Corpusul englezei americane contemporane ( COCA ) este un corpus electronic de texte creat de profesorul de lingvistică a corpusului Mark Davis de la Universitatea Brigham Young în 2000-2003, pe baza textelor revistei Time scrise din 1923 [1 ] .
Este cel mai mare (450 de milioane de cuvinte) corpus de texte în engleză americană și singurul corpus disponibil gratuit în această limbă, care include o mare varietate de texte de diferite genuri . Este compus din peste 160.000 de texte, inclusiv 20 de milioane de cuvinte în fiecare an, din 1990 până în 2011. Este cel mai utilizat corpus de texte structurate, cu aproximativ 10.000 de utilizatori lunari.
Corpusul este compus din peste 275.000 de articole din arhiva revistei TIME Arhivat pe 20 octombrie 2013 la Wayback Machine și conține peste 100 de milioane de cuvinte din texte scrise între 1923 și 2006. Corpusul TIME Magazine este integrat într-un sistem comun de alte corpuri create de Mark Davis (care include și bazele de date Corpus of Historical American English (COHA), Corpus del Español sau Corpus of American Soap Operas) [2] .
Arhitectura corpusului este construită pe principiul altor proiecte ale lui Mark Davis, cum ar fi Corpus of Contemporary American English (COCA) . Există o bază de date centrală de n-grame care conține informații despre fiecare dintre cele sute de milioane de cuvinte ale corpusului. Acestea sunt legate de tabele care permit analiza cazurilor, precum și de tabele separate pentru sinonime, leme și forme care apar cu un cuvânt în timp.
Textele au fost marcate folosind CLAWS-tagger (Constituent Likelihood Automatic Word-tagging System) [3] . Același program a fost folosit la crearea altor Corpuri Mark Davis, precum și a Corpului Național Britanic .
Hardware-ul pentru corpus a fost ales pentru a oferi căutări extrem de rapide - de obicei durează mai puțin de o secundă chiar și pentru cele mai complexe interogări care conțin formă de cuvânt, parte de vorbire, frecvență și majuscule.
TIME Magazine Corpus vă permite să căutați atât cuvinte și expresii individuale, cât și forme gramaticale specifice sau serii sinonime, precum și să vedeți contextul utilizării lor și schimbarea frecvenței de utilizare.
Corpusul vă permite să explorați:
Accesul în clădire este oferit gratuit.
Înregistrarea este necesară cu furnizarea unei adrese de e-mail sau informații despre organizarea și statutul utilizatorului, în funcție de nivelul de acces necesar. Există cinci niveluri de acces în trei categorii: nu cercetător, semicercetător, cercetător. Toate diferă prin cantitatea de informații furnizate pe zi (dacă un utilizator începător poate face 100 de solicitări pe zi, atunci un profesor sau student absolvent înregistrat ca cercetător poate căuta de 600 de ori în aceeași perioadă de timp).
Lingvistica corpusului | |
---|---|
corpuri engleze |
|
Corpuri în limba rusă |
|
Corpora în alte limbi |
|
Organizații |