Обзор существующих исследований

Обзор корпусов

На сегодняшний день существует небольшое количество устных учебных корпусов. Корпуса могут различаться по множеству параметров, таких как тип разметки (тэги ошибок или частеречные тэги), системы классификации тэгов ошибок (дискурсивные, лексические, грамматические, фонетические и другие), способы транскрипции (в некоторых случаях применяется запись правильных форм слова), набор метаданных о говорящем и учет различных видов нелингвистических параметров. Изучение комбинаций данных признаков в корпусах обеспечивает лучшее понимание того, какие параметры будут наиболее полезны при создании нового корпуса. Ниже в данном разделе будут рассмотрены несколько крупных устных учебных корпусов и будут изучены подходы к их созданию.

Ланкастерский устный учебный корпус Центр корпусного подхода к исследованию социальных наук (ESRC Centre for Corpus Approaches to Social Science (CASS)) занимается разработкой различных корпусов не только в лингвистических целях, но и для прикладного использования в общественных науках. Одним из проектов, разрабатываемых в настоящее время центром, является система ланкастерских устных учебных корпусов. Данный корпус является совместным проектом CASS Business School и лондонского Тринити-колледжа (международная площадка для проведения экзаменов, в том числе международных экзаменов по английскому языку). Цель проекта — создание большого корпуса устной речи на основе экзаменационных ответов студентов, изучающих английский язык, с разными родными языками. Корпус предполагается использовать для различных исследовательских направлений, таких как усвоение второго языка, тестирование уровня владения иностранным языком, преподавание второго языка, составление учебных материалов, и других. Корпус составлен на основе устных ответов экзамена GESE, уровень владения варьируется от уровня B1 до уровня C2 по европейской системе уровней владения языком. Особое внимание в экзамене уделяется коммуникационным навыкам, где экзаменуемый активно взаимодействует с экзаменатором. Экзаменующиеся являлись носителями итальянского, испанского, китайского, индийского и русского языков из 9 стран. Возраст отвечающих варьируется от 9 до 72 лет. К настоящему моменту корпус содержит 3 000 000 слов, данные разделены на 3 уровня владения языком. Свободный доступ к материалам корпуса планируется открыть в 2017 году.

Корпус создается как исследовательский ресурс для изучения становления устной речи учащихся на разных уровнях овладения английским языком и доя предоставления данных о порождении речи в монологах и интерактивных заданиях. Предполагается создать несколько слоев разметки с возможностью поиска по различным лингвистическим и фоновым критериям. Предполагается создание синтаксической и морфосинтаксической разметки устного корпуса: разделение текста устной речи на отдельные единицы и их автоматическое распознавание; разметка морфосинтаксических и синтаксических структур; развитие способов измерения синтаксической сложности.

Учащимся помимо необходимости овладеть грамматикой и словарем второго языка необходимо также усвоить стратегии устной коммуникации. Так, в одном из исследований на данных ланкастерского устного корпуса сравнивались транскрипции более успешных и менее успешных ответов студентов среднего уровня, носителей итальянского или испанского. В результате было обнаружено, что более успешные студенты задают больше вопросов, в то время как менее успешные студенты используют в диалоге только утвердительные предложения и короткие фразы.

Данные корпуса позволяют увидеть различные стратегии, которые используют экзаменуемые для успешного ответа в устных заданиях. Таким образом, преподаватели на занятиях могут использовать эти признаки для обучения эффективной коммуникации. Были обнаружены (Taylor, 2016) следующие черты боле успешных ответов: стремление поддержать диалог с партнером по ответу с помощью вопросов, предложений, комментариев, на которые партнер может легко отреагировать; демонстрирование вовлеченности в диалог (okay, yes, uhu, oh, etc); уточнение того, насколько правильно был понять вопрос, перед ответом на него.

Традиционно обучение языку основывается на изучении грамматики и лексики, которые рассматриваются как два независимых навыка. Однако, все больше данных свидетельствуют о том, что для успешной коммуникации учащимся необходимо усвоить выражения и лексико-грамматические структуры. Другая ключевой аспект успешного устного ответа относится к прагматике, умению использовать стиль, уместный в конкретной ситуации. Корпусные данные помогают увидеть лексико-грамматические модели в примерах из реальных языковых данных и рассмотреть их уместность в экзаменационных ответах. На основе фрагментов из корпуса были составлены упражнения для работы в классе (Taylor, 2016).

В отличие от обычной транскрипции аудиозаписей, цель заключается не в записи грамматически правильных предложений, а в записи каждого произнесенного слова максимально точно, так, как оно было произнесено. Единственными знаками пунктуации в ланкастерском корпусе являются вопросительные знаки и апострофы. Сложность задачи состоит в том, что наше знание правил заставляет нас додумывать правильные конструкции, даже если они не были произнесены. Однако в случае сомнения произнесенное толкуется в пользу экзаменуемого и в транскрипт записывается правильная словарная форма.

Трудности могут представлять невнятно произнесенные окончания слов, такие слова как these/this, is/it's. Шумы на заднем фоне также создают дополнительные трудности для расшифровки текста. Поэтому в ланкастерский корпус была включена пометка для случаев, когда текст разобрать не удается. По мнению создателей корпуса, в некоторых случаях это наилучшее решение, поскольку оно не вводит в заблуждение исследователей, работающих с корпусом. Относительно вопросительных предложений было принято решение, что важнее структура предложения, чем интонация (Brezina, 2016).

Мичиганский корпус академического устного английского языка Мичиганский корпус академического устного английского языка (MICASE) содержит примерно 1.8 миллионов слов затранскрибированной речи, полученной из различных источников (лекции, обсуждения, семинары, интервью, презентации студентов, защиты диссертаций). Корпус включает в себя речь носителей английского и изучающих язык, информация о говорящем приводится в названии транскрипции. Все транскрипции записаны в орфографически правильной форме и не содержат разметки. Но при этом были сохранены колебания, филлеры, прерывания и другие речевые явления. В будущем, однако, планируется добавить частеречные тэги, леммы и дискурсивные характеристики. Некоторые лексические и грамматические сокращения (sorta, hafta, cuz) записаны в том виде, в котором были произнесены. Стандартная пунктуация не используется. Паузы различной длины обозначаются запятыми и точками. Вопросительный знак используется для обозначения фраз, которые выполняют функцию вопроса.

Корпус находится в открытом доступе и позволяет производить поиск транскрипций отдельных записей по параметрам транскрипции и говорящего. К характеристикам говорящего относятся: академическая роль (преподаватель, выпускник, студент, доктор, исследователь, другое), родной язык (английский — родной язык, английский — неродной язык, американский английский, другие варианты английского), родной язык (при неродном английском). Атрибуты транскрипции включают: тип мероприятия (консультация, коллоквиум, защита диссертации, интервью и другие), университетское подразделение (гуманитарные науки и искусство, биология и здоровье и другие), учебная дисциплина, академический уровень участника, уровень интерактивности мероприятия (монолог, обсуждение). Кроме того, возможен поиск по конкретным словам и коллокациям, при этом также можно выбрать перечисленные выше параметры.

Корпус ELISA.

Корпус English Language Interview Corpus as a Second-Language Application (ELISA) основан на видео интервью, взятых у носителей английского языка. Корпус был создан в учебных целях, поэтому интервью затрагивают множество разнообразных тем. Транскрипция видеозаписей осуществлялась согласно правилам орфографии, также были убраны филлеры, колебания, повторения слов и информация о длине пауз. Сведения о синтаксических паузах и ошибках была включена в корпус. Это было сделано для удобства использования корпуса изучающими язык. Поиск в корпусе осуществляется по темам интервью и часто используемым грамматическим конструкциям, информация о которых дана в описании интервью. Таким образом, от остальных данный корпус отличается направленностью не на исследователей-лингвистов, а на пользователей, изучающих язык.

Японский устный учебный корпус Японский учебный корпус (The NICT JLE Corpus) был создан в 2004 году национальным институтом информационных и коммуникационных технологий. Источником данных являются транскрибированные аудиозаписи, записанные во время экзамена The Standard Speaking Test. Данное тестирование было разработано в Японии и направлено на оценку уровня устного владения английским языком. Авторы заявляют, что экзамен может служить альтернативой стандартным письменным тестам. Корпус содержит 1281 документ и 1.2 миллиона слов.

В японском учебном корпусе существует два варианта разметки: дискурсивные тэги (для всех документов) и тэги ошибок (для части документов).

Дискурсивные тэги включают в себя структуру интервью, тэги профиля интервьюера, тэги различных речевых явлений: филлеры, повторения, самоисправления, наложения, и другие. Открывающий и закрывающий тэги ставятся перед началом речевого явления и после него. Примеры тэгов:

• — самоисправление:
• — использование японских слов при ответе на английском:

Система тэгов, описывающих ошибки, охватывает только грамматические и лексические ошибки. Каждый тэг состоит из трех компонентов: часть речи, грамматическое или лексическое правило и правильная форма. Тэги разбиты на категории по частям речи и включают в себя: ошибки в использовании существительных (словоизменение, число, падеж, исчислимость/неисчислимость, дополнение существительных, лексика), глаголов (словоизменение, несогласованность субъекта и глагола, форма, время глагола, вид и залог глагола, использование финитного/нефинитного глагола, отрицание, вопросительный порядок слов, дополнения глагола, лексика), модальных глаголов (лексика), прилагательных (словоизменение, использование сравнительной или превосходной степени прилагательных, несогласованность числа, количественные прилагательные, дополнения прилагательных, лексика), наречий (словоизменение, использование сравнительной или превосходной степени наречия, лексика), предлогов (дополнения предлогов, обычные и зависимые предлоги), артиклей, местоимений (словоизменение, несогласованность по роду или числу, падеж, лексика), союзов (лексика), относительных местоимений (падеж, лексика), вопросительных слов (лексика) и остальные типы ошибок (японский английский, коллокации, неправильный порядок слов, неизвестный тип ошибки, неясное произнесение) (Izumi, и др.).

К особенностям японского учебного корпуса можно отнести тот факт, что сведения о говорящем содержат уровень владения языком по девятибалльной шкале. Это позволяет проводить анализ и сравнения внутри выбранного языкового уровня. Кроме того, в корпусе существует подкорпус текстов, порожденных носителями языка, выполнявших аналогичные задания. Подкорпус дает возможность сравнивать речь носителей английского и носителей японского, которые изучают английский язык.

Создатели корпуса отмечают сложность создания системы тэгов, которые охватывали бы все возможные виды ошибок, поскольку ошибки изучающих язык сильно варьируюти включают в себя не только грамматические и лексические ошибки, но и неправильное произношение, дискурсивные ошибки и другие типы ошибок, связанные с коммуникативной составляющей языка. В созданной авторами системе тэги написаны в формате XML и состоят из трех частей: часть речи, морфологическое, лексическое или грамматическое правило, правильная форма. Сложности также возникают в процессе разметки ошибок, так как ошибки могут накладываться друг на друга, или одной ошибке может быть приписано несколько тегов. Для решения трудностей, связанных с разметкой ошибок, был выработан ряд правил, основной принцип которых — исправление ошибок с минимально возможным изменением структуры предложения (Izumi, и др.).

Кембриджский учебный корпус содержит коллекцию письменных ответов на кембриджские экзаменационные задания на знание английского языка (KET, PET, FCE, CAE, CPE, IELTS и другие). Корпус содержит тексты, написанные более чем 180 000 студентами из 200 стран и говорящих на 86 языках в качестве родного языка. Информация о каждом студенте включает в себя сведения о первом языке, возрасте, поле, истории изучении языка. Эти сведения дают возможность разделить корпус на подкорпуса в зависимости, например, от возраста или уровня владения языком. В настоящее время корпус содержит 6 миллионов размеченных слов, при этом работа выполнялась лишь двумя людьми, что позволило избежать непоследовательности в выборе тэгов. Как и в японском корпусе, создатели обращают внимание на необходимость лишь аннотации и исправления ошибок, но не переписывания предложений полностью с целью создать совершенно правильные предложения.

Корпусные данные используются издательством Кембриджского университета в лексикографии для определения слов и конструкций, вызывающих наибольшие затруднения у изучающих английский язык.

Проект TOEFL 2000 Spoken and Written Academic Language (T2K-SWAL) Corpus был создан с целью изучения академического стиля текстов в экзамене TOEFL (Douglas Biber). Устная часть данного корпуса содержит как экзаменационные вопросы, так и ответы студентов на них. Записи, полученные в ходе сбора данных, были затранскрибированы и словам были присвоены грамматические тэги. При транскрипции текстов были использованы следующие правила:

 — короткая пауза или граница клаузы.

. — граница предложения или завершающая интонация.

? — вопрос или восходящая интонация.

. — длинная пауза (до 3 секнд).

… — очень длинная пауза (4 секунды или более).

() — сомнение в правильности формы слова.

[] - комментарии внутри скобок.

{ - начало высказвания, которое накладывается на предыдущее высказывание Кроме того, необщепринятая форма записи использовалась для следующих слов: OK, cuz, yup, nope, mm, mhm, um, uh.

Одним из устных корпусов, содержащих речь студентов, изучающих английский язык, является корпус Louvain International Database of Spoken English Interlanguage (LINDSEI) (Huang, 2014). В корпусе представлены тексты носителей 11 языков: болгарского, китайского, нидерландского, французского, немецкого, греческого, японского, польского, испанского, шведского и тайваньского. Данные получены из ответов студентов в процессе неформального интервью и включают в себя речь интервьюеров и ответы изучающих. Несмотря на то, что при транскрибировании записывались грамматически правильные формы, создатели корпуса позволяют увидеть систему записи, отражающую особенности устной речи:

• — знаки пунктуации не используются в корпусе для обозначения границ предложений или клауз.
• — в диалоге наложение речи обозначается тэгом, который вставляется в текст интервьюера и отвечающего в месте начала наложения.

При транскрипции в корпусе LINDSEI различаются три вида колебаний: паузы (заполненные и незаполненные), заполняющие слова (smallwords) и смешанная категория.

• — короткие незаполненные паузы (длиной до 1 секунды), обозначаемые одной точкой, паузы средней длины (от 1 до 3 секунд) — две точки, и длинные паузы — три точки. Обозначения пауз могут находится в любом месте клаузы
• — заполненные паузы включают в себя следующие вокализации и звуки: er, erm, uh, uhm, eh, em, er, erm, mm, uhu. Данные филлеры записываются в скобках
• -колебаниями в корпусе считаются слова (smallwords): well, kind of, I mean, you know и другие. Однако данные слова могут быть использованы как способ заполнения паузы во время размышления над ответом, но также могут выполнять прагматическую функцию колебания
• — к третьей категории (разное) относятся следующие речевые явления: растягивание слов или слогов (drawls) обозначается двоеточием после растягиваемого слога, например: to:. Усеченные слова обозначаются знаком =: f= forties; повторения, обозначаемые простым повторением слова
• — неясно произнесенные отрывки, как и незаполненные паузы, различаются по длине и делятся на короткие (от звука до одного слова), средней длины (два слова), длинные (более двух слов) и обозначаются соответственно тэгами, ,
• — если расшифровщики аудиозаписи не уверены в правильности слова или окончания слова, то за таким словом следует тэг
• — в целях анонимизации имена заменяются на следующие тэги:, , и подобные
• — заглавные буквы используются только в случае, когда это необходимо по правилам правописания (имена собственные, I и другие). Клаузы или предложения не начинаются с большой буквы
• — принятые сокращение слов и нестандартные формы слов, встречающиеся в словаре, (dunno, kinda и тому подобные) записываются в словарном виде
• — числа записываются словами. Это позволяет избежать неясности в случаях, когда, например, год может быть произнесен различными способами
• — иностранные слова обозначаются тэгами и до и после слова

В корпусе размечаются некоторые фонетические характеристики:

• — если артикль a был произнесен как [ei], то записывается форма a[ei]
• — если в артикле the был произнесен звук [i:], то записывается форма the[i:]
• — просодическая информация (смех) и невербальные звуки (например, кашель) также размечаются специальными тэгами
• — начало и конец ответов на различные типы заданий (свободное обсуждение, рассказ по картинке) помечаются соответствующими тэгами

Анкета студента включает информацию о национальности, стране, родном языке, родных языках родителей, ступени обучения; языке, на котором происходило обучение, количество лет изучения английского в школе и университете, о продолжительности, месте и давности пребывания в англоязычной стране, прохождении тестов на знание английского языка и результате теста, а также об уровне владения другими иностранными языками.

Устный корпус VOICE.

Корпус Vienna-Oxford International Corpus of English (VOICE) также содержит речь студентов, изучающих английский язык. Сейчас корпус состоит из более чем 1 000 000 слов, порожденных носителями примерно 50 языков, большинство говорящих составляют европейцы. Поиск по корпусу не позволяет отобрать тексты в зависимости от первого языка говорящего. Узнать о родном языке всех говорящих можно в заголовке транскрипции или в отдельном окне с информацией о конкретном говорящем. При этом если говорящий является носителем более чем одного языка, будет указана информация обо всех языках. Речь была записана в различных ситуациях, которые включают интервью, семинары, пресс-конференции, встречи, диалоги, воркшопы, мероприятия в формате вопросов и ответов. Вся информация о типе мероприятия и его месте проведения, длительности и дате записи, возрасте, поле и родных языках говорящих доступна в специальном разделе текстового документа.

Корпус обладает собственной системой правил относительно транскрипции и разметки. Разметка производится в специально созданном текстовом редакторе VoiceScribe с встроенным аудио проигрывателем. При создании корпуса применялись следующие правила разметки (Breiteneder, и др., 2006)(Breiteneder et al. 2006):

• — за словами, произнесенными с повышающейся интонацией, следует вопросительный знак, за словами с понижающейся интонацией ставится точка
• — если говорящий интонационно выделяет слог, слово или фразу, то эта часть текста записывается заглавными буквами
• — короткие паузы (до половины секунды) отмечаются точкой в скобках, длинные паузы отмечаются числом в скобках, число обозначает длину паузы в секундах
• — поскольку записи могут предполагать участие нескольких говорящих, возможно наложение речи. Для отметки наложения речи используются пронумерованные тэги, которые обрамляют отрывки речи обоих говорящих. Одним номером отмечаются все одновременные высказывания
• — удлиненное произношение звука обозначается двоеточием, которое ставится непосредственно после звука, очень долгие звуки (более двух секунд) отмечаются двойным двоеточием
• — все повторения слов и фраз, включая самопрерывания и фальстарты, в транскрипции сохраняются
• — в случае, если слово было произнесено не полностью, место прерывания обозначается дефисом
• — смех обозначается символом @, количество знаков зависит от длины смеха. Слова, сказанные со смехом, заключаются в тэги с символом @
• — если части слов, слова или фрагменты были произнесены нечетко и не могут быть точно установлены, то они записываются в скобках. Также произнесенное записывается в скобках, если оно не может быть распознано как существующее слово
• — если слово было произнесено неверно, но из контекста может быть установлен правильный вариант, то он записывается в фигурных скобках после произнесенного слова
• — сильные отклонения на уровне фонологии, морфологии и лексики, а также несуществующие слова выделяются специальным тэгом
• — отдельные неправильно произнесенные звуки в слове выделяются тэгами
• — звукоподражание вместо использования слов выделяется тэгами
• — отдельными тэгами выделяются различные случаи употребления неанглийских слов или фраз, тэг слов на родном языке говорящего, тэги слов на неродном языке (с обозначением языка либо указанием, что язык не удалось определить), тэги случаев, когда невозможно определить, родной или иностранный язык использует говорящий. При возможности в фигурных скобках приводится перевод слова на английский
• — существует открытый список тэгов для речи, произнесенной необычным для говорящего способом: очень быстро, шепотом, читая текст и другие
• — такие звуки, как кашель, зевок, шмыганье, фырканье, хлопанье в ладоши, произведенные говорящим, всегда транскрибируются. Звуки, произнесенные посторонними, транскрибируются только если это влияет на разборчивость речи или отвлекает говорящего
• — в целях анонимности все имена, названия компаний и организаций заменяются на соответствующие тэги. Названия мест, городов, стран заменяются на тэги, если это может нарушить анонимность говорящего
• — контекстуальная информация приводится в фигурных скобках в случае, если она важна для понимания разговора. К контекстуальной информации относятся звонок телефона, выход к доске, писание на доске и другие
• — неразборчивая речь изображается символом x (количество символов зависит от примерного числа слогов) и выделяется тэгами

Помимо перечисленных выше правил, расшифровщики текста могут дополнять транскрипцию собственными пометками. В них указывают дополнительную значимую информацию и наблюдения, не попавшие под перечисленные выше категории. К правилам записи танскрипций относятся:

• — использование только латинских символов без диакритик и умляутов. Например, ц заменяется на oe, й заменяется на e
• — заглавные буквы используются только для интонационного выделения слов или фраз
• — используется британский вариант орфографии, кроме нескольких исключений (center, theater и другие). Если слово может быть написано с использованиемize илиise, всегда выбирается вариантiz
• — если слова произносятся неверно из-за особенностей акцента говорящего, записывается правильная форма слова
• — цифры записываются словами, действуют британские правила постановки дефисов
• — названия и адреса полностью записываются словами
• — сокращенные в устной речи формы слов записываются полностью, кроме четырех случаев: cos, gonna, gotta, wanna
• — сокращения с глаголами be и have (например, he’s, won’t) записываются в той форме, в которой они были произнесены
• — дефисы в словах используются согласно правилам британской орфографии
• — используется следующий набор дискурсивных маркеров: позитивная ответная реакция: yes, yeh, yah, okay, mhm, hm, aha, uhu, негативная реакция: no, n-n, uh-uh, колебания или филлеры: er, erm, вопрос: huh, восклицания: yay, yipee, whoohoo, mm, сомнение: haeh, удивление: a: h, o: h, wow, poah, извинение: oops, утомление: ooph, пренебрежение: ts, pf, боль: ouch, ow, просьба о тишине: sh, psh, ожидание неприятностей: oh-oh, u: h, неодобрение: ur, разочарование: oow
• — дискурсивные маркеры, характерные для родного языка говорящего, помечается соответствующим тэгом, при возможности дается перевод в фигурных скобках

Правописание по правилам британского английского проверяется по оксфордскому словарю для изучающих продвинутого уровня (Oxford Advanced Learner’s Dictionary).

Корпус имеет также частеречную разметку, однако не имеет отдельной систематизированной разметки ошибок. Ошибки могут быть найдены только по некоторым тэгам (несуществующие слова, неправильные части слов).