مجموعة النصوص الوطنية البريطانية

يشكل 90% من قاعدة بيانات النصوص البريطانية (BNC) عينات من استخدام النصوص المكتوبة . وقد استُخرجت هذه العينات من الصحف الإقليمية والوطنية، والمجلات البحثية أو الدوريات المنشورة في مختلف المجالات الأكاديمية، والكتب الروائية وغير الروائية، وغيرها من المواد المنشورة، بالإضافة إلى مواد غير منشورة مثل المنشورات والكتيبات والرسائل والمقالات التي كتبها طلاب من مختلف المستويات الأكاديمية، والخطابات، والنصوص المكتوبة، وأنواع أخرى كثيرة من النصوص. ^{[ 5 ]}

يشكل ما تبقى من مدونة اللغة البريطانية (BNC) نسبة 10%، وهي عبارة عن عينات من استخدام اللغة المنطوقة . تُعرض هذه العينات وتُسجل في شكل نصوص إملائية مكتوبة. تتكون المدونة المنطوقة من جزأين: الأول ديموغرافي ، ويحتوي على نصوص محادثات طبيعية عفوية أجراها متطوعون من مختلف الفئات العمرية والطبقات الاجتماعية والمناطق. وقد أُجريت هذه المحادثات في سياقات متنوعة، بدءًا من اجتماعات العمل الرسمية أو الحكومية، وصولًا إلى المحادثات في البرامج الإذاعية والمداخلات الهاتفية. ^{[ 5 ]} وقد صُممت هذه المحادثات لتشمل التوزيع الديموغرافي للغة المنطوقة، بالإضافة إلى التباينات اللغوية الهامة الناتجة عن السياق. ^{[ 6 ]}

يتضمن الجزء الآخر عينات مُرتبطة بالسياق، مثل نصوص التسجيلات الصوتية التي أُجريت في أنواع مُحددة من الاجتماعات والفعاليات. وقد أُودِعت جميع التسجيلات الأصلية التي نُسِخت لإدراجها في مشروع BNC في أرشيف الصوت بالمكتبة البريطانية . وتُتاح غالبية التسجيلات مجانًا من مختبر علم الصوتيات بجامعة أكسفورد .

تم إصدار مجموعتين فرعيتين (مجموعتين فرعيتين من بيانات BNC): BNC Baby وBNC Sampler. يمكن طلب كلتا المجموعتين الفرعيتين عبر الإنترنت من خلال صفحة BNC الإلكترونية. ^{[ 7 ]} BNC Baby هي مجموعة فرعية من BNC تتكون من أربع مجموعات من العينات، تحتوي كل منها على مليون كلمة مصنفة كما هي في BNC نفسها. تتوافق الكلمات في كل مجموعة عينات مع تصنيف نوعي محدد . تحتوي إحدى مجموعات العينات على محادثات منطوقة، بينما تحتوي المجموعات الثلاث الأخرى على نصوص مكتوبة: كتابات أكاديمية ، وقصص خيالية ، وصحف على التوالي. ^{[ 8 ]} تم إصدار أحدث نسخة (الثالثة) وهي متوفرة بصيغة XML . ^{[ 9 ]} BNC Sampler هي مجموعة فرعية مكونة من جزأين، جزء للبيانات المكتوبة وجزء للبيانات المنطوقة؛ يحتوي كل جزء على مليون كلمة. استُخدمت BNC Sampler في الأصل في مشروع لتحسين عملية تصنيف BNC، مما أدى في النهاية إلى إصدار BNC World. على مدار المشروع، تم تحسين BNC Sampler مع ازدياد الخبرة والمعرفة في مجال التصنيف حتى وصلت إلى شكلها الحالي. ^{[ 10 ]}

تمت وسم مجموعة بيانات BNC بالمعلومات النحوية ( أجزاء الكلام ). وخضع نظام الوسم، المسمى CLAWS ، لتحسيناتٍ أدت إلى ظهور أحدث إصدار، CLAWS4، المستخدم في وسم BNC. اعتمد CLAWS1 على نموذج ماركوف المخفي ، وعند استخدامه في الوسم التلقائي، نجح في وسم ما بين 96% و97% من كل نص مُحلل. تم تطوير CLAWS1 إلى CLAWS2 بإزالة الحاجة إلى المعالجة اليدوية لتحضير النصوص للوسم التلقائي. يتضمن الإصدار الأحدث، CLAWS4، تحسيناتٍ مثل قدراتٍ أقوى في إزالة الغموض عن معاني الكلمات (WSD)، والقدرة على التعامل مع الاختلافات في التهجئة ولغة الترميز . ركزت الأعمال اللاحقة على نظام الوسم على زيادة معدلات النجاح في الوسم التلقائي وتقليل العمل المطلوب للمعالجة اليدوية، مع الحفاظ على الفعالية والكفاءة من خلال إدخال برمجياتٍ تحل محل بعض الأعمال اليدوية. ^{[ ٢ ] [ ١١ ]} لاحقًا، تم تقديم برنامج جديد يُسمى "مُصنِّف القوالب" لوظيفة تصحيحية. أُضيفت لاحقًا علامات تُشير إلى الغموض. لا يزال التصنيف اليدوي ضروريًا، لأن CLAWS4 لا يزال غير قادر على التعامل مع الكلمات الأجنبية. ^{[ ١٢ ] [ ١٣ ]}

تمت ترميز المدونة وفقًا لتوصيات مبادرة ترميز النصوص (TEI)، وهي تتضمن شرحًا لغويًا كاملًا ومعلومات سياقية. ^{[ 14 ]} يمكن شراء ترخيص برنامج CLAWS4 لتصنيف أجزاء الكلام لاستخدامه. ^{[ 15 ]} كما تُقدم جامعة لانكستر خدمة تصنيف بديلة . ^{[ 16 ]} يمكن طلب مدونة BNC نفسها بترخيص شخصي أو مؤسسي. الإصدار المتاح هو إصدار BNC XML ، وهو مزود ببرنامج محرك البحث Xaira . يمكن الطلب عبر موقع BNC الإلكتروني. ^{[ 17 ]} تم تطوير برنامج BNCweb، وهو مدير مدونات عبر الإنترنت ، خصيصًا لإصدار BNC XML. صُممت واجهة البرنامج لتكون سهلة الاستخدام، ويُوفر البرنامج ميزات ووظائف استعلام لتحليل المدونات. يمكن للمستخدمين استرجاع النتائج والبيانات من عمليات البحث والتحليل. ^{[ 18 ]}

بحلول عام ٢٠٠١، لم يكن لدى قاعدة بيانات النصوص البريطانية (BNC) تصنيفٌ للنصوص المكتوبة يتجاوز تصنيف المجال، ولم يكن لديها تصنيفٌ للنصوص المنطوقة إلا بحسب السياق والفئات الديموغرافية أو الاجتماعية والاقتصادية . فعلى سبيل المثال، ضمت قاعدة البيانات مجموعةً واسعةً من النصوص الخيالية ( روايات ، قصص قصيرة ، قصائد ، ونصوص مسرحية)، ولكن اعتُبرت هذه الإضافات غير مجدية لأن الباحثين لم يتمكنوا من استرجاع الأنواع الفرعية التي يرغبون في دراستها بسهولة (كالشعر مثلاً). ولأن هذه البيانات الوصفية كانت محذوفةً من رؤوس الملفات ومن جميع وثائق قاعدة البيانات، لم يكن من الممكن معرفة ما إذا كان النص "الخيالي" روايةً أو قصةً قصيرةً أو نصاً مسرحياً أو مجموعةً شعريةً إلا إذا تضمن العنوان كلماتٍ مثل "رواية" أو "قصيدة". ^{[ ١٩ ]}

مع إصدار النسخة الجديدة، BNC World Edition، عام 2002، سعت BNC إلى معالجة هذه المشكلة. فإلى جانب المجال، أُضيفت 70 فئة لأنواع النصوص، سواءً كانت منطوقة أو مكتوبة، ما يُمكّن الباحثين من استرجاع النصوص حسب النوع. ومع ذلك، لا يزال التطبيق معقدًا حتى بعد هذه الإضافات، إذ لا يُعدّ تحديد نوع أو نوع فرعي للنص أمرًا بسيطًا. فالتقسيمات أقل وضوحًا في البيانات المنطوقة مقارنةً بالبيانات المكتوبة، نظرًا لتنوع المواضيع وأساليب الكتابة. كما توجد دائمًا مجموعات فرعية محتملة من أنواع كل نوع فرعي. ويُحدد نطاق تقسيم الأنواع مسبقًا كإعداد افتراضي، لكن للباحثين خيار جعل التقسيمات أكثر عمومية أو تحديدًا وفقًا لاحتياجاتهم. ويُعدّ التصنيف أيضًا مشكلة، إذ تتضمن بعض النصوص، رغم تصنيفها ضمن نوع متعدد التخصصات كعلم اللغة، محتوى يُصنّف لاحقًا ضمن فئات الفنون أو العلوم نظرًا لطبيعة محتواها. ^{[ 20 ]}

صُنِّفت بعض النصوص ضمن فئة خاطئة، ويعود ذلك عادةً إلى عنوان مُضلِّل. لا يمكن للمستخدمين الاعتماد دائمًا على عناوين الملفات كمؤشرات لمحتواها الحقيقي؛ فعلى سبيل المثال، العديد من النصوص التي تحمل كلمة "محاضرة" في عنوانها هي في الواقع مناقشات صفية أو حلقات دراسية تضم مجموعة صغيرة جدًا من الأشخاص، أو كانت محاضرات عامة (موجَّهة إلى جمهور عام وليس إلى طلاب مؤسسة تعليم عالٍ). ^{[ 19 ]} أحد الأسباب هو أنه لا يمكن تحديد تصنيفات النوع والنوع الفرعي إلا لغالبية النصوص في فئة معينة. توجد أنواع فرعية ضمن الأنواع، وقد لا يكون محتوى كل نص موحدًا، بل قد يمتد ليشمل أنواعًا فرعية متعددة. ^{[ 20 ]} كما أن ضغوط الإنتاج، إلى جانب نقص المعلومات، أدت إلى اتخاذ قرارات متسرعة، مما نتج عنه عدم دقة وتناقض في السجلات. ^{[ 6 ]}

تبلغ نسبة المواد المكتوبة إلى المواد المنطوقة في مدونة اللغة البريطانية 10:1، مما يجعل المواد المنطوقة ممثلة تمثيلاً ناقصاً. ويعود ذلك إلى أن تكلفة جمع وتفريغ مليون كلمة من الكلام الطبيعي تفوق تكلفة إضافة مليون كلمة أخرى من نصوص الصحف بعشرة أضعاف على الأقل. وقد جادل بعض اللغويين بأن هذا يمثل قصوراً في المدونة، إذ أن الكلام والكتابة على حد سواء متساويان في الأهمية في اللغة. ^{[ 6 ]} كما أن مدونة اللغة البريطانية ليست مثالية لدراسة العديد من خصائص الخطاب المنطوق، لأن معظم نصوصها مكتوبة بشكل إملائي ، ولا تُشير إلى الخصائص شبه اللغوية إلا بشكل تقريبي. ^{[ 21 ]}

على الرغم من كونها مصدرًا ممتازًا للمعلومات المعجمية ، إلا أن قاعدة بيانات BNC لا تُستخدم فعليًا إلا لدراسة مجموعة محدودة من الأنماط النحوية، لا سيما تلك التي لها دلالات معجمية مميزة. فبينما يسهل العثور على جميع حالات كلمة "enjoy" وتصنيفها وفقًا لنوع الكلمة التي تليها، يتطلب الأمر جهدًا إضافيًا للعثور على جميع حالات الأفعال التي يتبعها اسم فاعل ، لأن فهرس SARA الخاص بقاعدة بيانات BNC لا يشمل فئات أنواع الكلمات مثل "جميع الأفعال" أو "جميع صيغ الفعل المضارع المستمر". ^{[ 21 ]}

بعض المعاني المعجمية غامضة للغاية بحيث لا يمكن استخدامها في الاستعلامات: فأي بحث عن جمل الوصل التقييدية سيزود المستخدم ببيانات غير ذات صلة، نظرًا لكثرة استخدامات ضمائر الاستفهام وكلمة "that" في اللغة (ناهيك عن استحالة تحديد جمل الوصل التي تم حذف ضمير منها، كما في "the man I saw"). وللسبب نفسه، يصعب تحديد فئات دلالية وتداولية معينة ( مثل الشك ، والإدراك، والاختلافات، والملخصات، وما إلى ذلك). وهذا يعني، على سبيل المثال، أنه بينما يمكن مقارنة كلام الرجال بكلام النساء، لا يمكن مقارنة الكلام الموجه للنساء بالكلام الموجه للرجال . ^{[ 21 ]}

إن طبيعة مدونة BNC، بوصفها مدونة كبيرة ومتنوعة، تجعلها غير مناسبة لدراسة أنواع أو أنماط نصوص محددة للغاية، إذ من المرجح أن يكون أي منها ممثلاً تمثيلاً غير كافٍ، وقد لا يكون قابلاً للتمييز من خلال الترميز. على سبيل المثال، يوجد عدد قليل جدًا من رسائل الأعمال ومقابلات الخدمات في مدونة BNC، ومن الأفضل لمن يرغب في استكشاف خصائصها المحددة أن يُنشئ مدونة صغيرة تضم نصوصًا من هذه الأنواع فقط. ^{[ 21 ]}

هناك طريقتان عامتان يمكن من خلالهما استخدام مواد المدونة في تدريس اللغة. ^{[ 21 ]}

أولًا، يمكن للناشرين والباحثين استخدام عينات من المدونات اللغوية لإنشاء مراجع ومناهج وأدوات ومواد أخرى ذات صلة بتعلم اللغة. على سبيل المثال، استخدمت مجموعة من الباحثين اليابانيين مدونة اللغة البريطانية (BNC) كأداة في إنشاء موقع إلكتروني لتعلم اللغة الإنجليزية لأغراض محددة (ESP). ^{[ 22 ]} مكّن الموقع متعلمي اللغة الإنجليزية من تحميل أنماط الجمل الشائعة الاستخدام، ثم بناء استخدامهم الخاص للغة الإنجليزية على هذه الأنماط. شكلت مدونة اللغة البريطانية (BNC) المصدر الذي استُخرجت منه التعبيرات الشائعة. عند استخدام هذا الموقع، اعتمد المستخدمون على عينات مرجعية من مدونة اللغة البريطانية (BNC) لإرشادهم في تعلم اللغة الإنجليزية. يتطلب إنشاء مواد تُسهّل تعلم اللغة عادةً استخدام مدونات لغوية ضخمة جدًا (تُضاهي حجم مدونة اللغة البريطانية (BNC))، بالإضافة إلى برامج وتقنيات متقدمة. ويُستثمر قدر كبير من المال والوقت والخبرة في مجال اللغويات الحاسوبية في تطوير هذه المواد التعليمية. ^{[ 21 ]}

ثانيًا، يمكن دمج تحليل المدونة اللغوية مباشرةً في بيئة تعليم اللغة وتعلّمها. بهذه الطريقة، تُتاح لمتعلّمي اللغة فرصة تصنيف البيانات اللغوية من المدونة، ومن ثمّ استخلاص استنتاجات حول أنماط وخصائص لغتهم المستهدفة بناءً على تصنيفاتهم. تتطلب هذه الطريقة جهدًا أكبر من جانب متعلّم اللغة، ويُطلق عليها تيم جونز اسم "التعلّم القائم على البيانات". بيانات المدونة المستخدمة في التعلّم القائم على البيانات أصغر نسبيًا، وبالتالي قد تكون التعميمات المُستخلصة حول اللغة المستهدفة محدودة القيمة. ^{[ 21 ]} بشكل عام، تُعدّ المدونة اللغوية البريطانية (BNC) مصدرًا مرجعيًا مفيدًا لأغراض إنتاج النصوص وفهمها. يمكن استخدامها كمصدر مرجعي عند دراسة استخدام الكلمات الفردية في سياقات مختلفة، بحيث يتعرّف المتعلّمون على الطرق المختلفة لاستخدام كلمات مُحدّدة في سياقات مناسبة. ^{[ 21 ]} بالإضافة إلى المعلومات اللغوية، تحتوي المدونة اللغوية البريطانية (BNC) أيضًا على معلومات موسوعية. كما يتم تعريف المتعلمين الذين يطلعون على البيانات من BNC بالسمات الثقافية البريطانية والصور النمطية . ^{[ 21 ]}

شكّلت قاعدة بيانات اللغة الإنجليزية البريطانية (BNC) مصدرًا لأكثر من 12,000 كلمة وعبارة استُخدمت في إنتاج مجموعة من القواميس ثنائية اللغة في الهند عام 2012، حيث تُرجمت 22 لغة محلية إلى الإنجليزية. وكان هذا جزءًا من حركة أوسع نطاقًا تهدف إلى تحسين التعليم، والحفاظ على اللغات المحلية الهندية ، وتطوير أعمال الترجمة . ^{[ 23 ]} يوفر حجم قاعدة بيانات اللغة الإنجليزية البريطانية الكبير موردًا ضخمًا لاختبار البرامج. ^{[ 24 ]} وقد استُخدمت كمنصة اختبار لإرشادات مبادرة ترميز النصوص (TEI). كما استُخدمت قاعدة بيانات اللغة الإنجليزية البريطانية لتوفير 20 مليون كلمة لتقييم أنظمة اكتساب التصنيفات الفرعية للغة الإنجليزية لمبادرة Senseval لتحليل المعنى الحاسوبي. ^{[ 25 ]}

في إطار العمل المستمر على المعالجة الصرفية، وهي مجال رئيسي في معالجة اللغة الطبيعية ، استُخدمت بيانات من قاعدة بيانات اللغة الإنجليزية البريطانية (BNC) لاختبار دقة وموثوقية وسرعة الأدوات الحاسوبية المُطوَّرة لتسهيل تحليل ومعالجة العلامات الصرفية في اللغة الإنجليزية البريطانية . ^{[ 30 ]} تضمنت هذه الأدوات برنامجًا يُتيح تحليل الصرف الاشتقاقي في اللغة الإنجليزية البريطانية (يُعرف باسم المُحلِّل)، وبرنامجًا آخر يُولِّد العلامات الصرفية بناءً على تحليل المُحلِّل. كما استُخدمت بيانات من قاعدة بيانات اللغة الإنجليزية البريطانية (BNC) لإنشاء مستودع معلومات شامل حول العلامات الصرفية في اللغة الإنجليزية البريطانية. وعلى وجه الخصوص، تم استخراج ما يقرب من 1100 جذر من قاعدة بيانات اللغة الإنجليزية البريطانية (BNC) وتجميعها في قائمة مرجعية استُشيرت من قِبل مُولِّد الصرف قبل تصريف الأفعال التي تسمح بتكرار الحروف الساكنة بدقة. ^{[ 30 ]} بما أن مشروع BNC يمثل جهدًا ملحوظًا لجمع ومعالجة هذا الكم الهائل من البيانات، فقد أصبح رائدًا مؤثرًا في هذا المجال ونموذجًا أو مدونة مثالية استند إليها تطوير المدونات اللاحقة. ^{[ 31 ]}

في يوليو/تموز 2014، أعلنت مطبعة جامعة كامبريدج ومركز دراسات المدونات اللغوية في العلوم الاجتماعية (CASS) في جامعة لانكستر عن بدء العمل على مدونة لغوية وطنية بريطانية جديدة، هي BNC2014 . ^{[32] [ 33 ] تمثلت المرحلة الأولى} من المشروع التعاوني بين المؤسستين في تجميع مدونة لغوية جديدة للغة الإنجليزية البريطانية المنطوقة من أوائل إلى منتصف العقد الثاني من الألفية الثانية. ^{[ 34 ]} صدرت المدونة اللغوية الوطنية البريطانية المنطوقة لعام 2014، التي تضم 11.5 مليون كلمة، للجمهور في 25 سبتمبر/أيلول 2017. ^{[ 35 ]} تم تجميع الجزء المكتوب من المدونة، الذي يضم 100 مليون كلمة، وصدرت نسخة محدودة منه للجمهور في 19 نوفمبر/تشرين الثاني 2021. ^{[ 36 ]} مع ذلك، وعلى عكس الإصدار السابق، لم تُتح نصوص الجزء المكتوب من المدونة BNC2014 مجانًا. تُوفّر حاليًا وظائف استعلام محدودة من خلال برنامج مُخصّص طوّرته جامعة لانكستر. ^{[ 37 ]}