Korpus teks: Perbedaan antara revisi

Korpus teks adalah sumber daya [[bahasa]] yang terdiri dari kumpulan teks yang besar. Pada [[linguistik]], korpus teks juga dikenal dengan sebutan jamak korpora yang saat ini biasanya disimpan dan diproses secara elektronik. Korpus teks digunakan untuk melakukan analisis statistik serta pengujian hipotesahipotesis, memeriksa kejadian atau memvalidasi aturan [[Linguistik|lingustik]] dalam wilayah bahasa tertentu.

Linguistik korpus muncul sekitar tahun 1960-an dimanayang pada era tersebut, dua buku dari [[Noam Chomsky]] yang berjudul Syntactic Structures terbit pada tahun 1957 dan Aspects of Theory of Syntax terbit pada tahun 1965 memberikan dampak besar bahkan memicu revisi standar paradigma dalam linguistik teoretis.<ref>{{Cite book|last=KushartantiVerfasser|first=Untung YuwonoChomsky, dan Multamia RMT LauderNoam|date=20071957|titleurl=Pesona Bahasahttp: Langkah Awal Memahami Linguistik//worldcat.org/oclc/1156931389|locationtitle=JakartaSyntactic Structures|publisher=Gramedia Pustaka UtamaMouton|isbn=978-3-11-231600-9|pages=11|oclc=1156931389|url-status=live}}</ref>

Setelah itu, muncul proyek-proyek mengenai korpus. Proyek korpus pertama, di akhir tahun 1950-an, Randolph Quirk melakukan pengumpulan data bahasa untuk penelitian tata bahasa secara empiris. Saat itu, data yang dikumpulkannya belum terkomputerisasi dan baru pada pertengahan tahun 1980-an proses komputerisasi tersebut dilakukan oleh Quirk bersama Greenbaum. Itulah proyek korpus pertama yang dikenal dengan International Corpus of English dimanayang dalamdidalam data tersebut terdiri atas 1 jugajuta kata yang meliputi 500 ribu kata data lisan dan 500 ribu kata data tulis<ref>{{Cite web|date=2021-11-18|title=The International Corpus of English|url=https://www.ucl.ac.uk/english-usage/projects/ice.htm|website=University College London|access-date=2022-10-15}}</ref>.

Proyek ketiga dari korpus bernama English Lexical Studies yang dimulai pada tahun 1963 di Edinburgh dan diselesaikan di Birmingham dipimpin oleh John Sinclair. Proyek ini berbasis sampel teks elektronik bahasa lisan dan tulis yang sangat kecil<ref>{{Cite book|last=McHardy.|first=Sinclair, John|date=1970|url=http://worldcat.org/oclc/1120811855|title=English lexical studies : report to OSTI on project C/LP/08.|publisher=Department of English, University of Birmingham|oclc=1120811855}}</ref>.

Pada proyek korpus berikutnya, yaitu Collins Cobuild English Language Dictionary yang disusun pertengahan 1970-an dan kamus tersebut diterbitkan pada tahun 1987 dibawah panduan John Sinclair. DidalamnyaPada kamus itu, korpus tersebut terdiri atas 18,3 juta kata<ref>{{Cite journal|last=Standop|first=Ewald|date=1988-01|title=Collins COBUILD English language dictionary|url=http://dx.doi.org/10.1016/0346-251x(88)90082-6|journal=System|volume=16|issue=3|pages=384–388|doi=10.1016/0346-251x(88)90082-6|issn=0346-251X}}</ref>.

Analisis dan pemrosesan berbagai jenis korpora merupakan subjek beragam pekerjaan dalam linguistik komputasi, pengenalan suara, dan terjemahan mesin, yang mana hal tersebut sering digunakan untuk membuat [[model Markov tersembunyi]] yang digunakan untuk penandaan bagian ucapan dan tujuan lainnya.

Turunan dari daftar korpora serta frekuensi, berguna dalam pengajaran bahasa. Korpora dapatbisa dianggap sebagai bentuk dari jenis bantuan menulis dan memahami bahasa asing, karena pemahaman dari tata bahasa kontekstualnya diperoleh, pengguna mampu memperoleh bahasa non asli melalui paparan teks yang otentik di korpora sehingga memungkinkan pelajarpengguna yang mempelajarinya mampu untuk memahami cara dari pembentukan kalimat dalam bahasa tujuan dan memungkinkan penulisan yang efektif<ref>{{Cite journal|last=Yoon|first=Hyunsook|last2=Hirvela|first2=Alan|date=2004-12|title=ESL student attitudes toward corpus use in L2 writing|url=http://dx.doi.org/10.1016/j.jslw.2004.06.002|journal=Journal of Second Language Writing|volume=13|issue=4|pages=257–283|doi=10.1016/j.jslw.2004.06.002|issn=1060-3743}}</ref>.

Dalam korpus terjemahan, teks-teks dalam satu bahasa merupakan terjemahan dari teks-teks dalam bahasa lain. Dalam korpus yang sebanding, teks-teksnyateks tersebut memiliki jenis yang sama danserta mencakup konten yang sama, tetapi mereka bukan merupakan terjemahan satu sama lain<ref>{{Cite book|last=Wołk|first=Krzysztof|last2=Marasek|first2=Krzysztof|date=2014|url=http://link.springer.com/10.1007/978-3-319-05951-8_11|title=Real-Time Statistical Speech Translation|location=Cham|publisher=Springer International Publishing|isbn=978-3-319-05950-1|editor-last=Rocha|editor-first=Álvaro|volume=275|pages=107–113|language=en|doi=10.1007/978-3-319-05951-8_11|editor-last2=Correia|editor-first2=Ana Maria|editor-last3=Tan|editor-first3=Felix . B|editor-last4=Stroetmann|editor-first4=Karl . A}}</ref>. Untuk mengeksploitasi teks paralel, beberapa jenis perataan teks yang mengidentifikasi segmen teks yang setara ([[frasa]] atau kalimat) merupakan bagian prasyarat untuk analisis bahasa.

Korpora teks juga digunakan dalam studi dokumen sejarah, seperti dalam upaya untuk menguraikanmenerjemahkan naskah-naskah kuno, atau digunakan dalam studi pada [[Alkitab]]. Beberapa korpora [[arkeologi]] dapat memiliki durasi yang begitu singkat sehingga mereka memberikan gambaran pada waktunya. Salah satu korpora terpendek dalam waktu mungkinterdapat adalahpada teks surat [[Amarna]] 15–30 tahun (1350 SM).