korpusstudier

Korpusstudier är en gren inom språkvetenskapen som analyserar språk genom stora samlingar av autentiskt språk, så kallade corpora. Genom att systematiskt samla in, märka och analysera språkligt material undersöks frekvens, variation och användning i olika register, tidsperioder och målgrupper.

Ett corpus är en stor, strukturerad samling lingvistiskt material, vanligtvis text eller transkriberat tal, ofta med metadata och annotationer som ordklassmärkn­ing, lemmatisering, syntaktiska trädetolkningar och semantiska etiketter. Materialet är maskinläsbart och sökbart med särskilda verktyg.

Metoder som används inom korpusstudier inkluderar frekvensanalys, konkordanssökningar, kollokations- och nyckelordsanalyser, n-gram-modeller och diachroniska studier av språkförändring. Analysarbetet kan vara beskrivande eller användas för att testa linguistiska teorier och antaganden om hur språket fungerar i verkliga sammanhang.

Data kommer från olika typer av corpora: generella, genrebundna, speciella syner, lärar-/elevkorpora och parallella corpora för översättningar. Vissa är annoterade och jämförbara över språk, andra är mer fritagna. Vanliga exempel på engelskspråkiga corpora är BNC och COCA, medan svenska resurser som Språkbanken tillhandahåller svenska corpora för forskning och utveckling.

Användningsområden inkluderar lexicografi, språkinlärning, utveckling av NLP-verktyg, sociolingvistik och stilistik. Resultaten används för ordlistor, frekvensbaserade lexikon och beskrivningar av grammatik i olika varianter av språket. Utmaningar rör representativitet, annoteringskvalitet, licensiering, integritet och jämförbarhet över korpora samt behovet av reproducerbar forskning.