Introduction to Corpus Linguistics for Beginner

Editor's Notes

• #2: + 7 published SINTA 2-6 + 2 accepted book chapter + 1 accepted article SINTA + 2 under-review articles SCOPUS
• #7: Fakta bahwa satu konstruksi itu acceptable dan yang lain engga. Plus bahwa ternyata ketika ada pattern yang berterima, ternyata ngga bisa diterima ketika menggunakan pattern lain.. Who knows? While it may be difficult to explain this particular aspects of English, bahwa ada yang boleh dan ngga boleh menurut aturan.. Salah satu komponen dari linguistik deskripsi kan adalah to make implicit rules of language yang kita ketahui menjadi knowledge yang bisa kita deskripsikan. Dalam mendeskripsikan implicit rules itu, lebih aman ketika kita bilang bahwa native speaker sometimes choose not to follow rules for specific reasons, even though they may not be able to explain the rules themselves. DARIPADA „ini salah dan itu benar“
• #8: The concept of language rules raises another interesting question: Why are these rules sometimes followed and sometimes “violated”? Consider the prescriptive infinitive rule described above. Is it accurate to say that those who write „we worked out it“ are not following a rule? In some respects, this may be the case, but there is another—perhaps somewhat misunderstood—issue related to language that deserves some attention and serves as a basis for our topic today: the role of language variation. Language even changes and varies in a single person. The study of language variation seeks to gain an understanding of how language changes and varies for different reasons and in different contexts. There are different perspectives on how to investigate and understand language variation. We could choose to look at how language varies in different places of the world (for example, the differences between British and American English). We could also investigate how language varies by ethnicity or social class. Another way of looking at variation would be to consider the differences among individual writers or speakers. We could, for example, study the speeches of Anies Baswedan in order to understand how his “style” might differ from speeches given by other people such as, Ahok.
• #9: The broad use of language, the existence of language variation, and the possibility of the emergence for a new construction. We need to see language from ist use. We need to consider using corpora.
• #10: The result of this analysis is a collection of language patterns that are recurrent in the corpus and either provide an explanation of language use or serve as the basis for further language analysis.
• #12: Korpus itu bentuk dan sumbernya macam-macam. Yang penting, mencakup penggunaan bahasa yang natural and real. Misalnya, korpus yang diambil dari buku, makalah, surat, bahasa lisan, dialog film. Korpus juga perlu memiliki jumlah besar, walaupun belum ada kesepakatan pasti berapa jumlah minimalnya, namun biasanya jutaan. Tujuan dari korpus yang jumlahnya besar ini karena penyedia korpus berusaha semaksimal mungkin untuk datanya bisa digunakan oleh linguis di berbagai bidang. Misalnya, untuk melihat hal menarik dari penggunaan bahasa secara umum, atau menemukan pola tertentu yang bisa digeneralisir dari language in real world. Kembali ke corpus size, kalau saya tertarik meneliti konstruksi afiks yang ambigu seperti imbuhan ter-, jika ada korpus novel sebesar 5000 kalimat versus korpus berita sebesar 5 juta kalimat, saya akan mengharapkan data imbuhan ter- akan lebih banyak terjaring dari korpus dengan jumlah 5 juta kalimat. Akan tetapi kalau saya mau analisis metafora, mungkin saya perlu pakai korpus berita DAN novel. Intinya, saya sebagai korpus linguis akan berusaha meng-capture data sebanyak mungkin untuk diolah.
• #13: Korpus yang bagus adalah korpus yang: Datanya bisa dibaca dan diolah oleh komputer. Written corpus dengan menggunakan PDF akan sangat sulit untuk diolah. Harus diconvert dulu ke ms.word, belum lagi kalau banyak simbol yang unintepretable. Oleh karena itu, korpus bahasa tulis biasanya dibuat dalam format .txt Spoken corpus juga biasanya dianotasi dulu dengan praat, kemudian disediakan juga transkripsinya dalam format .txt Ini salah satu keunggulan corpus generator yang levelnya sudah high. Mereka menggunakan web crawler dalam pengumpulan datanya. Jadi, mesin yang kerja secara periodik untuk menambah jumlah korpus. Tim pembuat korpus perlu mendesain code untuk web crawler dan data cleanernya hingga akhirnya data siap disajikan secara online di website. LCC tahun 2016 masih 32 juta kalimat. Sekarang 2020 sudah 72 juta kalimat. Bagaimana dengan manually typewritten text file? It‘s okay, nothing;s wrong with it. The thing is, membuat korpus itu sungguh suatu upaya yang sangat perlu diapresiasi. Indonesia masih kekurangan korpus, so, sedikit demi sedikit lama-lama menjadi bukit kan nanti.
• #14: Ini adalah contoh-contoh korpus Bahasa Inggris. - Google N-gram menyediakan data yang merupakan hasil dari dari kumpulan pencarian search engine di web. - Google books dari google books. - COCA lumayan hits. Sumbernya bervariasi. - BNC juga hits. Banyak penelitian phonetik, phonologi, linguistik struktural, maupun applied linguistik yang pakai data dari korpus BNC. - Untuk yang tertarik dengan English as second language, ada International Corpus of Learner English.
• #15: Kemudian, ini korpus yang saya gunakan. Leipzig corpora collection (74 juta kalimat). LCC juga menyediakan olahan data berupa jumlah total searched words dalam korpus, similar words, contoh kalimat, kolokasi, dan grafik kolokasi.
• #16: Karena korpus harus bisa diolah di komputer, ini adalah tombol primadona yang perlu kita cari.
• #17: Ini adalah tampilan LCC kalau kita klik tombol download. Cukup download yang versi terakhir aja. Itu yang masih grey berarti belum available for public.
• #18: In a general sense, a corpus can refer to any collection of texts that serve as the basis for analysis. A person might, for example, collect examples of news editorials that are on a particular topic and refer to this collection as a “corpus.” The third and fourth characteristics of corpus linguistics make reference to the importance of computers in the analysis of language as well as different analytical approaches. It would be hard to imagine how one might use a 450-million-word corpus such as COCA without using a computer to help identify certain language features. Despite the large number of texts and the relative ease of obtaining numerous examples, a corpus analysis does not only involve counting things (quantitative analysis); it also depends on finding reasons or explanations for the quantitative findings.
• #20: Kalau discroll ke bawah, ada 100 ribu kalimat dalam bahasa Indonesia yang diambil dari berbagai sumber bahasa tulis di internet. Bisa wikipedia, blog, berita, dll.
• #21: 2 ide lain
• #22: The importance of understanding the corpora
• #26: The importance of understanding the corpora