korpusperustaisen

Korpusperustainen on adjektiivi, jota käytetään kuvaamaan kielentutkimuksessa ja kieliteknologiassa tehtäviä analyysejä, menetelmiä tai johtopäätöksiä, jotka perustuvat kielikorpuksiin eli suurin joukoin autenttisia teksti- tai puheaineistoja sisältäviin kokoelmiin. Termi korostaa empiiristä lähestymistapaa: kielen rakenteita, sanastoa ja käyttöä tutkitaan suuremman aineiston perusteella säännön- ja intuitioepäilemättä.

Korpusperustainen tutkimus kattaa muun muassa syntaksi- ja morfologiamallit, sanastot ja semantiikan analyysin sekä phraseologien ja kollokaatioiden kartoituksen. Käytännössä työskentelyyn kuuluu usein aineiston valinta ja esikäsittely, merkkaus ja mahdollisesti osanologian tai sujuvuuden annotointi, sekä erilaisten tilastollisten tai koneoppimismallien soveltaminen havaintojen tekemiseksi. Tutkimuksessa voidaan laatia frekvenssi- ja kongruenssiolistoja, etsiä kollokaatioita tai lausekkeita sekä tutkia kielen vaihtelua rekisteristä, ajanjaksosta tai sovellusympäristöstä riippuen. Korpusperustaiset lähestymistavat ovat yleisiä sekä teoreettisessa kielitieteessä että kielentutkimuksen sovellusaloilla, kuten sanakirjanteossa, kieliopissa ja käännösmallien kehittämisessä sekä luonnollisen kielen käsittelyssä.

Käytön etuja ovat empiirisyys ja suuret aineistot, jotka mahdollistavat yleisten näkemysten haastamisen. Rajoitteita ovat aineiston valitseminen ja edustavuus, oikeudet ja lisenssit sekä annotaatio- ja merkkausvirheet, jotka voivat vaikuttaa tulksiin. Lisäksi tulkintojen yleistettävyyden varmistaminen korostaa kontekstin ja aineistokohtaisen tekijöiden huomioimista.