11,3 млрд слов из «ВКонтакте»: новый корпус в составе НКРЯ

Проект «Национальный корпус русского языка» открыл доступ к одному из самых масштабных корпусов русского языка — «Генеральному интернет-корпусу русского языка» (сокращенно ГИКРЯ).  В этом корпусе содержатся тексты социальной сети «ВКонтакте» с 2007 года по начало 2022-го. ГИКРЯ, таким образом, открывает огромные возможности для детального изучения современного языка, прежде всего устно-письменного языка интернета, новой лексики, сленга, регионализмов.

Общий объем корпуса составляет 11,3 млрд словоупотреблений. Для сравнения, в Основном корпусе их 389 млн, а в корпусе «Русская классика» — 26 млн.

Одна из главных особенностей ГИКРЯ — социолингвистическая разметка. Для многих текстов известны пол, возраст и место жительства автора.

Это позволяет исследовать региональные, возрастные и гендерные особенности русского языка на больших данных и делать выводы о его вариативности.

Впрочем, стоит иметь в виду, что статистика, собранная на основе данных в интернете, не свободна от искажений. Пользователи соцсетей могут случайно или в шутку указывать неверные данные в профиле, а автоматическая разметка такие странности не замечает. В результате возникают курьезы. Например, среди тех, кто употребляет сленговое слово кринж, на четвертом месте по количеству примеров оказываются люди… 1900–1909 годов рождения. А следом за ними идет группа 1970–1979 годов. Выглядит так, словно супердолгожители разбираются в сленге даже лучше правнуков.

 

Источник: портал «Грамота.ру»