Korpusperustainen

Korpusperustainen tarkoittaa lähestymistapaa, jossa kieltä tutkitaan ensisijaisesti suurten digitaalisten tekstikorpusten analyysin kautta. Sen perusväite on, että kieli hahmottuu parhaiten empiirisen aineiston pohjalta, jolloin sanasto, syntaksi ja semantiikka voidaan kuvata tilastollisesti. Korpusperustainen lähestymistapa eroaa perinteisestä, teoreettis-painotteisesta lähestymistavasta yksinkertaisesti siinä, että lähtökohtana on konkreettinen kieliaineisto.

Sovelluksia ovat muun muassa kielitiede, sanakirjahankkeet, kielenopetus sekä luonnollisen kielen käsittely ja käännösteknologia. Korpusperustaiset menetelmätjakautuvat sekä korpusten suunnitteluun ja merkitsemiseen että tilastollisiin analyyseihin, kuten frekvenssilistoihin, kollokaatioihin ja n-grammianalyyseihin. KWIC- eli avainsana-konteksti -menetelmät sekä kontekstuaaliset tutkimustavat ovat yleisiä.

Käytettyjä työkaluja ovat Sketch Engine, AntConc ja WordSmith, ja käytännön sovellukset kattavat sekä yleiskieliset että erikoistuneet korpukset. Korpusaineistot voivat olla monikielisiä, sekä domain- että alakohtaisia, ja niiden laadussa korostuvat edustavuus, kattavuus ja ajantasaisuus sekä tekijänoikeudelliset rajoitteet. Merkitsemisen ylläpidossa käytetään automaattisia ja manuaalisia menetelmiä sekä yhteisiä annotointistandardeja.

Korpusperustaisuus on vakiinnuttanut asemansa monilla kielten tutkimus- ja kieliteknologia-aloilla tarjoten empiirisen ja käytännönläheisen vaihtoehdon teoreettisille näkemyksille.