Britisches Nationalkorpus - British National Corpus

Der British National Corpus ( BNC ) ist ein Textkorpus mit 100 Millionen Wörtern, der Beispiele für geschriebenes und gesprochenes Englisch aus einer Vielzahl von Quellen enthält. Das Korpus deckt britisches Englisch des späten 20. Jahrhunderts aus einer Vielzahl von Genres ab , mit der Absicht, ein repräsentatives Beispiel für das gesprochene und geschriebene britische Englisch dieser Zeit zu sein.

Geschichte

Das Projekt zur Gründung des BNC umfasste die Zusammenarbeit von drei Verlagen (mit der Oxford University Press als Hauptmitarbeiter, Longman und W. & R. Chambers ), zwei Universitäten (der University of Oxford und der Lancaster University ) und der British Library . Die Gründung des BNC begann 1991 unter der Leitung des BNC-Konsortiums und das Projekt wurde 1994 abgeschlossen. Nach 1994 wurden keine neuen Muster hinzugefügt, aber der BNC wurde vor der Veröffentlichung der zweiten Ausgabe von BNC World geringfügig überarbeitet (2001) und die dritte Ausgabe BNC XML Edition (2007).

Das BNC war die Vision von Computerlinguisten, deren Ziel ein Korpus moderner (zum Zeitpunkt des Korpusbaus) natürlich vorkommender Sprache in Form von Sprache und Text oder Schrift war , die von einem Computer analysiert werden konnte. Daher wurde es als allgemeines Korpus zusammengestellt, um den Weg für die automatische Suche und Verarbeitung im Bereich der Korpuslinguistik zu ebnen . Eine der Möglichkeiten, die BNC damals von bestehenden Korpora abzugrenzen, bestand darin, die Daten nicht nur für die akademische Forschung, sondern auch für kommerzielle und pädagogische Zwecke zu öffnen.

Der Korpus war auf britisches Englisch beschränkt und wurde nicht auf Weltenglisch ausgeweitet . Dies lag zum Teil daran, dass ein erheblicher Teil der Kosten des Projekts von der britischen Regierung finanziert wurde, die logischerweise daran interessiert war, die Dokumentation ihrer eigenen sprachlichen Vielfalt zu unterstützen . Aufgrund seiner potenziell beispiellosen Größe benötigte die BNC auch Mittel von kommerziellen und akademischen Einrichtungen. Im Gegenzug wurden die BNC- Daten dann für die kommerzielle und akademische Forschung verfügbar.

Beschreibung

Das BNC ist ein einsprachiges Korpus, da es nur Beispiele für den Sprachgebrauch in britischem Englisch aufzeichnet , obwohl gelegentlich Wörter und Wendungen aus anderen Sprachen vorhanden sein können. Es handelt sich um ein synchrones Korpus, da nur der Sprachgebrauch aus dem späten 20. Jahrhundert vertreten ist; der BNC ist nicht als historische Aufzeichnung der Entwicklung des britischen Englisch im Laufe der Jahrhunderte gedacht . Von Anfang an versuchten die an der Sammlung schriftlicher Daten Beteiligten, den BNC zu einem ausgewogenen Korpus zu machen, und suchten daher nach Daten in verschiedenen Medien.

Komponenten und Inhalt

BNC-Struktur

90 % der BNC sind Beispiele für die Nutzung des schriftlichen Korpus . Diese Proben wurden aus regionalen und überregionalen Zeitungen, veröffentlichten Forschungszeitschriften oder Zeitschriften aus verschiedenen akademischen Bereichen, Belletristik und Sachbüchern, anderem veröffentlichtem Material und unveröffentlichtem Material wie Flugblättern, Broschüren, Briefen, Aufsätzen von Studenten unterschiedlicher akademischer Niveaus entnommen extracted , Reden, Skripte und viele andere Arten von Texten.

Die verbleibenden 10 % des BNC sind Beispiele für den Gebrauch der gesprochenen Sprache . Diese werden in Form von orthographischen Transkriptionen dargestellt und aufgezeichnet. Das gesprochene Korpus besteht aus zwei Teilen: Ein Teil ist demografisch und enthält die Transkriptionen spontaner natürlicher Gespräche, die von Freiwilligen verschiedener Altersgruppen, sozialer Schichten und aus verschiedenen Regionen erstellt wurden. Diese Gespräche wurden in verschiedenen Situationen produziert, von formellen Geschäfts- oder Regierungstreffen bis hin zu Gesprächen in Radiosendungen und Telefongesprächen. Diese sollten sowohl die demografische Verteilung der gesprochenen Sprache als auch die sprachlich signifikante Variation aufgrund des Kontexts berücksichtigen.

Der andere Teil umfasst kontextabhängige Samples wie Transkriptionen von Aufnahmen, die bei bestimmten Arten von Meetings und Veranstaltungen gemacht wurden. Alle zur Aufnahme in das BNC transkribierten Originalaufnahmen wurden beim British Library Sound Archive hinterlegt . Der Großteil der Aufnahmen ist beim Phonetics Laboratory der Oxford University frei erhältlich .

Unterkorpora und Tagging

Zwei Unterkorpora (Untergruppen der BNC-Daten) wurden veröffentlicht: BNC Baby und BNC Sampler. Beide Untergesellschaften können online über die BNC-Webseite bestellt werden. BNC Baby ist ein Unterkorpus von BNC, das aus vier Sätzen von Stichproben besteht, die jeweils eine Million Wörter enthalten, die so markiert sind, wie sie in BNC selbst sind. Die Wörter in jedem Sample-Set entsprechen einem bestimmten Genre- Label. Ein Beispielsatz enthält gesprochene Konversation und die anderen drei Beispielsätze enthalten geschriebenen Text: akademisches Schreiben , Belletristik bzw. Zeitungen . Die neueste (dritte) Ausgabe ist erschienen und kommt im XML-Format. Der BNC Sampler ist ein zweiteiliger Unterkorpora, jeweils ein Teil für geschriebene und gesprochene Daten; jeder Teil enthält eine Million Wörter. Der BNC Sampler wurde ursprünglich in einem Projekt verwendet, um herauszufinden, wie der Tagging-Prozess für den BNC verbessert werden kann, was schließlich zur BNC World Edition führte. Während des gesamten Projekts wurde der BNC-Sampler mit zunehmendem Fachwissen und Wissen für das Tagging verbessert, um seine aktuelle Form zu erreichen.

Der BNC-Korpus wurde für grammatikalische Informationen ( Teil der Rede ) markiert . Das Tagging-System namens CLAWS wurde verbessert, um das neueste CLAWS4-System hervorzubringen, das zum Tagging des BNC verwendet wird. CLAWS1 basierte auf einem Hidden-Markov-Modell und konnte beim automatischen Tagging 96% bis 97% jedes analysierten Textes erfolgreich markieren. CLAWS1 wurde auf CLAWS2 aktualisiert, indem die Notwendigkeit einer manuellen Verarbeitung zur Vorbereitung der Texte für das automatische Tagging entfällt. Die neueste Version, CLAWS4, enthält Verbesserungen wie leistungsstärkere Fähigkeiten zur Wortsinn-Disambiguierung (WSD) und die Fähigkeit, mit Variationen in Orthographie und Auszeichnungssprache umzugehen . Spätere Arbeiten am Tagging-System zielten darauf ab, die Erfolgsquoten beim automatischen Tagging zu erhöhen und den Arbeitsaufwand für die manuelle Verarbeitung zu reduzieren, während gleichzeitig die Effektivität und Effizienz durch die Einführung von Software, die einen Teil der manuellen Arbeit ersetzt, erhalten blieb. Anschließend wurde ein neues Programm namens "Template Tagger" für eine Korrekturfunktion eingeführt. Tags, die Mehrdeutigkeit anzeigen, wurden später hinzugefügt. Manuelles Tagging ist weiterhin notwendig, da CLAWS4 noch immer nicht in der Lage ist, mit Fremdwörtern umzugehen.

TEI und Zugang

Das Korpus ist gemäß den Empfehlungen der Text Encoding Initiative (TEI) gekennzeichnet und enthält vollständige linguistische Anmerkungen und Kontextinformationen. Die Lizenz für den CLAWS4 Part-of-Speech-Tagger kann erworben werden, um den Tagger zu verwenden. Alternativ wird ein Tagging-Service an der Lancaster University angeboten . Der BNC selbst kann entweder mit einer persönlichen oder institutionellen Lizenz bestellt werden. Die verfügbare Edition ist die BNC XML- Edition und wird mit der Xaira- Suchmaschinensoftware geliefert. Die Bestellung kann über die BNC-Website erfolgen. Für die BNC-XML-Edition wurde ein Online- Korpus-Manager , BNCweb, entwickelt. Die Oberfläche ist einfach zu bedienen und das Programm bietet Abfragefunktionen und Funktionen zur Korpusanalyse. Benutzer können Ergebnisse und Daten aus Suchen und Analysen abrufen.

Berechtigungsprobleme

Das BNC war das erste Textkorpus seiner Größe, das allgemein zugänglich gemacht wurde. Dies könnte auf die üblichen Vertragsformen zwischen Rechteinhabern und Konsortium einerseits und zwischen Korpusnutzern und Konsortium andererseits zurückgeführt werden. Die Inhaber von geistigen Eigentumsrechten wurden für ihre Zustimmung zur Standardlizenz gesucht, einschließlich der Bereitschaft, ihre Materialien ohne Gebühren in das Korpus aufzunehmen. Diese Anordnung wurde möglicherweise durch die Originalität des Konzepts und die mit dem Projekt verbundene Bekanntheit erleichtert. Es war jedoch eine Herausforderung, die Identität der Mitwirkenden geheim zu halten, ohne den Wert ihrer Arbeit zu diskreditieren. Jede deutliche Anspielung auf die Identität der Mitwirkenden wurde weitgehend entfernt; die alternative Lösung, die Identität eines Mitwirkenden durch einen anderen Namen zu ersetzen, wurde diskutiert, aber nicht für machbar gehalten.

Darüber hinaus wurden die Mitwirkenden zuvor gebeten, nur transkribierte Versionen ihrer Rede und nicht die Rede selbst aufzunehmen. Während erneut die Erlaubnis von Erstautoren eingeholt werden konnte, war es aufgrund des mangelnden Erfolgs des Anonymisierungsprozesses schwierig, Materialien von Erstautoren zu erhalten. Gleichzeitig verstärkten zwei Faktoren die mangelnde Bereitschaft der Rechteinhaber, ihre Materialien zu spenden: Volltexte sollten ausgeschlossen werden, und es gab keine Motivation für die Verbreitung von Informationen über das Korpus, zumal das Korpus auf nicht-kommerzieller Basis arbeitet .

Probleme und Einschränkungen

Kategorien

Bis 2001 hatte die BNC noch keine Textkategorisierung für geschriebene Texte über die der Domänen hinaus und keine Kategorisierung für gesprochene Texte außer nach Kontext und demografischen oder sozioökonomischen Klassen. Zum Beispiel wurde eine Vielzahl von fantasievollen Texten ( Romane , Kurzgeschichten , Gedichte und Dramenskripte) in das BNC aufgenommen, aber solche Einschlüsse wurden als nutzlos angesehen, da die Forscher die Subgenres, an denen sie arbeiten wollten, nicht leicht wiederfinden konnten (z , Poesie). Da diese Metadaten in den Dateikopfzeilen und in der gesamten BNC-Dokumentation weggelassen wurden, konnte nicht festgestellt werden, ob ein "phantasievoller" Text tatsächlich aus einem Roman, einer Kurzgeschichte, einem Drama-Drehbuch oder einer Gedichtsammlung stammt, es sei denn, der Titel enthielt tatsächlich einen Titel Wörter wie "Roman" oder "Gedicht").

Mit der Einführung einer neuen Version im Jahr 2002, der BNC World Edition, versuchte BNC, dieses Problem zu lösen. Neben der Domäne gibt es jetzt 70 Kategorien für Genres sowohl für gesprochene als auch für geschriebene Daten, sodass Forscher nun Texte gezielt nach Genres suchen können. Auch nach diesen Ergänzungen ist die Umsetzung jedoch noch knifflig, da die Zuordnung eines Genres oder Subgenres zu einem Text nicht einfach ist. Die Trennungen sind bei gesprochenen Daten weniger klar als bei geschriebenen Daten, da es mehr Variationen in Thema und Ausführung gab. Außerdem wird es immer mögliche Untergruppen von Genres jedes Untergenres geben. Wie weit Genres unterteilt sind, ist standardmäßig vorgegeben, aber Forscher haben die Möglichkeit, die Unterteilungen nach ihren Bedürfnissen allgemeiner oder spezifischer zu gestalten. Die Kategorisierung ist auch ein Problem, da bestimmte Texte, obwohl sie einem interdisziplinären Genre wie der Linguistik zuzurechnen sind, Inhalte enthalten, die anschließend aufgrund der Art ihres Inhalts entweder in künstlerische oder wissenschaftliche Kategorien kategorisiert werden.

Klassifikation und Diskurs

Einige Texte wurden in die falsche Kategorie eingeordnet, meist aufgrund eines irreführenden Titels. Benutzer können sich nicht immer auf die Titel der Dateien als Hinweis auf ihren wirklichen Inhalt verlassen: So sind viele Texte mit "Vortrag" im Titel tatsächlich Unterrichtsgespräche oder Tutorien mit sehr kleinem Personenkreis oder waren beliebte Vorlesungen (adressiert) an ein allgemeines Publikum und nicht an Studierende einer Hochschule). Ein Grund dafür ist, dass Genre- und Subgenre-Bezeichnungen nur für die Mehrzahl der Texte einer Kategorie vergeben werden können. Es gibt Subgenres innerhalb von Genres, und für jeden Text ist der Inhalt möglicherweise nicht einheitlich und kann mehrere Subgenres umfassen. Außerdem führten Produktionsdruck in Verbindung mit unzureichenden Informationen zu voreiligen Entscheidungen, die zu Ungenauigkeiten und Inkonsistenzen in den Aufzeichnungen führten.

Das Verhältnis von geschriebenem zu gesprochenem Material im BNC beträgt 10:1, wodurch gesprochenes Material unterrepräsentiert ist. Dies liegt daran, dass die Kosten für das Sammeln und Transkribieren einer Million Wörter natürlich vorkommender Sprache mindestens zehnmal höher sind als die Kosten für das Hinzufügen einer weiteren Million Wörter von Zeitungstext. Einige Linguisten haben argumentiert, dass dies einen Mangel im Korpus darstellt, da Sprache und Schrift in einer Sprache gleichermaßen wichtig sind. Der BNC ist nicht ideal für das Studium vieler Merkmale des gesprochenen Diskurses, da die meisten seiner Transkripte orthografisch sind . Paralinguistische Merkmale sind nur grob angedeutet.

Einschränkungen und Missbrauch

Obwohl die BNC eine ausgezeichnete Quelle für lexikalische Informationen ist, kann sie nur zum Studium eines begrenzten Satzes grammatikalischer Muster verwendet werden, insbesondere solcher, die charakteristische lexikalische Korrelate aufweisen. Während es leicht genug ist , um alle Vorkommen von „genießen“ zu finden und sie zu sortieren nach der Part-of-Speech - Kategorie des folgenden Wortes, es erfordert zusätzliche Arbeit , alle Fälle von Verben , gefolgt von einer finden gerund , da die Der SARA-Index des BNC enthält keine Wortartenkategorien wie "alle Verben" oder "alle V-ing-Formen".

Einige lexikalische Korrelate sind auch zu mehrdeutig, um sie in Abfragen verwenden zu können: Jede Suche nach restriktiven Relativsätzen würde dem Benutzer irrelevante Daten liefern, wenn man die Zahl der anderen Verwendungen von wh- Pronomen und dieser in der Sprache (ganz zu schweigen die Unmöglichkeit, Relativsätze mit Pronomenstreichung zu identifizieren, wie in "der Mann, den ich sah"). Aus demselben Grund sind bestimmte semantische und pragmatische Kategorien (Zweifel, Erkenntnis, Meinungsverschiedenheiten, Zusammenfassungen usw.) schwer zu lokalisieren. Das bedeutet zum Beispiel, dass während einer Rede von Männern und von Frauen zu vergleichen, kann man nicht vergleichen Sprache zu Frauen und zu Männern.

Die Natur des BNC als großes gemischtes Korpus macht es für das Studium sehr spezifischer Texttypen oder Genres ungeeignet, da jede von ihnen wahrscheinlich unzureichend repräsentiert und möglicherweise nicht aus der Kodierung erkennbar ist. Zum Beispiel gibt es im BNC nur sehr wenige Geschäftsbriefe und Service-Begegnungen, und diejenigen, die ihre spezifischen Konventionen erkunden möchten, sollten besser ein kleines Korpus zusammenstellen, das nur Texte dieser Art enthält.

Verwendet

Englischunterricht

Es gibt zwei allgemeine Möglichkeiten, Korpusmaterial im Sprachunterricht zu verwenden.

Erstens könnten Verlage und Forscher Korpusproben verwenden, um Referenzen zum Sprachlernen, Lehrpläne und andere verwandte Werkzeuge oder Materialien zu erstellen. Zum Beispiel wurde der BNC von einer Gruppe japanischer Forscher als Werkzeug bei der Erstellung einer englischsprachigen Lernwebsite für Englischlerner für bestimmte Zwecke (ESP) verwendet. Die Website ermöglichte es Englischlernern, häufig gehörte und verwendete Satzmuster herunterzuladen und dann ihre eigene Verwendung der englischen Sprache auf diesen Satzmustern aufzubauen. Der BNC diente als Quelle, aus der die häufig verwendeten Ausdrücke extrahiert wurden. Bei der Nutzung dieser Website verließen sich die Benutzer daher auf Referenzproben des BNC, um sie beim Erlernen der englischen Sprache zu unterstützen. Eine solche Erstellung von Materialien, die das Sprachenlernen erleichtern, erfordert typischerweise die Verwendung sehr großer Korpora (vergleichbar mit der Größe des BNC) sowie fortschrittlicher Software und Technologie. In die Entwicklung solcher Sprachlernmaterialien wird viel Geld, Zeit und Expertise im Bereich der Computerlinguistik investiert.

Zweitens kann die Analyse des Korpus direkt in die Sprachlehr- und Lernumgebung eingebunden werden. Mit dieser Methode erhalten Sprachlerner die Möglichkeit, Sprachdaten aus dem Korpus zu kategorisieren und anschließend aus ihren Kategorisierungen Rückschlüsse auf die Muster und Merkmale ihrer Zielsprache zu ziehen. Diese Methode ist mit einem höheren Arbeitsaufwand des Sprachlerners verbunden und wird von Tim Johns als „datengetriebenes Lernen“ bezeichnet. Die Korpusdaten, die für datengesteuertes Lernen verwendet werden, sind relativ kleiner, und folglich können die Verallgemeinerungen, die über die Zielsprache gemacht werden, von begrenztem Wert sein. Im Allgemeinen ist der BNC als Referenzquelle für die Erstellung und Wahrnehmung von Texten nützlich. Der BNC kann als Referenzquelle verwendet werden, um die Verwendung einzelner Wörter in verschiedenen Kontexten zu studieren, damit die Lernenden mit den verschiedenen Verwendungsweisen bestimmter Wörter in geeigneten Kontexten vertraut werden. Neben sprachbezogenen Informationen finden sich im BNC auch enzyklopädische Informationen. Lernende, die Daten aus dem BNC lesen, werden auch mit britischen kulturellen Merkmalen und Stereotypen vertraut gemacht .

Zweisprachige Wörterbücher, Tests und Auswertung

Das BNC war die Quelle von mehr als 12.000 Wörtern und Wendungen, die 2012 für die Erstellung einer Reihe von zweisprachigen Wörterbüchern in Indien verwendet wurden und 22 lokale Sprachen ins Englische übersetzten. Dies war Teil einer größeren Bewegung, um Verbesserungen in der Bildung, den Erhalt der indischen Volkssprachen und die Entwicklung der Übersetzungsarbeit voranzutreiben. Die Größe des BNC bietet eine umfangreiche Ressource zum Testen von Programmen. Es wurde als Testumgebung für die Richtlinien der Text Encoding Initiative (TEI) verwendet. Das BNC wurde auch verwendet, um 20 Millionen Wörter zur Bewertung von englischen Subkategorisierungs-Erfassungssystemen für die Senseval- Initiative zur computergestützten Bedeutungsanalyse bereitzustellen .

Forschung

Kollokationsbeweise des British National Corpus

Hoffman & Lehmann (2000) untersuchten die Mechanismen hinter der Fähigkeit von Sprechern, ihren großen Bestand an gebrauchsfertigen Kollokationen zu manipulieren, die grammatikalisch oder syntaktisch leicht erweitert werden können, um sich an die aktuelle Sprachsituation anzupassen. Wortkombinationen, die in niedriger Häufigkeit vorkommen, wurden aus dem BNC extrahiert, um einen Einblick darin zu geben.

Kollokationsverhalten von Mann und Frau

Pearce (2008) untersuchte mit Sketch Engine die Darstellung von Männern und Frauen in diesem Korpus . Das Korpusabfragetool wurde verwendet, um das grammatikalische Verhalten der Nomenlemmas "Mann" und "Frau" (dh der Nomen "Mann"/"Männer" und "Frau"/"Frauen") zu untersuchen.

Nicht-sensentielle Äußerungen: Eine Korpusstudie

Fernandez & Ginzburg (2002) untersuchten Dialoge, die nicht-sensentielle Äußerungen unter Verwendung des BNC beinhalteten.

Ein korpusbasierter EAP-Kurs für NNS-Doktoranden

Lee & Swales (2006) entwarfen einen experimentellen Kurs in Korpus-informiertem Englisch für akademische Zwecke (EAP) für Doktoranden am English Language Institute (ELI) der University of Michigan in den USA.

Die Teilnehmer verwendeten drei Hauptkorpora als Grundlage für ihre Untersuchungen: Hylands Research Article Corpus, das Michigan Corpus of Academic Spoken English (MICASE) und akademische Texte des BNC.

Zukünftige Arbeit

Morphologische Verarbeitung

Im Rahmen der laufenden Arbeiten zur morphologischen Verarbeitung, einem Schlüsselbereich der Verarbeitung natürlicher Sprache (NLP), wurden Daten des BNC verwendet, um die Genauigkeit, Zuverlässigkeit und Schnelligkeit von Rechenwerkzeugen zu testen, die entwickelt wurden, um die Analyse und Verarbeitung morphologischer Marker in britischem Englisch zu erleichtern . Zu den Rechenwerkzeugen gehörten ein Programm, das die Analyse der Flexionsmorphologie in britischem Englisch ermöglichte (bekannt als Analysator) und ein Programm, das morphologische Markierungen basierend auf der Analyse des Analysators generierte. Die Daten des BNC wurden auch verwendet, um ein umfangreiches Informationsarchiv über morphologische Marker des britischen Englischen aufzubauen. Insbesondere wurden etwa 1100 Lemmata aus dem BNC extrahiert und zu einer Checkliste zusammengestellt, die vom morphologischen Generator konsultiert wurde, bevor Verben , die eine Konsonantenverdopplung erlaubten, genau flektiert wurden. Da der BNC eine erkennbare Anstrengung darstellt, solch große Datenmengen zu sammeln und anschließend zu verarbeiten, ist er zu einem einflussreichen Vorreiter auf diesem Gebiet und zu einem Modell- oder beispielhaften Korpus geworden, auf dem die Entwicklung späterer Korpora basiert.

BNC2014

Im Juli 2014 gaben Cambridge University Press und das Centre for Corpus Approaches to Social Science (CASS) an der Lancaster University bekannt, dass ein neues British National Corpus – der BNC2014 – in Vorbereitung sei. Die erste Phase des Kooperationsprojekts zwischen den beiden Institutionen bestand darin, Anfang bis Mitte der 2010er Jahre ein neues gesprochenes Korpus des britischen Englischen zu erstellen. Der 11,5 Millionen Wörter umfassende Spoken British National Corpus 2014 wurde am 25. September 2017 der Öffentlichkeit zugänglich gemacht. Die 100 Millionen Wörter umfassende schriftliche Komponente des BNC2014 wird derzeit zusammengestellt und soll im Herbst 2016 veröffentlicht werden 2018.

Siehe auch

Verweise

Externe Links