Korpusna lingvistika područje je lingvistike koje proučava jezik na temelju realne upotrebe, to jest riječ je o metodološkome okviru gdje se korpus upotrebljava za razvoj znanja o jeziku. S obzirom na to da je većina korpusa danas računalna, usko je povezana s računalnom lingvistikom, ali odvaja se od nje s obzirom na to da postoje (uglavnom stariji) korpusi koji nisu u računalnome obliku.

mini|295px|Dijagram pokazuje u korpusu jedne složene sintaktičke konstrukcije učestalost po funkcionalnim stilovima odnosne zamjenice koji i nepromjenjive riječi što koja se koristi kao stilska rezerva za izbjegavanje ponavljanja kojiKorpusi se upotrebljavaju u raznim vrstama lingvističkih istraživanja, od fonoloških, morfoloških i sintaktičkih do fenomena iz područja semantike i pragmatike. Korpusi nude uvid u realnu upotrebu jezika, pa autor nije primoran oslanjati se samo na introspekciju i manje uzorke. Konkretna analiza pojedinih jezičnih oblika s konkretnim mjerenjem učestalosti neke pojave i njezinih odstupanja može pomoći promatraču da otkrije i još neka neuočena svojstva istraživanog jezičnog segmenta. Korpusni lingvisti bave se stvaranjem i održavanjem korpusa.

Povijest Povijest korpusne lingvistike može se podijeliti na razdoblje rane korpusne lingvistike (iako je to u ovome slučaju anakronizam), razdoblje između 1950-ih i 1980-ih, kada je korpusna lingvistika bila u manjoj mjeri korištena metoda, ali je polako nastajala nakon što je Zellig Harris 1951. proglasio korpus jedinim legitimnim predmetom lingvističkog istraživanja, i razdoblje procvata korpusne lingvistike od 1980-ih do danas.

Prva istraživanja koja se mogu okarakterizirati korpusnima nastaju u nekoliko područja jezikoslovlja. U ispitivanju usvajanja jezika istraživači su često vodili dnevnike prateći kako djeca razvijaju jezične sposobnosti. Tada su se provodile i longitudinalne studije te druge vrste prikupljanja podataka. Važnost korpusa posebno se isticala u lingvističkoj teoriji distribucionalizma koja se razvijala u SAD-u. Ulogu su korpusi našli i u poučavanju jezika. Među istraživanjima toga vremena ističe se Häufigkeitswörterbuch der deutschen Sprache Johannesa Kädinga iz 1897.; riječ je o čestotnome rječniku njemačkoga jezika s više od 11 milijuna riječi koji je nastao u potpunosti manualno radi istraživanja frekventnosti slova i sljedova slova.

Preokret u korpusnim istraživanjima događa se s pojavom djela Noama Chomskoga i generativne gramatike, struje nastale na njegovim djelima. Chomsky fokus pomiče s empirizma na racionalizam, to jest smatra da je u istraživanju jezika najvažnija introspekcija istraživača. Korpusi pokazuju samo performance (rezultate), a ne competence (čovjekovu mogućnost tvorbe rečenica koje su gramatički ovjerene, to jest prihvatljive drugim govornicima). Kako je cilj lingvistike da otkrije upravo te unutarnje mehanizme, nema smisla proučavati korpus. Osim toga, na performance utječu razni vanjski čimbenici kojih nema pri introspekciji, a po Chomskome većina je rečenica u korpusu i tako neovjerena. Nadalje, s obzirom na to da su korpusi bili maleni, postojala je šansa da to poremeti distribuciju nekih oblika, pa strukture koje su inače rijetke igrom slučaja u korpusu postanu česte.

S promjenom fokusa lingvistike korpusna istraživanja gube na važnosti, ali nisu nikada u potpunosti napuštena. U ono su doba računalni korpusi bili manje iskoristivi jer računalne tehnologije još nisu bile razvijene i veliki korpusi poput suvremenih zahtijevali bi previše vremena i sredstava da bi bili korisni. Međutim, bili su nužni u fonetici i istraživanju usvajanja jezika. Alphonse Juiland u svojem je radu na tzv. mehanolingvistici uspostavio razne metodološke obrasce. Upravo u to vrijeme nastaje prvi računalni korpus s milijunom riječi (Brown korpus, 1967.).

Od 1980-ih korpusna lingvistika počinje se ponovno razvijati. Za njom posežu lingvističke struje koje su se razvile u otklonu na odbacivanje uporabe korpusa generativista. Potpomognuo ju je razvoj računala. Iako su neke kritike koje je uputio Chomsky bile opravdane, korpusi su se ipak pokazali vrlo korisnima zbog empirične potvrde koju daju. Osim toga, podaci o frekventnosti mogu se izvući samo iz njega. Rečenice u korpusu ipak su ovjerene i čine veliku građu za jezična istraživanja.

Za razvoj moderne korpusne lingvistike zaslužni su razni istraživači, između ostalog John Sinclair.Gena R. Bennett: Using Corpora in the Language Learning Classroom. University of Michigan Press

Korpus mini|Primjer konkordancije u engleskome korpusu na Sketch Engineu (KWIL).

Korpus nije samo zbirka tekstova, nego zbirka odsječaka teksta odabranih po nekom specifičnom i eksplicitnome lingvističkom kriteriju te čine jezični uzorak. Tekstni odsječak pritom označuje dijelove teksta dovoljno velike da čine uzorak. Danas je većina korpusa računalna, to jest uspostavljena je i usustavljena tako da se mogu čitati i obrađivati na računalu.

Korpusi imaju vremenski raspon (koje se vremensko razdoblje uzima u obzir pri izradi) i opseg (veličinu, broj riječi, to jest pojavnica). Danas većina korpusa ima više od milijun pojavnica, tako da, primjerice, Hrvatski nacionalni korpus v3.0 ima preko 100 milijuna riječi.

Iz korpusa se mogu izvući podaci o prisutnosti riječi (evidencija), njihove frekvencije i relacije s drugim riječima, izvlače se popisi riječi, grafema, kombinacijâ riječi...

U korpusu se najčešće pretražuju konkordancije, riječi s njihovim kotekstom (sic!), to jest okolinom. Pritom postoje prikazi KWIC (Keyword in Context), gdje se riječ (stožernica) pojavljuje u sredini okružena lijevom i desnom okolinom, te KWAL (Keyword and Line).

Frekvencija je vrlo važan podatak koji se može pronaći u korpusu. Pritom se može raditi o apsolutnoj (broj pojavnica) ili relativnoj frekvenciji (postotku, promilu ili, najčešće, broju pojavnica na milijun riječi korpusa). Za proučavanje kolokacija (kombinacija dviju riječi) rabe se razne metode poput t-scorea.

Vrste korpusa Korpusi mogu imati razne svrhe i stoga i različite oblike. S obzirom na to koji dio jezika pokriva može biti općejezični korpus ili specijalizirani korpus (određeno polje, sociolekt, dijalekt..).

Osim toga, korpus može biti jednojezičan ili višejezičan. Pritom višejezični korpusi mogu biti usporedni (parallel corpora), gdje je riječ o istome tekstu: izvorniku i prijevodu na drugi jezik, ili usporedivi (comparable) gdje je riječ o različitim tekstovima (ova se vrsta korpusa razvila zato što je otkriveno da jezične konstrukcije koje se pojavljuju u prijevodima nisu jednake onima koje se pojavljuju u uobičajenome jeziku).Belinda Maia. What are comparable corpora?. Faculdade de Letras da Universidade do Porto. 2003.

Po opsegu korpusi mogu biti maleni, srednji ili veliki. Srednji korpusi imaju više od milijun, a veliki više od 100 milijuna riječi.

Napokon, mogu biti otvoreni ili zatvoreni, a postoji i tzv. monitor corpus gdje se sadržaj konstantno dodaje tako da se korpus kreće kroz vrijeme i pokazuje promjenu jezika s vremenom.

Izrada korpusa Pri izradi korpusa u obzir treba uzeti koji će se tekstovi odabrati. Nadalje se treba odabrati uzorak koji će predstavljati jezik u cjelini. Vrlo je rijetko moguće napraviti korpus koji uključuje čitav poznati opus jezika ili varijeteta (moguće je ako se, primjerice, radi o izumrlome jeziku ili korpusu nekog vrlo usko određog područja, kao što je određeni pisac). Stoga se odabiru uzorci koji najbolje predstavljaju jezični varijetet. Potrebno je odlučiti o opsegu i rasponu korpusa, to jest kolika je ciljana veličina te koje će se razdoblje uzeti u obzir.

Korpusi danas najčešće uključuju i dodatne informacije o riječima u njima. Provodi se obilježavanje korpusa. Pritom se jezični i nejezični podaci ekspliciraju. Obilježavanje se provodi raznim formatima, primjerice XML-om.

Uz svaki odsječak mogu se navesti izvor, autor i izvorni oblik teksta (primjerice, odlomci). Od jezičnoga obilježavanja provode se segmentacija na rečenice i pojavnice (individualne riječi kako se pojavljuju u tekstu), označivanje po vrstama riječi (POS tagging), lematizacija, označivanje morfosintaktičkih kategorija (MSD tagging), sintaktičko obilježavanje (parsanje; sintaktički označeni korpusi nazivaju se bankama stabala), semantičko, diskursno, prozodijsko obilježavanje i tako dalje.Stefan Th. Gries i Andrea L. Berez. Linguistic Annotation in/for Corpus Linguistics. Pristupljeno 21. lipnja 2026.

Hrvatski korpusi mini|230px|Grafikon frekvencije upotrebe pokazuje da se u 30–milijunskom hrvatskom korpusu riječ eto znatno više koristi u pisanom jezikuMeđu hrvatskim korpusima ističe se Hrvatski nacionalni korpus, koji se počeo sastavljati od 1998., a trenutačno se pri Sketch Engineu nalazi njegova treća verzija. Bio je slobodno pretraživ u mrežnom izdanju od 1999.

Postoje i Hrvatski jezični korpus Instituta za hrvatski jezik i jezikoslovlje (Riznica), Hrvatski mrežni korpus (hrWaC), Hrvatska ovisnosna banka stabala (HOBS) i razni drugi jednojezični korpusi među kojima se nalaze i neki stariji, primjerice Jednomilijunski korpus hrvatskoga književnog jezika (tzv. Mogušev korpus), koji se počeo prikupljati 1976., a rezultirao je Hrvatskim čestotnim rječnikom (Moguš, Bratanić, Tadić).

Postoje i neki višejezični korpusi kao Hrvatsko-engleski mrežni korpus (hrenWaC).

Izvori

Kategorija:Jezikoslovlje Kategorija:Obrada podataka