luokitella yleiskorpuksiin, erikoiskorpuksiin sekä oppimis- tai puhekorpuksiin, ja niiden otos voidaan suunnitella edustavaksi, tasapainotetuksi tai kontekstikohtaiseksi.

Rakentamiseen liittyy lisensointi- ja tekijänoikeusnäkökohdat sekä eettiset periaatteet ja tietosuoja. Annotaatio ja luotettavuus varmistetaan usein annotaattorien välisellä luottavuusarvioinnilla (inter-annotator agreement).

Käyttöalueet ulottuvat kielitutkimuksesta sanakirjojen ja kieliopin kehittämiseen sekä kieliteknologiaan, kuten konekielentunnistukseen ja konekääntämiseen sekä kielenopetukseen. Korpusmenetelmien rajoitteina ovat korpusten edustavuus, annotaatiovirheet sekä tekijänoikeus- ja eettiset näkökohdat.