波兰语国家语料库

波兰语国家语料库，波兰语称为Narodowy Korpus Języka Polskiego，通常缩写为NKJP，是一个国家级规模的语料库和在线研究资源，致力于波兰语研究。它汇集了多个机构收藏的文本，并使其可搜索，用于语言学、词典编纂、教育和计算目的。NKJP并非传统意义上的消费品牌，而是一个面向公众的研究平台和共享的学术基础设施。 该倡议由四个合作伙伴创建：波兰科学院计算机科学研究所、波兰科学院波兰语言研究所、波兰科学出版社PWN以及罗兹大学计算与语料库语言学系。合作结合了参与机构先前独立开发的语料库建设成果。该项目被注册为波兰科学与高等教育部的研究与开发项目，反映了其在记录和分析波兰语方面的国家作用。 其计划中的完整语料库设计超过十亿词。在该更广泛的资源中，建立了一个约三亿词的精心平衡的子语料库，以提供波兰语在不同体裁和时期使用的更具代表性的图景。一个约一百万词的人工标注语料库也在开放许可下发布，支持更详细的语法和计算分析。该语料库旨在涵盖既有和当代语言，而非集中于单一文学或媒体体裁。 源材料包括经典波兰文学、普通日报、专业期刊和杂志、录制或转录的对话、短期出版物和互联网文本。这种混合使研究人员能够调查标准语和口语用法、历史连续性、专业术语、新兴表达、短语学以及书面语和口语之间的差异。语料库证据可以显示一个词或短语在上下文中的使用方式、其意义和语法功能，以及其频率或分布随时间的变化。 NKJP与多个搜索环境相关联。Poliqarp界面支持搜索单词、短语、语法形式以及更复杂的序列，包括正则表达式风格的查询和形态扩展搜索。PELCRA提供对基于多个机构语料库的更大组合集合的访问，具有可下载的结果、可视化功能以及用于检查时间序列和词汇或短语模式的工具。这些界面使底层数据不仅对专业语料库语言学家有用，也对词典编纂者、语言教师、翻译人员、记者、学生和语言技术开发者有用。 该语料库的重要性在于其协作和代表性的设计。通过汇集学术和出版组织的收藏，它为波兰语研究创建了一个共同的参考点，并减少了对孤立机构数据集的依赖。其开放和在线组件也扩大了对证据的访问，否则这些证据需要专业软件或直接联系各个档案。可用的参考材料并未确立商业所有权结构、传统总部或公司母公司；NKJP最好被理解为一个机构研究联盟和数字语言资源。

波兰语国家语料库源于波兰学术和出版机构开发的几个独立语料库项目。波兰科学院波兰语言研究所创建了一个早期语料库，最初不公开。波兰科学出版社PWN后来开发了自己的语料库，而罗兹大学的PELCRA小组则组装了另一个重要收藏。波兰科学院计算机科学研究所也开发了一个单独的语料库，强烈面向计算处理语言技术。 这些收藏是为相关目的而创建的，但最初由不同的团队维护。它们的整合提供了一种结合互补优势的方式：语言学专业知识、出版数据、计算基础设施和语料库查询系统的经验。2006年，这四个小组联合起来建立了波兰语国家语料库。该项目被注册为科学与高等教育部的研究与开发项目，赋予其明确的国家研究任务，而非单一机构的本地数据库。 该联盟计划了一个超过十亿词的完整资源。这一规模对波兰语料库语言学具有重要意义，因为它可以支持一般频率研究以及对相对罕见的术语、结构和短语模式的调查。同时，该项目认识到需要精心平衡的收藏。准备了一个约三亿词的平衡子语料库，以提供对体裁和使用背景的更受控的代表性，而一个约一百万词的人工标注语料库在开放许可下发布，用于详细的语言和计算工作。 该语料库汇集了广泛的来源。文学作品提供了历史和文化上重要的例子；日报贡献了当前通用语言用法；专业杂志和期刊代表了技术和专业词汇；对话转录捕捉了口语；而短暂和互联网文本记录了不太正式、快速变化的表达形式。这种广度使该资源不仅可用于研究单词的含义，还可用于研究其含义、语法角色、搭配和频率如何随体裁和时期变化。 在线访问成为该项目公共身份的核心部分。Poliqarp搜索引擎使用户能够查询单词和短语，检索语法变体，使用正则表达式风格的模式，并检查诸如名词和形容词组合的序列。其架构还支持某些操作的本地或离线执行。PELCRA提供了一个更广泛的分析环境，利用与项目合作伙伴相关的三个主要语料库收藏。它支持电子表格下载、形态和拼写相关的查询选项、灵活的短语搜索、频率或注册模式的可视化探索以及时间序列生成。 通过这些发展，NKJP成为波兰语料库研究的共享参考基础设施。其用户包括语言学家、词典编纂者、语言教育者、翻译人员、计算语言研究人员以及其他需要真实例子而非孤立词典定义的人。可用的材料并未记录后来的公司重组、商业收购或传统高管层级。因此，该项目最好被描述为一个机构联盟和数字学术平台，其历史主要成就是整合和公开展示主要的波兰语语料库资源。

• 2006

  波兰语国家语料库联盟成立

  [1]National Corpus of Polishen.wikipedia.org

  四个先前独立的语料库建设小组联合起来：波兰科学院的两个研究所、波兰科学出版社PWN和罗兹大学的计算与语料库语言学系。

• 注册为国家研究与开发项目

  [1]National Corpus of Polishen.wikipedia.org

  该倡议被注册为波兰科学与高等教育部的研究与开发项目。

• 发布平衡和注释的语料库资源

  [1]National Corpus of Polishen.wikipedia.org

  该项目建立了一个约三亿词的平衡子语料库，并在开放许可下发布了一个约一百万词的人工标注语料库。

• 在线搜索访问

  [2]National Corpus of Polish official websitenkjp.pl

  该语料库通过NKJP搜索服务在线访问，包括Poliqarp界面。

作为基于证据的波兰语使用研究的国家学术参考资源，结合了广泛的文本覆盖和可搜索的注释数据。

• 语言语料库

  波兰语国家语料库

  核心NKJP资源是一个大型、多体裁的波兰语文本集合，用于实证语言研究。它包括文学作品、普通报纸、专业出版物、对话转录、短暂材料和互联网文本。其计划的总体规模超过十亿词，其中约三亿词的平衡子语料库旨在提供更具代表性的覆盖。研究人员可以使用这些数据来检查含义、语法功能、搭配、频率、语域和随时间的变化。

• 标注语言数据集

  人工标注语料库

  一个约一百万词的人工标注部分在开放许可下发布。标注使材料特别适用于详细的语法调查和计算应用，如标记、解析以及波兰语处理系统的开发或评估。

• 语料库搜索引擎

  Poliqarp

  Poliqarp提供对语料库的查询访问。用户可以搜索单个单词、短语、语法形式和模式化序列。其功能包括正则表达式风格的搜索和形态扩展，允许研究人员检索词汇项的多种形式或调查结构组合，如名词-形容词序列。

• 语料库分析平台

  PELCRA

  PELCRA结合了参与机构相关的三个语料库收藏的数据，并提供了广泛的词汇和短语分析环境。它支持灵活的查询、形态和拼写相关选项、电子表格下载、频率或注册模式的可视化探索以及单词、短语和习语的时间序列分析。

1. 1National Corpus of Polishen.wikipedia.org
2. 2National Corpus of Polish official websitenkjp.pl