Диссертация (1148722), страница 27
Текст из файла (страница 27)
Поэтому мы указали винструкции, что, если пользователю необходима частотность отдельной формы,нужновыбратьграмматическийпараметр,покоторомуразличаютсяомонимичные формы (т.е., например, написать форму кошке и выбрать помимопараметра «частотность», еще и параметр «падеж» или параметр «полныйграмматически разбор»). Тогда база выдаст две записи (кошке – дательный ипредложный падеж), и для каждой записи будет выведено соответствующеезначение частотности.
Если попросить просто показать значение частотностиформы кошке без дополнительных грамматических параметров, то базапредоставит информацию о суммарной частотности данной орфографическойзаписи.В случае с омонимичными леммами ситуация осложняется тем, что в«Частотном словаре современного русского языка» есть только информация о158частях речи, так что для омонимов и омографов одной части речи в базе естьинформация только о суммарной частотности (предупреждение об этомсодержится в инструкции).
С омонимичными леммами разных частей речи мыпоступаем так же, как с омонимичными формами одного слова.К омонимичным леммам, относящимся к одной части речи, выбранследующий подход. Предположим, пользователь хотел бы получить значениечастотности для слова оператор. Это слово является омонимом одной части речипо одушевленности (одушевленный и неодушевленный вариант). Если запроситьв базе частотность данного слова, не указывая параметр «одушевленность» или«полный грамматический разбор», база выдаст одну запись с суммарнойчастотностью. Если попросить одновременно с частотностью отметить параметр«одушевленность», то, за неимением частотностей для каждого варианта, базапоказывает значение суммарной частотности как для одушевленного, так инеодушевленного варианта.Использованныенамиисточники(заисключениемсловаряТ.
Ф. Ефремовой) не содержат соответствующих помет, поэтому были написаныскрипты для поиска лемм и форм, совпадающих по написанию, но несовпадающих по частеречной принадлежности или по другим грамматическимхарактеристикам. Для идентификации омографов были написаны скрипты дляпоиска лемм, которые совпадают по написанию, но отличаются местом ударения.4.2.1.2.5 Информация о близких по написанию и произнесению словах (словахсоседях)Экспериментальные исследования лексического доступа при чтении сиспользованием различных методик (принятие лексического решения, называниеи др.) показали, что на этот процесс влияет наличие у слова близких понаписанию и произнесению слов (т.н. соседей) и их тип.
Мы рассчиталиследующие типы соседства для всех вошедших в базу лемм и отдельно для форм:159• соседи с заменой одной буквы в одной и той же позиции (ток – сок)[Coltheart и др., 1977]; • соседи с перестановкой двух букв (баян – баня) [Andrews, 1996; Duñabeitia,Perea, Carreiras, 2009], мы выделили соседей как с перестановкой смежных,так и с перестановкой несмежных букв (бук – куб) ; • соседи с удалением одной буквы (крот – кот) и со вставкой одной буквы(кот – крот) [Davis, Perea, Acha, 2009]; • соседи, у которых второе слово в паре полностью включено в первое(абориген – бор, ген), и соседи, у которых первое слово в паре полностьювключено во второе (бор – абориген, забор...) [Bowers, Davis, Hanley,2005]; • соседи, имеющие в той или иной позиции общую биграмму (т.е.
сочетаниеиз двух букв) (ток – топка) или триграмму (порвать – поручень) [Davis,2005].В предпоследнем случае мы использовали слова длиной не менее трехбукв, поскольку однобуквенные и двухбуквенные союзы, предлоги и пр.включены в качестве соседей в огромное количество слов. Соседи были отдельновыявлены для лемм и форм, в орфографической и в фонематической записи.При определении соседей по фонематической записи у нас было двепроблемы. Первая проблема – что считать соседями для фонетической реализации.Дело в том, что одна и та же словоформа может реализоваться в речи разнымиспособами.
Причем полученные реализации могут представлять собой соседейкакого-нибудь типа. Например, слово код в конце синтагмы реализуется как /k o0t/ (в соответствии с Ленинградской фонологической школой), в то время какперед гласным или звонким согласным звуком мы услышим /k o0 d/. Эти двереализации формально представляют собой соседей с заменой одной фонемы.Тем не менее, в психолингвистических исследованиях информация о словах-160соседях обычно используется для того, чтобы выяснить, как происходит доступ клексической единице в ментальном лексиконе, а именно, с какими другимисловами может быть спутана рассматриваемая единица. Поэтому нами былопринято решение считать соседями только такие пары фонетических реализаций,которые соотносятся с разными орфографическими представлениями, то есть сразными словами. Во-вторых, мы посчитали, что в исследованиях восприятияустной речи важным является то, каким образом то или иное слово реализуется вречи, а не то, как нужно говорить в идеальном случае.
Поэтому для нахождениясловоформ-соседеймыпользовалисьтолькореальнойфонематическойтранскрипцией.Для каждого отдельного соседства мы подсчитали количество слов всоседстве, суммарную частотность, натуральный и десятичный логарифмчастотности, минимальную частотность, максимальную частотность. Также длякаждого слова в соседстве известно, какое количество слов превышает почастотности данное. Для соседей с перестановкой можно отдельно посмотреть насоседей с перестановкой смежных или несмежных букв.
Для фонологическихсоседей мы добавили возможность посмотреть, сколько среди словоформ-соседейуникальных орфографических словоформ и что это за словоформы.4.2.1.2.6 Семантическая информация и информация о субъективных параметрахБаза содержит информацию о полисемии: количество значений всоответствии со словарем Т. Ф. Ефремовой [Ефремова, 2000]. Другие параметры,связанные с семантикой слов, присутствующие в базе, — возможностьопределить, является ли заданное слово или форма именем собственным (в томчисле личным именем, отчеством, фамилией, топонимом) были взяты из словаряOpenCorpora. Кроме того, для 375 глагольных лемм StimulStat предоставляетинформацию о субъективном возрасте усвоения и представимости слова,выраженных в средних значениях и стандартном отклонении по пятибалльнойшкале согласно базе данных «Глагол и действие» [Akinina и др., 2015].1614.2.2 Техническая реализация и веб-интерфейсЗаполнение базы данных осуществлялось при помощи скриптов на языкеPython, сама база использует технологию СУБД PostgreSQL.Как мы отметили в начале, основной задачей проекта было не толькосоздание самой базы, но и разработка удобного веб-интерфейса, чтобы сделать ееобщедоступной, а работу с ней легкой.
Веб-интерфейс создавался при помощивеб-фреймворка Django. База размещена на сайте http://stimul.cognitivestudies.ru.На этом сайте есть две страницы для поиска "Поиск по слову" и "Отобрать слова",страница "О проекте" и страница с дополнительными материалами.
На сайтедоступны инструкции и многочисленные комментарии.На сайте представлено два режима поиска: можно искать определенныйнабор параметров для заданного списка лемм или форм на странице "Поиск послову", а можно – леммы или формы, удовлетворяющие заданному спискупараметров, на странице "Отобрать слова". Во втором случае для многихчисловых параметров можно задать как точное значение, так и определенныйдиапазон, например, длина слова больше 3, но меньше 9.
Пример результатавыдачи в режиме поиска по словам представлен на рисунке 17. Пользовательзапросил частотность, часть речи (в нотации OpenCorpora), словоизменительныйиндексА. А. Зализняка,грамматическуюинформациюпословарюА. А. Зализняка и место ударения для леммы кошка. Обработав запрос, сайтгенерирует файл с результатом, а также отображает первые 50 строк файла наотдельной странице выдачи.162Рисунок 17. Пример выдачи сайта stimul.cognitivestudies.ru при запросе информации о частотности, части речи (в нотацииOpenCorpora), словоизменительного индекса А. А. Зализняка, грамматической информации по словарю А. А.
Зализняка и местаударения для леммы кошка.На сайте есть опция переключения языков между русским и английским.Все тексты, названия полей, комментарии, инструкция и пр. представлены на двухязыках. Чтобы сделать работу с базой максимально удобной для пользователя, мыне стали выбирать один из языков в качестве основного, а установили, что, если вкачестве основного языка в браузере выбран любой, отличный от русского, тосайт будет показан пользователю по-английски.4.2.3 Описательная статистика для лемм и словоформ: кросслингвистическое сравнениеСозданная нами база данных помогает быстро оценить, каковы самыечастотные значения описанных выше параметров, а для численных значенийполучить базовую статистику.
Ниже (см. Таблицу 9) мы приводим средниезначения для некоторых параметров из базы (частотные характеристики соседствобсуждаются ниже). Подсчеты проведены для всех орфографически уникальныхлемм, орфографически уникальных форм, имеющих частотные характеристики идля всех орфографически уникальных форм, включенных в базу. Кроме того,некоторые параметры, например, как средняя длина слова, могут быть рассчитаны163с учетом и без учета частотности. Так, если брать во внимание только количестволемм той или иной длины, то средняя длина лемм в базе данных StimulStat будетравняться 9,1.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
