Корпус сучасної американської англійської мови (COCA) — це корпус, який містить близько одного мільярда слів сучасної американської англійської мови. Його створив Марк Девіс, професор корпусної лінгвістики Університету Брігама Янга. COCA має низку індивідуальних особливостей: величезний розмір корпусу, актуальні для сьогодення тексти (до 2019 року), великий асортимент жанрів текстів та зручний швидкий пошук, який надає можливість фільтрувати за жанрами та часом, а також порівнювати. Ще він відрізняється тим, що видає одразу 60 000 слів у корпусі і велику кількість інформації для кожного слова, зокрема частоту, визначення, синоніми, записи в мережі WordNet, пов'язані теми, конкорданси, асоціації, вебсайти, які мають слово із запиту як ключове, та рядки з KWIC чи конкордансу.

Усі ці риси допомагають Корпусу сучасної американської англійської мови бути корисним у користуванні для науковців, вчителів, викладачів та учнів.

Зміст Корпус сучасної американської англійської мови (COCA) станом на квітень 2026 року складається з 1 001 610 938 слів. Він постійно поповнюється: у 2009 році там налічувалось понад 385 мільйонів слів; у 2010 році — близько 400 мільйонів слів; до березня 2019 року корпус зріс до 560 мільйонів слів; а до грудня 2019 року ця кількість досягла 1 мільярда слів.

Станом на квітень 2026 року Корпус сучасної американської англійської складається з 485 202 текстів. Згідно з вебсайтом, поточний корпус (квітень 2026 року) містить тексти, які включають 25+ мільйонів слів для кожного року (1990-2019).

Для кожного року, що міститься в корпусі (1990-2019), корпус рівномірно поділений на вісім жанрів: розмовні, художні, академічні тексти, популярні журнали, газети та (з оновленням у березні 2020): телебачення і субтитри до фільмів, блоги та інші вебсторінки. Спочатку реєстрів було 6, та станом на квітень 2026 COCA також налічує 125 496 215 слів із блогів і 129 899 426 слів із вебсайтів, що робить його корпусом, який справді складається з сучасної американської англійської мови (див. сторінку «Тексти та реєстри» на сайті COCA).

Тексти беруться з різноманітних ресурсів:

Розмовні: 127 396 916 слів. Стенограми розмов без сценарію з більш ніж 150 різних теле- та радіопрограм (наприклад: All Things Considered (NPR), Newshour (PBS), Good Morning America (ABC), Today Show (NBC), 60 Minutes (CBS), Hannity and Colmes (Fox), Jerry Springer тощо). Художня література: 119 505 292 слова. Короткі оповідання та п’єси з літературних журналів, дитячих журналів, популярних журналів, перші розділи книг перших видань з 1990 року по теперішній час та кіносценарії. Популярні журнали: 127 352 014 слів. Близько 100 різних журналів із гарним поєднанням (загалом і за роками) окремих галузей (новини, здоров'я, дім і садівництво, жінки, фінанси, релігія, спорт тощо). Декілька прикладів: Time, Men’s Health, Good Housekeeping, Cosmopolitan, Fortune, Christian Century, Sports Illustrated тощо. Газети: 122 959 393 слова. Десять газет зі всієї території США, зокрема: USA Today, New York Times, Atlanta Journal Constitution, San Francisco Chronicle тощо. У більшості випадків газета добре поєднує різні розділи, такі як місцеві новини, думки, спорт, фінанси тощо. Академічні журнали: 120 988 348 слів. Майже 100 різних рецензованих журналів, які були відібрані, щоб охопити весь діапазон системи класифікації Бібліотеки Конгресу (наприклад, певний відсоток з B (філософія, психологія, релігія), D (всесвітня історія), K (освіта), T (технології) тощо), як загалом, так і за кількістю слів на рік. ТБ/субтитри фільмів: 128 012 334 слова. Вони походять з американської частини корпусів телепередач та фільмів. Ці субтитри є такими ж неформальними (або більш неформальними), як і фактичні розмовні дані. Тексти були взяті з колекції OpenSubtitles. У випадках, коли для певного епізоду було кілька файлів субтитрів (що було нормою), використовували файл з «найвищим рейтингом» з точки зору точності (за рейтингами OpenSubtitles). Потім зіставили кожен епізод (і серіал) з відповідною сторінкою з IMDB, яка надає багаті метадані для цих телешоу (і які можна використовувати для створення власного віртуального корпусу).

Блоги: 125 496 215 слів. Ці тексти репрезентують підмножину текстів із США в корпусі GloWbE. На той час Google дозволяв обмежувати пошук блогами, тому майже всі ці тексти насправді є блогами. Вебсторінки: 129 899 426 слів. Вони представляють підмножину «загальних» текстів зі Сполучених Штатів у корпусіGloWbE. Деякі з них є блогами, оскільки на той час неможливо було шукати "НЕ блоги" в Google. Як блоги, так і загальні вебсторінки були згодом класифіковані Сержем Шароффом, щоб у COCA можна було обмежити пошук певним вебжанром.

Доступність Корпус сучасної американської англійської мови є безкоштовним для пошуку за допомогою свого вебінтерфейсу. Користувачам потрібно лише зареєструватися, це дозволить здійснювати обмежену кількість запитів на день.

Запити

Інтерфейс такий самий, як інтерфейс BYU-BNC для Британського національного корпусу (який містить 100 мільйонів слів), корпусу журналу TIME (100 мільйонів слів) і *Historical* American English (COHA) (400 мільйонів слів) станом на 1810-2000-ні роки.

Запити можна робити за словом, фразою, альтернативами, підрядком, частиною мови, лемою, синонімами та налаштованими списками. Корпус позначений тегами CLAWS, тією ж системоючастин мови, що використовувалася для BNC і корпусу TIME. Діаграми (які містять загальні відомості для всіх відповідних форм у кожному жанрі (піджанрі) або році (доступні від 1990 року дотепер) та списки таблиць (які відображають частоту для кожної відповідної форми в будь-якому доступному жанрі чи році). Повний пошук колокацій (до десяти слів ліворуч і праворуч від слова-вузла). Конкорданси, які можна повторно сортувати, показують найпоширеніші (спільні) слова/рядки ліворуч і праворуч від шуканого слова.

Порівняння між жанрами або періодами часу (наприклад, словосполучення зі словом «chair» (крісло, стілець) частіше використовуються у художній чи академічній літературі; іменники з дієсловом «break the [N]» (зламати + ім.) — у газетах чи академічних розділах; прикметники — у спортивних журналах, або дієслова, які є більш поширеними у 2005–2010 роках, ніж раніше). Одноетапне порівняння колокацій споріднених слів, щоб вивчити семантичні або культурні відмінності між ними (наприклад, порівняння колокацій 'small' (малий), 'little' (маленький), 'tiny' (крихітний), 'miniscule' (мініатюрний), 'lilliputian' (ліліпут); або 'Democrats' (демократи) та 'Republicans' (республіканці); або 'men' (чоловіки) та 'women' (жінки)). Користувачі можуть включати семантичну інформацію з тезаурусу на 60 000 записів безпосередньо як частину синтаксису запиту (наприклад, синоніми слова 'beautiful' (красивий), 'strong' (сильний) частіше використовують у ТБ/субтитрах фільмів та художній літературі, але не в академічній).

Корисним також є список із найпопулярніших 60 000 слів (лем), який містить багато інформації про кожне. Якщо слово знаходиться на ~ 5000-му місці, то воно є частовживане, якщо на ~ 25 000-му — середньовживане, і якщо на ~ 45 000-му — рідковживане. Для кожного слова користувач може послухати правильну вимову, подивитись відео з ним у контексті, знайти пов'язані картинки в Google Images та перекласти на потрібну мову. Корпус надає можливість шукати у 60 000-му списку слова за вимовою; це є дуже зручно через складність написання англійських слів (наприклад, під час пошуку двоскладового слова з наголосом на другому складі 'away' ми отримуємо в результаті слова, які римуються із заданим: 'today' - 'suvey' - 'display'...). Крім цього, користувачі можуть створювати свої «індивідуальні» списки слів, а потім повторно використовувати їх як частину наступних запитів (наприклад, списки, пов’язані з певною семантичною категорією (одяг, їжа, емоції) або визначеною користувачем частиною мови). Зверніть увагу, що корпус доступний лише через веб-інтерфейс через обмеження авторських прав. Пов'язані Корпус Global Web-based English (GloWbE; вимовляється 'globe' [glowb]) містить близько 1,9 мільярда слів з текстів різних двадцяти країн. Це робить його приблизно в 100 разів більшим за інші корпуси, як-от Міжнародний корпус англійської мови, і дозволяє здійснювати багато типів пошуку, які були б неможливі в іншому випадку. На додаток до цього онлайн-інтерфейсу ви також можете завантажити повнотекстові дані з корпусу.

Корпус Global Web-based English унікальний тим, що дозволяє проводити порівняння між різними видами англійської мови та пов'язаний з багатьма іншими корпусами.

Дивись також

Американський національний корпус Британський національний корпус Банк англійської мови Браунівський корпус Міжнародний корпус англійської мови Міжнародний корпус вивчення англійської мови Корпус розмовної англійської мови Оксфордський корпус англійської мови Корпус української мови

Бібліографія

Посилання

Зовнішні посилання