Struktura korpusu ORAL2008

Martina Waclawičová

Korpus ORAL2008 je sestaven z přepisů nahrávek z let 2002-2007. Nahrávky byly vždy pořízeny v neformálních situacích, mluvčí se vzájemně znali a měli k sobě přátelský vztah, tzn. ve většině případů si tykali. Projevy byly ve všech případech nepřipravené, dialogické a jejich téma nebylo nikdy předem dané. Mluvčí byli vždy rozhovorům fyzicky přítomni, korpus tedy neobsahuje přepisy telefonní konverzace. Případné velmi výjimečné krátké úseky, kdy jeden z mluvčích hovoří do telefonu, jsou přepsány pouze jako poznámka v kulatých závorkách.

Korpus ORAL2008 obsahuje přepisy 297 nahrávek, v jejichž rámci byly zaznamenány projevy 995 mluvčích. Nahrávky čítají 6 883 minut, tj. necelých 115 hodin. Celý korpus zahrnuje 1 000 097 slov, což odpovídá 1 349 536 korpusovým pozicím (tj. počet slov a interpunkce).

Korpus ORAL2008 je plně vyvážený s ohledem na základní čtyři sociolingvistické kategorie mluvčích - pohlaví, věkovou skupinu, skupinu podle stupně dosaženého vzdělání a převažující oblast pobytu v dětství. Znamená to, že přepisy nahrávek byly do korpusu ORAL2008 vybrány tak, aby byly všechny hodnoty základních sociolingvistických kategorií zastoupeny přibližně stejným počtem slov. Každá z hodnot binárních kategorií pohlaví (M / Z), věková skupina (I / V) a skupina podle stupně dosaženého vzdělání (A / B) je tedy zastoupena polovinou všech slov v korpusu. Přibližně čtvrtinou slov jsou pak zastoupeny hodnoty kategorie oblast pobytu v dětství, tj. oblasti středočeská, severovýchodočeská, jihozápadočeská a české pohraničí, přičemž přechodná oblast česko-moravská je zařazena pouze doplňkově.

V následujících tabulkách je složení korpusu podle jednotlivých parametrů vyjádřeno počtem nahrávek, mluvčích a slov v korpusu. Tyto parametry jsou dostupné při vyhledávání v korpusu jako zdroje.

Tab 1. Počet nahrávek podle roků Rok Počet nahrávek 2002 9 2003 7 2004 11 2005 49 2006 79 2007 142	Tab 2. Počet nahrávek podle počtu mluvčích Počet mluvčích Počet nahrávek 2 109 3 76 4 54 5 33 6 15 7 5 8 3 9 1 10 1
Tab 3. Počet mluvčích a slov podle vzdělání                                             Vzdělání Počet mluvčích Počet slov A 559 500672 B 436 499425 ZŠ    130 163988 SŠ    306 335437 VŠ    559 500672	Tab 4. Počet mluvčích a slov podle pohlaví Pohlaví Počet mluvčích Počet slov ženy 522 500478 muži    473 499619
Tab 5. Počet mluvčích a slov podle věku Věk Počet mluvčích Počet slov I 576 500199 V 419 499898	Tab 6. Počet mluvčích a slov podle převažující oblasti pobytu v dětství Oblast pobytu v dětství Počet mluvčích Počet slov středočeská 312 247630 severovýchodočeská    167 242199 jihozápadočeská    281 237417 české pohraničí 206 239511 česko-moravská 29 33340