Ағылшын Корпусы - Spoken English Corpus

The Ағылшын Корпусы (ӘКК) Бұл сөйлеу корпусы сөйлеу жазбаларының жинағы Британдық ағылшын 1984-7 жылдары құрастырылған. Корпус туралы нұсқаулықты мына жерден табуға болады МЕН КЕЛДІМ.[1]

Тарих

Spoken English Corpus (SEC) жобасын 1984-5 жылдары Ланкастер Университетіндегі Гуманитарлық зерттеулер қоры және IBM (Ұлыбритания) Ltd, кейіннен IBM UK Ltd бірлесіп қолдады, бұл жобаға Ланкастердегі Джеффри Лийч және Джеффри Кай қолдау көрсетті. IBM-де. Жоба бірлесіп қаржыландырылды IBM, ағылшын тіліндегі компьютерлік зерттеулер бөлімі (UCREL) арасында Ланкастер университеті және IBM ғылыми орталығы Винчестер.[2]

Жинақ

ӘКК негізінен 53 жазылған үзіндіден тұрады BBC, акцентте айтылатын, әдетте, деп аталады Айтылым алынды немесе RP. Жинақ комментарий, жаңалықтар эфирі, дәріс, диалог, поэзия және насихат сияқты категорияларды қамтиды.[3] Корпуста 52 637 сөз бар, барлығы 339 минут. Корпустың компиляциясын Лита Тейлор өзінің 1996 жылғы «Сөйлеген ағылшын корпусының компиляциясы» мақаласында сипаттайды.[4]

Транскрипция

Ноулз және басқалар, (1996) Корпорация формальды британдық ағылшын сөзі, Routledge
Формальды британдық ағылшын корпусы.jpg

Транскрипциясы үшін жүйе жасалды дауыс ырғағы материалдағы жазбалар. Лита Тейлор қолдаған екі транскриптор, Джерри Ноулз және Бриони Уильямс барлық корпусты талдады. Транскрипция жүйесін Уильямс түсіндіреді,[5] және дәрежесін бағалау үшін эксперимент Брайан Пикеринг жүргізді келісім корпус бөлігіндегі екі транскриптор арасында 1000-ға жуық тон - екі транскриптор да транскрипциялаған бірліктер.[6] Жақсы келісім табылды.

Қазіргі заманғы корпустың маңызды атрибуты - ол компьютерде оқылатын: корпус кітап сөресіне қарағанда қатты дискіде орналасуға бейім. Корпусты осы кітап түрінде ұсыну кезінде авторлар қалыптасқан корпус лингвистерінің және денелермен әлі таныс емес адамдардың қажеттіліктерін ескерді. Дискіде корпусы бар кез-келген адам файлдардың көпшілігінің қағаз көшірмелерін жасай алады; бірақ просодикалық белгілерді басып шығаратын арнайы шрифт болмаса, просодикалық мәтіндер басылмаған немесе оқылмайтын болады. Осы себепті басылымға просодикалық нұсқа таңдалды.

Барлық транскрипцияны қазіргі түрінде Питер Алдерсон жасады, ол кейінірек IBM-де сөйлеуді зерттеу менеджері болды. Кейін бұл том «Британдықтардың ресми сөз сөйлеуінің корпусы: Ланкастер / IBM Spoken English Corpus» деп аталды және оны алғаш рет басып шығарды. Лонгман 1996 жылы, кейінірек Routledge арқылы 2013 жылы. Кітап қазіргі уақытта Routledge және Book депозитарийін қоса онлайн кітап дүкендерінен немесе Google Play Books электронды форматында қол жетімді.[7][8]

Басқа талдаулар

Грамматикалық тегтеу негізделген әр сөздің CLAWS1 жиынтығы, автоматты процестің көмегімен ӘКК мәтініне қосылды.[9][10] Бұл тегтеудің машинада оқылатын түрінде болуы байланыстыруға мүмкіндік берді грамматикалық және просодикалық мәтіндердегі ақпарат. Кейінгі жұмыстарда грамматикалық тегтеуді әрі қарай дамыту және автоматты түрде шығару үшін ықтимал модельдер қолданылды талдау техникасы.[11]

Энн Уичманн SEC интонациясы бойынша «Мәтін мен дискурстағы интонация: басталуы, орталар және аяқталу» атты ғылыми зерттеулерін 2000 ж.[12]

Машинамен оқылатын ағылшын тіліндегі корпорация (MARSEC)

Мәтін және онымен байланысты тегтеу машинада оқылатын түрде болғанымен, жазбалардың өзі тек магнитофон түрінде болған. Қаржыландыратын ынтымақтастық Экономикалық және әлеуметтік зерттеулер кеңесі 1992-4 жылдары Ланкастер және Лидс Ұлыбританияда мәтінмен уақыт байланыстырылған цифрлық нысандағы жазбалардан тұратын корпустың нұсқасын шығаруға кірісті.[13] Негізгі зерттеушілер Герри Ноулз және Тамас Варади (Ланкастер) және Питер Роуч пен Саймон Арнфилд (Лидс) болды. Жобаның құрылымы Knowles-та көрсетілген,[14] және уақытты автоматты туралауды Роуч пен Арнфилд сипаттайды.[15] Сандық жазбалар жазылды CD-ROM. Кейіннен оны зерттеу мақсатымен Лидс Университетінен жүктеуге қол жетімді болды, дегенмен бұл қондырғыға қолдау көрсетілмейді.[16]

Aix-MARSEC

Ланкастер мен Лидстегі MARSEC-те жұмыс 1995 ж. Аяқталды, бірақ кейіннен корпус одан әрі дамудың едәуір нысаны болды Экс-ан-Прованс университеті, Франция, Даниэль Хирсттің басшылығымен.[17] Деректер базасы екі негізгі компоненттен тұрады: MARSEC-тен цифрланған жазбалар және аннотация. Аннотация осы уақытқа дейін тоғыз деңгейде қабылданды, оның ішінде фонемалар, слогдар, сөздер, стресстік аяқтар, ырғақ минорлар мен майорлар агрегаттарды бұру. Жақында екі қосымша деңгей, CLAWS-тің грамматикалық аннотациясы және Aix-en-Provence-де жасалған Properties Grammar жүйесі, жақында біріктірілуі керек.[18] Бұл емдеудің мүмкін кемшілігі - корпусты тек арнайы жазылған сценарийлер арқылы іздеуге болады.[19] Деректер базасы құралдармен бірге қол жетімді GNU GPL Aix-MARSEC жобалық сайтында лицензиялау.[20]

Пайдаланылған әдебиеттер

  1. ^ «ӘКК КОРПУСЫН СӘЙКЕСТІРУ ҮШІН АҚПАРАТ НҰСҚАУЫ». korpus.uib.no. Алынған 2020-10-15.
  2. ^ Сүлік, Джеффри. (1996). «Оның контекстінде айтылған ағылшын корпусы». Алғы сөз. Ноулз, Джерард; Вичманн, Анна; Алдерсон, Питер, редакция. (1996). Сөзбен жұмыс. Лонгман. б. ix. ISBN  9780582045347.
  3. ^ Сяо, Ричард; Тоно, Юкио (2006). MacEnery, Тони (ред.) Корпусқа негізделген тілдік зерттеулер: кеңейтілген ресурстық кітап. Тейлор және Фрэнсис. б. 63. ISBN  9780415286220.
  4. ^ Тейлор, Лита. (1996). «Ағылшын Корпусының Компиляциясы». Ноулз, Джерард; Вичманн, Анна; Алдерсон, Питер, редакция. (1996). Сөзбен жұмыс. Лонгман. 20-37 бет. ISBN  9780582045347.
  5. ^ Уильямс, Бриони. (1996). «Британдық ағылшын тіліне интонациялық транскрипция жүйесінің тұжырымдамасы». Ноулз, Джерард; Вичманн, Анна; Алдерсон, Питер, редакция. (1996). Сөзбен жұмыс. Лонгман. 38-57 бет. ISBN  9780582045347.
  6. ^ Пикеринг, Брайан. (1996). «ӘКК-де транскриптердің айырмашылықтарын талдау». Ноулз, Джерард; Вичманн, Анна; Алдерсон, Питер, редакция. (1996). Сөзбен жұмыс. Лонгман. 61–86 беттер. ISBN  9780582045347.
  7. ^ «Британдықтардың ресми сөз сөйлеуінің корпусы: Ланкастер / IBM сөйлеген ағылшын тілінің корпусы (мұқаба) - Routledge». Routledge.com. Алынған 2018-07-22.
  8. ^ «Ағылшын тіліндегі ресми ағылшын сөзінің корпусы: Джералд Ноулз: 9781138457768». www.bookdepository.com. Алынған 2019-01-30.
  9. ^ Тейлор, Лита. (1996). «Ағылшын Корпусының Компиляциясы». Ноулз, Джерард; Вичманн, Анна; Алдерсон, Питер, редакция. (1996). Сөзбен жұмыс. Лонгман. б. 30. ISBN  9780582045347.
  10. ^ «UCREL CLAWS1 (LOB) Tagset». ucrel.lancs.ac.uk. Алынған 2020-10-15.
  11. ^ Сампсон, Джеффри. (1987). «Талдаудың ықтимал модельдері». Гарсайд, Роджер; Сампсон, Джеффри; Сүлік, Джеффри (1987). Ағылшын тілінің есептеу анализі. Лонгман. ISBN  9780582291492.
  12. ^ «Мәтіндегі және дискурстағы интонация: басталуы, орта және аяқталуы». Routledge & CRC Press. Алынған 2020-10-15.
  13. ^ Роуч, П., Ноулз, Г., Варади, Т. және Арнфилд, С. (1994)«MARSEC: ағылшын тілінде сөйлейтін ағылшын тілінде сөйлейтін». Халықаралық фонетикалық қауымдастық журналы. 23 (2): 47–54. дои:10.1017 / s0025100300004849. ISSN  0025-1003.
  14. ^ Ноулз, Г. «Корпусты реляциялық мәліметтер базасына айналдыру: ӘКК МАРСЕК болады»Джеффри, сүлік; Майерс, Грег; Томас, Дженни (1995). Компьютерде сөйлейтін ағылшын тілі. Лонгман. 208-219 бет. ISBN  9780582250215.
  15. ^ Роуч, Питер және Арнфилд, Саймон. «Прозодикалық транскрипцияны уақыт өлшемімен байланыстыру.» Джеффри, сүлік; Майерс, Грег; Томас, Дженни (1995). Компьютерде сөйлейтін ағылшын тілі. Лонгман. 149-160 бб. ISBN  9780582250215.
  16. ^ «MARSEC: ағылшын тілінде оқылатын машинада оқылатын». www.reading.ac.uk. Алынған 2020-10-15.
  17. ^ Хирст, Даниел; Де Луз, Селин; Оран, Кирилл; Бузон, Каролайн (27 шілде 2010). «Aix-MARSEC дерекқоры». Алынған 15 сәуір 2013.
  18. ^ Орон, Кирилл; Бузон, Каролайн (2003). «Phonotactique алдын-ала болжау және теңестіру автоматикасы: MARSEC корпусын қолдану және оның болашағы» [Болжалды фонотактика және автоматты туралау: MARSEC корпусында қолдану және оның болашағы]. Travaux interdisciplinaires du laboratoire шартты түрде мерзімінен бұрын шартты түрде босату және langage d'Aix-en-Provence (француз тілінде). Прованс университетінің басылымдары. 22: 33–63. Алынған 15 сәуір 2013.
  19. ^ Вичманн, Анн «Сөйлеу корпорациясы және сөйлеу корпорациясы»Людельинг, Анке; Kyto, Merja (2006). Корпус лингвистикасы 1. Вальтер де Грюйтер. б. 200. ISBN  9783110180435.
  20. ^ Хирст, Даниэль. «Aix-MARSEC жобасы». Алынған 15 сәуір 2013.