Mokomasis lietuvių kalbos tekstynas: naujas išteklius besimokantiesiems lietuvių kalbos

Collection:
Mokslo publikacijos / Scientific publications
Document Type:
Straipsnis / Article
Language:
Lietuvių kalba / Lithuanian
Title:
Mokomasis lietuvių kalbos tekstynas: naujas išteklius besimokantiesiems lietuvių kalbos
Alternative Title:
Pedagogic corpus of Lithuanian: a new resource for learning and teaching Lithuanian as a foreign language
In the Journal:
Darnioji daugiakalbystė. 2020, No. 17, p. 197-230. [Sustainable Multilingualism]
Keywords:
LT
Automatinis tekstų klasifikavimas; Bendrieji Europos kalbų mokymosi, mokymo ir vertinimo metmenys; Lietuvių kalbos kaip svetimosios; Mokomasis tekstynas; Mokymas(is); Rašytinė kalba; Sakytinė kalba; Tekstynas.
EN
Automatic text classification; Common; European Framework of Reference for Languages; Language corpus; Pedagogic corpus; Spoken language; Teaching Lithuanian as a foreign language; Written language.
Summary / Abstract:

LTStraipsnyje pristatomas pirmasis mokomasis lietuvių kalbos tekstynas, t. y. vienakalbis specialusis tekstynas, skirtas mokyti(s) lietuvių kalbos kaip svetimosios. Tekstynas kuriamas vykdant projektą „Užsienio baltistikos centrų ir Lietuvos mokslo ir studijų institucijų bendradarbiavimo skatinimas“. Tokio ištekliaus atsiradimą paskatino tai, kad bendrojo pobūdžio tekstynuose, pvz., Dabartinės lietuvių kalbos tekstyne, pateikiami duomenys ir jų dydis besimokantiesiems lietuvių kalbos kaip užsienio kalbos yra per sudėtinga mokymosi medžiaga. Mokomajame tekstyne yra autentiškos lietuvių kalbos vartosenos tekstų, kurie atrinkti pagal tokius kriterijus, kad būtų suprantami ir aktualūs skirtingų lygių besimokantiesiems. Visi tekstai pagal Bendruosius Europos kalbų mokymosi, mokymo ir vertinimo metmenis suklasifikuoti į A1, A2, B1 ir B2 lygius. Tekstyną sudaro skirtingų kalbos atmainų (rašytiniai ir transkribuoti sakytiniai) tekstai. Iš viso mokomąjį lietuvių kalbos tekstyną sudaro 669 000 žodžių: 111 000 žodžių A1–A2 lygio rašytinės ir natūraliosios spontaninės kalbos tekstų, 558 000 žodžių B1–B2 lygio rašytinės ir spontaninės sakytinės kalbos tekstų. Šiame straipsnyje išsamiai aprašomas rašytinės kalbos patekstynis, kurį sudaro vadovėliniai ir nevadovėliniai tekstai, šio patekstynio dydis – apie 620 000 žodžių. Vadovėlinių tekstų kalbos lygis dažniausiai būdavo aiškus, o nevadovėliniai tekstai buvo automatiškai suklasifikuoti atliekant straipsnyje aprašytą tyrimą. Vadovėliniai ir nevadovėliniai tekstai suklasifikuoti į 29 žanrus (dialogus, pasakojimus, informacinius tekstus ir kt.) ir keturias grupes pagal komunikacinius tikslus (informacinius, pažintinius, apeliacinius ir meninius).Rašytinės kalbos patekstynyje daugiausiai yra informacinių tekstų; skiriasi dažniausi vadovėlinių ir nevadovėlinių tekstų žanrai: trys dažniausi vadovėlinių tekstų žanrai yra pažintiniai tekstai, pasakojimai ir dialogai (kartu šių trijų žanrų tekstai sudaro apie 78 proc. visų vadovėlinių tekstų). Nevadovėlinių tekstų patekstynio žanrų įvairovė didesnė: didžiąją dalį (apie 73 proc.) sudaro penkių žanrų tekstai: subtitrai, informaciniai tekstai, pažintiniai tekstai, proza, patarimai. Straipsnio apibendrinamosiose pastabose paminėta, kokie laukia tolesni darbai, susiję su mokomuoju tekstynu, kaip jis gali būti panaudotas. [Iš leidinio]

ENThe paper aims to present the first pedagogic corpus of Lithuanian i.e. monolingual specialized corpus, prepared for learning and teaching Lithuanian in a foreign language classroom. The corpus has been collected as a result of the project “Lithuanian Academic Scheme for International Cooperation in Baltic Studies”. It is motivated by the need to have a more appropriate resource which could be representative, authentic and relevant enough concerning the process of learning and teaching Lithuanian as it is known that language represented in other existing corpora of Lithuanian (e.g. Corpus of Contemporary Lithuanian, 140 m tokens) is too complex to use for learning activities. The pedagogic corpus includes authentic Lithuanian texts, selected using such criteria as a learner-relevant communicative function and genre. Spoken language as well as written language are represented in the corpus. The size of the corpus is 669.000 tokens: 111.000 tokens from texts and spoken language for A1–A2 levels, 558.000 tokens from texts and spoken language for B1–B2 levels (according to the CEFR – Common European Framework of Reference for Languages). In this paper, we aim to discuss in detail the written subpart of the corpus (containing 620.000 tokens) which includes levelled texts from coursebooks and unlevelled texts from other sources. The level-appropriate labels were assigned automatically to the texts from other sources and this text classification procedure is presented in the paper.The texts from coursebooks and other sources could be classified into 29 text types (dialogs, narratives, information, etc.) and 4 groups according to the communicative aims: informational texts, educational texts, advertising and fiction. Informational texts comprise the biggest part of the corpus; three mostly represented text types differ in coursebook texts and other sources: the most common coursebook texts are informational, narratives, and dialogs (appr. 78% of all coursebook texts). Texts from other sources are represented with richer diversity – appr. 73% of all texts from this subpart can be classified into 5 text types: subtitles, informational texts, educational texts, fiction, and advisory texts. The future work making pedagogic corpus available for learners and its possible application are presented in the closing remarks. [From the publication]

DOI:
10.2478/sm-2020-0019
ISSN:
2335-2019; 2335-2027
Related Publications:
Permalink:
https://www.lituanistika.lt/content/89323
Updated:
2021-02-02 19:07:56
Metrics:
Views: 19    Downloads: 6
Export: