Tekstkorpus (flertall: -korpora, fra latin: «legeme»),[1] eller korpus, flertall korpora, er en samling av maskinelt lesbare tekster som tjener et bestemt formål, samt overholder regler for innhold og format.

For språkforskere (datalingvister) er tekstkorpus et stort og strukturert sett av tekster (vanligvis elektronisk lagret og prosessert), som benyttes som utgangspunkt for analyser av språk. Til støtte for analysen er tekstenes ord ofte annoterte, det vil si forsynet med opplysning om ordklasse, ordstamme eller faste vendinger. På grunnlag av dette analyseres setningers grammatiske struktur. Anvendelsesområder er oversettelse og talegjenkjennelse.

Arkeologisk korpora rediger

Tekstkorpora er også benyttet i studiet av historiske dokumenter, for eksempel i forsøk på å tyde eller dekryptere oldtidstekster, eller i tekstkritisk bibelforskning. En del arkeologisk korpora kan være av slik kort varighet at de gir et øyeblikksbilde av tiden. En av de korteste i så måte kan være Amarnabrevene (rundt 1350 f.Kr.) som strakte seg 15-30 år i tid. Korpus til en oldtidsby, eksempelvis Kültepetekstene i Kanesj i dagens Tyrkia, kan gå gjennom en rekke av korpora, bestemt av dateringen av deres funnsteder.

Kjente tekstkorpora rediger

Referanser rediger

  1. ^ Bokmålsordboka: «Korpus»; kan også henvise til den vanligste skrifttypestørrelsen i aviser og bøker.
  2. ^ Leech, Geoffrey; Garside, Roger; Bryant, Michael (1994): The large-scale grammatical tagging of text: Experience with the British National Corpus. Netherlands: Rodopi Publishers. s. 47-63.