Резюме: Статията представя корпус на българска разговорна реч, разработен на два етапа: 1975–1979 г. – като записи и транскрипции на реч, и 1993–1995 г. – като електронен корпус. Вниманието е насочено основно към мястото на този корпус в българската лингвистика. Активното му използване през годините от езиковеди в България и чужбина породи необходимостта от оценка на неговата роля. Текстът включва и описание на основните текстови и технически параметри на корпуса, насочени към улеснение на неговите потребители. В по-общ план, статията има за цел да проследи духа на сътрудничество и предаване на знания в съвременната българска езиковедска среда.
Ключови думи: електронен корпус, българска разговорна реч.
Може би е дошло време да се отговори систематизирано на множество запитвания, свързани с един електронен корпус на българска разговорна реч, разработен от Цветанка Николова и Цветомира Венкова, който вече почти 20 години е в широка употреба от български и чуждестранни езиковеди.
През годините многократно с молби за неговото ползване се обръщаха изследователи – университетски преподаватели, научни сътрудници, докторанти и дипломанти, както и научни институции. Освен това се получиха и отзиви от езиковеди, които са работили с неговата версия от Интернет. Това показа, че е необходима повече информация за някои негови характеристики и за методиката на неговото съставяне и обработка, с което би се улеснило ползването му.
Някои от отговорите на тези въпроси са събрани тук в едно сравнително кратко описание, придружено от наблюдения за мястото на този корпус в развитието на българската корпусна лингвистика и на съвременното описание на българския език. От позицията на годините по-ясно се оценява неговата роля в развитието на изследванията върху българския език или в съпоставителните изследвания спрямо други езици.
Въпреки че корпусът „Николова–Венкова“ е с неголям обем от 50 000 словоформи и е съставен от текстове без анотация, той представлява интерес за езиковедите. Вероятно неговата теоретична необвързаност с определена теоретична рамка, достъпността му, както и ясните принципи на събиране и структуриране, го правят лесен за ползване и приложим за широк кръг лингвистични задачи.
Този корпус е един от предвестниците на съвременните електронни корпуси на българския език, които са много по-големи по обем и подробно снабдени с лингвистична анотация. Освен това, той вече може да бъде и техен диахронен партньор при изследване на езиковите процеси в развитието на разговорната реч.
1. Електронен корпус на българската разговорна реч „Николова-Венкова“
Електронният корпус на българската разговорна реч „Николова-Венкова“ става обект на интерес, малко изненадващ за съставителите. Именно този собствен живот на корпуса е поводът за написването на настоящия текст след толкова години.
Корпусът на българска разговорна реч е създаден на два етапа:
- Първи етап: текстов масив (1975–79) от Цветанка Николова
- Втори етап: електронен корпус (1993–95) от Цветомира Венкова
Работено е самостоятелно и връзката между етапите е в приемствеността – половината от текстовия масив на Цветанка Николова е основа за разработката на електронния корпус на Цветомира Венкова.
След излизането на първите публикации по корпуса (Венкова 1996а, 1996б, 1997) към него проявява сериозен интерес норвежкият българист проф. Хетил Ро Хауге, който го получава в електронен вид от Цв. Венкова в края на 1997. Той го качва на електронната страница за българистични изследвания към Университета в Осло (Норвегия)[1]. Тази страница изиграва важна роля в съвременната българистика – там се намира и другият много популярен корпус на Красимира Алексова, както и изследвания на редица български езиковеди. Ро Хауге популяризира корпуса и чрез публикуване на съобщение в Corpora List от 24.06.1998 г.
Разглежданият корпус е включен в каталозите на редица лингвистични страници по света. Сред тях са например: страницата на Европейската асоциация за езикови ресурси (ELRA) под каталожен номер ELRA-SD154, заедно с анотация, в която е отбелязано, че корпусът е най-подходящ за синтактични изследвания[2]; страницата на университета в Есекс (Великобритания), Катедрата по лингвистика, във връзка с техен електронен проект WTC/IGE[3]; страницата на университета в Банкок (Тайланд), Катедрата по лингвистика, от проф. Ароонманакун[4]; страницата на корпорация Diogenes Co, занимава ща се с лингвистични проекти[5]; страницата на испанския езиковед Мануел Барбера, посветена на езиковедски ресурси, заедно с анотация[6]; страницата в памет на проф. М. Янакиев, създадена и поддържана от A. Иванов, с анотация към него[7]. Корпусът е предоставен през 1998 г. и на Кирил Симов, един от съставителите на Българската синтактична банка.
Като ресурс корпусът е използван в редица изследвания през годините. По-долу са изброени някои от тях, където е цитиран и за които ни е известно. Дори в случаите, в които корпусът е критикуван или само споменат, включването му показва присъствие в езиковедското пространство, което не може да бъде подминато: при изследването на съюзи за противопоставяне в ролята на прагматични частици (Тишева и Ро Хауге 2001: 251); при описанието на българското пряко допълнение, изразено с клитика (Джaгър 2002: 2); при анализ на българските противопоставителни съюзни връзки (Филдър 2008: 88); при обзор на електронните ресурси за българска разговорна реч (Тишева и Джонова; 2010: 2); при изследване на спонтанна разговорна реч (Ковачева 2012: 20, 317); при сравняване на алтернативните въпроси в английски и български език (Спасова 2013а: 112 и 2013б: 174).
2. Създаване и развитие на корпуса в контекста на лингвистичните идеи
Не е случайно, че се заговори отново за този корпус на Международната конференция по социолингвистика, в нейното единадесето издание. Точно на този научен форум преди 20 години, през септември 1993 г., двете създателки на корпуса се срещнаха и тази среща направи възможна появата на корпуса. Това е още едно от многото свидетелства за важната роля на тая конференция, която през последните две десетилетия се утвърди като школа и творческа лаборатория за много езиковеди.
2.1. Първи етап – ролята на текстовия разговорен масив в края на 70-те години
Събирането на масив от машинописни текстове, представляващи транскрипции на магнетофонни записи на разговори, се осъществява от Цветанка Николова в периода 1975–1979 г. с цел създаване на Честотен речник на българската разговорна реч, издаден през 1987 г. Както четем в уводните думи към речника, авторката разглежда събирането на текстовия масив основно с оглед на този речник. Несъмнено значението на речника е голямо, тъй като това е първият издаден честотен речник за български език. Освен това обаче този текстов масив има и много важна роля в друга насока – като ресурс за емпирични изводи върху българския език, свързани не само с честотата на лексиката, но с всички езикови нива.
Трябва да се отбележи, че във времето, в което е създаден, текстовият масив не следва лингвистичната мода. Неслучайно неговата самостоятелна роля тогава не е отбелязана – той е създаден, когато емпиричният подход в лингвистиката е крайно непопулярен в световен мащаб. Както е добре известно, от средата на 50-те години до края на 80-те години на ХХ век в лингвистиката доминира учението на Ноам Чомски, който категорично отрича емпиричните изследвания. Според Чомски информацията за езиковата компетентност „не може да подлежи на директно наблюдение, нито да бъде извличана на базата на данни чрез каквито и да било индуктивни процедури“ (Чомски 1965: 18). Дори и доста по-късно, през 1999 г., при бурното развитие на езиковите корпуси, Чомски отрича тяхната езиковедска стойност като методология, заявявайки, че „корпусната лингвистика не съществува“ (в интервю с Бас Аартс от 1999 г., цитирано по Тонини-Бонели 2001:50).
Поради това силно влияние на идеите на Н. Чомски дори първият и най-известен англоезичен американски електронен корпус на Франсис и Кучера, създаден през 1961–1964 г в университета „Браун“ (Франсис и Кучера 1964) не намира отзвук в родината си и се ограничава в рамките на един проект, който по-късно е подет от европейски учени от университетите в Ланкастър, Осло и Берген, които създават паралелния корпус „ЛОБ“ (1970–1978) (вж. Йохансон, Лийч и Гудлък 1978). Данните за тези корпуси се съобщават в непубликувани ръководства към тях и остават доста маргинални за дълго време.
Такава е ситуацията чак до началото на 90-те години, когато започва много разпалена първоначално дискусия изобщо за научния смисъл на подобни корпуси извън прякото има практическо приложение. Емпиричната (наричана още дедуктивна) методология се налага по това време да бъде обстойно мотивирана и доказвана от водещи англоезични лингвисти, вж. например Синклер (1991), Аартс (1990), Лийч (1991, 1992), за да се върне нейното място сред езиковедските методи. Освен това, за популяризирането ѝ спомагат и големи проекти, сред които е Британският национален корпус, допълнително финансиране от водещи издателства, като например речника „COLLINS COBUILD“, използването на корпуси от компании и големи фирми за информационни технологии, а също и държавното стратегическо финансиране в Западна Европа и САЩ. Успешните резултати от широкото прилагане на корпусите в теоретични езиковедски и езиково-приложни компютърни разработки е отчетено по-късно от редица автори, като например Тонини-Бонели (2001), Макенри и Харди (2012) и др.
Именно на тази тенденция, пренебрегваща емпиричните изследвания, по това време се дължи до голяма степен фактът, че създаденият от Цв. Николова масив остава задълго недооценен като езиковедски ресурс.
От друга страна, има и фактори, които може да се откроят като работещи в полза на емпиричния подход по това време.
На първо място, колкото и парадоксално да е това, съществена се оказва ролята на „желязната завеса“, която ограничава влиянието на Н. Чомски върху лингвистиката в Източна Европа. Тук последователите на неговите изследвания са обвинявани във „формализъм“. Цв. Николова се позовава на руски източници, сред които са Фрумкина (1961), Штейнфельдт (1963) и Засорина (1977).
„Броенето на думи“ обаче също е считано за доста формалистично и не е сред предпочитаните методики и в бившите социалистически страни. За щастие в българската лингвистика по това време се появяват изследванията на проф. М. Янакиев, който има смелостта да изяви собствено мнение, независимо от формалистичните обвинения, опирайки се на опита от работата му в Московския университет, където статистиката е развита. М. Янакиев е активен застъпник на емпиричните изследвания и точните методи в езиковедските изследвания и не следва никакви “моди“. Той се насочва към количественото („глотометрическо“, както той го нарича) изследване на езика и заявява, че приема това, което други наричат „езикова продукция“, за част от самия език. С други думи М. Янакиев оспорва тезата на Н. Чомски за отъждествяването на езика с езиковата компетенция (competence) и откъсването му от езиковата реализация (performance). Българският езиковед използва теоретични аргументи, по-късно приложени независимо от него и от цитираните по-горе британски учени, като избягва всякаква идеологизация на аргументацията. Интересно е, че Янакиев оспорва мнението на Чомски относно ролята на количествените изследвания, но, от друга страна, приема и всъщност популяризира у нас Чомскианската тенденция към въвеждане на математически и логически модели в езикознанието. Фактически М. Янакиев полага основите на българска школа в емпиричните езикови изследвания, която е в диалог с водещите тенденции в световен мащаб, но има и свое лице. Той самият обучава над 500 студенти и учители филолози в извършването на количествени езикови изследвания (Янакиев 1976/2007: 170[8]).
Събирането на масива от разговорна реч на Цветанка Николова е пряко повлияно от проф. М. Янакиев, както самата тя отбелязва това в уводните думи към Честотния речник. Неговата подкрепа е свързана, както с методологията на събирането на масива, така и с броенето на словоформите за речника.
С оглед на ситуацията в езикознанието по това време се вижда ясно, че Цветанка Николова се осмелява да отдели години от своята работа на един непопулярен за времето си проект – за събиране на записи на реч, транскрибиране на записите и оформянето им в масив. По този начин нейната работа, както и изследванията на М. Янакиев, Р. Мутафчиев, Е. Герганов и др., предшестват бурното развитие на корпусните изследвания десетилетия по-късно в България и по света.
2.2. Втори етап – създаването на електронния корпус в началото на 90-те години
В началото на 90-те години Цветомира Венкова насочва езиковедските си интереси в областта на корпусната лингвистика, заинтригувана от зараждащата се тогава тенденция към емпирични изследвания, свързани с използването на компютрите в езикознанието. Тази силно налагаща се тогава тенденция в световен мащаб е мотивирана от възможността да се съхраняват и обработват големи текстови електронни масиви, които да се прилагат в езиковедската практика като електрони речници, правописни коректори, програми, подпомагащи превода и др.
При създаването на електронния корпус отново трябва да се отбележи активното съдействие и подкрепа на проф. Мирослав Янакиев.
Електронният корпус на разговорна реч е предварително проектиран с оглед на водещите практики. Той е вътрешно структуриран според утвърдения стандарт на американския корпус „Браун“ (Франсис и Кучера 1964), както и на неговия европейски еквивалент „ЛОБ-Ланкастър-Осло/Берген“ (Йохансон, Лийч и Гудлък 1978).
Още при замисъла на разглеждания електронен корпус, целите му се разширяват извън приложението му в конкретно изследване. С други думи той е съставен като самостоятелен електронен ресурс, който да е база на различни емпирични изследвани. Предназначен е основно за синтактични анализи, но също и за различни езикови наблюдения и автоматични търсения. Първоначалната му честотна обработка се разглежда като етап, като основа за по-нататъшни разнообразни езикови изследвания, вече станали възможни поради напредъка на компютърните технологии (Венкова 1996а, 1996б, 1997: 26–37).
В контекста на българската лингвистика трябва да се отбележи, че по това време вече има редица записи на автентична българска реч в книжен или електронен вид. Сред тях са издадените от М. Виденов и Хр. Тотев транскрипции на софийска разговорна реч (Виденов и Тотев 1991) и транскрипциите на разговорна реч у Виденов (1990). От методологическа гледна точка особено важни са разработките на Михаил Виденов върху метода на сондиране (Виденов 1990: 476–478) и принципите на изграждането на разговорен корпус (цит. съч: 482). Трябва да се отбележи и електронният корпус на Красимира Алексова, който е фонетично транскрибиран и социолингвистично анотиран (Алексова 1994).
Значителна част от времето от работата върху корпуса е посветена на определяне на корпусната методология – на предимствата и ограниченията на корпуса като основа на езиковедски изследвания.
Водещ при съставянето на Електронния корпус на българска разговорна реч е методологическият принцип за корпуса като адекватна основа на езиковедските изводи. Признава се значимостта на корпусно-базираните изследвания (corpus-based studies) или, по-общо казано, на емпиричния подход в езикознанието. Корпусът се приема не като самоцел, а като основа за значими лингвистични изводи. При разглеждането на тази роля е направено съзнателно разграничение от две крайни позиции при определянето на ролята на корпуса. Избягнато е както отричането на корпуса при изграждането на лингвистичния модел за сметка на интуицията на езиковеда (вж. цитата от Чомски 1965 по-горе), така и абсолютизирането на ролята на корпуса като „необходим и достатъчен“ (Харис 1951: 13). По-скоро е следвано разбирането за ролята на корпуса, наложило се първоначално в изследванията на Дж. Лиич и Я. Аартс (Лийч 1991: 8–30 и Аартс 1991: 44–64). Според тези автори е възможен нов тип взаимодействие между интуицията на езиковеда и корпуса с автентичен езиков материал, при което езиковедът се явява в ролята на експерт, който оценява автентичния материал и взема решения въз основа на своята интуиция. Този тип взаимодействие Дж. Лийч (цит. съч.: 18) нарича „симбиоза между човека, компютъра и корпуса“, която става възможна едва в наши дни, поради два фактора, определящи новата ера в лингвистиката: бързо увеличаващата се мощност на компютрите и бързо увеличаващия се обем на компютърните корпуси. Този принцип се подкрепя и от Дж. Синклер, според когото „интроспекцията на носителя на езика трябва да служи за оценка на езиковия материал, а не за неговото създаване“ (Синклер 1991: 39).
На второ място, при проектирането на Електронния корпус на българска разговорна реч е възприето той да бъде от вида частен корпус (specific corpus) по терминологията на Джон Синклер. Следвана е и постановката на Синклер за релевантност на очакваните лингвистичните изводи само върху тези типове текст, от които е съставен корпусът (Синклер 1991: 14). И въпреки че това е ограничение на обсега на изводите, то води до значително повишаване на точността на точността на анализа и неговите приложения. Този подход е подкрепен и от Д. Байбър и Е. Финеган, според които „типовете текст се различават по езиковите си характеристики и за ненадеждни се считат изводи, които са направени на базата само на един или два текстови типа, а претендират да бъдат релевантни за дискурса като цяло“ (Байбър и Финегън 1991: 210).
Освен това, следван е и друг основен принцип на създаване на балансиран извадков корпус. Той предполага включването на текстови извадки с еднаква дължина, както е в корпусите „Браун“ и „ЛОБ“. Еднаквата дължина на извадките дава възможност както за точкова оценка на изследваните явления чрез средните аритметични, така и оценка на неравномерността на разсейването чрез величината средно квадратично отклонение на реда (σ) и съответно на доверителните интервали, в които могат да варират средните аритметични. Правейки обобщение на съществуващата практика, Макенри и Харди (2012:8) посочват, че целта на балансираните извадкови корпуси е да дадат представа за „определена част от езика за конкретен период от време“. Чрез такъв вид корпус се търси баланс и представителност в рамките на конкретна страна на езика и група от носители на езика, т.е. в определено комуникативно пространството. Цитираните автори посочват, че тези корпуси се наричат още „моментни снимки на езика“ (snapshot corpora), тъй като те представят моментното състояние на дадена езикова сфера.
3. Основни характеристики на Корпуса на българска разговорна реч „Николова-Венкова“
В тази точка са представени някои основни характеристики на електронния корпус, които са важни при неговото използване като ресурс.
3.1. Особености на записаната реч
Извадките носят характеристиките на разговорната реч: „устна форма, спонтанен характер, диалогичност, ситуативност, небрежност (или синезност) на различни равнища – лексикално, фонетично, синтактично и задължително неофициалност в отношенията между комуникантите“ (Николова 1987: 12).
Говорещите са предимно в пълнолетна възраст. Голяма част от тях са роднини, приятели, колеги. Включени са и телефонни разговори. Комуникативните ситуации са предимно битови, т.е. не са маркирани с маркери като „официалност, професионалност и интелектуализация“ (Виденов 1990: 94).
Записите са направени без предварителното знание на говорещите. Включени са основно транскрипции на разговори с повече от един участник.
3.2. Особености на транскрипцията
Текстовете не са с фонетични транскрипции, а са с нормализиран стандартен правопис, без да се отразяват систематични звукови промени, като краесловното обеззвучаване или редукцията на гласните в източните говори, както и затвърдяването при западните говори, например. Това може да затрудни някои фонетични изследвания, но пък е предимство при синтактичните и лексикалните анализи, където търсенето по словоформи е много облекчено поради липсата на фонетична вариативност.
Запазени са обаче някои некнижовни форми на думи, повечето от които са сред най-изявените разговорни или диалектни маркери, като например разговорното произношение на числителните: двайсе, шес, триййс; некнижовен преглас на я: всекаква, некои, ветъра, видé, дясните; небрежен изговор и съкращаване на срички и звукове: мойто, нашто, ний, айде, остайх, прайх, ушийм, мож’, т’ва, к’во, дъл’, хор’та; „мекане“ при глаголите: знаеме, допуснеме, диалектизми и турцизми: доле, сакаш, бетер, аслъ, ептен, зорлем, изопачаване на чуждици: шафьорите, полюлей, неологизми и звукоподражателни думи: шлякани, цигар, ръкаров, седалцето, гребен-мребен, шумове-мумове, шъ-къ, шлинк, трас; чужди изрази пардоне моа, для извинению, к сожелению.
Употребата на определителния и неопределителния член в именните групи е запазена така, както са я употребили говорещите, и в доста случаи не съответства на книжовното правило. Редуването с-със, в-във също е според изговора, а не по книжовната норма.
Тези особености са запазени, тъй като те в голяма степен определят спецификата на спонтанната разговорна реч. Те трябва да се имат предвид в случаите, когато се броят появите на някои от некнижовните думи, тъй като тогава е нужно да се зададат в конкорданса различните им форми на поява или част от думата, която е постоянна за всички форми или диалектни варианти. Например знаем‚ знайм, знаеме може да се търси чрез поредицата от символи „зна“ или „зна*м“, като се изключат появите на форми на други сходни думи.
Пунктуацията следва книжовните норми, но на места не е последователно поставена. Превключването между участниците в разговорите не е отбелязано, но в повечето случаи се разбира от контекста.
3.3. Особености на електронното кодиране на корпуса
Текстовете са въведени на кирилица, като текстът е кодиран в най-основния текстов формат, т.нар. ASCII код, който лесно се конвертира в различни по-сложни формати и подлежи на обработка с леснодостъпни програми конкорданси. При тоя стандартен код на всеки буквено-цифров знак съответства число от кодова таблица и липсват скрити символи. Поради това той е най-удобен за всякакви лингвистични компютърни изследвания върху текста. Дължината на редовете е 65 знака. Извършено е подравняване в ляво и дясно. Думите на латиница, появяващи се в някои текстове, са запазени. Разделянето по параграфи е запазено така, както е в оригиналния текст (Венкова 1996б: 264).
3.4. Първична обработка на текстовете в корпуса – броене, азбучни и честотни списъци, конкорданс
Преброяването на текстовете и разделянето им по извадки е осъществено автоматично с програма CVLEXIZ, разработена за тази цел от М. Янакиев и Цв. Венкова. Тази програма брои графичните думи, разбирани като низове от символи между две шпации. Тогава се създават и програми за автоматично съставяне на азбучни, честотни и рангови списъци на корпуса и на отделните извадки, както и конкорданси – WRANK, PRAESORT, SORT (Венкова 1997:33-36).
За радост, сега такива програми са достъпни, като например Simple Concordance Program или някои вградени вече функции на Microsoft Word, докато в началото на 90-те години се налага да се напишат специално за корпуса.
3.5. Извадкова структура на корпуса
Корпусът се състои от 25 извадки по 2000 думи всяка. Всяка извадка е номерирана съответно от 1 до 25, като в скоби са дадени текстовете от машинописния масив, които са включени вътре. Извадката започва с начало на изречение и завършва с първия край на изречение след навършване на 2000 думи (Венкова 1997: 29–31).
Тъй като записите на разговори са с различна дължина, те са комбинирани в рамките на извадките или пък разделени между тях, така че в една извадка може да се съдържат един или няколко текста. Когато поради фиксирания размер на извадката се наложи разделяне на някои текстове на части а, б и дори с, то обикновено част а на разделения текст е в края на една извадка, а част б – в началото на следващата. Всеки отделен текст в корпуса започва на нов ред и има съответния номер, за да е ясно превключването между различните записи и съответно езикови ситуации.
По-долу е показано началото на извадка от електронния корпус, което дава представа за неговото съдържание. Първият ред съдържа индекс r (разговорна реч) и номер на файла (от 01 до 25), а след това в скоби са транскрипциите (с индекс t) според номерацията в машинописния масив на Цв. Николова, като а е първата част, а б – втората част на една транскрипция. Връзката между номерациите в електронния корпус и машинописния масив е важна, защото корпусът се състои от равни по обем от извадки, а масивът – от различни по обем транскрипции. С други думи, имаме коиндексация на извадки и транскрипции, за да се улесни ползването на корпуса за различни цели чрез препращане към по-широк контекст, ако извадката не е достатъчна.
По-долу е показан пример, като форматирането 1–65 в него тук е нарушено, за да се спести място.
Фиг. 1. Пример за начало на текстова извадка от корпуса
r05 (t33b,t38,t46,t71a)
t33b
Е, и какво... на сестра ми той внесе хиляда и осемстотин за апартамент, на другата ми сестра той купи телевизор и разни работи, на брат ми той внесе колата и плати три хиляди лева мито. Ний иначе, изобщо аз не мога да си представя... Ти какво си въобразяваш... Значи то е... Няма начин... Той работи, той е стар архитект предполагам и работи непрекъснато и печели. Той работи денонощно. Може да има и пет деца. Аз ако седя при него само да му помагам, ще изкарвам може би по двайсе хиляди на година. А пък аз тука, понеже с теми съм ангажирана, с други работи, не мога дори да му помогна на човека... Искам да кажа, че работа за архитекти има много. Може човек да работи и много, може хубаво да изкарва, но е мъчение направо. Ай да ходим да обядваме.
t38
Тя рекла, пък да не си болен бе, Митко, какво ти е, що ти е? Обаче, вика, видях аз, вика, че има нещо друго и като погледнах, вика, видях Катя на балкона. Там, тя негова съученичка и, казва, аз разбира се си излязох, като му дала ултиматум Катя веднага да си замине. Заминала си тя, Катя, и тая, Нели, извикала сина си на аудиенция и му рекла, нали, това на какво прилича? Ти използваш мойто отсъствие да водиш тука момичета... Така. Той рекъл, досаждаш ми с твойте грижи. Няма да ми се месиш във личния живот. Това е. (…)
3.6. Наличност на корпуса „Николова-Венкова“
Корпусът е наличен за безплатно ползване на сайта www.t.venkova.info (Corpus „Nikolova-Venkova“), както и на някои други сайтове, откъдето има връзки към него. На посочения сайт е представен и индексиран списък на съставящите файлове на корпуса.
4. Място на корпуса сред другите електронни ресурси за български език
Този електронен корпус на българска разговорна реч все още има своето място в българистичните изследвания, въпреки наличието вече на разговорни корпуси с много по-голям обем и анотация, например части от Българския национален корпус към Института за българския език, БАН, Синтактичната банка на български език (Bultreebank) към Института по математика, БАН, инициативата BgSpeech към СУ „Св. Климент Охридски“.
Какво определя неговото използване?
На първо място, корпусът е прецизно структуриран като извадков по модела „Браун“. Това го прави представителен за разговорната реч и подлежащ на статистическа обработка, като позволява и съпоставка с подобни чуждоезикови корпуси по този модел.
Достъпността се подобрява и от това, че корпусът е безплатен и достъпен без регистрация в Интернет, както и че е бил многократно предоставян на електронен носител на различни институции и отделни изследователи.
Освен това, използването на стандартната пунктуация и нормализирането на фонетичните варианти, както и липсата на допълнителни фонетични или дискурсни символи, го правят изключително удобен за синтактичен и лексикален анализ, тъй като словоредно и лексикално текстът автентично следва записите.
Колкото и да е странно, това, което се посоча в някои публикации като негов недостатък, е едно от предимствата му – липсата на допълнителна анотация. Тъй като неговият формат е plain text, то той може да се обработва с всички съвременни широко разпространени текстови програми, в различни програмни приложения и операционни системи. Въпреки че несъмнено анотираните корпуси имат много важна роля, то те са ограничени от рамката на лингвистичната теория, според която са анотирани, както и от допълните символи (например XML, или фонетични, дискурсни, интонационни, и др.). Анотацията налага символно конвертиране и по-сложно теоретично адаптиране при работа. Тези ограничения не важат за описвания корпус „Николова-Венкова“. В този смисъл, широкото използване на този неанотиран корпус потвърждава изказаната преди години теза на Дж. Синклер за ефективността на т.нар. „политика на чистия текст“ (clean text policy) в Синклер (1991[9]).
5. Бъдещи перспективи пред корпуса – диахронни изследвания
С времето този корпус започва да придобива историческа стойност като моментна снимка на езиковото състояние на разговорната реч в България от 70-те години на XX век.
Подобни диахронни изследвания вече се правят за английски език между корпуси от 60-те и 70-те години и сега. Сред тях са например Майер, Хунд, Лийч и Смит (2002), които изследват краткосрочните диахронни промени в честотите на частите на речта в корпусите „ЛОБ “ от 70-те години на XX век и „Ф-ЛОБ (Фрайбург-ЛОБ)“ от 90-те години на XX век, отбелязвайки тенденция към номинализация. Някои граматични диахронни корпусни промени се анализират от Лийч и Смит (2006), които установяват обща тенденция към засилване на разговорните структури в писмената реч, както и заемане на американски граматични конструкции, като например някои форми на подчинително наклонение в английския език.
Освен това корпусът е добра основа за културологични изследвания, защото носи белезите на своето време. Подобно изследване например относно сравняване на американската и британската култура според някои лексикални маркери е направено въз основа на американския „Браун“ корпус и европейския „ЛОБ“ корпус (Лийч и Фалън 1992). Дори и бегъл поглед върху разглеждания Корпус на българска разговорна реч показва наличието на очевидни лексикални маркери, характерни за времето отпреди демократичните промени през 1989 г., например другари (многократно в почти всички извадки), комсомолките (r02), комсомолски (r13), партийното бюро (r01), бригада (r02) При разговорите в служебна обстановка се наблюдава стремеж към недоизказване и автоцензура. Освен това, липсва лексика, характеризираща съвременното навлизане на електронните комуникации, като компютър, джиесем, интернет и др. От културологична гледна точка се забелязва, че диалозите отразяват едно по-патриархално устройство на семейния живот, в който няколко поколения съжителстват заедно. Подобни диахронни различия тепърва предстои да бъдат анализирани.
От друга страна, в граматично отношение промените са много по-бавни и този корпус би могъл и в следващите години да се използва за извличане на структури, ако езиковедът използва и своята интуиция относно тяхната актуалност.
6. Заключение
Корпусът „Николова-Венкова“ е представен тук в опит да се очертае неговото място в развитието на българската корпусна лингвистика от дистанцията на годините и на емпиричните езикови изследвания върху българския език изобщо. Неговото активно използване през годините от редица учени и проектни колективи у нас и по света наложи и необходимостта от обобщаване на ролята му през изминалите години. Тук се представят също и накратко неговите текстови и технически характеристики, за да послужат при използването му като ресурс за лингвистични анализи. Но най-вече желанието е да се покаже приемствеността в българската лингвистична традиция, нейната връзка с тенденциите по света, както и наличието на един добър дух на сътрудничество, който е добре да бъде съхранен и занапред.
ЛИТЕРАТУРА
АЛЕКСОВА, КР. 1994. Езикови процеси в семейството (върху материал от столицата). Докторска дисертация, София: СУ „Св. Климент Охридски“.
ВЕНКОВА, ЦВ. 1997. Съставните съюзи с елемент „да“ от гледна точка на компютърния текстов анализ, докторска дисертация, СУ „Св. Климент Охридски“.
ВИДЕНОВ, М. 1990: Съвременната българска градска езикова ситуация. София: Университетско издателство „Св. Климент Охридски“.
ВИДЕНОВ, М., ТОТЕВ, ХР. 1991: Софийска разговорна реч. София: Университетско издателство „Св. Климент Охридски“.
ЗАСОРИНА, Л. 1977. Частотный словарь русского языка. Москва: Русский язык. НИКОЛОВА, ЦВ. 1987. Честотен речник на българската разговорна реч. София: Наука и изкуство.
СПАСОВА, В. 2013: Появи на алтернативни въпросителни структури в български корпуси. В: Сборник от Десетата конференция на млади учени, София: ФКНФ, СУ „Св. Климент Охридски“, 2013, 10–118.
ТИШЕВА, Й., ДЖОНОВА, М. 2010: Електронни ресурси за българската разговорна реч. В: Lettera et Lingua, 2010.
ТИШЕВА, Й., РО ХАУГЕ, Х. 2001: Съюзи за противопоставяне в ролята на прагматични частици. В: Проблеми на българската разговорна реч, кн. 5. В. Търново, 2001, 242–252.
ФРУМКИНА, Р. 1961. О точных методах исследования языка, Москва: МГУ. Штейнфельдт Э. А. 1963. Частотный словарь современного русского литературного языка. Таллин: НИИПЭССР.
ЯНАКИЕВ, М. 2007. Лингвистиката и езиковото обучение. Т. Ангелова (съст.), София: Университетско издателство „Св. Климент Охридски“.
REFERENCES
AARTS, J. 1991: Intuition-based and observation-based grammars. In: English Corpus Linguistics, Aijmer and Altenburg (eds.), London and New York, 44–62.
ALEKSOVA, KR. 1994. Ezikovi protsesi v semeystvoto (varhu material ot stolitsata). Doktorska disertatsia, Sofia: SU „Sv. Kliment Ohridski“.
BIBER, D., FINNEGAN, E. 1991: On the exploitation of computerized corpora in variation studies. In: English Corpus Linguistics, Aijmer and Altenburg (eds.), London and New York: Longman, 204–220.
CHOMSKY, N. 1965. Aspects of the Theory of Syntax. Cambridge, MA: MIT Press.
DIMITROVA, D. 2023: Bulgarian Speech Corpora: A Review. In: Proceedings of the International ClaDa-BG Conference Language Technologies and Digital Humanities in Bulgaria. 3–16.
FIELDER, G. E. 2008: Bulgarian Adversative connectives: Conjunctions or Discourse Markers? In: Cross-linguistic Studies of Clause Combining, R. Laury (ed)., Amsterdam: John Benjamins. 79–98.
FRANCIS, W., KUCERA, H. 1964. Manual of information to accompany a standard corpus of present-day edited American English, for use with digital computers. Providence, Rhode Island: Department of Linguistics, Brown University.
FRUMKINA, R. 1961. O tochnyh metodah issledovanija jazyka. Moskva: MGU.
HARRIS, Z. 1951. Methods in Structural Linguistics. Chicago: University of Chicago Press.
JAEGER, T.F. 2012. On the optional and obligatory realization of the Bulgarian direct object clitic. Stanford: Stanford University.
JOHANSSON, S., LEECH, G., GOODLUCK, H. 1978. Manual of Information to Accompany the Lancaster–Oslo/Bergen Corpus of British English, for Use with Digital Computers. Oslo: Department of English, University of Oslo.
KOVACHEVA, M. 2012. Spontaneous spoken language and linguistic theory. Sofia: Univ. Press St. Kliment Ohridski.
LEECH, G. 1991: The state of the art in corpus linguistics. In: English Corpus Linguistics, Aijmer and Altenburg (eds.), London and New York: Longman, 18–29.
LEECH, G. 1992: Corpora and theories of linguistic performance. In: Directions in Corpus Linguistics, Proceedings of the Nobel Symposium 82, Berlin, 105–122.
LEECH, G., FALLON, R. 1992: Computer corpora: what do they tell us about culture? In: ICAME Journal 16, 1992, 29–50.
LEECH, G., SMITH, N. 2006: Recent grammatical change in written English 1961–1992. In: The Changing Face of Corpus Linguistics, A. Renouf. and A. Kehoe (eds.), Amsterdam/New York: Rodopi, 186–204.
MAIR, C., HUNDT, M., LEECH, G. AND SMITH, N. 2002: Short-term diachronic shifts in part-of-speech frequencies: a comparison of the tagged LOB and F-LOB corpora. In: International Journal of Corpus Linguistics 7 (2), 2002, 245–64.
MCЕNERY, Т., HARDIE, A. 2012. Corpus Linguistics: Method, Theory and Practice. Cambridge: Cambridge University Press.
NIKOLOVA, TSV. 1987. Chestoten rechnik na balgarskata razgovorna rech. Sofia: Nauka i izkustvo
OVCHAROVA, B. 2016. Preposing of Clause Constituents in English And Bulgarian. PhD Dissertation. Sofia University.
ShTEJNFEL'DT, Je. A. 1963. Chastotnyj slovar' sovremennogo russkogo literaturnogo jazyka. Tallin: NIIPJeSSR.
SINCLAIR, J. 1991. Corpus, Concordance, Collocation. Oxford: OUP.
SPASOVA, V. 2013: Poyavi na alternativni vaprositelni strukturi v balgarski korpusi. In: Sbornik ot Desetata konferentsia na mladi ucheni, Sofia: FKNF, SU „Sv. Kliment Ohridski”, 2013, 10–118.
SPASOVA, V. 2019: Types of approximation expressed by English and Bulgarian alternative interrogative structures. In: Paisii Hilendarski University of Plovdiv – Bulgaria Research papers, Vol. 57, Book 1, Part A, 2019, 408–420.
SPASOVA, V. 2021: Epistemic modality of clauses and sentences with English and Bulgarian alternative interrogative structures. In: Paisii Hilendarski University of Plovdiv – Bulgaria Research papers, Vol. 59, Book 1, Part A, 2021, 308–320.
SPASOVA, V. 2023: Constituents of English and Bulgarian alternative interrogative structures and their functions within the clause. In: Paisii Hilendarski University of Plovdiv – Bulgaria Research papers, Vol. 61, Book 1, Part B, 2023, 88–104.
TISHEVA, Y., DZHONOVA, M. 2010: Elektronni resursi za balgarskata razgovorna rech. In: Lettera et Lingua. 2010.
TIShEVA, Y., RO HAUGE, H. 2001: Sayuzi za protivopostavyane v rolyata na pragmatichni chastitsi. V: Problemi na balgarskata razgovorna rech, kn. 5. V. Tarnovo, 2001, 242–252.
TOGNINI-BONELLI, E. 2001. Corpus Linguistics at Work. Amsterdam: John Benjamins. VENKOVA, Tsv. 1997. Sastavnite sayuzi s element „da“ ot gledna tochka na kompyutarnia tekstov analiz, doktorska disertatsia, SU: „Sv. Kliment Ohridski”.
VENKOVA, TZV. 1996: Corpus-Based Study of the Words Governing Da-Constructions in Bulgarian Fiction and Speech. In: Working Papers in Linguistics 28, Trondheim, 1996, 319–328.
VIDENOV, M. 1990: Savremennata balgarska gradska ezikova situatsia. Sofia: Universitetsko izdatelstvo „Sv. Kliment Ohridski.
VIDENOV, M., TOTEV, HR. 1991: Sofiyska razgovorna rech. Sofia: Universitetsko izdatelstvo "Sv. Kliment Ohridski".
YaNAKIEV, M. 2007. Lingvistikata i ezikovoto obuchenie. T. Angelova (sast.), Sofia: Universitetsko izdatelstvo "Sv. Kliment Ohridski".
ZASORINA, L. 1977. Chastotnы slovary russkogo yazыka. Moskva: Russkiy yazыk.
