Korpusperustaiset

Korpusperustaiset lähestymistavat ovat kielitieteen ja kieliteknologian alueita, joissa kielianalyysi nojaa suurten elektronisten tekstikorpusten tarjoamaan todistettavaan aineistodataan. Korpukset voivat olla kirjoitettua tekstiä, puheaineistoa tai sekä monikielisiä kokoelmia, ja niihin voi sisältyä merkkitagauksia sekä muuta annotaatiota, joka helpottaa systemaattista analyysiä.

Menetelmät perustuvat kvantitatiivisiin ja tilastollisiin keinoihin: frekvenssianalyysiin, kollokaatioihin, kontekstianalyyseihin ja syntaktisiin rakenteisiin sekä semanttisiin suhteisiin. Tutkimus on pääasiassa empiiristä ja dataan perustuvaa, ja teoreettiset väitteet testataan suurten aineistojen pohjalta. Korpusperustaiseen tutkimukseen liittyy usein annotaation standardointi, vertailtavuus ja toistettavuus eri korpusten välillä sekä datan laadun arviointi.

Sovellukset kattavat kielianalyysin, sanakirjojen laatimisen, kieltenopetuksen sekä kielipolitiikan arvioinnin. Kieliteknologiassa korpukset vaikuttavat konekäännökseen, puheentunnistukseen, tekstin luokitteluun ja muiden NLP-sovellusten kehittämiseen. Myös tutkimus- ja opetustilanteissa korpuksiin perustuva lähestymistapa tukee datalähtöisiä päätelmiä ja koulutusesimerkkien rakentamista.

Haasteina on representatiivisuus ja otannan mahdolliset virheet sekä kielten variaation huomioiminen. Datan lisensointi, annotaation laatu ja standardien sekä yhteensovitettavuuden kehittäminen ovat keskeisiä kysymyksiä. Pienemmillä kielillä korpusten koko ja saatavuus voivat rajoittaa tutkimusmahdollisuuksia.

Korpusperustaiset lähestymistavat kehittyivät 1980–1990-luvulla korpusten rakentamisen ja tilastollisen analyysin myötä, ja niistä on tullut keskeisiä sekä teoriassa että käytännön sovelluksissa.