Корпусы текстов: как искать примеры
Корпус — это собрание текстов, собранных по правилам и доступных для поиска. Он отвечает на вопрос, который словарь закрывает лишь частично: как это слово реально употребляется.
Для переводчика и редактора корпус заменяет догадки: вместо «мне кажется, так говорят» появляется выборка с контекстом.
Что такое корпус
Корпус отличается от подборки текстов тем, что у него описаны состав, жанры и период. Без этого описания нельзя понять, насколько выводы применимы к вашей задаче.
Хороший корпус сопровождается метаданными: источник, дата, тип текста, автор.
Национальные корпусы
Национальные корпусы собирают тексты разных жанров за длительный период. Они хороши для общей нормы, но могут отставать от современной речи.
Для узкой области лучше искать специализированный корпус.
Специализированные корпусы
Корпусы по медицине, праву или технике точнее отражают профессиональное употребление. В них меньше шума и больше нужных сочетаний.
Обратная сторона — небольшой объём и специфическая выборка.
Параллельные корпусы
Параллельный корпус содержит оригинал и перевод, выровненные по фрагментам. Это самый полезный инструмент для проверки переводческих решений.
По нему видно, какие варианты выбирали профессиональные переводчики в похожих местах.
Как строить запрос
Запрос начинается с точной формы слова, затем расширяется до словоформ и сочетаний. Слишком широкий запрос даёт шум, слишком узкий — ничего.
Полезно начать с леммы, а потом уточнить морфологию.
Лемма и словоформа
Лемма — словарная форма, словоформа — конкретное употребление. Поиск по лемме показывает все формы, но может смешивать разные значения.
Если нужно проверить именно форму, ищите по словоформе.
Контекст
Одна строка контекста часто недостаточна: значение проявляется в двух-трёх предложениях. Расширяйте окно, если результат непонятен.
Для устойчивых выражений смотрите, какие слова стоят рядом.
Ограничения по метаданным
Фильтры по жанру, дате и автору помогают отделить научный текст от разговорного. Без них вывод может быть основан на неподходящих примерах.
Если корпус позволяет, ограничьте выборку периодом.
Частотность
Число вхождений показывает, насколько слово распространено в данной выборке. Но частота зависит от состава корпуса, поэтому сравнивать разные корпусы напрямую нельзя.
Смотрите на порядок величины, а не на точное число.
Сочетаемость
Список слов, часто стоящих рядом, показывает типичные коллокации. Это помогает выбрать естественную формулировку и заметить кальку.
Не все частые сочетания уместны в вашем жанре.
Отрицательные примеры
Отсутствие слова в корпусе тоже информация: возможно, оно устарело или относится к другому жанру. Проверьте по другому источнику, прежде чем делать вывод.
Отсутствие в маленьком корпусе ничего не доказывает.
Ошибки интерпретации
Частая ошибка — принимать первое вхождение за норму. Вторая — игнорировать жанр. Третья — считать, что корпус описывает язык целиком.
Корпус описывает только то, что в него собрали.
Работа с переводом
Параллельный корпус помогает сравнить свой вариант с чужими. Если ваш перевод встречается редко, это не значит, что он неверен, но повод проверить.
Ищите не готовый ответ, а диапазон допустимых решений.
Лексические замены
Корпус показывает, какие синонимы выбирают в похожих контекстах. Это полезно, когда слово повторяется и нужно подобрать вариант.
Проверяйте, сохраняется ли при замене оттенок значения.
Термины
Для терминов корпус вторичен: приоритет у стандарта и глоссария. Но корпус показывает, как термин реально пишут и склоняют.
Расхождение с нормой фиксируйте, а не копируйте автоматически.
Инструменты
Онлайн-интерфейсы корпусов дают готовый поиск, но ограничивают выгрузку. Локальные инструменты позволяют строить собственные выборки.
Для регулярной работы полезно сохранять удачные запросы.
Собственный корпус
Иногда проще собрать небольшой корпус из своих текстов: документации, статей, инструкций. Даже сотня файлов даёт полезную картину.
Описывайте состав такого корпуса, иначе выводы будут трудно проверяемыми.
Этика и права
Тексты в корпусе могут быть защищены авторским правом. Использование фрагментов для анализа допустимо в разных правовых режимах по-разному.
Не публикуйте длинные выдержки без разрешения.
Хранение результатов
Сохраняйте запросы и примеры, на которые ссылаетесь в правках. Это делает решения проверяемыми.
Через полгода вы не восстановите, откуда взялся вариант.
Пример
Нужно проверить, говорят ли «провести исследование» или «выполнить исследование». Корпус показывает распределение по жанрам и позволяет выбрать вариант, типичный для научной статьи.
Без корпуса спор решается вкусом, с корпусом — данными.
Как выбрать корпус
Начните с вопроса, на который нужно ответить: норма, жанр, перевод или термин. Для каждого случая подходит разный состав текстов.
Если подходящего корпуса нет, соберите небольшой собственный и опишите его.
Работа с выгрузкой
Выгрузка в таблицу позволяет фильтровать примеры и считать повторы. Но автоматическая обработка требует аккуратности: разметка и контекст могут потеряться.
Проверяйте выгрузку на нескольких строках вручную.
Сравнение двух корпусов
Сопоставление корпусов показывает различия между жанрами или периодами. Сравнивайте доли, а не абсолютные числа.
Разница в составе текстов объясняет больше, чем разница в языке.
Ограничения выборки
Малый корпус плохо представляет редкие явления. Большой корпус может быть смещён в сторону одного жанра.
Любой вывод ограничен тем, что в корпус попало.
Итог
Корпус полезен, когда вопрос сформулирован узко и есть подходящие тексты. Он не заменяет словарь и норму, но показывает употребление.
Начинайте с одного запроса и проверьте его на примерах.
Чек-лист
- Корпус соответствует задаче.
- Запрос проверен в двух формах.
- Контекст достаточен.
- Жанр и дата учтены.
- Частотность не абсолютизируется.
- Термины сверены с глоссарием.
- Запросы сохранены.
Частые вопросы
Заменяет ли корпус словарь?
Нет, они отвечают на разные вопросы.
Можно ли доверять малому корпусу?
Как подсказке, не как норме.
Что важнее — частотность или контекст?
Контекст, частотность только уточняет.