Corpustaalkunde

Inleiding in de corpustaalkunde, college Alfa-Informatica en Nederlands. Voor de studiehandleiding, klik hier.

Wederzijdse informatie en verwante begrippen: klik hier.

Overzicht van corpora op het net

• Eindhoven corpus: op dit corpus is het frequentiewoordenboek van P.C. Uit den Boogaart gebaseerd. Lokale vindplaats: /users1/vannoord/Eindhoven/Tagged. Van de teksten bestaan twee versies: (a) met woordsoorttags, 1 woord per regel (deze teksten zijn herkenbaar aan de extensie ".tag") en (b) zonder tags, 1 zin per regel (deze teksten hebben de extensie ".zinnen").
• LOB corpus: belangrijk Brits-Engels corpus met teksten uit de jaren 1960. Te vinden onder /corpora/lob. Het corpus is opgebouwd naar het voorbeeld van het Amerikaans-Engelse Brown corpus.
• Corpora op cd-rom: cdrom2 (UNIX): Penn Treebank. Teksten uit de Wall Street Journal en het Avis corpus (vliegtuigreserveringen), met een syntactische annotatie. Je kunt bijv. zoeken op nominale constituenten of zinnen met een transitief werkwoord. Cdrom3 bevat CELEX, woordenlijsten van het Nederlands en het Engels, zeer uitgebreid, met veel fonologische en spellingsinformatie. Je kunt hierin zoeken op woorden met 6 lettergrepen, met een frequentie van minder dan 5, of woorden met 1 lettergreep met een frequentie tussen 5 en 250, of alle transitieve werkwoorden van het Nederlands met meer dan 3 lettergrepen. Cdrom4 bevat het materiaal van het European Corpus Initiative (ECI) met materiaal uit de meeste Europese talen, inclusief een royale selectie uit onze eigen Universiteitskrant (UK). Verder zijn grote delen van het Corpus Gesproken Nederlands inmiddels op cdrom verschenen. Deze cdroms staan niet op het net.
• Teksten: de bijbel (King James vertaling) in een bekende Engelse vertaling is te vinden op Unix, onder /corpora/kjv. Verder zijn er diverse bijbelvertalingen op het World Wide Web te vinden, evenals veel klassieke literatuur. Voor Engelstalige literatuur is er het Project Gutenberg. Voor Nederlandstalige literatuur is er het L.J. Costerproject (net als het Gutenberg-project genoemd naar een uitvinder van de boekdrukkunst). Zie http://www.dds.nl/~ljcoster. Een andere belangrijke bron voor Nederlandse literaire teksten is Digitale Bibliotheek der Nederlandse Letteren. Ook teksten in vele andere talen zijn te vinden op het Internet, inclusief Hitler's Mein Kampf en het Starr-rapport over de Lewinsky-affaire.

Enkele nuttige links

Boek: Chris Brew & Marc Moens, Data Intensive Linguistics. Een HTML-tekst met veel informatie over corpora en kwantitatieve benaderingen.

Nog een boek, of liever, aanvullingen op een boek: Corpus Linguistics van Tony McEnery en Andrew Wilson.

CELEX: Lexicale Database. Naast de cdrom (hierboven genoemd) kan men ook online gebruik maken van CELEX, bijvoorbeeld via het World Wide Web.

De corpus pagina van Michael Barlow, met veel links.

Tutorial van Cathy Ball, professor aan de Georgetown University in Washington, DC.