Квантитативное исследование англоязычного авторского корпуса Рэгу Н. Митры

Борунов Артем Борисович ORCID: 0000-0003-2507-7218 кандидат филологических наук доцент кафедры романо-германских языков Московский государственный гуманитарно-экономический университет 107150, Россия, г. Москва, ул. Лосиноостровская, 49 Borunov Artem Borisovich PhD in Philology Associate Professor of the Department of Romano-Germanic Languages Moscow State University of Humanities and Economics 107150, Russia, g. Moscow, ul. Losinoostrovskaya, 49 borunov.artem@yandex.ru Другие публикации этого автора

Квантитативная лингвистика, развивавшаяся в Европе и США, переживает расцвет в наши дни в России. Сегодня отечественные лингвисты обратили внимание на методы и подходы этого раздела общей лингвистики, а, с учетом возросшей компьютеризации нашей жизни, удобством использования компьютерного программного обеспечения при проведении анализа корпуса, создании конкордансов и глоссариев, машинном анализе текста, появляется всё больше интересных исследований как в области филологии, отметим, например, исследование параметрических ядер германских языков Воевудской О. М. ^[4], исследование параметрического ядра русской лексики по данным МАС-2 Стародубцевой Ю. А. ^[7], так и техническими специалистами, вносящими вклад в автоматизацию процесса текстового анализа, например, разработка автоматизированной системы семантического анализа и построения визуальных динамических глоссариев Кулешова С. В. ^[6].

Квантитативный анализ, иными словами количественное исследование языка статистическими методами, позволяет, при помощи компьютерного ПО, автоматизировано получить данные по интересующему исследователя запросу.

Для проведения анализа текста использовалась компьютерная программа «WordSmith Tools» ^[14]. Данная программа обладает большим функционалом для всестороннего исследования текста математическими методами. Учитывая задачи настоящего следования, мы воспользовались функцией общей статистики корпуса и функцией построения частотного списка.

Фактическим материалом исследования послужил созданный нами электронный авторский англоязычный корпус из 4 полных вариантов книг и двух отрывков из книг Рэгу Н. Митры на английском языке:

1) «Очень банальная страсть» “A Very Insipid Passion” ^[11];

2) «Грехопадение» “Impute Fall to Sin” ^[9];

3) «Дождь из теней» “A Rain Full of Ghosts” ^[10];

4) «Если бы не смерть» “If there wasn't death” ^[8],

а также 2 фрагмента других произведений писателя, представленных в свободном доступе в сети Интернет:

5) “As in the falling of an eyelid” ^[12];

6) “At The Davies” ^[13].

Материал исследования. Приведем исходные параметры анализируемого корпуса, используя ПО, которые занесены в таблицу 1. «Статистические данные обработки авторского корпуса». При обработке общего файла корпуса текстов Р. Н. Митры были выделены исходные данные взятых для анализа текстов, которые составляют – 414311 слов или токенов (столбец «tokens used for word list»), либо 2 273 083 знаков с пробелами (столбец «file size»). Подробнее процедура получения электронного авторского корпуса текста и исследование его начальных параметров описано в статье, откуда позаимствован фрагмент табл. 1 ^[1].

Табл. 1. Статистические данные обработки авторского корпуса ^[1].

Опираясь на материал данного авторского корпуса из 414311 токенов, построим частотный список. Данный эксперимент был проведен нами с использованием программы «WordSmith Tools», функция автоматизированного построения частотного списка ^[14].

Эксперимент № 1: «Построение частотного списка лексических единиц исследуемого авторского корпуса программой «WordSmith Tools».

Цель эксперимента: построить частотный список и проанализировать его, затем отобрать 50 наиболее частотных единиц из авторского корпуса и провести сравнение с другими англоязычными корпусами.

Исходные данные: авторский корпус объемом 414311 токенов ^[1]. Исходные параметры авторского корпуса занесены в табл. 1.

Дата эксперимента: 22.02.2016.

Ход эксперимента: созданный электронный авторский корпус был загружен в программу для составления частотного словаря. Программа автоматически проанализировала корпус и составила список, ранжированный по частотности словоупотребления. Однако, несмотря на удобство и быстроту обработки информации данным ПО, отметим недостаток, а именно при автоматическом анализе корпуса отсутствует функция объединения различных словоформ в лексему, поэтому, например, слова «dog» и «dogs» считаются различными и частотность употребления подсчитывается для каждого слова, также как и в случае с грамматическими парадигмами времен. Кроме того, программа учитывает как токены служебные слова: артикли, союзы, предлоги. Мы не стали в ручную вносить коррективы в результаты обработки текста, так как не ставили задачи обработать частотность, например, исключительно номинативных единиц.

Результаты эксперимента: в составленном частотном словаре последним словом является “zoomed”, которое в ранжировке занимает место под номером 19404 с индексом частотности употребления 1. Первые места по частотности, как и ожидалось, занимают служебные слова: “the”, “I”, “a”, которые обладают частотностью употребления 19256, 11546, 11268 соответственно (см. Табл. 2). На данные слова приходится от 4,64 до 2,72 % текста.

……………..

Табл. 2. Фрагмент таблицы-отчета частотного употребления ЛЕ.

Приведем список 50 слов с наибольшей частотностью употребления из исследуемого корпуса (Табл. 3): «Freq.» - «частотность употребления», «%» - «% в корпусе», «Texts» - в данном столбце указано, что при расчете брались данные одного корпуса. Данный список состоит из служебных слов: артиклей, предлогов, местоимений, вспомогательных и модальных глаголов, союзов, частиц, прошедшего времени глагола “said”, вводящего косвенную речь и слова “like”, которое может быть как глаголом, так и наречием. На данный список приходится 46,34% всего корпуса.

Табл. 3. Список 50 самых частотных токенов

Высокую частотность употребления таких единиц как “the”, “a”, “had”, “was”, “of”, “are”, “is”, “have” и ряда других можно объяснить грамматической системой английского языка, в котором присутствует категория определенности/неопределенности, передающаяся посредством артикля, аналитический способ образования грамматических времен при помощи вспомогательных глаголов, передача части грамматических отношений через предлоги. Сравним наши данные с данными Корпуса современного американского английского языка ^[5] (англ. Corpus of Contemporary American English), которые представлены в Табл. 4. (Корпус современного американского английского языка).

Rank	Word	Part of speech	Frequency	Dispersion
1	the	a	22038615	0.98
2	be	v	12545825	0.97
3	and	c	10741073	0.99
4	of	i	10343885	0.97
5	a	a	10144200	0.98
6	in	i	6996437	0.98
7	to	t	6332195	0.98
8	have	v	4303955	0.97
9	to	i	3856916	0.99
10	it	p	3872477	0.96
11	I	p	3978265	0.93
12	that	c	3430996	0.97
13	for	i	3281454	0.98
14	you	p	3081151	0.92
15	he	p	2909254	0.94
16	with	i	2683014	0.99
17	on	i	2485306	0.99
18	do	v	2573587	0.95
19	say	v	1915138	0.95
20	this	d	1885366	0.96
21	they	p	1865580	0.96
22	at	i	1767638	0.98
23	but	c	1776767	0.97
24	we	p	1820935	0.94
25	his	a	1801708	0.95
26	from	i	1635914	0.99
27	that	d	1712406	0.94
28	not	x	1638830	0.98
29	n't	x	1619007	0.97
30	by	i	1490548	0.96
31	she	p	1484869	0.91
32	or	c	1379320	0.97
33	as	c	1296879	0.98
34	what	d	1181023	0.94
35	go	v	1151045	0.93
36	their	a	1083029	0.97
37	can	v	1022775	0.98
38	who	p	1018283	0.97
39	get	v	992596	0.94
40	if	c	933542	0.97
41	would	v	925515	0.97
42	her	a	969591	0.91
43	all	d	892102	0.98
44	my	a	919821	0.93
45	make	v	857168	0.98
46	about	i	874406	0.96
47	know	v	892535
Другие сайты издательства: Официальный сайт издательства NotaBene / Aurora Group s.r.o.	Перепечатка материалов допускается только в некоммерческих целях со ссылкой на оригинал публикации. Охраняется законами Российской Федерации. Любые нарушения закона преследуются в судебном порядке. © ООО "НБ-Медиа"