Brittiska nationella kåren

De återstående 10 % av BNC-materialet är användningsmönster för talat språk som presenterades och registrerades med praktisk transkription .

Konversationskorpusen består av två delar. Den demografiska delen innehåller en transkribering av spontana samtal som ägt rum under verkliga förhållanden med deltagande av frivilliga från olika åldersgrupper, regioner och sociala skikt. Dessa samtal ägde rum i en mängd olika situationer, inklusive affärs- eller regeringsmöten och diskussioner på radiosändningar eller över telefon [5] . Detta gjordes för att ta hänsyn till både den demografiska spridningen av det talade språket och den språkligt betydande mångfalden av språket på grund av sammanhanget [6] .

Den andra delen av samtalskorpusen innehåller kontextkänsliga prover, såsom transkriptioner av inspelningar som förbereds under särskilda möten eller evenemang.

Alla originalinspelningar som transkriberats för införande i BNC har placerats i British Library Sound Archive . De flesta av bidragen finns tillgängliga på webbplatsen för Oxford University Phonetic Laboratory .

Markup

BNC-paketet innehåller partiella markeringar . För att göra detta, när man skapade skrovet, användes CLAWS-märkningssystemet. Detta system gick igenom ett antal modifieringar innan den sista mottogs - CLAWS4, som användes i ärendet. CLAWS1-systemet var baserat på en dold Markov-modell och kunde korrekt markera 96 ​​% till 97 % av vilken text som helst. När du flyttar från CLAWS1 till CLAWS2 har behovet av manuell textförberedelse innan du startar uppmärkningsprocessen försvunnit. CLAWS4 innehåller förbättringar som mer kraftfull lexikal disambiguering och stavningsvariation. Det fortsatta arbetet med uppmärkningssystemet har fokuserat på att öka framgångsfrekvensen för automatisk uppmärkning och minska det manuella arbetet med att förbereda texter innan uppmärkningen påbörjas genom att introducera ytterligare programvara för att ersätta manuellt arbete [2] [7] .

Senare lades uppmärkning till för att indikera tvetydigheten hos vissa ord och uttryck. Samtidigt, trots förmågan hos CLAWS4 att automatiskt bestämma taltyper och ordbetydelser, kvarstod behovet av manuell markering, eftersom andra språk än engelska inte stöds i CLAWS4 [8] [9] .

Underkroppar

Två subkorpora (BNC-dataundergrupper) släpptes under namnen BNC Baby och BNC Sampler. Båda dessa underkroppar kan erhållas genom att beställa dem från BNC:s webbplats [10] .

BNC Baby är en underkorpus av BNC som består av fyra exempeluppsättningar med en miljon ord vardera. Orden i varje uppsättning motsvarar en specifik genrekategori . En uppsättning prover innehåller transkriptioner av konversationer, medan de återstående tre uppsättningarna innehåller prov på skrivna texter från facklitteratur , skönlitteratur och tidningar . Samtidigt bevaras uppmärkningen som är tillgänglig i BNC [11] i subkorpusen . Den senaste (tredje) upplagan släpptes i XML-format [12] .

BNC Sampler är en underkropp som består av två delar. Den första delen innehåller skriftliga data, den andra delen innehåller vardagstal. Varje del innehåller en miljon ord. BNC Sampler användes ursprungligen för att förbättra BNC-markeringsprocessen, vilket så småningom ledde till publiceringen av BNC World. Under projektets gång har BNC Sampler förbättrats i takt med att erfarenhet och kunskap om uppmärkning har vuxit. Som ett resultat skapades BNC Sampler som vi känner till idag [13] .

Teknisk information

Korpusen är markerad enligt rekommendationerna från Text Encoding Initiative (TEI) konsortiet och inkluderar fullständiga språkliga anteckningar och kontextuell information [14] .

Få åtkomst till funktioner

För att använda CLAWS4 Partial Marking Tool-kroppen måste du köpa en licens [15] . Alternativt kan du använda uppmärkningstjänsten från Lancaster University [16] .

BNC själv kan köpas med både personlig och kollektiv licens. BNC-utgåvan är tillgänglig i XML-format och levereras med sökmotorprogramvaran Xaira . Paketet kan beställas via BNC:s webbplats [17] .

För XML-utgåvan av BNC utvecklades en corpus manager BNCweb och är tillgänglig online. Dess gränssnitt är lätt att använda och stöder sökning och analys av korpusmaterial [18] .

Materialbehörighetsproblem

BNC var den första korpusen av sin storlek tillgänglig för en bred publik. Kanske berodde detta på standardformer av avtal mellan upphovsrättsinnehavare och konsortiet å ena sidan och mellan användare av korpusen och konsortiet å andra sidan. Skaparna av korpusen försökte ingå ett standardlicensavtal med ägarna av immateriella rättigheter , vars en av bestämmelserna var införandet av material i korpusen utan betalning av några monetära avgifter. En sådan överenskommelse underlättades av ärendets originalitet och unika karaktär [6] .

Det har dock visat sig svårt att behålla de bidragsgivarnas anonymitet utan att förringa betydelsen av deras arbete. Alla ogenomskinliga anspelningar på författarens identitet togs bort från korpusmaterialet. Samtidigt övervägdes möjligheten att ersätta riktiga namn med andra namn för att bevara anonymiteten, vilket dock ansågs olämpligt [6] .

Dessutom ombads författarna initialt om tillåtelse att endast inkludera transkriberade versioner av sitt tal, men inte att inkludera själva talet. Även om sådant tillstånd kan begäras igen, kan sökningen efter de ursprungliga författarna kompliceras av den pågående anonymiseringsprocessen. Samtidigt blev faktorer tydliga som förvärrade upphovsrättsinnehavarnas ovilja att donera sitt material till korpusen: fullständiga texter uteslöts från korpusen, vilket ledde till bristande motivation för upphovsrättsinnehavare att distribuera information genom korpusen (särskilt pga. till dess icke-kommersiella grund) [6] .

Nackdelar och begränsningar

För allmän klassificering av texter

Från och med 2001 saknade BNC fortfarande en klassificering av skrivna texter på annat sätt än efter sfär (tidningar, skönlitteratur, etc.), och en klassificering av talade texter på annat sätt än efter kontext och demografisk eller socioekonomisk klass för deltagarna i samtalet. Till exempel inkluderades ett stort urval av fiktiva textprover ( romaner , noveller , dikter , etc.) i korpusen , men information om deras undergenrer saknades i provrubriken och BNC-dokumentationen. För forskare var kunskapen om genrediversitet praktiskt taget värdelös, eftersom det inte var lätt för dem att skaffa verk av den önskade subgenren [19] .

2002, med lanseringen av en ny version av korpusen - BNC World Edition, gjordes ett försök att lösa klassificeringsproblemet. Förutom sfärer för talade och skrivna texter identifierades 70 klasser, vilket gjorde det möjligt för forskare att extrahera texter av en viss genre från korpusen [20] .

Men även efter dessa innovationer har implementeringen av klassificering fortfarande problem, eftersom tilldelningen av en genre eller subgenre till en text är komplicerad av olika subtiliteter. Indelningen i klasser för talad data är mindre uppenbar än för skriftlig data, på grund av den mycket större variationen av ämnen som är involverade i konversationer. Det finns också problem och oklarheter med definitionen av en undergenre av vilken genre som helst, eftersom uppdelningen i undergenrer i korpusen var förutbestämd i standardiseringssyfte [20] .

Klassificeringsfel och vilseledande titlar

När korpusen skapades var vissa texter felaktigt kategoriserade, ofta på grund av missvisande rubriker. Till exempel är många texter med ordet "föreläsning" i titeln faktiskt klassrumsdiskussioner eller utbildningsseminarier som involverar små grupper av människor, eller populära föreläsningar riktade till en allmän publik (snarare än föreläsningar för universitetsstudenter ) [ 19] . En anledning till felklassificering är att genre och subgenre kan anges för de flesta texter, men inte alla. Dessutom kan texten i hela sin längd hänvisa till olika subgenrer, kan falla under definitionen av olika genrer [20] .

Brist på talat material

Förhållandet mellan skriftligt och talat material i BNC är 10:1 [6] . Detta beror på att kostnaden för att samla in, transkribera och digitalisera en miljon ord av verkliga tal är minst 10 gånger högre än kostnaden för att lägga till en miljon ord från tidningar. Det finns dock en uppfattning att eftersom muntligt och skriftligt tal är lika viktiga bör de presenteras i lika stora proportioner i korpusen [6] .

BNC är inte särskilt användbar för att studera vissa funktioner i det talade språket, eftersom endast praktiska transkriptioner ingår i det , och paralingvistiska särdrag av kommunikation indikeras mycket ytligt [21] .

Begränsade möjligheter att studera lexikaliska relationer

Relationer mellan vissa lexikaliska enheter är för tvetydiga för att kunna upptäckas effektivt med hjälp av sökfrågor. Varje försök att söka efter attributiva klausuler kommer att ge användaren felaktiga uppgifter, vilket ger exempel på användningen av frågepronomen och ordet "det". Dessutom är det i allmänhet inte möjligt att programmässigt identifiera bisatser där pronomen utelämnas (som t.ex. i "mannen jag såg"). Av samma anledning är det svårt att avgöra användningen av vissa semantiska och pragmatiska kategorier (tvivel, oenighet, erkännande) [21] .

Begränsad beskrivning av situationer

Enligt materialet i korpusen är det möjligt att avgöra om ett tal hålls av en man eller en kvinna, men det är omöjligt att utifrån dem ta reda på om personen som håller talet tilltalar en man eller en kvinna [21] .

Ej tillämpligt för studier av speciella typer av texter

BNC är en mycket mångsidig och blandad korpus, så den är inte lämplig för studier av några mycket specifika typer eller genrer av texter, eftersom en sådan typ eller genre sannolikt är extremt begränsad och texter av denna typ inte är lätta att hitta i korpusen. Till exempel finns det väldigt få affärsbrev eller inspelade regeringsmöten i BNC, så för att studera deras detaljer är det önskvärt att samla en mindre korpus som endast består av texter av dessa typer [21] .

Använda BNC

Undervisning i engelska

Det finns två huvudsakliga sätt att använda korpusen i språkundervisningen: skapande av metodiskt material och lärande genom analys [21] .