Национальные корпуса зарубежных стран).
Машинные фонды национальных языков
Методы компьютеризации лексикографической работы.
Традиционная технология создания словаря выглядит так:
Формирование словника словаря – поиск примеров и формирование картотеки примеров – написание словарных статей – создание рукописи словаря – перепечатка рукописи – редактирование словарных статей – авторская доработка – перепечатка рукописи – корректура – перепечатка рукописи – набор, верстка словаря – корректура – печать словаря – готовый словарь.
Компьютерная технология создания словаря выглядит так:
Формаирование корпуса текстов – создание словника – автоматическое формирование корпуса примеров – написание словарных статей – ввод словарных статей в базу данных (БД) – редактирование словарных статей в БД – корректура текста в БД – порождение текста словаря и формирование оригинал-макета – печать словаря – готовый словарь.
Различие: много операций, известных ранее лишь ученым-лексикографам, сегодня переходит в разряд рутинных и доступных всем, кому интересно или необходимо работать с текстом. Изменяется и сам состав лексикографов. Многие из них осваивают смежные профессии: в издательском деле, печати, компьютерной верстки, в программировании, и становятся организаторами лексикографических исследований и издателями. Но есть и обратная волна – большое количество информатиков начинают активно заниматься словарной деятельностью.
Современные компьютерные технологии позволяют упростить процедуры сбора и хранения лексикографической информации, использование вместо картотеки БД, записи которой представляют собой аналог традиционной каталожной карточки. В отличие от обычной карточки, записи БД дают возможность автоматически сортировать массив по выбранным параметрам, выбирать нужные примеры и объединять их в группы. Для этого используются БД широкого профиля: D-Base, Access, Fox-Base.
Новая словарная статья вводится в БД, в ней же производится также и редактирование. Сравнительно легко порождаются различные указатели.
Последний этап (формирование текста словаря) и создание оригинал-макета книги существенно упрощаются.
Существуют издательские системы, используемые для верстки словарей: Quark-X-Press и различные версии программы Page-Marker.
Концепция машинных фондов начала разрабатываться в 70-80х гг. ХХ века.
Машинный фонд (корпус) – сложная иерархическая разветвленная автоматическая система, способная решать как информационно-поисковые, так и исследовательские лингвистические задачи.
Первоначально основными составляющими МФ являлись словарные ресурсы, отдельные тематические коллекции текстов, а также достаточно ограниченный программный инструментарий.
В МФ хранятся все типы текстов, начиная с самых древних. Фонды охватывают десятки словоупотреблений. Эту информацию можно использовать в различных целях, но в т.ч. для составления словарей.
Корпусная лингвистика – новое направление лингвистической науки. В основном развита в Великобритании, Германии и США.
Корпус – полнотекстовая БД, имеющая ряд модулей, например, словарный, документально-фактографический и т.д.
Неотъемлемая часть понятия «корпус текста» - корпус-менеджер. Это система управления текстовыми лингвистическими данными. Это специальная система, включающая программные средства для поиска данных в корпусе, для получения статистической информации и предоставления ее пользователю в удобной форме.
Также важный параметр организации любого корпуса – это аннотация, или разметка, т.е. наличие в составе текста специальных меток, описывающих как сами тексты, так и их единицы, относящиеся к различным языковым уровням.
В национальном корпусе ресского языка сегодня разработаны 5 типов разметки:
- Метатекстовая
- Морфологическая
- Акцентная
- Синтаксическая
- Семантическая
Создание национальных корпусов базовых государственных языков ведущих стран мира возведено в ранг важных политических и культурно-исторических мероприятий. Государства тратят на это огромные средства.
Мировым эталонным корпусом языков является Великобритания. В XXI веке среди лучших – японский и французский корпуса.
Национальный корпус – грандиозное собрание всех типов и видов информации; это внедрения уникальной программы по ее обработке, классификации и анализу перерыва.