语料的采集与整理.ppt

文档介绍：语料的采集与整理
中国外语教育研究中心梁茂成
主要内容
什么是语料库?
科学取样
平衡问题
几个常见问题
语料的整理
什么是语料库
corpus (pl. corpora)
指经过科学取样和加工的电子文本库。借助计算机分析工具,研究者可开展相关的语言理论及应用研究。
什么是语料库
语料库是数据
数据不等于事实
事实是偶发的
数据是收集而来的
对数据而言,量很重要
数据是用来代表整体的
分析数据所得到的结论可以推及整体
科学取样
随机取样
Random sampling
科学取样
系统抽样
Systematic sampling
科学取样
分层抽样
Population
Sample
Proportional allocation
Even allocation
18-29
30-49
50-64
65+
Sample
Stratified sampling
平衡问题
语料库中各类文本的所占比例与语言的实际使用情况基本相当。
平衡问题
几个常见问题
建设学****者语料库时,学****者所犯的语言错误是否需要纠正?
建设学****者语料库时,男女比例失调怎么办?
建设新闻语料库时,人民日报等报纸有现成的电子文本,很方便收集。可否直接全部收录?