Lingwistyka korpusowa w nauce języków obcych

Lingwistyka korpusowa to badanie języka na podstawie wielkich, starannie dobranych zbiorów prawdziwych tekstów — nazywanych korpusami — analizowanych z pomocą komputerów. Zamiast opierać się na intuicji językoznawcy co do tego, co w języku jest możliwe, zadaje inne pytanie: spośród wszystkiego, co mówiący i piszący mogliby powiedzieć, co naprawdę mówią i jak często? To przesunięcie — od przykładów wymyślonych do obserwowanych — po cichu zmieniło sposób, w jaki pisze się słowniki, w jaki podręczniki dobierają słownictwo i jak myślimy o tym, co znaczy „znać język". Dla każdego, kto uczy się języka obcego, korzyść jest konkretna: korpusy mówią nam, które słowa są najważniejsze i jak słowa naprawdę się ze sobą łączą.

Cała dziedzina opiera się na prostej myśli o dalekosiężnych konsekwencjach. Intuicja rodzimego użytkownika świetnie ocenia, czy zdanie jest możliwe, ale słabo ocenia, co jest typowe. Zapytaj biegłą osobę, jak często używa danego słowa albo które słowa zwykle mu towarzyszą, a zgadnie — i często zgadnie źle. Korpus nie zgaduje. Rejestruje miliony słów autentycznego użycia i pozwala wzorcom wyłonić się z danych.

Czym jest korpus: od Brown Corpus po miliardowe zbiory z sieci

Korpus to duża, uporządkowana próbka języka, zbudowana tak, by reprezentować pewną odmianę — język, dialekt, rejestr — i zapisana w formie, którą może przeszukiwać komputer. Współczesna dziedzina zaczyna się w 1961 roku, gdy W. Nelson Francis i Henry Kučera z Brown University stworzyli Brown Corpus: milion słów amerykańskiej angielszczyzny, pobranych w równych, 2000-wyrazowych próbkach z 500 tekstów w 15 gatunkach, od reportażu prasowego po prozę literacką. Według dzisiejszych miar milion słów to niewiele, ale Brown Corpus był pierwszym maszynowo czytelnym korpusem zbudowanym do badań językoznawczych i wyznaczył wzorzec — zrównoważony dobór próbek, udokumentowane źródła, format nadający się do obliczeń — który przejęło wszystko, co powstało później. Jego brytyjski bliźniak, korpus Lancaster–Oslo/Bergen (LOB), celowo powielił jego konstrukcję, by obie odmiany dało się porównywać wprost.

Później korpusy rosły o całe rzędy wielkości. British National Corpus (BNC), ukończony w połowie lat 90., liczy 100 milionów słów pisanej i mówionej brytyjskiej angielszczyzny. Corpus of Contemporary American English (COCA), tworzony przez Marka Daviesa od 2008 roku, zaczynał od ponad 385 milionów słów, a od tego czasu przekroczył miliard — zrównoważony między mową, prozą, czasopismami, prasą i tekstem akademickim. Obok nich korpusy uczniowskie (zbiory tekstów pisanych przez uczących się języka) i korpusy wielojęzyczne otworzyły nowe rodzaje badań. Większe korpusy mają znaczenie, bo język jest głęboko wzorcowy, ale zarazem rozproszony: wiele ważnych połączeń wyrazowych pojawia się zaledwie kilka razy na milion słów, więc trzeba naprawdę dużo tekstu, zanim wzorzec stanie się widoczny.

Co właściwie robi się z korpusem? U podstaw niemal wszystkiego leżą trzy podstawowe operacje:

Konkordancje. Linia konkordancyjna pokazuje szukane słowo pośrodku jego najbliższego kontekstu — widok „słowo kluczowe w kontekście" — a wszystkie wystąpienia ustawia jedno pod drugim. Czytając w dół kolumny, dostrzega się wzorce, których nie ujawniłby żaden pojedynczy przykład: jakie przyimki idą po czasowniku, czy słowo bywa raczej pozytywne, czy negatywne, co zwykle je poprzedza.
Frekwencja. Korpus zlicza, jak często występuje każde słowo i każda konstrukcja, tworząc listy frekwencyjne, które porządkują słownictwo od najczęstszego po najrzadsze — surowiec do decyzji, czego uczyć w pierwszej kolejności.
Kolokacje. Korpus ujawnia, które słowa nawykowo trzymają się razem — po angielsku strong tea („mocna herbata"), ale powerful engine („mocny silnik"); make a decision („podjąć decyzję"), ale do your homework („odrobić lekcje"). Te upodobania są w dużej mierze arbitralne, niewidoczne dla gramatyki i to właśnie w nich uczący się najczęściej popełniają subtelne błędy.

Kolokacje, frekwencja i rewolucja COBUILD

Językoznawca J. R. Firth ujął tę główną myśl w słynnym zdaniu: „Słowo poznasz po towarzystwie, w jakim się pojawia". Znaczenie i zachowanie słowa są związane z innymi słowami, obok których się pojawia — a tylko korpus potrafi pokazać to towarzystwo na dużą skalę. Nikt nie posunął tej idei dalej niż John Sinclair, który od lat 80. kierował projektem COBUILD na University of Birmingham, budując korpus znany później jako Bank of English właśnie po to, by badać, jak angielskie słowa naprawdę się zachowują.

Z tych danych Sinclair wyprowadził radykalny wniosek, który nazwał zasadą idiomatyczności (idiom principle): duża część języka nie jest składana słowo po słowie według reguł gramatyki, lecz używana ponownie w gotowych blokach — na wpół utrwalonych zwrotach i nawykowych kolokacjach, które mówiący wybierają w całości. Po angielsku mówimy „to a certain extent", „as a matter of fact", „I'm afraid I can't" nie przez swobodną konstrukcję gramatyczną, lecz jako prefabrykowane jednostki. Korpus pokazał, że ta gotowa, formuliczna warstwa nie jest marginalną ciekawostką, ale ogromną częścią zwykłego języka — myśl rozwijaną w naszym haśle o nauce pełnymi zdaniami.

Miało to natychmiastowy praktyczny skutek. Collins COBUILD English Language Dictionary (1987) był pierwszym słownikiem dla uczących się zbudowanym w całości na materiale korpusowym: jego hasła dobrano według frekwencji, definicje opisywały, jak słów faktycznie się używa, a — co najważniejsze — zdania przykładowe zaczerpnięto z prawdziwych tekstów, zamiast wymyślać je przy biurku leksykografa. Od tego czasu każdy poważny słownik dla uczących się i znaczna część opracowań gramatycznych korzysta z metod korpusowych. Gdy współczesny słownik mówi, że słowo jest „formalne" albo „używane głównie w przeczeniach", ta ocena opiera się dziś zwykle na policzonych danych, a nie na przeczuciu redaktora.

Data-driven learning: uczeń jako badacz

Skoro korpusy potrafiły korygować intuicje redaktorów słowników, dlaczego nie oddać ich wprost w ręce uczących się? Taka była propozycja Tima Johnsa, również z Birmingham, który w 1991 roku ukuł termin data-driven learning (DDL, nauka sterowana danymi). Jego hasło brzmiało: „usunąć pośrednika, na ile to możliwe, i dać uczącemu się bezpośredni dostęp do danych". Zamiast dostać gotową regułę — na przykład, kiedy używać make, a kiedy do — uczeń dostaje zestaw linii konkordancyjnych i ma sam ją wyprowadzić; staje się, jak to ujął, detektywem językowym.

Rozumowanie jest takie, że uczący się, który odkrywa wzorzec na podstawie prawdziwego materiału, rozumie go głębiej i lepiej pamięta niż ktoś, komu się go po prostu podało. Przestawia to całą klasę: nauczyciel przestaje być jedynym autorytetem od języka, a staje się przewodnikiem po materiale dowodowym; to uczeń wykonuje pracę zauważania. Johns nazwał tę praktykę „konkordancjonowaniem w klasie" i pozostaje ona wpływowa — stoi za dzisiejszymi korpusami online, konkordancerami i codziennym nawykiem sprawdzania, jak dany zwrot naprawdę się stosuje, zanim się go użyje. Łączy się też naturalnie z szerszym argumentem, że rozumienie języka, który w większości daje się śledzić, napędza przyswajanie — o czym piszemy w haśle comprehensible input.

Co z tego bierze uczący się: listy frekwencyjne i autentyczne kolokacje

Dwa produkty korpusowe docierają do uczących się najbardziej wprost. Pierwszy to lista wyrazów oparta na frekwencji. General Service List Michaela Westa (1953) był wczesną, liczoną ręcznie próbą wskazania tych kilku tysięcy słów, które dają największe pokrycie tekstu przy czytaniu. Jej współczesny następca, New General Service List (Browne, Culligan i Phillips, 2013), został wyprowadzony z 273-milionowej części Cambridge English Corpus: jego około 2800 słów zapewnia mniej więcej 92% pokrycia ogólnego tekstu angielskiego. Wniosek dla uczącego się jest otrzeźwiający — stosunkowo niewielki, dobrze dobrany rdzeń słownictwa otwiera większość codziennego języka, a dane frekwencyjne mówią dokładnie, które słowa ten rdzeń tworzą. Czas poświęcony na kilka tysięcy najczęstszych słów zwraca się o wiele bardziej niż czas poświęcony na rzadkie.

Drugi produkt to znajomość autentycznych kolokacji — tego, jak słowa naprawdę się łączą, w odróżnieniu od tego, co podsuwa wiarygodnie wyglądające tłumaczenie. To właśnie tu intuicja, także nauczyciela, najczęściej zawodzi i tu korpusy najczęściej zaskakują. Badania korpusowe wielokrotnie pokazały, że podręczniki przeuczają jednych struktur, a niedouczają innych, oraz że wymyślone zdania przykładowe ze starszych podręczników często nie odpowiadają temu, jak dane słowa zachowują się w realnym użyciu. Uczący się, który sprawdza zwrot w korpusie — albo korzysta z materiałów na nim zbudowanych — uczy się języka takiego, jakim się go naprawdę mówi i pisze, a nie jego wyidealizowanej, podręcznikowej wersji.

Co z tego wynika dla nauki języka

Praktyczne przesłanie lingwistyki korpusowej dla uczącego się brzmi: ufaj dowodom bardziej niż intuicji i ucz się języka w tych jednostkach, w jakich przychodzi realne użycie. Stawiaj na rdzeń o wysokiej frekwencji: kilka tysięcy najczęstszych słów i ich najczęstszych kolokacji wykonuje przytłaczającą większość pracy, a listy frekwencyjne mówią, które to słowa. Ucz się słów wraz z ich nawykowym towarzystwem, a nie w izolacji, bo „mocna herbata" i „podjąć decyzję" to fakty o użyciu, których nie da ci żadna reguła. I traktuj całe, autentyczne zdania jako naturalną jednostkę — zdanie niesie prawdziwe kolokacje słowa i gramatykę razem, w kontekście, i właśnie dlatego nauka pełnymi zdaniami tak wprost realizuje wniosek korpusowy. Taka jest myśl stojąca za metodą Taalhammer: ćwiczyć prawdziwe zdania, dobrane pod kątem przydatności, tak by częste słowa i ich autentyczne połączenia były spotykane i utrwalane w sposób, w jaki — jak pokazują korpusy — język naprawdę działa.

Najczęściej zadawane pytania

Czym jest korpus w prostych słowach?

Korpus to duży, uporządkowany zbiór prawdziwych tekstów — mówionych i pisanych — zapisany tak, by mógł go przeszukiwać komputer. Jego celem jest pokazanie, jak języka faktycznie się używa, a nie jak nam się wydaje, że się go używa. Pierwszym maszynowo czytelnym był Brown Corpus (1961) z milionem słów; współczesne korpusy, takie jak COCA, liczą miliard i więcej.

Czym jest konkordancja i po co się przydaje?

Konkordancja wypisuje każde wystąpienie szukanego słowa wraz z tekstem po obu jego stronach, wyrównane tak, by słowo stało w środkowej kolumnie. Czytając w dół tej kolumny, widzi się wzorce, które ukryłby pojedynczy przykład: przyimki, jakie przyjmuje czasownik, słowa nawykowo mu towarzyszące, to, czy bywa raczej pozytywne, czy negatywne. To główne narzędzie, dzięki któremu materiał korpusowy staje się widoczny.

Jak lingwistyka korpusowa pomaga uczącym się?

Na dwa główne sposoby. Dane frekwencyjne wskazują wartościowe słownictwo, którego warto uczyć się najpierw — kilka tysięcy słów pokrywa większość codziennego języka. A dane o kolokacjach pokazują, jak słowa naprawdę się łączą, korygując intuicje prowadzące uczących się do nienaturalnych sformułowań. Materiał korpusowy stoi też u podstaw słowników, podręczników i list wyrazów, na których uczący się już polegają.

Źródła

W. Nelson Francis, Henry Kučera, Computational Analysis of Present-Day American English, Brown University Press, 1967 (Brown Corpus, 1961).
J. R. Firth, „A Synopsis of Linguistic Theory, 1930–1955", w: Studies in Linguistic Analysis, Blackwell, 1957.
John Sinclair, Corpus, Concordance, Collocation, Oxford University Press, 1991.
John Sinclair (red.), Collins COBUILD English Language Dictionary, Collins, 1987.
Tim Johns, „From Printout to Handout: Grammar and Vocabulary Teaching in the Context of Data-Driven Learning", w: T. Odlin (red.), Perspectives on Pedagogical Grammar, 1994; oraz T. Johns, P. King (red.), Classroom Concordancing, ELR Journal 4, 1991.
Michael West, A General Service List of English Words, Longman, 1953.
Charles Browne, Brent Culligan, Joseph Phillips, The New General Service List, 2013 (newgeneralservicelist.org).
Mark Davies, „The 385+ million word Corpus of Contemporary American English (1990–2008+): Design, architecture, and linguistic insights", International Journal of Corpus Linguistics 14(2), 2009.