corpuslinguïstiek

Corpuslinguïstiek is de studie van taal door middel van corpora, grote digitale verzamelingen teksten of gesproken materiaal die elektronisch beschikbaar zijn en geannoteerd kunnen worden. Een corpus biedt empirische data die toelaten taalkundige patronen, variatie en verandering te beschrijven.

Het veld ontstond in de tweede helft van de twintigste eeuw met de opkomst van computers en elektronische teksten en ontwikkelde zich tot een kernmethode van descriptieve en empirische taalkunde. Het doel is taalgebruik te beschrijven op basis van feitelijke waarnemingen uit echte taalpraktijk, in tegenstelling tot puur theoretische beschrijvingen.

Een corpus kan verschillende vormen aannemen: algemene taalcorpora met grote aantallen teksten uit diverse genres, gespecialiseerde corpora gericht op specifieke vakgebieden of taalvarianten, spraakcorpora met audio en transcripties, en historische of learner corpora die taal van vroeger of van leerders in kaart brengen. Corpuslinguïstiek maakt gebruik van annotatie op meerdere niveaus, zoals tokenisatie, lemmatisering, POS-tagging, syntactische parsing en semantische tagging. Analyses omvatten frequentie- en cooccurrentieonderzoek, n-grams en concordanties om patronen en variatie te ontdekken.

Toepassingen omvatten lexicografie, beschrijving van grammaticale patronen, taalonderwijs en taaltechnologie, zoals training data voor natuurlijke taalverwerking (NLP). Uitdagingen zijn onder meer representativiteit, bias en annotatiekwaliteit, en privacy. De toekomst van corpuslinguïstiek ligt in grotere, meer diverse corpora, multimodale en longitudinal datasets, en de integratie met machine learning.