Nynorskkorpuset ved Norsk Ordbok

Føremålet med dette korpuset er å gjera det lettare å utforska ordtilfanget i nynorsk litteraturmål, i den tida det har eksistert. Dette korpuset fyller ikkje malen for eit synkront, balansert korpus, endå om prinsippa for slike korpus ligg i botn for tekstsamansetninga for dei to siste tiåra.
   Det er meininga å auka korpusstorleiken både med eldre og yngre tekst, alt etter kva det er rom for innanfor prosjektet.
   Dette inneber at mange ulike rettskrivingsvariantar for nynorsk finst i det same korpuset, noko som set større kunnskapskrav til brukarane av korpuset, om dei skal få full nytte av det.
   Korpusteksten som er skriven etter 1938, er ordklassetagga og lemmatisert. Teksten som er skriven før 1938 er ikkje ordklassetagga og lemmatisert. I den eldre teksten kan ein derfor berre søkja på ordform (eventuelt med kjelde).
   Ordklassetagginga er gjord slik at 250 000 ordformer fyrst vart tagga manuelt. Deretter er resten av ordtilfanget ordklassetagga automatisk. Dette inneber at det finst feiltaggingar i korpuset, endå om det meste er rett.
   Alle nye tekstar frå etter 1938 som kjem inn i korpuset, blir ordklassetagga.

Det kan løna seg å tenkja på søk med alternativ om ein vil ha med både eldre og yngre tilfang i same søk.
   I eldre nynorsk har substantiv stor førebokstav, så her kan det òg bli naudsynt med alternative søk.
Nokre viktige skilnader mellom eldre og nyare rettskriving er

Når ein skriv søkjeargument, må ein skilja mellom store og små bokstavar. Ein kan også søkja på bokstavar med aksent, og alle dei teikn som elles er i korpuset. Ein får nøyaktig tilslag.

Ein søkjer i korpuset med regulære uttrykk. Språket for søkjeargument er eit eige standardisert "språk" som byggjer på engelsk. Nedanfor er det gjevi ei stutt utgreiing om dei mest aktuelle søka for leksikografar. Om sjølve søkjespråket, sjå og nedanfor under pkt 2.15, som har oversyn over typar og teikn som kan nyttast i søk på dette korpuset.
   Vil du vita meir om regulære uttrykk, er dette ei nyttig lenke:

Korpuset skil mellom attributta ordform (word) og lemma (lemma). (Eit attributt er ein kategori som avgrensar søket til ein viss type eining. Lista over moglege attributt står under pkt 2.15.)
Alle desse er ordformer: hus, huset, husa, gå gjekk, gått, dårleg, dårlege, dårlegast. Berre hus, gå, dårleg er lemma. "Lemma" svarer såleis til "oppslagsord" i ordboka.
   Dette skiljet har interesse berre i høve til ordklasser med bøying. I dette korpuset dreiar det seg om substantiv, adjektiv og verb, og dessutan partisippformer av verb og determinativ (sjå u pkt 2.15). For alle ordklassar der orda berre har ei form, oppnår ein det same ved å søkja på ordform.

For å syna at ein søkjer på ordform, bruker ein attributtet "word".

Søkjeargumentet skal skrivast inni hakeparentes for kvart ord, og følgjast at likskapsteikn og hermeteikn, alt utan mellomrom. Ordforma som ein vil søkja på, står mellom hermeteikna. Det må ikkje vera mellomrom nokon stad. Da blir det slik:

[word="ordtilfang"]

Søkjeargumentet for ordform kan avstyttast slik:

"ordtilfang"

Gløymer ein hermeteikna, får ein ikkje tilslag.

Ein kan også gjera trunkerte søk. Trunkeringsteiknet er punktum fylgd av stjerne, slik:

"ordtilfang.*"

eller

[word="ordtilfang.*"]

Da får ein tilslag i alle ordformer som byrjar med "ordtilfang", irekna den nakne ordforma.

Dersom ein vil ha samansetningar med "ordtilfang" som etterledd, set ein trunkeringsteiknet fyrst:

".*ordtilfang"

Ein kan også trunkera i båe endar av ei ordform, eller inni ordforma.

Ofte kan ein spara tid på søkja etter fleire ordformer i rekkjefylgje. Døme:

"kjem" "til" "å" "bli"

"i" "og" "for" "seg"

"til" "og" "med"

Ein kan også skriva slike søkjeargument fullt ut, med hakeparentes for kvart ord:

[word="til"] [word="og"] [word="med"]

Rekkjefylgja på søkjeargument gjev rekkjefylgje i søkjeresultat.
   Det må vera eitt mellomrom mellom kvar eining, anten ein bruker hermeteikn eller hakeparentes.

Ein kan avgrensa søk på ei eining ved å kombinera søkjekriterium. Da må ein føre søkjeargumenta innanfor hakeparentes.
For "og" skriv ein "&".

Formelen blir då slik:

[ATTRIBUTT 1="xxx" & ATTRIBUTT 2="yyy"]

I neste avsnitt er det vist døme på kombinert søk på ordform frå ei viss kjelde. Ein kan kombinera søkjekriterium med alle attributt som er brukte i korpuset. Sjå òg døme under 2.11.

I Nynorskkorpuset kan ein avgrensa søk etter belegg til ei viss tekst eller ei viss gruppe tekstar. Ein søkjer då på ordform eller lemma kombinert med kjeldesignaturen verket har i Norsk Ordbok. Attributtet for kjelde er "ref".
Søk på kjeldesignatur kan trunkerast på same måten som søk på ordform ("word").
Søk på kjeldesignatur er definert som å søkja på ein eigenskap ved eit ord. Søkjer ein berre på kjeldesignatur, får ein feilmelding.
Merk at ein bør ta med trunkeringsteiknet sist i alle kjeldesignaturar, for å få med sidetalet.

Døme:

[word="koffert.*" & ref="SS.1990.*"]
[word="auk.*" & ref="SS.*"]

Merk at for mellomrom i kjelder, som t.d. i

"DT 2002"

må ein skriva punktum

"DT.2002"

Søk på ordform (attributtet "word") gjev tilslag i heile korpuset, dvs. både tekstar før og etter 1938. Det same gjeld søk på ordform pluss kjelde.

[word="xxx"]

[word="xxx" & ref="yyy.*"]

Søk på ordklassetagg (attributtet "msd") eller oppslagsform (attributtet "lemma") gjev tilslag berre i tekstar frå 1938 eller seinare. Tilslag ein får i tidlegare tekstar, er ikkje pålitelege.

[lemma="xxx"]

[msd="ordklassetagg"]

Sjå meir om ordklassetaggane under pkt 2.14.

Dersom ein vil søkja på alternative former, t.d. ha med ulike rettskrivingsvariantar, kan ein føra spesifiserte alternativ i søkjeargumentet. Søkjealternativ står innanfor parentes og er skilde med rett, vertikal strek. Det ser då slik ut:

"xxx(ALT1|ALT2)xxx"

Døme:

Vil ein ha med alle former av "følgja/fylgja" kan ein skriva det slik:

[word="f(ø|y)lg.*"]

Ein kan føra meir enn to alternativ.

[word="(m|d|s)eg"]

vil gje tilslag for meg, deg, seg.

Ein kan som nemnt kombinera søkjeargument med teiknet "&". Då får ein tilslag som innfrir båe vilkår.

Vanlege søk på trunkert lemma + ordklasse er:

[lemma="xxx" & msd="SAM.*"]  (substantiv i maskulinum)
[lemma="xxx" & msd="SAF.*"]  (substantiv i femininum)
[lemma="xxx" & msd="SAN.*"]  (substantiv i nøytrum)
[lemma="xxx" & msd="V.*"]      (verb)
[lemma="xxx" & msd="A.*"]      (adjektiv)
[lemma="xxx" & msd="P.*"]      (partisipp)

Eit par vanlege fleirordige søk er

søk på "verb + partikkel", som vil gje belegg med t.d. halda på, held fram, heldt til:

[lemma="xxx(e|a)" & msd="V.*"] [msd="PREP"]

søk på nominalfraser som t.d. "ein liten hund / to små hundar / den vesle hunden"

[msd="D.*"] [msd="A.*"] [lemma="xxx" & msd="S.*"]

Under pkt 2.14 finn du opplysning om taggesystemet for ordklassar.

Dersom ein vil søkja etter ord som står på litt avstand frå kvarandre, set ein inn eit sett tomme hakeparentesar, fylgde av eit sett sløyfeparentesar (utan mellomrom mellom). Inni sløyfeparentesane skriv ein inn det talet med ord som ein vil ha imellom, t.d. slik

[]{2}

Då søkjer ein etter tilslag som har to uspesifiserte ord mellom dei som er spesifiserte.
Vil ein ha frå så til så mange ord imellom, skriv ein inn båe verdiar, skilde med komma:

[]{0,5} = 'skild med frå null til fem ord'

"0,5" tyder "frå null til fem ord imellom". Tala kan ein sjølvsagt endra etter behov.

Døme:
[lemma="halde" & msd="V.*"] []{0,5} [word="seg"]

Da får ein tilslag som "halda seg, held seg, halda fram med å kalla seg, heldt på å ta livet av seg".

Ein kan ha bruk for å søkja etter teikn som ikkje er vanlege bokstavar, som til dømes punktum (".") eller komma (","). Det kan t d vera at ein berre er interessert i apposisjonar. Da er det to ting ein må ta omsyn til:

1. Alle teikn i teksten som ikkje er bokstavar, er skilde ut som eigne "ord" (tokens). Dei har mellomrom både før seg og etter seg. Når ein søkjer etter eit teikn, søkjer ein derfor etter atributtet word.

2. Mange av teikna er del av søkjespråket CQP. For å markera at søket gjeld sjølve teiknet, set ein omvend skråstrek (backslash) rett framfor.

Dersom ein vil søkja på teikn, skriv ein altså:

[word="\TEIKN"]

eller

"\TEIKN"

Ei åtvaring: søk etter berre teikn vil truleg ikkje gje treff lenger ut i korpuset enn til Firda eller Dag og Tid, så søk etter vanlege teikn bør kombinerast med søk på vanlege ord.

Døme:

Vil ein ha preposisjonen "i" framfor punktum, ser søkjestrengen sllik ut

[word="med"] [word="\."]

eller

"med" "\."

Fire ordklassar er merkte med ein bokstav:

Desse ordklassane har eit eigenskapsskjema til seg, sjå nedanfor.
Dei andre ordklassane har meir eksplisitte (intuitive) taggar:

Verb med med tilleggstagg for verbform er:

Taggeskjema for substantiv:

Taggeskjema for adjektiv:

Taggeskjema for partisipp:

*partisipp som står predikativt er alltid tagga med 0 for binding

Taggeskjema for determinativ: