Korpus języka polskiego

Korpus to dowolny zbiór tekstów, w którym czegoś szukamy...

Korpus tekstów musi być odpowiednio zrównoważony gatunkowo, chronologicznie, stylowo, terytorialnie i pod innymi względami, np. ze względu na wiek i płeć autorów. Rodzaj zrównoważenia korpusu zależy od celów, jakim korpus służy.

Nasz korpus tekstów polskich to fragment słownikowej kuchni, czyli autentyczny materiał językowy, na którego podstawie opisujemy znaczenia słów i konstrukcji. Pojedyncze zdania z tekstów korpusu zamieszczamy w słownikach jako przykłady ilustrujące znaczenia.

Korpus wykorzystywany do tworzenia słowników ogólnych powinien gromadzić teksty z różnych dziedzin tematycznych, stylów i źródeł.

Zrównoważony tematycznie i gatunkowo Korpus Języka Polskiego PWN liczy 70 milionów słów. Cały korpus, włączając archiwa prasowe i klasykę literacką od średniowiecza, zawiera 100 milionów słów. Składa się z tekstów książek, czasopism, druków ulotnych i akcydensowych (np. reklam, instrukcji obsługi, regulaminów, ulotek wyborczych), stron internetowych oraz tekstów mówionych. W porównaniu z innymi korpusami na świecie nasz zbiór zawiera dość dużo tekstów literackich. Postanowiliśmy bowiem uwzględnić szczególnie żywą w Polsce tradycję autorytetu kulturalnego jako kryterium poprawności językowej.

Teksty te, które otrzymaliśmy dzięki życzliwości autorów i wydawców i z których korzystamy na podstawie prawa cytatu (art. 29 ustawy o Prawie autorskim i prawach pokrewnych) mogą zawierać dane stanowiące dane osobowe, takie jak np. wskazane w publikacjach imię i nazwisko, stanowisko, miejscowość. Dostęp do tych danych (w zakresie, w jakim były opublikowane w tekście źródłowym) mają osoby korzystające z korpusu.

Podstawą prawną przetwarzania tych danych jest prawnie uzasadniony interes polegający na udostępnianiu korpusu w celach nauczania i wyjaśniania. Prosimy zapoznać się z Polityką prywatności serwisu.

Proponujemy Państwu zasoby korpusu ogólnego, tzn. takiego, który w swej strukturze tematycznej i stylowej odzwierciedla codzienny kontakt z językiem przeciętnego użytkownika. To oczywiście idealne założenie, sądzimy jednak, że udało nam się do niego zbliżyć.

Przygotowując materiał do korpusu internetowego, wybieraliśmy losowo fragmenty książek i czasopism z różnych dziedzin wielkości mniej więcej jednego arkusza (40.000 znaków, czyli około 6.000 wyrazów), założywszy uprzednio strukturę tematyczną.

Korpus, zrównoważony tematycznie i gatunkowo, składa się z 2070 próbek tekstu wielkości od 1 arkusza do 6 arkuszy o łącznej wielkości 175 MB. Próbki były pobierane ze 195 książek beletrystycznych i 191 niebeletrystycznych oraz z 977 numerów 185 różnych tytułów prasowych. Z jednej książki lub z jednego numeru gazety pobrano od jednej do 6 próbek. Korpus uzupełniają 84 pliki z przepisanymi rozmowami oraz 272 pliki z kilkuset ulotkami reklamowymi i 207 plików z tekstami internetowymi (stronami www, blogami, czatami, listami dyskusyjnymi).

Korpus pozwala sprawdzić łączliwość danego słowa, rozumianą nie tylko jako wymagania ściśle składniowe, takie jak poprzestać + na albo starać się + o, lecz także prawdopodobieństwo danego słowa w kontekście innych z danej dziedziny czy pola semantycznego. Np. w ciągu synonimów skończyć, sfinalizować i uwieńczyć łatwo zauważyć, że drugi wyraz będzie się często wiązał ze słowami: transakcja, umowa itp., a trzeci ze słowami: dzieło, wysiłek, praca.

Wyniki wyszukiwania słów w korpusie otrzymujemy w formie konkordancji, czyli wszystkich wystąpień danego słowa w danym zbiorze tekstów. Termin konkordancja (od łac. concordia - zgoda) wprowadzili do nauki w średniowieczu bibliści, którzy tą żmudną metodą opisywali wieloznaczne terminy biblijne.

Łączliwość wyrazów w korpusie ważna jest nie tylko dla językoznawców, ale też dla wszystkich, którzy chcą się dowiedzieć, z czym nam się kojarzą różne pojęcia. Nasze skojarzenia są bowiem odzwierciedlone w języku, którym mówimy - nie tylko w stałej frazeologii (jak osioł to głupi), ale także w typowej łączliwości całkiem "niewinnych" słów, której wcale nie jesteśmy świadomi (oczywiście z niewielkiej próby nie należy wyciągać kategorycznych wniosków).

Wyszukiwane słowa należy wpisać w główne pole wyszukiwania. Wyszukiwarka ignoruje wielkość liter i szuka tylko całych słów, dlatego po wpisaniu fragmentu słowa, nie odnajdziemy cytatów zawierających je w całości. Można za to używać operatorów: gwiazdki * zastępującej dowolny ciąg liter i znaku zapytania ? zastępującego jedną literę.

Wyszukiwarka ma wbudowany mechanizm polskiej odmiany. Po wpisaniu dowolnego słowa lub ciągu słów znajdziemy cytaty zawierające zarówno jego postać wpisaną w ramkę, jak i odmienioną. Aby wyłączyć mechanizm odmiany, należy wpisać szukane słowo w cudzysłowie.

Korpus PWN nie mógłby powstać bez życzliwości autorów i wydawców, którzy zgodzili się przekazać nam własne teksty, oraz autorów stron internetowych gromadzących teksty literackie. Oto wydawcy, którzy najbardziej przyczynili się do powstania korpusu:

Anta, Bellona, CiS, Iskry, Książka i Wiedza, Książnica, Muza, Noir sur Blanc, Niezależna Oficyna Wydawnicza NOWA, PAX, Philip Wilson, Prószyński i S-ka, PZWL, Reader's Digest, Siedmioróg, Studio Astropsychologii, Świat Książki, TENTEN, Trio, Twój Styl, TAiWPN UNIVERSITAS, WAB, Wydawnictwa Naukowo-Techniczne, Wydawnictwo Dolnośląskie, Wydawnictwo IBL PAN, Wydawnictwo UMCS, Wydawnictwo Uczelniane WSRP, Znak.

Za pomoc w gromadzeniu korpusu dziękujemy również koordynatorom internetowych zbiorów tekstów: "Polska biblioteka sieciowa", "Literatura polska w Internecie" (projekt badawczy Uniwersytetu Gdańskiego) oraz "Netografia polska", a także Instytutowi na Rzecz Demokracji w Europie Wschodniej, organizatorowi konkursu dla prasy lokalnej w roku 1998, i wszystkim redakcjom prasowym, które udostępniły nam dyskietki z tekstami.

Dziękujemy też Instytutowi Języka Polskiego PAN w Krakowie, który udostępnił nam część własnego korpusu.