Tekstipankkeja

Tekstipankki (monikko: tekstipankkeja) on järjestetty kokoelma kirjoitettua tekstiä, joka on koottu ja järjestetty uudelleenkäyttöä varten. Tekstipankkeja käytetään yleisesti opetuksessa, kieltenoppimisessa sekä tutkimuksessa ja luonnollisen kielen käsittelyssä (NLP). Aineisto voi olla monipuolista: kaunokirjallisuutta, oppimateriaaleja, uutisartikkeleita sekä teknisiä tai virallisia tekstejä.

Kokoelmien sisältö on usein luokiteltu erilaisten lajityyppien mukaan, ja osa pankkeista sisältää rinnakkaistekstejä eli parallel corpora (suomeksi ja toisella kielellä). Tekstipankit voivat olla yleiskäyttöisiä tai erikoistuneita tiettyihin aiheisiin kuten lääketiede, oikeus tai teknologia. Lisäksi niihin liitetään usein metatietoja: lajityyppi, julkaisuajankohta, kirjoittajatausta, kieli sekä käyttö- ja lisenssioikeudet.

Käyttötavat: Opetuksessa ne tukevat lukutaito- ja sanaston harjoittelua sekä tekstianalyysia. Tutkimuksessa ne mahdollistavat korpus- ja kielellisen analyysin sekä menetelmäkehityksen. NLP-sovelluksissa tekstipankkeja käytetään mallien koulutukseen, arviointiin ja kehitykseen.

Oikeudelliset ja eettiset näkökohdat: Tekstipankkien sisällön käyttö on sidottu tekijänoikeuksiin ja lisensseihin. Osa aineistosta on avoimesti saatavilla CC-tyyppisillä lisensseillä, mutta paljon materiaalia vaatii erillisiä käyttöoikeuksia tai poimitaan vain anonymisoituja ja julkisia osia. Henkilötietojen suoja ja yksityisyyden huomioiminen on tärkeää erityisesti suurissa kokoelmissa.