Slovenský národný korpus (SNK) predstavuje rozsiahly vedecko-výskumný projekt, ktorého cieľom je systematické a komplexné spracovanie slovenského jazyka prostredníctvom elektronických databáz textov. Ide o elektronickú databázu textov súčasného slovenského jazyka, ktorá slúži na vyhľadávanie slov, slovných spojení a jazykových prostriedkov. Je určený každému používateľovi slovenského jazyka, ale predovšetkým redaktorom, prekladateľom, učiteľom a jazykovedcom.
Na základe iniciatívy z roku 2001 a schválenia vlády SR uznesením č. 137 z 13. februára 2002 vzniklo v Jazykovednom ústave Ľudovíta Štúra SAV pracovisko Slovenského národného korpusu s cieľom vybudovať do roku 2006 korpus s kapacitou 200 miliónov tokenov. V súčasnosti prebieha už 5. etapa tohto projektu (2022 - 2026). Hlavný korpus písaných textov SNK, verzia prim-8.0, bol sprístupnený 31. januára 2018 v rozsahu takmer 1,5 miliardy tokenov.
Čo je SNK a čo obsahuje?
SNK je rozsiahly súbor elektronických databáz textov, ktoré sú spracované jednotným spôsobom a obohatené o jazykové anotácie na úrovni slova, vety aj celého textu. Slúžia na vyhľadávanie a triedenie jazykových prostriedkov a informácií, pričom lingvisti na ich autentickom materiáli opisujú významy a funkcie slov, ich štatistiky a spoľahlivú štruktúru. Bežnému používateľovi slúži SNK ako zdroj praktického poznania systému jazyka a overenia poznatkov o reálnom fungovaní jazykových prostriedkov v praxi. Korpus nie je elektronickou knižnicou a nenahrádza kodifikačné či gramatické príručky.
SNK zahŕňa rôzne korpusy: hlavný korpus písaných textov súčasnej slovenčiny, paralelné korpusy (slovensko-ľudské aj zahraničné prekladové texty), korpus nárečí, historický korpus, korpus pomenovaných entít, webový korpus a ďalšie. Hlavný korpus obsahuje tézy z 1955 - 2005 a v ďalších fázach aj texty po roku 2005 a texty zo širšieho obdobia. V súčasnosti je k dispozícii viac ako 1,6 miliardy textových jednotiek, pričom novšie verzie narastajú na viac než 1,8 miliardy jednotiek.
Teoretické a praktické prínosy SNK
SNK slúži ako dátová základňa pre vedecké štúdium písanej i hovorenej slovenčiny, pre tvorbu jazykových slovníkov a počítačových prekladačov. Lingvisti môžu na jeho základe skúmať významy a funkcie slov, ich štatistiky a kolokácie. Výkonné vyhľadávacie nástroje umožňujú vyhľadávanie a triedenie jazykových prostriedkov, čo prispieva k lepšiemu pochopeniu štruktúr jazykových javov.
SNK však nie je náhradou za jazykové kodifikácie; texty sa do korpusu získavajú najmä na základe licenčných zmlúv a pri spracovaní zohľadňujú autorské práva. Primárny korpus zameraný na súčasný slovenský jazyk obsahuje texty od roku 1955 a doplňuje sa o historické a nárečové materiály, čo umožňuje skúmať jazyk v časovej i varietnej štruktúre.
Probíhajúce fázy a aktuálny stav projektu
Projekt SNK prešiel viacerými fázami: prvá fáza sa zameriavala na písané texty z rokov 1955 - 2005; druhá a tretia fáza rozšírili korpus o texty z ďalších období a sfér používania (hovorená slovenčina, dialekty). Štvrtej fáze bolo vydanie kolokačných a frekvenčných slovníkov, doplnenie špecializovaných korpusov a sprístupnenie nových verzií. Piatá fáza sa zameriava na rozširovanie a skvalitňovanie zdrojov prostredníctvom nových verzií korpusov, najmä hlavného korpusu písaných textov, korpusu pomenovaných entít, webového a paralelných korpusov a akvizičného korpusu.
V Jazykovednom ústave Ľ. Štúra SAV sa SNK systematicky spracúva a realizuje elektronizácia jazykovedného výskumu na Slovensku. Čo sa týka využitia, korpus nachádza uplatnenie vo vyučovaní slovenského jazyka, v tvorbe didaktických materiálov a v praktických cvičeniach pre žiakov aj učiteľov. Korpus je tiež nenahrádza učebnice, ale poskytuje autentický jazykový materiál pre objavovanie jazykových javov a ich použitie v praxi.
Využitie SNK vo výučbe a didaktike
SNK predstavuje špecifický súbor jazykových dát, ktorý je vhodný pre vyučovanie slovenského jazyka ako materinského aj ako cudzieho jazyka. Spracované texty sú obohatené o lematizáciu, morfologickú a slovnodruhovú anotáciu, čo umožňuje triedenie tvárí slov, ich základného tvaru a kontextov. Pomáha aj pri tvorbe didaktických materiálov a cvičení, ktoré ilustrujú jazykové pravidelnosti a štruktúry.
Praktické príklady z korpusu môžu slúžiť na výučbu spojky keby a tvarov s prítomným časom, alebo na ukážky kolokácií či predložkových väzieb. Napríklad cvičenia: „Nájdi vety, v ktorých sa nachádza spojka keby a sloveso v prítomnom čase.“
Okrem toho SNK produktoz poskytuje koncepčné materiály, ktoré reflektujú Európsky referenčný rámec pre jazyky a moderné prístupy vo vyučovaní. Publikácie z SNK a tematické seriály ako „Štúdie a štatistiky na báze korpusov slovenčiny“ ilustrujú široké spektrum možných výskumných aplikácií. Nové zväzky a aktuality sa priebežne publikuju, aby používatelia mali prístup k najnovším poznatkom o slovenskom jazyku a jeho používaní.
Praktické ukážky a doplnkové nástroje
Pod projektom vznikajú praktické ukážky a pomôcky pre prácu so SNK, vrátane návodov na vyhľadávanie jazykových javov v rôznych rovinách a korpusoch, popisov metaznakov a regulárnych výrazov potrebných na efektívne vyhľadávanie. Príklad citácie zo zobrazeného korpusu: slovo postoj sa v korpuse vyskytuje 142-tisíc krát s rôznymi tvarmi a kontextmi. Nástroje ako Frekvencia, TVARY KWIC a Kolokácie umožňujú skúmať frekvencie, tvary a susediace slová, čo ilustruje štruktúru jazykových javov v reálnom texte.
Medzi praktické ukážky patrí aj vizualizácia trendov výskytu slov cez nástroj Trendy, ktorý zobrazuje časovú os výskytu slova v korpuse. Napríklad slovo hoax sa prvýkrát objavilo v roku 1955 v Čapkovej Vojne s mlokmi a neskôr v roku 2005 v blogových článkoch denníka SME. Cieľom je ukázať dynamiku používania jazykových prostriedkov v čase a pri rôznych typoch textov.
Mapa nárečí a ďalšie aplikačné prvky
Mapa Mapka predstavuje interaktívnu aplikáciu na vizualizáciu nárečových ukážok na mape. Obsahuje názov obce, ukážku a nárečovú charakteristiku, zvukovú stopu a prepis, a odbornú charakteristiku nárečia. Aplikácia je výsledkom spolupráce s Ústavom Českého národného korpusu a ďalšími odborníkmi na nárečia a ponúka záchranu a rozvoj nárečových foriem v digitálnom prostredí. Mapka je samostatná aplikácia, ktorá dopĺňa korpusové zdroje a umožňuje vizualizácie regionálnych odlišností jazyka.
Budúcnosť a širší význam SNK
SNK prispieva k záchrane a uchovávaniu kultúrneho dedičstva masívnou digitalizáciu starších textov a zároveň slúži ako podklad pre výskum prídavných mien, ako sú štúdie a štatistiky založené na korpusoch. Nadväzujúce aktivity zahŕňajú výučbové materiály, didaktické postupy a školské prax, ktoré sa zameriavajú na praktické použitie korpusových dát v reálnom vzdelávaní. SNK predstavuje nielen nástroj výskumu, ale aj most medzi lingvistickým poznaním a každodenným používaním slovenčiny v školách, médiách a technológiách.
AI dekódovala Voynichův rukopis – ŠOKUJÍCÍ objev
Praktické štatistiky a súčasné čísla
Najnovšie verzie ukazujú, že súčasný hlavný korpus obsahuje viac než 1,6 miliardy textových jednotiek a do budúcnosti sa očakáva ďalší nárast pri vydávaní verzií. Všetky zdroje textov sú poskytované viacerými inštitúciami (aktuálne viac ako 850 poskytovateľov textov), čo umožňuje rozmanité korpusové kolekcie a paralelné texty.
Prínos SNK spočíva aj v tom, že umožňuje skúmať jazykové javy, ktoré sú často ťažko dostupné inými spôsobmi. Okrem lingvistických výskumov prináša aj praktické možnosti pre výučbu a jazykovú didaktiku, ako aj pre vývoj NLP nástrojov a softvéru pre spracovanie prirodzeného jazyka.