Representativeness and comparability of historical corpora: The Helsinki experience

Αντιπροσωπευτικότητα και συγκρισιμότητα των ιστορικών σωμάτων κειμένων: Η εμπειρία του Σώματος Κειμένων του Ελσίνκι

Η πρόσβαση σε συγκρίσιμα δεδομένα είναι θεμελιώδης για τη μελέτη της γλωσσικής ποικιλότητας και της γλωσσικής αλλαγής στη διάρκεια του χρόνου. Ωστόσο, όσο ευρύτερη είναι η επιλογή των ιστορικών κειμένων και όσο πιο πίσω ανάγεται χρονικά, τόσο δυσκολότερο γίνεται να επιτύχουμε άμεση συγκρισιμότητα. Για να βελτιστοποιήσουν την κειμενική συνέχεια στη διάρκεια του χρόνου, οι σχεδιαστές σωμάτων κειμένων χρησιμοποιούν πλαίσια και μονάδες σταθερής δειγματοληψίας. Αυτό ήταν και ο στόχος των δημιουργών του Helsinki Corpus of English Texts (HC, 8ος-18ος αιώνας), που περιλαμβάνει πλήθος κειμενικών ειδών, καθώς και των εκδοχών του που είναι γραμματικά επισημειωμένες και της επέκτασής του στην Ύστερη Σύγχρονη Αγγλική (PPCMBE, 1700–1914). Εφόσον τα κειμενικά γένη και είδη επιδεικνύουν ποικίλους βαθμούς συγχρονικής ποικιλότητας και υφίστανται διαχρονικές αλλαγές, η απόφαση να διατηρηθούν σταθερές οι μονάδες δειγματοληψίας δεν είναι απαλλαγμένη από προβλήματα: τα κείμενα αποτελούν το προϊόν ποικίλων πρακτικών του λόγου και συνδέονται στενά με κοινωνικές πρακτικές. Αυτό είναι εμφανές και σε σώματα κειμένων ενός κειμενικού είδους, όπως το Corpus of Early English Correspondence (CEEC), που καλύπτει την περίοδο από το 1400 έως το 1800.
 

Χρησιμοποιώντας ως υλικό τα σώματα κειμένων HC και CEEC, στην αρχή μελετώ τα επίπεδα αφαίρεσης στα οποία μπορούν να χρησιμοποιηθούν τα διαχρονικά σώματα κειμένων για να μελετηθούν διαδικασίες γλωσσικής αλλαγής σε πραγματικό χρόνο. Για να αντιμετωπιστούν οι προκλήσεις που θέτει το «πρόβλημα των κακών δεδομένων» του ιστορικού γλωσσολόγου, στη συνέχεια συζητώ κάποιες από τις μεθόδους που ήδη υπάρχουν και που αναπτύσσονται για την ανάλυση κειμενικών ομοιοτήτων και διαφορών ανάμεσα σε σώματα κειμένων. Αναφέρομαι στην ανάγκη για επισημείωση και οπτικοποίηση των σωμάτων κειμένων και παρουσιάζω ένα εργαλείο που επιτρέπει τη διαδραστική οπτική διερεύνηση διάφορων πτυχών των δεδομένων.

Η ανακοίνωση πραγματοποιήθηκε στο πλαίσιο ημερίδας που διοργανώθηκε από το πρόγραμμα «Διαχρονικό Σώμα Ελληνικών Κειμένων του 20ού αιώνα» (Greek Corpus 20, http://greekcorpus20.phil.uoa.gr/), το οποίο συγχρηματοδοτείται από το Ευρωπαϊκό Κοινωνικό Ταμείο και την Ελλάδα (Ερευνητικό πρόγραμμα «Αριστεία»). Στόχος της ημερίδας ήταν η συζήτηση και ο προβληματισμός για τις βασικές αρχές και τις ορθές πρακτικές που αφορούν στη συγκρότηση διαχρονικών σωμάτων κειμένων με σκοπό τη γλωσσολογική έρευνα. Η εμπειρία μελετητών που έχουν εργαστεί σε σχετικά ερευνητικά προγράμματα σε άλλες γλώσσες αναμένεται να συμβάλει σημαντικά στη διαμόρφωση των στόχων και των πρακτικών του διαχρονικού σώματος κειμένων της Ελληνικής, καθώς, σε αντίθεση με άλλες γλώσσες, η Ελληνική δεν έχει επωφεληθεί έως τώρα από την ανάπτυξη της υπολογιστικής γλωσσολογίας σωμάτων κειμένων στο βαθμό που θα αναμενόταν: η έλλειψη ενός διαχρονικού σώματος κειμένων της Ελληνικής αποτελεί ένα μείζον κενό στην ελληνική γλωσσολογία και το ερευνητικό πρόγραμμα στοχεύει να καλύψει αυτό το κενό, αναπτύσσοντας ένα σώμα κειμένων 20 εκατ. λέξεων για τις πρώτες εννέα δεκαετίες του 20ου αιώνα, το οποίο θα ενσωματωθεί στο προϋπάρχον σώμα κειμένων 30εκατ. λέξεων του ΣΕΚ. Στόχος του σώματος κειμένων είναι η μελέτη περιοχών πρόσφατης γλωσσικής αλλαγής (τόσο σε γραμματικό όσο και σε λεξιλογικό επίπεδο) μέσω της ανάλυσης αυθεντικών κειμένων.