Размещено на http://www.allbest.ru/

Корпусная лингвистика

Особенности перевода с английского на украинский

Оглавление

• Введение
• 1. Особенности корпусной лингвистики
• 1.1 Корпусная лингвистика как раздел прикладной лингвистики
• 1.2 История корпусной лингвистики
• 1.3 Основные понятия корпусной лингвистики
• 1.4 Основные задачи корпусной лингвистики
• 2. Общая характеристика Национального корпуса украинского языка
• 2.1 Особенности корпуса украинского языка
• 2.2 Использование НКУЯ в преподавании украинского языка в школе
• 2.3 Соотношение корпусной и компьютерной лингвистики
• 2.4 Выравнивание корпусов на сайте "InterText"
• 2.5 Проблема перевода с английского на украинский в художественном тексте
• Выводы
• Список литературы

Введение

Целью работы является рассмотрение различных видов грамматических переводческих трансформаций как средств достижения адекватности перевода и других особенностей перевода в корпусной лингвистике.

Данная цель обуславливает следующие задачи:

а) рассмотреть основные понятия корпусной лингвистики и принципы создания лингвистических корпусов;

б) описать, каким образом можно использовать материалы Национального корпуса украинского языка при изучении лексики, морфологии, синтаксиса;

в) ознакомиться с историей корпусной лингвистики;

г) узнать особенности и проблемы перевода языков;

Объектом исследования выступают приемы перевода, объединенные понятием грамматических переводческих трансформаций.

Предметом исследования в данной работе являются предпосылки использования грамматических переводческих трансформаций, обусловленные внутренними лингвистическими факторами (специфический грамматический строй языков оригинала и перевода).

Актуальность данной темы обусловлена стремительным развитием информационных технологий и необходимостью их внедрения в сферу образования.

1. Особенности корпусной лингвистики

1.1 Корпусная лингвистика как раздел прикладной лингвистики

Корпусная лингвистика - это раздел прикладной лингвистики, занимающийся разработкой общих принципов построения и использованием лингвистических корпусов (корпусов текстов).

Одним из основных источников языкового материала, необходимого для проведения лингвистических и филологических исследований, является текст, письменный или устный. На основе анализа множества текстов можно сделать вывод об интересующем исследователя языковом явлении, например, о поведении грамматической конструкции, использовании выразительных средств в языке и т.п. Развитие вычислительной техники способствовало тому, что большое количество текстов стало доступно в электронном виде. Для того чтобы можно было работать с такими объемами текстов, извлекая из них нужную информацию, во всем мире стали создаваться лингвистические корпусы, т.е. коллекции текстов, специально отобранных, размеченных по различным лингвистическим параметрам и обеспеченных системой поиска. Увеличение объема материала исследования потребовало применения новых методов анализа лингвистических данных, включая их статистическую обработку.

Таким образом, корпусная лингвистика включает два аспекта: во-первых, создание и разметка (аннотирование) корпусов текстов и разработка средств поиска по ним и, во-вторых, собственно лингвистический аспект - экспериментальные исследования на базе корпусов.

Возможность пользоваться обширными электронными ресурсами значительно облегчила процесс сбора материала в лингвистических исследованиях. Однако такая доступность языковых данных радикально изменила требования к доказательной базе лингвистических исследований: в наше время недостаточно привести несколько примеров в подтверждение выдвигаемой концепции, необходимо представить достаточно полную выборку данных того или иного языка. Однако работать с мегабайтами "сырых" текстов не менее трудно, чем искать примеры вручную.

Необходимость и возможность обработки большого массива текстов для извлечения из них лингвистических, литературоведческих и других данных обусловили бурный рост электронных ресурсов, включая лингвистически аннотированные корпуса текстов.

Использование корпусов текстов дает возможность наблюдать поведение интересующих исследователя языковых единиц (слов, словосочетаний, грамматических категорий, синтаксических конструкций и т.д.) в естественной языковой среде, т.е. в реально существующих, а не искусственно сконструированных контекстах.

Кроме того, корпусные исследования позволяют, используя статистические методы, сформулировать, подтвердить или опровергнуть некоторую гипотезу о том или ином языковом явлении на большом объеме материала.

При этом если исследователь пользуется уже существующим корпусом, он полностью минует долгий и трудоемкий этап сбора материала (опрос информантов, работа со словарными картотеками или письменными текстами и т.д.).

Для некоторых целей оказывается достаточным использование в качестве корпуса уже существующих электронных коллекций текстов, таких как виртуальные библиотеки, архивы электронных версий периодических изданий или новостных лент. Гигантским собранием текстов является весь Интернет. Существует даже такое направление исследований - Интернет как корпус. Однако поскольку тексты в сети не систематизированы и не имеют лингвистической аннотации (разметка корпуса) - что относится и к прочим виртуальным коллекциям текстов, - дать точную статистическую оценку всего множества или некоторого подмножества текстов затруднительно, поэтому и возникает потребность в структурированных и аннотированных лингвистических корпусах.

Одним из приоритетных направлений корпусной лингвистики является создание и расширение универсальных национальных корпусов (корпусов того или иного естественного языка), представительных по отношению ко всему языку, которые могут служить для исследования самых разнообразных явлений этого языка [2, с. 53]. Большинство языков мира уже имеют свои национальные корпуса. Общепризнанным образцом является, в частности, Британский национальный корпус (BNC). Среди корпусов славянских языков выделяется Чешский национальный корпус, созданный в Карловом университете Праги. Национальные корпуса существуют также для немецкого, китайского, финского и других языков. Для русского языка таким представительным корпусом является Национальный корпус русского языка (НКРЯ).

По мере создания все большего количества корпусов и развития различных технологий обработки текстовой информации вырабатывались некоторые универсальные принципы и языки разметки лингвистической информации в корпусе, создавались специальные инструменты для работы с корпусом на любом языке так называемые корпусные менеджеры. Выработка универсальных стандартов и технологий сделало возможным создавать большие представительные корпуса за очень короткий срок.

Таким образом, предметом корпусной лингвистики являются "теоретические основы и практические механизмы создания и использования представительных массивов языковых данных, предназначенных для лингвистических исследований в интересах широкого круга пользователей" [3, с. 5].

1.2 История корпусной лингвистики

Можно сказать, что первые корпуса и корпусные методы появились задолго до возникновения корпусной лингвистики как научного направления. По сути, любое лингвистическое исследование, основанное на сопоставлении и анализе контекстов, является корпусным.

Еще в конце XIX - начале XX в. в целях усовершенствования средств связи, а также в целях быстрого обучения языку создавались частотные словари. Частотность слов оценивалась по специальным выборкам текстов.

Первые корпуса в строгом смысле этого слова появились в 60-х гг. ХХ в. Прообразом для них послужили словарные картотеки - собрания фрагментов текстов, обычно в виде карточек, содержащих то или иное слово, и систематизированные относительно описываемого слова (в основном, по алфавиту).

В 1963 г. в Брауновском университете (США) для создания частотного словаря американского варианта английского языка был создан большой корпус на цифровом носителе (Brown Corpus), включающий 1 млн. слов. При оценке частоты некоторого слова в языке возникает проблема "сбалансированности" выборки. В языке частотность многих слов обусловлена тематикой текстов. Так, например, слово "переменная" будет чрезвычайно частотно в математических текстах. Вероятность же встретить данное слово в художественной литературе очень мала. Для обеспечения корректности данных относительно частоты употребления слов создатели корпуса (У. Френсис и Г. Кучера) разработали строгую процедуру отбора текстов: в корпус вошли 500 фрагментов прозаических текстов, относящихся к 15 наиболее массовым жанрам и напечатанных в 1961г.

Возникновение корпусных методов связано с бурным развитием компьютерных технологий во второй половине ХХ в. Возможность сканирования и распознавания текста (перевод в текстовый формат), появление баз данных и систем управления базами данных сделали возможным сбор, хранение и обработку огромных массивов текстовых данных. Не последнюю роль в развитии корпусной лингвистики сыграла популяризация мировой сети Интернет, т.к. корпуса стали доступны широкому кругу пользователей, значительно расширились возможности их наполнения.

С тех пор накоплен значительный опыт разработки и применения корпусов. Ежегодно публикуется множество работ по данной тематике.

В России разработкой и исследованием корпусов занимаются специалисты Центра лингвистической документации при Независимом Московском университете, отдела экспериментальной лексикографии Института русского языка им. В.В. Виноградова РАН, Института языкознания РАН, Института проблем передачи информации РАН, Института лингвистических исследований РАН в Санкт-Петербурге и др.

Теоретические и практические проблемы корпусной лингвистики обсуждаются на специализированных семинарах и в рамках научных конференций по прикладной и компьютерной лингвистике: ежегодная международная конференция по компьютерной лингвистике "Диалог", конференция "Мегалинг", конференция "Корпусная лингвистика" при кафедре математической лингвистики СПбГУ.

Важной вехой в развитии отечественной корпусной лингвистики явилось создание Национального корпуса русского языка. Работы по созданию Корпуса были начаты в 2001 году группой лингвистов из Москвы, Петербурга, Воронежа и других городов. В рамках развития проекта ведется работа по созданию новых ресурсов на базе корпуса.

1.3 Основные понятия корпусной лингвистики

Центральное понятие корпусной лингвистики - лингвистический корпус. Тексты в корпус выбираются не случайным образом, а в соответствии с проблемной областью, т.е. областью реализаций интересующих исследователя языковых явлений. Проблемная область имеет два аспекта: языковой и речевой. Языковой аспект - это само изучаемое явление, а речевой - это множество контекстов, в которых это явление представлено. Проблемная область может быть как очень широкой (все произведения Достоевского Ф.М.), так и достаточно узкой (случаи согласования сказуемого с количественной группой по числу).

Одним из принципиальных вопросов является вопрос о том, какие тексты и в каком объеме необходимо отобрать в корпус. С одной стороны, хотелось бы, чтобы исследуемое явление, как бы оно ни было редко в языке, нашло отражение в корпусе. Одним из требований, предъявляемым к составу и структуре корпуса является требование полноты.

Данное требование входит в противоречие с другим важным принципом создания корпуса - требованием репрезентативности. Задача создателей корпуса - собрать как можно большее количество текстов, относящихся к тому подмножеству языка, для изучения которого корпус создается. Каким бы специфичным ни был феномен, ни один корпус не может содержать все его реализации. Поэтому корпус - это всегда определенная выборка из проблемной области, которая осуществляется на основе некоторых критериев, устанавливаемых исследователем в зависимости от задачи. Такая выборка должна отражать те или иные параметры исследуемого языкового явления в той же пропорции, что и в языке вообще или в некотором исследуемом подмножестве языка.

С точки зрения отбора текстов в корпус различают сбалансированные корпусы и мониторные корпуса. В сбалансированных корпусах в корпус включаются тексты, представляющие разные модусы дискурса (включая как письменные, так и устные тексты), разнообразные по жанрам, стилям и тематике. При разработке корпуса устанавливаются пропорции, в которых должны быть представлены тексты разных жанров, стилей и т.п. Такие корпусы имеют фиксированный объем. Пополнение таких корпусов происходит только после тщательной процедуры отбора новых текстов. Мониторные корпусы постоянно пополняются новыми текстами на данном языке, при этом баланс текстов разных модусов, стилей и жанров не соблюдается. Создатели мониторных корпусов считают, что "статистическая" обоснованность данных, полученных из корпуса, будет достигнута за счёт объема корпуса, исчисляемого в миллиардах слов.

Важным параметром корпуса является его объем. Если первые корпусы достигали миллиона слов (точнее, словоупотреблений или текстоформ), то объем современных корпусов исчисляется сотнями миллионов (например, объем Национального корпуса русского языка на данный момент составляет около 360 млн. словоупотреблений) или миллиардами (например, объем корпуса английского языка Bank of English превышает 2,5 миллиарда слов).

Как уже отмечалось, для решения различных лингвистических задач необходимо, чтобы тексты и отдельные языковые единицы внутри текстов содержали дополнительную лингвистическую и металингвистическую информацию - разметку (аннотацию). Аннотированный корпус приобретает такие преимущества, как простота использования и многофункциональность [4, с. 63]. В современных корпусах помимо метаразметки (отражающей различную экстралингвистическую информацию о тексте, включая его название, автора, жанровую принадлежность и т.п.), содержится разметка, соответствующая различным уровням лингвистического описания, - морфологическая, синтаксическая, фонетическая и др.

Взаимодействия пользователя с корпусом: поиск в корпусе в соответствии с запросом пользователя обеспечивается с помощью специальных программ - корпусных менеджеров. Они обеспечивают сортировку результатов поиска, статистические подсчеты, составление конкордансов и словников (списков слов, систематизированных некоторым образом) на основе корпуса.

Большинство современных корпусных менеджеров позволяют осуществлять поиск различного рода информации: поиск конкретных словоформ; поиск словоформ по лемме (поиск всех форм одной и той же лексемы, встретившихся в тексте); поиск неразрывных и разрывных словосочетаний. При наличии соответствующей разметки осуществляется поиск по набору морфологических признаков (например, поиск всех словосочетаний вида "предлог по + существительное в предложном падеже") и другой информации, соответствующей уровням лингвистической разметки, представленных в корпусе. Благодаря наличию метаразметки пользователь имеет возможность создавать свой подкорпус текстов, отобранных по жанру, тематике, времени написания и т.п. Результат выдачи представляет собой конкорданс (множество контекстов, в котором встретилось запрашиваемое языковое выражение). Каждый из примеров снабжается информацией об источнике, откуда взят пример. В ряде корпусов возможно также получить статистическую информацию о запрашиваемом языковом выражении: его относительную частоту по всему корпусу, распределение по жанрам или временным срезам, информацию о частоте его сочетаемости.

Корпусы, как правило, предназначены для многократного использования многими пользователями. Для унификации работы с разными корпусами, для обеспечения "независимости" корпусных данных от конкретной программной реализации интерфейса работы с корпусом разрабатываются стандарты разметки текстовых корпусов. В настоящее время выработались стандарты представления метаданных, базирующиеся на описании текстов в рамках проекта Text Encoding Initiative (TEI) и на рекомендациях EAGLES (Expert Advisory Group on Language Engineering Standards).

1.4 Основные задачи корпусной лингвистики

Первичной задачей корпусной лингвистики считается объективное лингвистическое описание языковой системы, причём к этому описанию корпусная лингвистика подходит, отталкиваясь от изучения конкретной человеческой коммуникации, от реальных текстов. В качестве вторичной задачи рассматривается выработка особого способа отражения речевого материала в корпусе текстов. Этот способ, в свою очередь, может использоваться другими лингвистическими дисциплинами. Ещё одна часто выделяемая задача корпусной лингвистики заключается в изучении вероятности лингвистических явлений (в отличие от традиционной лингвистики, которая изучает их (явлений) возможность; Так, например, традиционная лингвистика скажет, что конструкция I'm not в литературном английском возможна, а конструкция I ain't - нет. Корпусная же лингвистика не скажет, что конструкция "I ain't" невозможна - она скажет, что эта конструкция маловероятна).

Основные направления научной деятельности в рамках корпусной лингвистики: Во-первых, это лексикографические исследования, создание словарей. Практически все современные словари английского языка (Collins, Webster, MacMillan и т.д.) издаются на основе огромных корпусов, которые позволяют сделать словарь репрезентативным. То есть, словарь может быть верным или не верным относительно данного корпуса. Во-вторых, изучение корпусов позволяет получать точные данные о лексическом составе языков, об относительных частотах употребления тех или иных слов. В частности, при помощи корпусной лингвистики был окончательно доказан так называемый закон Ципфа, утверждающий, что если в любом естественном языке все слова упорядочить по убыванию частоты их использования, то частота любого слова в таком списке окажется приблизительно обратно пропорциональной его порядковому номеру (так называемому рангу этого слова). Например, второе по частоте слово встречается примерно в два раза реже, чем первое, третье - в три раза реже, чем первое, и так далее. В-третьих, корпусная лингвистика изучает и изменения в лексическом составе языков, различные его вариации (например, появление и исчезновение неологизмов). В-четвертых, корпусная лингвистика изучает грамматики естественных языков, в частности - сочетаемости тех или иных грамматических явлений друг с другом. Естественно, что данные, полученные из живой речи, гораздо более актуальны, чем умозрительные грамматики традиционной лингвистики. В-пятых, корпусная лингвистика занимается изучением текстов. Например, используя корпусы текстов, можно научиться определять функциональный стиль текста через его статистические характеристики - среднюю длину слова и предложения, характерные сочетания слов и т.д. Такие методы уже существуют и используются в автоматическом реферировании и тематическом поиске. В-шестых, корпусная лингвистика активно используется в лингводидактике, то есть, в обучении иностранным языкам. Чтобы знать, чему, учить, необходимы точные количественные данные о преподаваемом языке - состав наиболее частотной лексики, вероятности употребления тех или иных грамматических конструкций и т. д. В-седьмых, корпусная лингвистика занимается проблемами машинного перевода, для чего строятся и используются т.н. многоязычные выровненные (параллельные) корпусы, в которых каждой фразе на одном языке сопоставлен её эквивалент на другом языке. Кроме машинного перевода, такой корпус можно использовать для исследований, связанных со сравнением оригинальных и переводных текстов.

2. Общая характеристика Национального корпуса украинского языка

2.1 Особенности корпуса украинского языка

лингвистика грамматический перевод

Корпус - это информационно-справочная система, основанная на собрании текстов на некотором языке в электронной форме. Национальный корпус представляет данный язык на определенном этапе (или этапах) его существования и во всём многообразии жанров, стилей, территориальных и социальных вариантов.

Национальный корпус создается специалистами по корпусной лингвистике для научных исследований и обучения языку. Большинство крупных языков мира уже имеет свои национальные корпуса (различающиеся по полноте и уровню научной обработки текстов). Общепризнанным образцом является, в частности, Британский национальный корпус: на него ориентированы многие другие современные корпуса. Среди корпусов славянских языков выделяется также Чешский национальный корпус, созданный в Карловом университете Праги.

Корпус украинского языка включает в себя:

· спряжение глаголов;

· лексико-грамматические разряды существительных (конкретные, отвлеченные, вещественные, собирательные);

· разряды местоимений (личные, возвратные, отрицательные и т.д.);

· корпус устной речи, включающий расшифровки магнитофонных записей публичной и частной устной речи, а также транскрипты кинофильмов. Устный корпус удобно использовать при преподавании:

· устная публичная речь (можно выбрать речевые жанры, например, беседа, дискуссия, лекция, интервью, репортаж и др.);

· устная непубличная речь (можно выбрать жанры: беседа, микродиалог, пересказ, разговор, рассказ, спор);

· речь кино (можно выбрать киножанры).

· акцентологический корпус (корпус истории ударения) - тексты, несущие информацию об истории ударения (все тексты поэтического корпуса и акцентуированные записи устной речи, в том числе кинофильмов). Эти тексты доступны для поиска по месту ударения и просодической структуре слова;

· мультимедийный корпус, куда входят снабжённые видео- и аудио рядом фрагменты кинофильмов 1930-2000-х годов. Возможен поиск не только по произносимому тексту, но и по жестам (кивание головой, похлопывание по плечу и т. п.) и типу речевого действия (согласие, ирония и т. п.)

В преподавании Корпус оказывается наиболее необходимым для следующих видов работы:

·составление учебных материалов для занятий;

·составление упражнений, тестов и контрольных;

·организация самостоятельной учебной работы студентов и школьников;

·организация научной работы.

Определенные виды поиска удобны для определенных направлений научной и педагогической работы:

· Поиск слова или словосочетания в фиксированной форме, или во всех возможных формах, или в нескольких нужных формах. Это самый простой и самый необходимый вид поиска: он подходит для решения очень многих задач, в частности, может быть использован при создании собственных текстов, для проверки своей интуиции относительно употребления того или иного слова или словосочетания.

· Поиск слова, включающий определенный сегмент (морфему или части основы). Этот вид поиска удобен при работе в области словообразования, а также при составлении орфографических упражнений на написание приставок и суффиксов.

· Поиск всех слов с определенной грамматической характеристикой. Этот вид поиска удобен при работе в области формообразования и морфологии, а также при составлении орфографических упражнений на написание формообразующих морфем.

· Поиск слова с определенной семантической характеристикой. Этот вид поиска удобен при работе, связанной с классификацией слов по значениям, например в области семантики и лексикологии, в частности при работе над описанием семантического поля, а также при составлении упражнений в области преподавания русского языка как иностранного.

· Поиск двух заданных слов, находящихся рядом, но не обязательно следующих друг за другом. Этот вид поиска чаще всего нужен при работе, связанной с описанием определенных конструкций, например, в области синтаксиса и семантики.

· Поиск слова в сочетании с любым словом с определенной грамматической характеристикой. Такой поиск бывает удобен при синтаксической и семантической работе, например при описании сочетаемостных особенностей какого-либо слова.

· Поиск слова с учетом находящихся рядом знаков препинания. Необходим при работе с пунктуацией, в частности при составлении пунктуационных упражнений.

· Поиск лексической единицы, состоящей из нескольких слов, например, частиц вряд ли или как бы, или наречного оборота бог знает как, или предлога без оглядки на и т.п. Для этого типа поиска следует воспользоваться Корпусом оборотов. Такой поиск бывает нужен при работе с морфологией или семантикой, особенно при изучении служебных частей речи, в научных или учебных целях, а также при составлении орфографических упражнений на правописание "вместе или раздельно" и при составлении пунктуационных упражнений на пунктуацию при вводных оборотах и частицах.

Украинский национальный корпус и определения его характеристики, в соответствии с набором стандартных параметров корпусов, предложено решение проблемы объема и структуры для украинской корпусной построения и описано возможные пути применения Украинского национального корпуса в современных лингвистических исследованиях.

Лингвистическое исследование независимо от исторического периода и уровня развития языкознания основывается на языковом материале. Как правило, качество фактического материала влияет на качество результатов исследования, то есть чем больше объем материала как синхронного, так и диахронном, чем достовернее этот материал, чем больше параметров привлечено к его отбора и систематизации, тем шире сфера действия лингвальных закономерностей и явлений, которые изучаются в каждом конкретном случае и тем более достоверными выводы. Поэтому не случайно в традиционном языкознании главное внимание всегда уделялось сбору фактического материала, не говоря уже о направлениях, в которых сбор новых языковых фактов является основной задачей лингвального описания. Здесь можем говорить об исследовании в диалектологии, изучение неописанных или мало описанных языков, социо- и терминолектив etc. Однако в рамках классической лингвистической традиции сбор речевых данных всегда был и остается сложной технической задачей, поскольку речь идет о ручном длительное обработки письменных текстов, опрос информаторов, анкетирование, создание традиционных лексических картотек и тому подобное. Так, о сложности и продолжительность сбора фактического материала свидетельствует процесс создания лексической картотеки Словаря украинского языка в 11-и томах, которая была начата в 20-х годах прошлого века, а первый том словаря вышел в свет в 1971 году, то есть фактически через полвека. Существуют и другие проблемы, связанные с традиционным сбором языкового материала, в частности его восстановлении, поиск необходимых единиц в миллионные картотеках, удаленный доступ, или вообще отсутствие его в, так называемых, неэлектронных базах. И, как справедливо отмечает А. Баранов, до появления компьютера и соответствующего программного обеспечения для обработки данных естественного языка преодолеть проблемы, связанные со сбором, организацией и доступом к языковому материалу для лингвистических исследований, было практически невозможно (Баранов +2001, 116).

Компьютерные технологии придя в лингвистику предложили свои технические возможности для оформления, хранения и поиска речевого материала на машинных носителях, который может быть организован как база данных, машинный фонд или в последнее время корпус текстов. Существенным отличием новой организации фактического материала по отношению к старым, главным образом, картотечных принципов его организации является, по словам А. Гердта, "далеко не только технологическое отличие, как это может показаться на первый взгляд. Это фонды хранения качественно иного типа. Это фонды не слов и цитат, а прежде всего - целостных текстов на новых типах носителей с большим спектром параметров и входов по каждому из параметров "(Гердт 1986, 68). На преимущества компьютерной организации языковых данных по так называемой бумажной организации указывает также В. Фрэнсис (один из авторов первого в корпусной лингвистике Брауновского корпуса) и важнейшими аспектами такого преимущества ученый считает, во-первых, освобождение "других от необходимости самим заниматься формированием корпусов и вводом их в ЭВМ ", и, во-вторых, однократное создание с возможностью многократного разноаспектных использования" стандартного набора данных, которые позволили бы осуществлять сравнительные исследования "(Фрэнсис 1983, 334), то есть в результате однократного введения в ЭВМ тех или иных источников пользователь получает широкие возможности многократного обращения к определенной автоматизированной системы с самыми разнообразными запросами. Кроме того, системы такого типа не только обеспечивают предельную точность, надежность хранения всей информации, содержащейся в тексте, но дают ответы, например, на вопрос "о все употребление слова, обо всех контексты на каждое слово, на каждую словоформу, обо всех типах вариантов как по отдельным источником, так и по такой или другой совокупности источников "(Гердт 1 998, 72).

Для осуществления исследований украинского языка в современных условиях информативного общества как в диахронном, так и в синхронном аспекте, пользуясь новейшими методами и технологиями в исследованиях природных как на большом по объему, репрезентативном языковом материале (фактически продолжает традицию формулирование теоретических положений, исходя из анализа эмпирического материала), необходимо иметь репрезентативный, сохраненный на электронных носителях, открытый для доступа языковой материал, организованный как корпус текстов или Украинский национальный корпус (УНК).

Отметим, что построение корпуса национального типа произвольной языка является предметом исследования корпусной лингвистики, стремительно развивается на протяжении последних десятилетий в англо-саксонском, романо-германском, славянском и др. языкознании. О популярности и интенсивность развития корпусной лингвистики свидетельствует как большое число теоретических и технологических работ, учебников так и самих корпусов (1). Речь идет о работах Х. Кучера (Francis, Kucera 1979), В. Фрэнсиса (1983), Д. Байбера (Biber 1990, 1992) Дж. Синклера (Sinclair 1994), В. Тойберта (Teubert 2000), Г. Кеннеди (Kennedy 1998), Н. Идет (2000), М. Банька (Baсko 1994-1996; 2003), T. Ерявця (Erjavec 2001), И. Гаича (Hajiи 1998), А. Баранова (2001), С. Шарова (2002), В. Рыкова (2001а, 2001б), Л. Рычкова (2002, 2003) и др. Для лингвоукраинистики и построение национального корпуса, и внедрение корпусного языкознания находится на начальном этапе и базируется как на теоретических положения, разработанных для других национальных языков, в частности для английского (Brown Corpus, British National Corpus), французского (FRANTEXT), чешской (Иeskэ Nбrodnн Korpus), польского (Korpus Paсstwowego Wydawnictwa Naukowego) и российской (Большой корпус русского языка, Национальный корпус русского языка), так и на работах украинских компьютерных лингвистов, рассматривают проблемы созвучны с проблематикой корпусного языкознания, Т. Грязнухинои (1983), Н. Дарчук (2000), Е. Каприловськои (2003), Н. Клименко (1990), В. Перебийнис (1981) В. Русановского и Н. Клименко (1995), Корниенко (1999) и др. Кроме того, проблематика корпусной лингвистики является задачей, которая решается в ряде наших статей, например, в "Корпус текстов украинской периодики", "Базовые понятия корпусной лингвистики" (Демская-Кульчицкая 2001, 2003) и др. И на сегодня уже разработан теоретическое обоснование положений построения Украинского национального корпуса, является обязательным этапом в заключении национальных корпусов всех языков и является целью корпусной лингвистики.

Итак, стоит задача выяснить: что такое национальный корпус и как следует дефинировать Украинский национальный корпус, каким должен быть его объем и структура, которым параметрам соответствовать и какой может быть сфера его применения?

Общая дефиниция корпуса текстов, в том и национального типа, как объекта корпусного языкознания укладывается в такую формулировку: машиночитаемой, стандартно представлено собрание репрезентативных для определенного языка, диалекта или иной подмножества языков письменных или устных текстов, предназначенных для лингвального анализа и лингвистического описания, отобранных и упорядоченных согласно эксплицитно экстра и интралингвистические критериям. Отталкиваясь от приведенного определения, сформулируем дефиницию Украинского национального корпуса как: организованная, систематизированная, программно обработана совокупность текстов украинского языка, которые являются репрезентативными для всех как исторических, так и географических вариантов и форм ее существования, предназначенная для лингвистического анализа и технологического применения, где говоря о лингвистический анализ, подразумеваем академические лингвистические исследования различных уровней языковой системы (орфографии, морфологии, лексики, синтаксиса, семантики etc.), методику преподавания языка как родного и как иностранного, зато технологическое применение предусматривает использование корпуса с целью построения машинной языковой модели как основы для разработок в области информационных технологий, создание программ автоматического распознавания и синтеза речи, обеспечения автоматических методов преобразования текстовой информации.

Создание национального корпуса прежде предъявляет требование определения его объема и структуры. Традиционно по объему текстовые корпуса бывают малыми, средними и большими. В классификации корпусов по объему точкой отсчета служит Брауновский корпус на: а) 1 млн. Словоупотреблений; б) 500 отрывков; в) 2000 словоупотреблений в каждом из отрывков. И корпуса с меньше, чем одного миллиона словоупотреблений - это малые, от одного миллиона до десяти миллионов - средние и от десяти и более ста миллионов - большие. На сегодня существует немного примеров малых корпусов и практика показывает, что создают в основном средние и большие корпуса. Например, к разряду средних корпусов относятся: American Heritage Intermediate (AHI) на 5 млн. Словоупотреблений; Esti kirjakeele korpus (корпус текстов эстонского языка) на 1 млн. Словоупотреблений; а великих: FRANTEXT - один из крупнейших французских лингвистических проектов, начатый в 1963 году, в рамках которого создан корпус объемом более 90 млн. словоупотреблений; Bank of English на 320 млн. Словоупотреблений; Mannheimer Korpora (корпус немецкого языка) объемом 778 млн. Словоупотреблений.

Украинский национальный корпус считаем целесообразным строить как средний и по отношению к объему придерживаться такой стратегии его заключения: во-первых, определить нижнюю статистическую границу в 1 млн. Словоупотреблений, по аналогии с большинства славянских национальных корпусов; во-вторых, предусмотреть прежде технологические возможности перманентного пополнения корпуса текстовыми данными; и, в-третьих, не ставить ограничений на верхнюю статистическую границу.

Структуру УНК предлагаем подать через модель "генеральный корпус - система подкорпусов" где генеральный корпус как единицу высшего уровня составляют специализированные подкорпусы текстов украинского языка. Для украинского языка считаем целесообразным специализировать подкорпусы по хронологии, или историческими периодами развития украинского языка.

Так, в зависимости от апликованой периодизации истории украинского языка, можно выделить разные хронологические подкорпусы. Предлагаем воспользоваться классификацией, согласно которой различают древнеукраинский, раннеукраинский и среднеукраинского периоды и современный украинский язык (Нимчук 1997-1998) в рамках которой дополнительно выделить конец ХХ - начало XXI века. Таким образом, структура УНК будет:

Выделение последнего периода мотивировано главным екстралингвальными факторами, а именно политическими изменениями, следствием которых стало создание украинского государства, и следовало бы провести исследование современного украинского языка на предмет: начала нового периода vs продления периода современного украинского языка в ее развитии. Очевидно, что без предварительного исследования различных - структурного, контрастивной, исторического, функционального и т.д. - аспектов языка этого хронологического отрезка, нельзя выражать тезис о качественно новом этапе в развитии современного украинского языка, но проверить это мнение удобнее, если параллельно в структуре генерального корпуса рядом с другими отдельно функционировать подкорпус украинского языка конца ХХ - начала XXI века.

Относительно характерных параметров, корпуса в корпусном языкознании принято классифицировать как:

динамические / мониторинговые vs статические;

исследовательские vs иллюстративные;

общеязыковой vs специализированные (диалектные, терминологические, детской речи и т.п.);

синхронные vs диахронные;

устной речи vs письменные vs смешанные корпуса;

полнотекстовые vs фрагментное;

оригинальные vs переводные;

моноязычные vs полиязычные;

параллельные vs сравнительные;

неаннотированные vs аннотированные;

И, исходя из этого, определим набор индивидуальных характеристик для Украинского национального корпуса. Так, УНК следует строить как корпус:

а) исследовательский: ориентированный на широкий класс лингвистических задач;

б) Фрагментный: строится из текстовых фрагментов, то есть отрывков текстов, отобранных по предварительно детерминированными принципами отбора текстовых данных в корпус;

в) смешанный: предусмотрено введение текстовых фрагментов обоих вариантов реализации языковой системы - письменных и устных;

г) динамичный: предусматривает константное пополнения множества корпусной текстов;

г) синхронно-диахронный: охватывает текстовый материал древне-украинского (XII - ХIV), раннеукраинского (XV - XVИ) и средне-украинского (XVИ - XVIII) периодов и современный украинский язык (XIX - XXI) с выделением периода конца ХХ - начала XXI в., организован как система подкорпусов генерального Украинского национального корпуса;

д) общенародного языка: с учетом территориальной специфики как в пределах Украины, так и за ее пределами;

е) моноязычных: тексты, вошедшие в корпуса является результатом речевой деятельности носителей украинского языка;

е) морфологически аннотированный: все текстовые данные размечены до уровня слова, и каждое слово предусматривает маркировку частеречевой принадлежности и соответствующих морфологических значений.

И наконец, самый важный аспект - сфера применения общеязыковой корпуса, в том и УНК. Национальный корпус прежде всего предназначен для обеспечения научных исследований лексической и грамматической структуры языка, а также отслеживания динамики и качества изменений в языке в течение определенного хронологического отрезка. Современная корпусная технологии значительно упрощают и ускоряют процедуры лингвистического обработки больших массивов текстов. Если в докорпусный период исследователи в основном пользовались методикой ручного фрагментарного росписи больших или меньших текстов, то сейчас ограничений на объем анализируемого материала и скорость поиска информации в нем по сути нет, а это значит, что исследователь имеет возможность работать с колоссальными массивами самых текстов, реализуя сложный запрос. Можно получить информацию, в частности, такие запросы: а) выдать все / текста указанного автора, б) выдать текста / фрагменты тестов следующие вопросы, в) выдать микрореестр текста с частотной информации о каждом слове, г) выдать контексты к слову / слов и тому подобное. Или ответа на вопрос: В каких источниках, текстах, фрагментах текстов встречается определенное слово, термин, фразема? Каковы все формы определенного слова, включая графическими формами? Когда впервые зафиксировано определенное слово? Каковы его исторические варианты? В общем информация, которую можно экстрагировать из электронного корпуса, чрезвычайно велика. Например, на базе London-Lund корпуса реализована задача семантизации лексемы good 'добрый' в английском языке. Сначала, в течение нескольких секунд, что в принципе невозможно без применения компьютерного корпуса, выявлено 800 примеров употребления рассматриваемой лексемы в корпусе, объему 1 млн. Словоупотреблений. Далее, проанализированы конструкции, в которых лексема good выступала как адъектив, и в результате эксплицирована более 20 значений этой лексемы, в том: "хороший" (good mood "хорошее настроение"), "удобный" (a good dress "удобную одежду"), "большой" (a good crowd "большая толпа"), "приносящий удовольствие" (a good film "фильм, от просмотра которого получено удовольствие"), "высококачественный" (a good car "высококачественная машина"), "опытный" (a good cook "опытный повар") "вкусный" (a good meal "вкусная еда"), "хороший" (good weather "хорошая погода"), "добрый" (be good "будь добрым"), "настоящий" (the licence is good "действительная лицензия"), "замечательный" (a good report "замечательный доклад "). Кроме того, good также зафиксировано в контекстах, где это слово выступает структурным элементом возгласом: Good heavens! "Святые небеса", констатирует конец коммуникации, или изменение темы разговора: Good, let's leave it at that "Хорошо, давайте оставим это как есть" и тому подобное.

Сферу применения Украинского национального корпуса в начале его эксплуатации можно рассматривать как реализацию таких корпусно-основанных исследований украинского языка:

а) морфологических, где прежде следует определить квантитативные характеристики слов с разным лексико-грамматическим значением в языке как синхронно (анализ подкорпусу современного украинского языка), так и диахронные (анализ подкорпусов древнеукраинского и / или среднеукраинского периодов) изучить структуру и лексико-грамматическую семантику именных и глагольных форм и их реализацию в различных синтаксических конструкциях; эксплицировать и описать реальную именную и глагольную предложное и беспредложное коллокацию в украинском языке разных периодов ее функционирования;

2.2 Использование НКУЯ в преподавании украинского языка в школе

Одна из основных функций Корпуса - служить источником примеров. Национальный корпус русского языка может оказать неоценимую помощь преподавателям русского языка в поиске языкового материала для составления индивидуальных, контрольных и проверочных заданий по различным разделам программы.

На основе Корпуса может быть организована самостоятельная работа учащихся. Педагогический эффект такой работы очевиден: "…одно дело выполнить "пассивную" работу: определить принадлежность слова в тексте, подобранном преподавателем и совсем другое - "активная" работа: самому отыскать в Корпусе случаи употребления заданного слова и выбрать из них хотя бы по одному на каждую возможную часть речи. При этом даже не так важно, будет ли ученик использовать подкорпус со снятой омонимией или нет: в любом случае есть место для самостоятельного анализа. Задания "активного типа" требуют от учащихся гораздо большей работы мысли, оказываются более интересными и полезными" [10, с. 28].

В целом, корпус данных представляет собой сформированную по определенным правилам выборку данных из т.н. проблемной области, т.е. по сути, корпус данных представляет собой результат отображения проблемной области. Под проблемной областью понимается область реализаций языковой системы, содержащая феномены, подлежащие лингвистическому описанию. Проблемная область для конкретного корпуса данных может быть сколь угодно велика или мала - все определяется выбранным объектом анализа. В идеале, проблемная область имеет два измерения - языковое и речевое. Речевое измерение представлено речевыми высказываниями, или реализациями, а языковое измерение проявляется в существовании потенциальной возможности появления других употреблений, дополняющих массив имеющихся реализаций. Как правило, корпусная лингвистика практически полностью игнорирует языковой аспект, поскольку изначально в исследованиях в рамках этой дисциплины фиксируются именно реализации языковой системы. Такой подход обусловлен тем, что зафиксировать возможно только реально существующие единицы, а не "потенциальной возможности" их появления. Однако для регулярно изменяемых корпусов данных языковой аспект проблемной области дает о себе знать на стадии разработки принципов модификации корпуса. Кроме того, для лингвистического исследования в целом (кроме специально оговариваемых случаев) в центре внимания стоит именно языковое измерение, поскольку именно его следует реконструировать в результате анализа. С чисто практической точки зрения проблемную область можно определить как множество данных, обработка которых затруднена из-за того, что языковых реализаций слишком много.

В отличие от проблемной области, корпус данных имеет только одно измерение - речевое, поскольку сам по себе он не обладает возможностью производства своих составляющих. Это, однако, не означает, что корпус данных не может использоваться для реконструкции языка как системы. Напротив - это одна из основных задач лингвистического исследования корпуса. Выводы о функционировании языка как системы делаются исследователями-лингвистами на основе отдельных результатов деятельности языка.

Отдельного обсуждения заслуживает проблема выделения единиц хранения корпуса данных. Единица хранения - это некоторая совокупность естественно-языковых выражений проблемной области, которой сопоставляется одно описание на некотором метаязыке, определяемом процедурой формирования корпуса. Поскольку корпус данных представляет собой выборку из проблемной области, сформированную по некоторым определенным принципам, единица хранения непосредственно зависит от оснований, по которым осуществлялась выборка. В зависимости от этих оснований и от цели исследования, единицами хранения корпуса могут быть отдельные слова, короткие фразы, предложения, словосочетания (синтагмы). Если корпус предполагается для синтаксического анализа, то он должен включать целые тексты или достаточно большие их фрагменты. На основании описания единицы хранения можно судить о том, какая часть проблемной области представлена в корпусе. Например, единица хранения корпуса рекламных слоганов, включает следующие характеристики: слоган: Для мужчин, которые любят женщин, которые любят мужчин; фирма: "Louis Azzaro"; предмет:

Туалетная вода Azzaro pour Homme; область: косметика и парфюмерия; вид слогана: перевод с французского; оригинал: Pour les hommes qui aiment les femmes qui aiment les homes; источник: Космополитен. Таким образом, выражение естественного языка "Для мужчин, которые любят женщин, которые любят мужчин" и сопоставленные ему характеристики вместе образуют единицу хранения, которая может вводиться в базу данных или включаться в обычный файл текстового формата.

Виды корпусов данных: Исследовательский корпус - т.е. корпус, который предназначен для изучения различных аспектов функционирования языковой системы. Такие корпуса строятся не post factum - т.е. после проведения какого-либо исследования, а до его проведения. Иллюстративный корпус - т.е. корпус, который создается после проведения научного исследования: целью здесь является не столько выявить новые факты, сколько подтвердить и обосновать уже полученные результаты. Такие корпусы не являются статистически правильным отображением проблемной области, т.к. они включают лишь то, что достаточно для иллюстрации описываемого феномена. Статический корпус - корпус, отражающий определенное временное состояние языковой системы. Типичными представителями этого вида корпусов являются авторские корпусы - т.е. коллекции текстов писателей. Динамический (мониторный) корпус - отличается от статического тем, что не предполагает раз и навсегда заданного набора текстов. В течение заранее фиксированного промежутка времени происходит обновление и/или дополнение множества текстов корпуса с целью мониторинга состояния проблемной области и динамики её изменения. Специфика эксплуатации динамического корпуса состоит в том, что пользователь при проведении исследования может выделить из общего генерального корпуса рабочий корпус, включающий лишь часть текстов генерального корпуса.

Важнейшие свойства корпуса: репрезентативность по отношению к проблемной области - т.е. способность корпуса текстов отражать все релевантные для данного исследования свойства проблемной области в определенной пропорции, которая определяется частотой встречаемости данного явления в проблемной области. Т.е., частота появления некоторого явления в лингвистическом корпусе должна быть близка частоте появления этого явления в соответствующей проблемной области; полнота - требует учета релевантных явлений в корпусе, даже если это не соответствует идее пропорционального сужения между корпусом и проблемной областью. Требование полноты совершенно необходимо в тех случаях, когда лингвист-конструктор корпуса лишь приблизительно знает, что ему необходимо искать. В такой ситуации исследовательский корпус может приобрести те или иные черты иллюстративного корпуса; экономность - корпус текстов должен экономить усилия исследователя при изучении проблемной области. В частности, он должен быть не просто строгим подмножеством текстов проблемной области, но, по возможности, существенно отличаться от нее по объему (с сторону уменьшения). Корпус считается тем более "экономичным", чем выше порог отображения явлений; структурированность хранимого материала.

2.3 Соотношение корпусной и компьютерной лингвистики

Как уже упоминалось выше, компьютерной лингвистикой называется ветвь лингвистики, занимающаяся моделированием языка с использованием компьютерной техники. Корпусная лингвистика занимается примерно тем же, так что можно сказать, что эти дисциплины дополняют друг друга. Компьютерная лингвистика, например, создаёт инструменты (то есть, программы) для корпусной лингвистики. Например, исследователям в области корпусной лингвистики необходимы средства для автоматической разметки классов слов в корпусах. А если имеется корпус на, скажем 100 миллионов словоупотреблений и необходимо отметить часть речи у каждого слова, то вручную это сделать совершенно нереально. Тут и понадобится специализированное программное обеспечение. Кроме того, очень активно в современном мире используются программы морфологического и синтаксического анализа. Их обучение также происходит на основе корпусов текстов. Кроме того, для исследования корпуса бывает важно сначала снять лексическую неоднозначность, то есть, выделить слова-омонимы (лук, кисть). В большом корпусе сделать это вручную затруднительно, поэтому компьютерная лингвистика создаёт программы семантического анализа текстов, которые способны в автоматическом режиме определять, в каком значении употреблено то или иное слово.