rinnakkaiskorpora

Rinnakkaiskorpora ovat kaksikielisiä tai monikielisiä tekstikokoelmia, joissa sama sisältö on tarjolla useammalla kielellä ja käännökset on sidottu toisiinsa. Ne voivat olla lause- tai kappalekorpporia laajemmin, ja niihin liitetään usein myös metatietoa kielipareista, lähteestä ja käyttöehdoista. Rinnakkaiskorpora ovat keskeisiä resursseja sekä kääntäjien työvälineissä että monikielisessä tutkimuksessa.

Ominaisuuksiin kuuluvat käännösten vastaavuuden taso (esimerkiksi lauseiden tai lauseiden sisäisten käännösten tarkkuus), kieliparit, sekä domaini ja julkaisuoikeudet. Tietueryhmät voivat olla avoimia tai suljettuja lisenssien ja käytön mukaan. Muodot vaihtelevat yksinkertaisista kaksikielisistä teksteistä monikielisiin kokoelmiin, joissa on rikas metatieto. Formaattien yleisiä esimerkkejä ovat seuloen käytetyt yhtenäistetut muodot (kuten TMX) sekä erilaiset merkkaukset, jotka helpottavat kohdekielen etsimistä ja lauseiden uudelleenkäyttöä.

Kokoamisprosessi yhdistää usein sekä automaattisia että manuaalisia vaiheita: alkuperäisten tekstien keräys, lause- tai kappaleen tunnistus, käännösten alignointi sekä laadunvarmistus. Laatu riippuu lähdeaineiston puhtaudesta, käännösten tasosta ja alignointialgoritmien tarkkuudesta. Käytön osalta rinnakkaiskorpora on keskeinen resurssi konekäännöksen koulutuksessa, rinnakkaisten sanastojen hankinnassa sekä monikielisessä tutkimuksessa ja viestinnässä.

Esimerkkejä tunnetuista rinnakkaiskorpora-aloista ovat Europarl- ja JRC-Acquis -korpora, OpenSubtitles -korpora sekä UN:n rinnakkaiskorpora. Suomen kieleen liittyvää tutkimusta varten on käytettävissä laajat kielipareihin sovitetut resurssit sekä julkiset että kaupalliset kokoelmat, joita käytetään käännösten kehittämiseen ja kielitieteelliseen analyysiin.