Bohemistyka 2008, nr 1 4, ISSN

Transkrypt

1 Bohemistyka 2008, nr 1 4, ISSN Dariusz TKACZEWSKI Katowice Ostrawa Czy tego chcemy, czy nie, stajemy siê spo³eczeñstwem informatycznym w coraz wiêkszym zakresie. Licz¹ca sobie prawie 30 lat globalna sieæ Internetu to nie tylko nieprzebrany informator (strony www, Ÿród³o wiedzy o œwiecie i ludziach w prawie wszystkich jêzykach), natychmiastowy komunikator (korespondencja za poœrednictwem ³¹cznoœci mailowej i programów typu Gadu-Gadu), to jakby wszechobecny makler, urzêdnik bankowy czy sprzedawca sklepowy. Internet powoli staje siê tez skutecznym i zawsze podrêcznym nauczycielem, konsultantem oraz stra nikiem standardu i poprawnoœci jêzykowej wielu jêzyków nowo ytnych, w tym wspó³czesnej czeszczyzny. Z biegiem czasu coraz wiêksz¹ popularnoœci¹ wœród u ytkowników jêzyków narodowych dbaj¹cych o ich poprawnoœæ staj¹ siê s³owniki internetowe, czyli odpowiednie witryny/strony www. przejmuj¹ rolê purystycznych s³owników jêzyka wspó³czesnego (poprawnego jêzyka, ortograficznego, frekwencyjnego, a tergo itp.). Takie leksykony wirtualne uzupe³niaj¹ te klasyczne s³owniki w formie ksi¹ ki i multimedialnej p³yty CD, unowoczeœniaj¹ metody konsultacji jêzykowej oraz dostêpu do standardu jêzykowego, poprzez mo liwoœæ weryfikacji danej jednostki jêzykowej natychmiast, w czasie rzeczywistym, on line. W odniesieniu do jêzyka wspó³czesnego zw³aszcza potocznego i mówionego rolê tak¹ w coraz wiêkszej mierze pe³ni¹ równie tzw. narodowe korpusy jêzykowe, doskonale dokumentuj¹ce te p³aszczyzny stylistyczne jêzyków ogólnonarodowych. W cyberprzestrzeni Internetu dzia³a obecnie ponad 30 korpusów, z tego a 15 korpusów jêzyków s³owiañskich w tej liczbie dwa polskie (IPI PAN!, Korpusu Èeský národní korpus internetowe Ÿród³o standaryzacji i weryfikacji jêzyka czeskiego oraz nowoczesne narzêdzie dydaktyczne Wœród korpusów jêzyków nies³owiañskich mo na wymieniæ: British National Corpus (najstarszy), Collins Cobuild - The Bank of English, Lietuviø kalbos tekstynas, Magyar Nemzeti Szövegtár, AC/DC Portuguese corpora, American National Corpus, WordNet, SUSANNE Corpus, The Penn Treebank Project, IDS - Korpora der geschriebenen Sprache, Thesaurus Indogermanischer Text- und Sprachmaterialien TITUS, EESTI ÕIGUSAKTID (Korpus estoñskich tekstów prawniczych), The Corpus of Spoken Israeli Hebrew, Negr@ corpus (Syntactically Annotated Corpus of German Newspaper Texts), SPRÅKBANKEN (En språklig referensdatabas vid Göteborgs universitet). Korpusy narodowe jêzyków s³owiañskich: Slovenský národný korpus, Korpus DIALOG 0.1 ÚJÈ AV ÈR, Korpus IPI PAN, Korpus Jêzyka Polskiego Wydawnictwa Naukowego PWN, Korpus slovenskega jezika FIDA, beseda Besedilni korpus na Inštitutu za slovenski jezik Frana Ramovša ZRC SAZU, nova beseda, Korpus bosanskih tekstova na Univerzitetu u Oslu, Corpus of Serbian Language, Bulgarian Treebank, Corpus Cyrillo-Methodianum Helsingiense An Electronic Corpus of Old Church Slavonic Texts, Russian Corpora in Tübingen, Íàöèîíàëüíûé êîðïóñ ðóññêîãî ÿçûêà, Êîìïüþòåðíûé êîðïóñ òåêñòîâ ðóññêèõ ãàçåò êîíöà ÕÕ-îãî âåêà, Upper Sorbian Text Corpus Hornjoserbski tekstowy korpus.! K o r p u s I P I P A N jest du ym (obecnie ponad segmentów), anotowanym morfosyntaktycznie, publicznie dostêpnym korpusem jêzyka polskiego, stworzonym przez Zespó³ In ynierii Lingwistycznej w Instytucie Podstaw Informatyki PAN (IPI PAN), w ramach projektów Komitetu Badañ Naukowych oraz w ramach badañ statutowych IPI PAN. Teksty wchodz¹ce w sk³ad Korpusu IPI PAN s¹ dostêpne w postaci binarnej, umo liwiaj¹cej ³atwe i efektywne przeszukiwanie za pomoc¹ dedykowanego oprogramowania o nazwie Poliqarp. [...] Wszystkie zasoby wymienione poni ej, z wyj¹tkiem Korpusu S³ownika frekwencyjnego..., dostêpne s¹ obecnie na zasadach opisanych w niniejszej umowie licencyjnej, bezp³atnie. [...] 2. w y d a n i e K o r p u s u I P I P A N (marzec 2006): próbka Korpusu IPI PAN dostêpna na stronie ponad 30 mln. segmentów. Podobnie jak to mia³o miejsce w wypadku wydania 1., niniejsza wersja sample jest korpusem ró norodnym o nastêpuj¹cym sk³adzie: proza wspó³czesna: ponad 10%, proza dawna: prawie 10%, teksty ksi¹ kowe niebeletrystyczne (g³ównie naukowe): 10%, prasa: 50%, stenogramy sejmowe i senackie (w tym z komisji œledczej): 15%, ustawy: 5%. K o r p u s s a m p l e jest korpusem ró norodnym, choæ byæ mo e nie zas³uguj¹cym na miano reprezentatywnego, zawieraj¹cym nastêpuj¹ce rodzaje tekstów: proza wspó³czesna: 10%, proza dawna: 10%, nauka: 10%, prasa: 50%,

2 Jêzyka Polskiego PWN " ) i dwa korpusy czeskie (ÈNK, Korpus DIALOG 0.1 # ). stenogramy sejmowe i senackie (w tym z komisji œledczej): 15%, ustawy: 5%. Wszystkie teksty, z wyj¹tkiem prozy dawnej i nielicznych fragmentów prozy wspó³czesnej, pochodz¹ z ostatnich 15 lat. Proza dawna to przede wszystkim dzie³a z koñca XIX w. i pocz¹tku XX w. Jej obecnoœæ w korpusie uzasadniona jest obecnoœci¹ takiej prozy w œwiadomoœci zbiorowej Polaków za poœrednictwem lektur szkolnych i ekranizacji. f r e k. b i n. t a r. b z 2 kolejna wersja korpusu S³ownika frekwencyjnego polszczyzny wspó³czesnej (Kurcz, Lewicki, Sambor, Szafran, Woronczak 1990, Instytut Jêzyka Polskiego PAN, Kraków). Korpus ten zosta³ stworzony w latach 60. ubieg³ego stulecia i zawiera pó³ miliona s³ów po 100 tys. s³ów z: tekstów popularnonaukowych, drobnych wiadomoœci prasowych, tekstów publicystycznych, prozy artystycznej oraz dramatu artystycznego. Wzbogacona postaæ tego korpusu, zwana Wzbogaconym Korpusem S³ownika Frekwencyjnego, dostêpna jest na prawach Powszechnej Licencji Publicznej GNU na stronie Wiêcej informacji o kolejnych wersjach korpusu mo na znaleÿæ w artykule dostêpnym ze strony edu.pl/~jsbien/mo/jwp03/ ( Dla pe³noœci obrazu w³aœciwym wydaje siê wyjaœnienie terminu k o r p u s $. Dopiero 9 znaczenie tego wyrazu wg SJP PWN % spe³nia nasze wymogi: teksty, dane itp. zgromadzone ze wzglêdu na sw¹ reprezentatywnoœæ, stanowi¹ce podstawê do analizy naukowej. Mo- na doprecyzowaæ to znaczenie w interesuj¹cym nas sensie lingwistycznym jest to zespó³ udokumentowanych dowodów autentycznego " Wydawnictwo Naukowe PWN przygotowa³o i udostêpni³o sieciow¹ wersjê K o r p u s u J ê z y k a P o l s k i e g o P W N wielkoœci s³ów. Korpus sk³ada siê z fragmentów 386 ró nych ksi¹ ek, 977 numerów 185 ró nych gazet i czasopism, 84 nagranych rozmów, 207 stron internetowych oraz kilkuset ulotek reklamowych. Pe³na wersja sieciowa korpusu jest dostêpna odp³atnie, a bezp³atnie wersja demonstracyjna wielkoœci ponad 7,5 miliona s³ów. [...] Korpus to dowolny zbiór tekstów, w którym czegoœ szukamy. O korpusach w tym znaczeniu mówi¹ najczêœciej jêzykoznawcy, ale tak e archiwiœci, historycy i informatycy. Korpus tekstów polskich to fragment s³ownikowej kuchni, czyli autentyczny materia³ jêzykowy, na którego podstawie opisujemy znaczenia s³ów i konstrukcji. Zrównowa enie korpusu jest równie wa ne jak jego wielkoœæ. Drobne fragmenty tekstów korpusu s¹ zamieszczane w postaci pojedynczych zdañ w s³ownikach jako przyk³ady ilustruj¹ce znaczenia. [...] Nasz korpus sk³ada siê z tekstów ksi¹ ek, czasopism, druków ulotnych i akcydensowych (np. reklam, instrukcji obs³ugi, regulaminów, ulotek wyborczych), stron internetowych oraz tekstów mówionych. Teksty ksi¹ ek staramy siê pozyskiwaæ od wydawców w wersji elektronicznej, pytaj¹c przy tym o zgodê autorów. Wspó³czesne teksty prasowe przegrywamy z wydañ internetowych lub otrzymujemy od redakcji. Starsze teksty prasowe, rzadko wznawiane ksi¹ ki oraz druki ulotne skanujemy. Teksty mówione nagrywamy bezpoœrednio (za zgod¹ mówi¹cych) lub z radia i telewizji, po czym przepisujemy. Stosujemy w nich tradycyjn¹ ortografiê (nie alfabet fonetyczny), ale zachowujemy wszystkie powtórzenia i przejêzyczenia. [...] Przygotowuj¹c materia³ do korpusu internetowego, wybieraliœmy losowo fragmenty ksi¹ ek i czasopism z ró nych dziedzin wielkoœci mniej wiêcej jednego arkusza ( znaków, czyli oko³o wyrazów), za³o ywszy uprzednio strukturê tematyczn¹. Korpus internetowy dostêpny jest w dwóch wersjach: demonstracyjnej i pe³nej wersji sieciowej, ró ni¹cych siê od siebie liczb¹ próbek tekstowych oraz proporcj¹ Ÿróde³ (www. korpus.pwn.pl, # Projekt lingwistyczny K o r p u s D I A L O G to specjalistyczny korpus czeszczyzny mówionej. Prace nad nim rozpoczêto w roku 1997, gdy uruchomiono interdyscyplinarny projekt grantowy na lata pt. Dialog w œwiecie ludzi i maszyn (Dialog ve svìtì lidí a strojù). Zawiera wypowiedzi publiczne typu dialogowego (wywiad, dyskusja, debata, polemika, talkshow) i obejmuje on zapisy ok. 360 programów dyskusyjnych publicznej i komercyjnych telewizji czeskich (np. Sedmièka, Nedìlní partie, Na plovárnì s..., Krásný ztráty). Wielkoœæ korpusu szacowana jest na wyrazów. Korpus s³u y do badañ nad czeskim jêzykiem mówionym, do opisu stanu jego wersji publicznej oraz do œledzenia jego tendencji rozwojowych. Wykorzystywany jest tak e do rozwoju teorii wypowiedzi, dialogu i dyskursu. Dla szerokiej publicznoœci internetowej zosta³a udostêpniona jego kolejna wersja K o r p u s D I A L O G Korpus ten powsta³ na bazie Instytutu Jêzyka Czeskiego Akademii Nauk RCz (ÚJÈ AN ÈR) w ramach projektu grantowego Agencji Grantowej AN RCz (GA AV ÈR) pt. Czeski jêzyk mówiony w dyskusyjnych programach telewizyjnych (Mluvená èeština v televizních diskusních poøadech ). Projekt ten by³ realizowany we wspó³pracy z Instytutem Lingwistyki Formalnej i Stosowanej Wydzia³u Matematyczno-Fizycznego Uniwersytetu Karola w Pradze (ÚFAL M-FF UK). W projekcie tym uczestniczyli doœwiadczeni badacze wspó³czesnego jêzyka czeskiego: Svìtla Èmejrková, Lucie Jílková, Petr Kaderka, Jana Klímová, Kamila Mrázková, Zdeòka Svobodová) oraz Nino Peterek (autor rozwi¹zañ technicznych projektu). Korpus dzia³a w oparciu o menad er obs³ugi Manatee/Bonito opracowany przez Wydzia³ Informatyki Uniwersytetu Masaryka (FI MU) w Brnie. Zasoby korpusu DIALOG 0.1 obejmuj¹

3 u ycia jêzyka naturalnego, rozleg³y zespó³ elektronicznych tekstów celowo zgromadzony jako referencyjne Ÿród³o dla naukowej analizy jêzyka. Rozbudowuj¹c powy sze znaczenie: k o r p u s j ê z y k o w y to bardzo rozleg³y kompleks tekstów jêzyka naturalnego, którego powstanie i dalsze u ywanie mo liwe jest za pomoc¹ komputera. Jest to zazwyczaj bardzo bogaty i skomplikowany system tekstów umo liwiaj¹cy bardzo wydajn¹ metodê analizy jêzykoznawczej nowej generacji. Zastosowanie korpusu jest pewnego rodzaju radykalnym prze- ³omem w lingwistyce, którego pok³osiem sta³o siê powstanie lingwistyki korpusowej. Korpus stanowi kompleks komputerowo zapisanych tekstów w wypadku jêzyka mówionego jest nim zapis (a nawet transkrypcja) nagrañ wypowiedzi stanowi¹cych bazê do dalszych badañ jêzykowych. Do aktywnego korzystania z jego zasobów s³u y specjalny program wyszukuj¹cy. Przy jego u yciu mo na wyszukiwaæ wyrazy i konstrukcje wyrazowe w kontekœcie. Dodatkowo mo - zapisy programu dyskusyjnego Sedmièka (7 èili Sedm dní) prywatnej telewizji komercyjnej NOVA z lat Korpus obejmuje 2 wersje: 1) wersja nieopracowana morfologicznie zawieraj¹ca 10 zapisów o wielkoœci wyrazów (opcje: ca³oœæ, poszczególne programy, wyszukiwanie), 2a) wersja rêcznie opracowana (zrewidowana) morfologicznie zawieraj¹ca 5 zapisów o wielkoœci wyrazów, 2b) wersja maszynowo opracowana (zrewidowana) morfologicznie zawieraj¹ca 9 zapisów z mo liwoœci¹ rozszerzonego wyszukiwania, ods³uchu przyk³adów dÿwiêkowych oraz wizualizacjê krzywej F0 (opcje: zapis z dÿwiêkiem, przeszukiwanie zapisu z dÿwiêkiem). Wiêcej informacji: oddeleni/index.php? page=dialog. $ Korpus zestaw tekstów jêzykowych zebrany w celu badania jego systemu lub podsystemu (Encyklopedia jêzykoznawstwa ogólnego 1999, s. 319). % Znaczenie wyrazu korpus (od ³ac. corpus cia³o ) podajê za internetowym S³ownikiem jêzyka polskiego PWN: 1) cia³o cz³owieka lub zwierzêcia oprócz g³owy i koñczyn; 2) zasadnicza czêœæ czegoœ; 3) g³ówna czêœæ budowli; 4) w architekturze pa³acowej: centralna czêœæ budynku; 5) w architekturze sakralnej: nawowa czêœæ koœcio³a; 6) g³ówna czêœæ, na której oparta jest ca³oœæ jakiegoœ urz¹dzenia, przyrz¹du itp.; 7) jednostka taktyczna sk³adaj¹ca siê z kilku dywizji lub brygad; 8) grupa o³nierzy maj¹cych taki sam stopieñ wojskowy; 9) teksty, dane itp. zgromadzone ze wzglêdu na sw¹ reprezentatywnoœæ, stanowi¹ce podstawê do analizy naukowej ( na okreœliæ ich frekwencjê w korpusie oraz pierwotne Ÿród³o tekstowe. W dalszej kolejnoœci mo liwa jest dalsza obróbka (analiza) znalezionych hase³, np. porz¹dkowanie alfabetyczne czy te w wypadku niektórych korpusów ekscerpcja wed³ug przyjêtych kryteriów, np. rodzajów wyrazów. Opracowanie korpusowe jêzyka mówionego polega na stworzeniu dostêpnych Ÿróde³ referencyjnych tego typu komunikacji werbalnej, co czêsto jest trudne i skomplikowane, gdy jêzyk mówiony jak polszczyzna tak i jêzyk czeski z filogenetycznego i ontogenetycznego punktu widzenia jest prymarn¹ form¹ komunikacji jêzykowej i w rzeczywistoœci (praktyce codziennej) uczestniczy w niej a w 90% &. Tworzenie tego typu wzorcowych zbiorów leksyki i struktur leksykalnych a w konsekwencji obowi¹zuj¹cych standardów jêzykowych poprzez zbieranie i obróbkê materia³u jêzykowego, udostêpnianie zawsze i wszêdzie oraz wykorzystanie wyników do innych badañ lingwistycznych (np. frekwencja jednostek leksykalnych, psycholingwistyka, socjolingwistyka, itp.) i celów pragmalingwistycznych (np. tworzenie i redakcja podrêczników jêzyka, rozmówek itp.), staje siê dzia³aniem powszechnym tak e w zakresie jêzyków s³owiañskich. W wielu oœrodkach jêzykoznawczych budowane s¹ ró ne typy elektronicznych korpusów jêzykowych w zale noœci od celów badawczych. Z uwagi na ich zakres mo emy wyró niæ k o r p u s y o g ó l - n e i s p e c j a l n e. Typ ogólny staraj¹ siê uchwyciæ jêzyk w jak najpe³niejszym zakresie i pe³ni, s³u y do tworzenia s³owników. Typ specjalny obejmuje wê szy zakres wed³ug jakiegoœ przyjêtego kryterium; mo e to byæ korpus autorski (np. korpus dzie³ A. Mickiewicza czy K. Èapka), korpus okreœlonego gatunku lub dzie³a literackiego (np. dramatu romantycznego, Lalki B. Prusa, Przygód dzielnego wojaka Szwejka J. Haška), b¹dÿ korpus danego dialektu (np. œl¹skiego, hanackiego). Z historycznego punktu widzenia tworzone s¹ k o r p u s y s y n c h r o n i c z n e i d i a c h r o n i c z n e pierwsze dokumentuj¹ & Co ciekawe, chyba najpe³niej opracowany i najbardziej reprezentatywny Brytyjski Korpus Narodowy (BNC) posiada najwiêksz¹ reprezentacjê mówionych jednostek jêzykowych, bazuj¹c jedynie na 10% tekstów mówionych

4 jêzyk wspó³czesny, s¹ szeroko u ywane, a z uwagi na Ÿród³a nieocenionym zbiorem informacji o najró niejszych zjawiskach jêzykowych i pozajêzykowych oraz ich wystêpowaniu i u ywaniu w naturalnych kontekstach. Korpusy diachroniczne obrazuj¹ jêzyk starszy, w przeciwieñstwie do synchronicznych oparte bywaj¹ na wzorcach tekstowych o rozpiêtoœci zazwyczaj wyrazów, ich tworzenie jest bardzo pracoch³onne (elektroniczne skanowanie i rêczne przepisywanie tekstów), st¹d ich iloœæ jest znacznie ograniczona. Aspekty sposobu komunikacji uwzglêdniaj¹ k o r p u s y j ê z y k a m ó w i o - n e g o i k o r p u s y j ê z y k a p i s a n e g o. Z uwagi na pierwotnoœæ komunikacji mówionej, redakcja (zestawienie) takich korpusów jest bardzo czaso- i pracoch³onne (w pierwszej kolejnoœci zapis i transkrypcja nagrañ audio, a nastêpnie opracowanie lingwistyczne tekstów). Korpusy jêzyka pisanego bazuj¹ na gotowych tekstach ksi¹ ek, gazet i czasopism najczêœciej w zapisie elektronicznym, jednak i te trzeba poddaæ obróbce formalnej ujednoliciæ format, wyczyœciæ z grafiki i ilustracji oraz anotowaæ, czyli opatrzeæ notkami (danymi lub symbolami) o charakterze identyfikacyjnym (bibliograficznym), strukturalnym (segmentacja tekstów ci¹g³ych na rozdzia³y, akapity, zdania i wyrazy) i lingwistycznym (lematyzacja ', charakterystyka morfologiczna, s³owotwórcza, syntaktyczna i ew. semantyczna ). Te czynnoœci wykonywane s¹ teraz automatycznie przez specjalne oprogramowanie komputerowe, podobnie jak konkordacja zjawisk i form, czyli wystêpowania danej jednostki korpusowej w wybranym (zadanym) ' Lematyzacja (od grec. lémma, lémmatos twierdzenie ) to has³owanie przy maszynowym przetwarzaniu jêzyka naturalnego. [ ] W leksykografii przyporz¹dkowanie jednostkom tekstowym nazw jednostek (hase³) opisywanych w s³owniku, czyli w istocie napisów s³u ¹cych do wprowadzania ich do s³ownika. W wypadku najczêstszym has³owanie polega na przypisywaniu s³owu tekstowemu formy podstawowej leksemu opisywanego w s³owniku, np. s³owu psa has³a pies [...] (Encyklopedia jêzykoznawstwa ogólnego 1999, s. 234, 336) Tagowanie to przypisanie tzw. tagów, czyli symboli/znaków dodawanych do form wyrazowych, charakteryzuj¹ce je pod wzglêdem gramatycznym i stylistycznym. 369 przez u ytkownika dostatecznym kontekœcie oraz kombinacja wyrazów. Ostatni podzia³ wyró nia korpusy jednojêzykowe i wielojêzykowe (paralelne ), w których wykorzystywane s¹ specjalne programy zestawiaj¹ce (paruj¹ce) tzw. leaners corpora lub aligners, które obydwa zestawy tekstów uk³adaj¹ obok siebie tak, by zdania, wyrazy i ich po³¹czenia w obu jêzykach korespondowa³y ze sob¹. Takie korpusy maj¹ pierwszorzêdne znaczenie w praktyce translacji, gdy proponuj¹ znacznie bogatsz¹ paletê ekwiwalentów t³umaczeniowych wyjœciowego wyrazu, frazeologizmu lub zdania, ni dotychczasowe s³owniki przek³adowe. Niejednokrotnie ich skonfigurowany zasób leksykalny i frazeologiczny stanowi bazê coraz doskonalszych translatorów komputerowych, których sprawnoœæ ekwiwalencji osi¹ga ostatnio nawet 90%. Na prze³omie XX i XXI wieku Uniwersytet Karola w Pradze! i Uniwersytet Masaryka w Brnie oraz Instytut Jêzyka Czeskiego AN RCz (ÚJÈ AV ÈR) sta³y siê bardzo silnymi oœrodkami lingwistyki korpusowej o znaczeniu co najmniej europejskim, o sporym dorobku nie tylko teoretycznym, ale i praktycznym. Du ym osi¹gniêciem jêzykoznawców czeskich jest licz¹cy sobie ju prawie 14 lat elektroniczny (internetowy) Czeski Korpus Narodowy Èeský národní korpus (ÈNK) ", bêd¹cy rozleg³ym grantem akademickim, którego celem jest stworzenie komputerowego korpusu przede wszystkim czeszczyzny Konkordacja (od ³ac. concordia zgoda, jednoœæ ) jest to zestawienie wszystkich elementów danego typu wystêpuj¹cych w danym tekœcie lub korpusie. Elementami takimi bywaj¹ znaki, daty, terminy, zwroty, pojêcia, motywy tematyczne, sentencje, ale najczêœciej s¹ nimi s³owa podane ze swoimi kontekstami. [...] Obecnie konkordacjê sporz¹dza siê najczêœciej na komputerze stosownie do zamówienia badacza z tekstu lub korpusu zapisanego na noœniku elektronicznym (Encyklopedia jêzykoznawstwa ogólnego 1999, s. 310). To typ korpusów zestawiaj¹cych jednakowo treœciowe teksty w ró nych jêzykach tekst rodzimy w s¹siedztwie jego obcojêzycznego przek³adu (przek³adów).! Ojcem projektu i jego duchem sprawczym jest wybitny czeski jêzykoznawca prof. F. Èermák, który zarazi³ pomys³em m³odych badaczy i stworzy³ z nich prê ny zespó³ prowadz¹cy kilka projektów grantowych zwi¹zanych z ÈNK. 370 " Adres internetowy ÈNK: od paÿdziernika 2007 r. równie :

5 # Od marca 2007 roku ÚÈNK ma now¹ siedzibê, pa³ac Platýz na Národní tøídì 37. $ Struktura tego korpusu: teksty publicystyczne 60%, teksty specjalistyczne 25%, teksty beletrystyczne 15%. % SYN2000 w liczbach: wielkoœæ danych 2 GB, iloœæ jednostek tekstowych 3 303, iloœæ struktur zdaniowych , iloœæ wyrazów tekstowych (tokens) , iloœæ ró nych typów pisanej. Projekt ten stanowi prze³om w historii czeskiej lingwistyki, by nie powiedzieæ rewolucjê w podejœciu do badania jêzyka i nawi¹zuje do najlepszych tradycji czeskiego jêzykoznawstwa (np. Pra ský lingvistický krou ek). Opis jêzyka zak³ada mo liwie na najwiêkszym zasobie danych jêzykowych na setkach milionów form wyrazowych, których wystêpowanie i frekwencjê mo e oceniæ za pomoc¹ ró nych metod matematycznych i statystycznych. Zapleczem naukowym ÈNK sta³ siê Instytut Czeskiego Korpusu Narodowego dzia³aj¹cy na Wydziale Filozoficznym Uniwersytetu Karola w Pradze (Ústav Èeského národního korpusu FF UK). # Od swego powstania w roku 1994 zadaniem ÚÈNK jest opracowanie i rozbudowanie ÈNK oraz dzia³ania wspieraj¹ce, szczególnie w dziedzinie badañ i popularyzacji dziedziny lingwistyki korpusowej. Prze- ³omowym osi¹gniêciem tego znacz¹cego i zas³u onego centrum lingwistyki komputerowej i korpusowej jest opracowanie ponad stumilionowego korpusu synchronicznego tekstów pisanych SYN2000 $. W pracach nad ÈNK aktywnie uczestnicz¹ równie lingwiœci i informatycy z prê nego morawskiego oœrodka bohemistycznego Instytutu Jêzyka Czeskiego Wydzia³u Filozoficznego oraz Wydzia³u Informatyki Uniwersytetu Masaryka w Brnie (Ústav èeského jazyka FF MU, FI MU). Pracownia brneñska od samego pocz¹tku aktywnie uczestniczy w czeskich badaniach dot. lingwistyki korpusowej oraz tworzeniu ÈNK, specjalizuj¹c siê redakcji programów komputerowych do automatycznej analizy morfologicznej jêzyka mówionego oraz gromadzi i elektronicznie opracowuje dla potrzeb ÈNK specyficznie trudne teksty, np. wypowiedzi mówione i teksty prywatnej korespondencji. Obydwie placówki opracowa³y dodatkowo korpusy miejskich (regionalnych) odmian jêzyka czeskiego na bazie SYN2000 % : Pra ský mluvený korpus (dzia³a od 2001 roku) a Brnenský mluvený korpus (2002). W placówce praskiej prowadzono tak e prace nad korpusami paralelnymi I n t e r C o r p na lata przyjêto projekt grantowy pt. Èeský národní korpus a korpusy dalších jazykù, którego celem jest zbudowanie paralelnych korpusów synchronicznych dla wiêkszoœci jêzyków obcych studiowanych na UK w Pradze (w planach 28 jêzyków), zawsze dla danego jêzyka i czeszczyzny. Projekt ten ma szersze niekomercyjne cele; w oparciu o zgromadzone dane bêd¹ prowadzone studia teoretyczne z leksykografii, translatologii, metodyki nauczania jêzyków obcych, opracowane zostan¹ komputerowe aplikacje do nauki i przek³adu jêzyków obcych. W fazie pocz¹tkowej poszczególne pracownie filologii narodowych w obrêbie UK stworz¹ pod nadzorem i opiek¹ merytoryczn¹ koordynatora programu korpusy narodowe jêzyków obcych &, które zostan¹ w fazie póÿniejszej scalone i udostêpnione publicznie na centralnym serwerze projektu. Pierwotnie struktura Czeskiego Korpusu Jêzykowego obejmowa³a kilka korpusów synchronicznych: 1) wspomniany ju korpus tekstów pisanych SYN2000 ' (pojemnoœæ 100 mln form wyrazowych); 2) korpus PUBLIC (20 mln, 1/5 ca³oœci leksyki korpusu SYN2000); & Przy komponowaniu korpusów narodowych w projekcie InterCorp wykorzystane zostan¹ nastêpuj¹ce Ÿród³a tekstowe: portale www Unii Europejskiej, dokumenty UE, przepisy prawne UE, projekty Konstytucji Europejskiej i ustaw Traktatów Europejskich (20 jêzyków), SEELRC The Slavic and East European Language Resource Center, Wikipedia, ACQUIS COMMUNAUTAIRE Multilingual Corpus (multijêzykowy korpus na bazie tekstów legislatywnych UE od roku 1950 do wspó³czesnoœci), Multext-East 1984 Corpus, databazeucl.doc (wykaz wolno dostêpnych Ÿróde³ opracowany przez Instytut Literatury Czeskiej AN RCz). ' Na bazie SYN2000 powsta³ korpus FSC2000 i jego wersja drukowana, bêd¹ca s³ownikiem frekwencyjnym jêzyka czeskiego (F. Èermák, M. Køen, Frekvenèní slovník èeštiny, Praha 2004)

6 3) korpusy na CD ROM korpus SYNEK (10 mln, 1/10 leksyki), korpus LITERA (ok. 3 mln, bazuje tyko na dzie³ach literackich); korpus ORWELL (zasoby na bazie powieœci Rok 1984 G. Orwell a); 4) korpusy jêzyka mówionego PMK (Pra ský mluvený korpus, 800 tys. form wyrazowych) i BMK (Brnìnský mluvený korpus, 600 tys.). W paÿdzierniku 2005 roku ÈNK wraz z Czesk¹ Bibliotek¹ Narodow¹ uruchomi³ dla publicznoœci DÈNK (Diachronní slo ky ÈNK), które s¹ dalej rozbudowywane; zasoby tego korpusu obejmuj¹ teksty z ostatnich 700 lat czeskiej literatury (ok form wyrazowych), co roku przybywa ok nowych jednostek. Na bazie DÈNK powsta³ korpus DIAKORP ( do którego w³¹czono równie powsta³e do 1989 roku teksty publicystyczne, specjalistyczne oraz artystyczne (do roku 1944). Prze³omowy dla tego korpusu mo e byæ rok 2008, gdy planowana jest rozszerzona lematyzacja w oparciu o tzw. hiperlemmaty (np. kùò), czyli wszystkie wersje graficzne wystêpowania leksemu bez wzglêdu na jego ró ny historycznie zapis (kóò/kuoò). W latach nastêpnych nast¹pi³y istotne fakty dla bogactwa zasobów i ca³okszta³tu dzia³ania ÈNK, w tym pojawi³y siê kolejne zaktualizowane i unowoczeœnione wersje: styczeñ 2006 SYN2005 (100 mln wyrazów tekstowych tzw. tokens) ; czerwiec 2006 KSK-DOPISY (Korpus korespondencji prywatnej, zawiera zapisy 2 tys. rêcznie pisanych listów z lat , projekt autorstwa ÚÈJ FF MU Brno); lipiec 2006 zakoñczenie pe³nej lematyzacjê i adnotacji SYN2005; listopad 2006 Èeský mluvený korpus ORAL2006 (Czeski korpus jêzyka mówionego, 221 nagrañ z lat o pojemnoœci 1 mln wyrazów); Korpus SYN2005 (w porównaniu z SYN2000) opar³ siê na nieco innej strukturze Ÿróde³: beletrystyka 40%, publicystyka 33%, literatura specjalistyczna 27%. grudzieñ 2006 SYN2006PUB (synchroniczny niereprezentatywny korpus publicystyki pisanej o pojemnoœci 300 mln tokens), styczeñ 2007 Bonito2 ( nowoczesna i wielofunkcyjna przegl¹darka i wyszukiwarka); grudzieñ 2007 dodano Inverse Text Sort (program do wstecznego segregowania zasobów); styczeñ 2008 pojemnoœæ wszystkich zintegrowanych korpusów w ramach ÈNK wynios³a 500 mln form wyrazowych, najnowsza lematyzacja oraz adnotacja morfologiczna (tagowanie). Wspó³czesn¹ strukturê ÈNK ilustruje tabela 1. Tabela 1. Struktura Czeskiego Korpusu Narodowego (Ÿród³o: Czêœæ synchroniczna ÈESKÝ NÁRODNÍ KORPUS Bank synchronicznego jêzyka czeskiego zawiera poprawione i skonwertowane wspó³czesne czeskie teksty oraz przegl¹darkê/wyszukiwarkê korpusow¹ Czeœæ diachroniczna Bank diachronicznego jêzyka czeskiego zawiera teksty staroczeskie z trzech grup; teksty transkrybowane (2 mln wyrazów tekstowych), teksty transliterowane (ok. 100 tys.) i teksty gwarowe (ok. 200 tys.) Korpusy pisane Korpusy mówione Korpus diachroniczny SYN2006PUB SYN2005 SYN2000 FSC2000 KSK-DOPISY SYNEK LITERA ORWELL Korpusy paralelne Projekt InterCorp Praûský mluvený korpus Brnìnský mluvený korpus ORAL2006 Obejmuje wybór tekstów staroczeskich od pierwszych zachowanych zabytków do lat ujêtych w korpusie synchronicznym DIAKORP ÈNK oferuje u ytkownikom szerokie zasoby, a w ich obrêbie dane szczegó³owe:

7 1) typowe (wskazanie: centralne czy marginalne), 2) aktualne (synchroniczne i aktualne), 3) nieselektywne (niefiltrowane wed³ug jakiegoœ klucza lub subiektywnie), 4) obiektywne i realistyczne (Ÿród³a udokumentowane, rzeczywiœcie zapisane), 5) dostateczne (wystarczaj¹co rozleg³e do poznania i opisu danego zjawiska). Pos³uguj¹c siê korpusem mo emy wyszukaæ: 1) konkretn¹ formê wyrazow¹ (wyraz tekstowy z kontekstem); 2) jednostki wielowyrazowe (np. wyra enia przyimkowe, frazelogizmy); 3) leksem lub has³o kluczowe (tzw. Lemmat); 4) czêœci mowy (przymiotnik, symbol/tag: adjektivum = A.* ), 5) kombinacjê czêœci mowy i lemmatu. Najczêœciej wyœwietlane jednostki leksykalne ÈNK (SYN2000): formy wyrazowe: a, se, v, na, je; rzeczownik: rok; przymiotnik: èeský, przys³ówek: už; imiona mêskie: Jan, Jiøí, Václav, Petr, Josef; imiona eñskie: Marie, Jana, Eva, Anna, Hana; czeskie miasta: Praha, Brno, Plzeò, Ostrava, Prostìjov, Olomouc; kraje: ÈR, USA, Nìmecko, Rusko, Slovensko, Francie, Polsko, Itálie; miasta zagraniczne: Moskva, Paøíž, New York, Bratislava, Londýn, Washington, Vídeò, Berlín, Brusel, Øím; godzina: Nietradycyjna kolejnoœæ wystêpowania jednostek wg kryterium frekwencyjnego: liczby: 1, 2, 3, 6, 4, 5, 0, 7, 10, 8, 9; kontynenty: Evropa, Amerika, Afrika, Asie, Austrálie, Antarktida; dni tygodnia: sobota, nedìle, pátek, pondìlí, støeda, úterý, ètvrtek; miesi¹ce: záøí, leden, kvìten, listopad, èerven, øíjen, duben, bøezen, srpen, prosinec, èervenec, únor; lata: 1994, 1995, 1996, 1997, 1993, 1992, 1998,1991, 1990, 1989, 2000, 1999; partie polityczne (skróty): ODS, ÈSSD, ODA, KDU, KSÈM, HZDS, KSÈ; tytu³y naukowe i zawodowe (skróty): Ing., MUDr., JUDr., PhDr., Mgr., RNDr., DrSc., MVDr., ThDr., PaeDr., RSDr., Bc., RCDr. (www. ucnk.ff.cuni.cz/korpus/korpus.html). Najd³u sze czeskie wyrazy: luftwafehilfefrauenfunkršýlerin, riptopolymernerelativistickych, ethylendioxyfenylisopropylamin, èeskomoravskoslezskocikánského, ukrajinskovietnamskolaoskoèeský, technologickoekonomickofinanèní, nikotinamida- Oprócz charakterystyki statystycznej i frekwencyjnej (czêstotliwoœæ wystêpowania jednostki wyrazowej w korpusie czy jêzyku, najpopularniejsze oraz najd³u sze wyrazy czeskie), jest to wspania³e narzêdzie daj¹ce mo liwoœci weryfikacyjne nie tylko specjalistom (jêzykoznawcom-bohemistom), ale tak e mi³oœnikom starannej czeszczyzny, jêzykowym purystom oraz szerokiemu gronu u ytkowników, sprzyjaj¹c w ten sposób poprawnoœci jêzykowej, spe³niaj¹c wymogi uzusu semantycznego. Dziêki ÈNK mo emy badaæ i opisywaæ ³¹czliwoœæ (tzw. kolokacjê) poszczególnych jednostek leksykalnych z innymi, weryfikowaæ jednostki frazeologiczne oraz walencjê wyrazow¹ czy te rekcjê czasowników!. Jako Ÿród³o elektroniczne on line mo e reagowaæ natychmiast na pojawienie siê nowinek w leksyce wspó³czesnej czeszczyzny, których nawet najnowsze drukowane s³owniki jêzyka nie uwzglêdniaj¹ (np. wyrazy pochodne); sprawdziæ, który typ deklinacyjny dany leksem reprezentuje, czy dany wyraz (neologizm) nie ma odmiany mieszanej ". U ytkownicy wspó³czesnego jêzyka czeskiego rodowici Czesi i obcokrajowcy dziêki ÈNK mog¹ poznawaæ, wzbogacaæ i porównywaæ ojczysty i obcy zasób leksykalny (np. briefing/brifink, football/fotbal); skonfrontowaæ warianty leksemów (np. alespoò/aspoò, aèkoliv/aèkoli) i ich stylistyczny ³adunek. W korpusie bez trudnoœci mo na poznaæ bogactwo cze- denindinukleotidfosfát, ultrasuperkontramultiextraunikátní, cyklopentanoperhydrofenantrenový, glyceraldehydfosfátdehydrogenázou, komunistickosociálnìdemokratického, hypotalamohypofyzoadrenokortikální, francouzoèeštinolaosoruštinoindoèínštinou. (www. ucnk.ff.cuni.cz/korpus/korpus.html)! Dla Polaków ucz¹cych siê jêzyka czeskiego rekcja czasowników czeskich o brzmieniu podobnym do polskich (czêsto aproksymaty) mo e sprawiæ wiele niespodzianek. " Tzw. chwiejnoœæ rodzaju gramatycznego, np. czeski rzeczownik rukojmí i jego niejasny paradygmat odmiany i ³¹czliwoœæ np. z liczebnikami. # Przyk³adowe æwiczenia zainspirowane ÈNK, do których do³¹czony jest klucz: 1. Urèete vynechané slovo: Válka o <...> zemì však již trvá ètyøicet osm let. Èlovìk potøebuje k životu dvì vìci: <...> pravdy a ždibec salámu

8 Pøistanu o <...> dál, na konci pšenièného pole.. [...] 5. Urèete vynechané slovo a všechny jeho tvary, ve kterých se v konkordanèních øádcích vyskytlo: studijní dokumentace na všech fakultách s <...> lékaøské poskytovala totiû komisím moûn Trval na své ûádosti a byl pøijat aû na <...> ministra vnitra. Od roku 1988 na Techn ekonomiku celého státu i všech obèanù bez <...>. Lze proto právem oèekávat, ûe zejmén 6. Urèete, v kterém pádì jsou podstatná jména v uvedených kontextech pouûita a tvary doplòte: sociální pojištìní atd. atd. ) bylo svìøeno <odborník...> a prodebatováno, takûe program publikování pøed moûností podrobit svùj talent <zkouš...> opravdovosti, v níû se literární smrti jeho otce Hudûra, zasvìtil svùj ûivot <pomst...> a úsilí o obnovení moci svého rodu to øíkala dvakrát. Chcete snad nyní <otc...> nìco vytýkat? A nebo snad... [...] 7. Doplòte sloûená slova s první èástí polo- v náleûitém tvaru: mohou být výsledky jeho cesty na Malajský <polo...> oboustrannì pøíjemným pøekva zmìní v mrznoucí déšt. Ve ètvrtek bude <polo...> aû oblaèno a ojedinìle pøeháòky. Noèní se jedno setkání ODA s volièi konalo pøed <polo...> sálkem Mìstské knihovny v Praze Doplòte sloûená slova se základem vláda: sovìtský politik postupnì chápat, ûe <...vláda> není pro kontraproduktivní sovìtský systém pomine jako špatné zboûí. Jenom cáøi, <...vláda> a takové sloty potrvají vìènì vìkùv jak 377 skiej synonimii (np. okreœlenia wartoœciuj¹ce). Dla bohemistów-dydaktyków jêzyka czeskiego (zw³aszcza cudzoziemców) jest to œwietny zasób/ÿród³o æwiczeñ nie tylko leksykalnych # mo na za jego pomoc¹, poprzez celowe opuszczenie s³ów uczyæ i æwiczyæ poprawnoœæ pozycji danego wyrazu tekstowego w kontekœcie czy te szeregu syntagmatycznym. I chyba ostatnie praktyczne zastosowanie dane ÈNK s¹ nieocenione przy redagowaniu s³owników, logicznych spisów/wykazów informacji oraz obs³ugi translacyjnej osób nies³ysz¹cych, przy której nale y optymalnie ograniczyæ iloœæ œrodków komunikacyjnych do tych najniezbêdniejszych. Jak wynika z powy szego funkcjonalnoœæ i wielowymiarowoœæ ÈNK jest coraz bardziej doceniana przez bohemistów (w tym nauczycieli jêzyka i t³umaczy), jêzykoznawców i specjalistów od komunikacji spo³ecznej (dziennikarzy, twórców reklam), ale tak e przez ogó³ u ytkowników wpó³czesnego jêzyka czeskiego. Jest to Ÿród³o coraz bardziej popularne i opiniotwórcze, o czym œwiadczy rosn¹ca z miesi¹ca na miesi¹c rzesza osób odwiedzaj¹cych portal ÈNK, wyszukuj¹cych has³a i konsultuj¹cych swe w¹tpliwoœci. W miarê wzbogacania zasobów Korpusu oraz mo liwoœci obliczeniowych u ytkowanego przez projekt sprzêtu i oprogramowania, jesteœmy œwiadkami powstawania i krzepniêcia oraz dalszego optymalizowania funkcji i mo liwoœci tego nowoczesnego i wszechobecnego dziêki Internetowi narzêdzia lingwistycznego, którego dalsze dziedziny zastosowañ w naszym yciu nie tylko naukowym i akademickim s¹ wszechstronne i nieodgadnione. Ju niebawem przekonamy siê o tym. Literatura B l a t n á R., 1997a, Jazyková databanka neboli korpus, Vesmír, è. 12, s B l a t n á R., 1997b, Korpus uskuteènìný sen, Tvar, è. 9, Praha, s. 17. È e r m á k F. a kol., 2007, Frekvenèní slovník mluvené èeštiny, Praha. È e r m á k F., B l a t n á R., 2006, Korpusová lingvistika: Stav a modelové pøístupy, Praha. È e r m á k F., B l a t n á R., 2005, Jak vyu ívat Èeský národní korpus, Praha. È e r m á k F., K l í m o v á J., P e t k e v i è V., 2000, Studie z korpusové lingvistiky, Praha. È e r m á k F., K u b í è e k P., 1997, Jazykový korpus a škola, Èeský jazyk a literatura XLVIII, è. 3 4, Praha, s È e r m á k F., Køen M., 2004, Frekvenèní slovník èeštiny, Praha. È m e j r k o v á S., J í l k o v á L., K a d e r k a P., 2004, Mluvená èeština v televizních debatách: korpus DIALOG, Slovo a slovesnost LXV, Praha, s Encyklopedia jêzykoznawstwa ogólnego, 1999, red. K. Polañski, Ossolineum. K o c e k J., K o p ø i v o v á M., K u è e r a K., 2000, Èeský národní korpus úvod a pøíruèka u ivatele, Praha. Sborník Asociace uèitelù èeštiny jako cizího jazyka (AUÈCJ) , Praha 2005, s Š u l c M., 1999, Korpusová lingvistika. První vstup, Praha. [stan z r.] [stan z r.] [stan z r.] [stan z r.] 378

9 [stan z r.] [stan z r.] [stan z r.]