Я сторонник копилефта (англ. copyleft, принципы лицензирования свободно распространяемых продуктов – не путать с пиратством!) и считаю, что все данные, которые могут быть публичными, должны быть публичными. Принцип открытости данных хорошо бы распространить не только на прогноз погоды или статистику рождаемости, но и на языковые тексты, разрешив ученым свободно их использовать. Естественно, не для перепродажи, а для улучшения качества преподавания и разработки новых лингвистических программ. Однако, во-первых, со мной согласны не все, а во-вторых, существуют естественные ограничения, связанные с особыми обстоятельствами сбора материала.
Русский эмоциональный корпус (РЭК) состоит из видеофрагментов, фиксирующих различные эмоции. Чтобы собрать такой эмоционально нагруженный материал, авторы корпуса записывали разговоры в паспортном столе (где звучит персональная информация) или реакции студентов на третьей (последней!) пересдаче экзамена в университете. Увидеть материалы корпуса могут только его создатели и участники тайных конференций по корпусной лингвистике.
В целом корпуса обычно бывают:
● свободно распространяемыми (и доступными в интернете);
● доступными по так называемой академической лицензии, для использования в научной некоммерческой деятельности;
● имеющими ограниченный доступ.
Любой корпус – это компромисс между желаемым и возможным, это гигантское количество вложенной энергии, трудолюбия и творчества. В мире великое множество как отдельных корпусов, так и проектов типа НКРЯ, объединяющих множество разнородных корпусов в рамках одной системы.
1. Язык или языки корпуса:
а) одноязычные,
б) многоязычные:
1) параллельные (один и тот же текст на разных языках),
2) смешанные (переключение языков, многоязычное общение):
● выровненные (параллельные),
● невыровненные.
2. Тип текстов:
а) письменные тексты,
б) устные (аудиозаписи и видеозаписи),
в) смешанные (мультимодальные).
3. Жанры текстов:
а) литературные,
б) диалектные,
в) разговорные,
г) публицистические,
д) исторические,
е) корпуса второго языка (ученические и т. п.).
4. Тип данных:
а) полнотекстовые,
б) фрагментированные тексты:
1) n-граммный,
2) конкордансный.
5. Типы разметки:
а) неразмеченные,
б) размеченные (аннотированные), с типами разметки:
1) метатекстовая (жанр, время создания текста и т. д.),
2) лингвистическая:
● фонетическая,
● просодическая,
● морфологическая (полная или только частеречная),
● словообразовательная,
● синтаксическая,
● семантическая
● и др.,
3) экстралингвистическая (маркировка эмоций, жестов и т. п.).
6. Объем данных:
а) представительный корпус (национальный),
б) иллюстративный,
в) мониторинговый.
7. Тип доступа:
а) свободно распространяемый,
б) академическая лицензия,
в) ограниченный доступ.
8. Страна создания и авторские права.
1. Lee D. Genres, registers, text types, domains, and styles: clarifying the concepts and navigating a path through the BNC jungle // Language Learning & Technology. Vol. 5. № 3. September 2001. Р. 37–72. Доступно по адресу: llt.msu.edu/vol5num3/pdf/lee.pdf.
2. Resnik P., Broman Olsen M., Diab M.The Bible as a Parallel Corpus: Annotating the ‘Book of 2000 Tongues’ // Computers and the Humanities. 1999. Vol. 33. № 1–2. Р. 129–153. Доступно по адресу: www.springerlink.com/content/u240g32544t26777.
3. Sinclair J. EAGLES Preliminary recommendations on Corpus Typology, EAGLES Document EAG-TCWG-CTYP/P. 1996. Доступно по адресу: www.ilc.cnr.it/EAGLES96/corpustyp/corpustyp.html.
4. Савчук С. О. Метатекстовая разметка в Национальном корпусе русского языка: базовые принципы и основные функции // Национальный корпус русского языка: 2003–2005. Результаты и перспективы. М., 2005. С. 62–88.