БОКР: описание текста

Описание текста

Корпус предполагает наличие некоторой схемы для документирования текстов, его составляющих. Наличие явной метаинформации о текстах, составляющих корпус, дает возможность выбора подкорпуса интересующего жанра или функционального стиля, а также обеспечивает основу для проверки утверждений о представительности корпуса.

Формат предлагаемой схемы основан на стандарте TEI. Схема описания документа состоит из двух обязательных составляющих:

1. описания текста, включающего его название, автора и размер (а также дополнительную библиографическую информацию),

2. описания профиля текста, включающего жанр, целевую аудиторию, время создания, ситуационный контекст и т.п.

Помимо этого могут быть заданы факультативные особенности кодирования текста и история создания его электронной версии, хранящейся в корпусе.

Параметры описания текста обсуждаются в документе corpus-header.zip.

Принципы отбора текстов

Помимо обеспечения большого размера корпуса, целью БОКРа является максимально широкое покрытие различных типов текстов и функциональных стилей, для чего была разработана типология текстов на основе предложений из (Sinclair, 1996). Синклер выделяет два класса факторов, влияющих на выбор текстов в корпусе: внешние (E), внеязыковые факторы, которые могут повлиять на структуру или содержание текста, и внутренние (I), факторы, отражающие свойства языка, используемого в тексте. Три группы E-факторов:

Е1 (origin) - факторы, относящиеся к созданию текста автором;
E2 (state) - факторы, относящиеся к внешним признакам текста;
Е3 (aims) - факторы, относящиеся к целям создания текста и его влиянию на аудиторию.

Два основных I-фактора:

I1 (topic) - предметная область текста;
I2 (style) - стилистические особенности текста.

Эти пять факторов классификации составляют основу для выборки текстов, включаемых в БОКР. Мы стремимся представить в корпусе каждое значение этих факторов, но количество текстов в каждой группе зависит от количества соответствующих текстов в русском дискурсе и их доступности в электронном виде.

Возьмем в качестве примера набор текстов, ограниченный предметной областью "Политика", подобласть "Внутренняя политика" (параметр I1). Вариация по другим параметрам включает в себя: тексты, написанные в нейтральном, формальном и просторечном стиле (I2), созданные мужчинами, женщинами или авторскими коллективами за период 1995-2000 годов в различных регионах России (Е1), опубликованные в газетах, журналах, книгах и отчетах (Е2, для устной речи можно выделить обсуждение политических событий в теле- и радиоэфире и в частных беседах), предназначенные для аудитории разного размера, социального положения и уровня знаний о теме текста (от отчета, написанного для президента, до статьи в Московском Комсомольце), а также предназначенные для выполнения разных коммуникативных целей (обсуждения, рекомендации, обучения или развлечения). Любой текст, предназначенный для включения в корпус, должен быть описан в рамках этих параметров. Некоторые комбинации являются крайне маловероятными (например, книги, написанные мужчинами в формальном стиле для массовой женской аудитории), другие параметры взаимно исключают друг друга (машинописный отчет, предназначенный для миллионной аудитории), но любое разумное сочетание параметров должно быть при возможности представлено в корпусе. Предварительная оценка пропорций различных жанров, представленных в корпусе, может основываться на опыте BNC.

Для удобства кодирования метаинформации о тексте предлагается использовать программу Systemic Coder, для которой создан файл классификационной схемы (scheme), где есть большинство параметров классификации текстов.

Список текстов открывается выбором Import Text File. Список хранится в текстовом файле в форме:
Идентификатор | Автор | Название | Дата создания | имя файла | размер в словах
(описание каждого документа начинается с новой строки, текст в этом формате порождается утилитой titles.pl); в качестве Master scheme выбирается corpus-classes.scheme. Открытый текст сегментируется по абзацам (Segment: paragraphs) и описывается в окне Coding. Комментарии, например, относительно уверенности в выборе признаков текста или возможности альтернативного выбора вписываются в окне Comments.
Далее кодированный текст сохраняется и переводится в TEI формат командой:

 perl coder2header.pl infile outfile,

В связи с тем, что Systemic Coder может вносить только информацию, явно указанную в классификации, в получившемся описании текста отсутствуют данные, соответствующие свободно варьируемой информации, например, место или обстоятельства создания текста. В описании такие параметры отмечены знаками !!, которые при помощи любого текстового редактора необходимо заменить на соответствующие значения.

<< Главная страница

Создан 27/12/02 С.А.Шаровым, s.sharoffleeds.ac.uk