Et korpus er en større mængde af tekster indsamlet og tilgængelig i elektronisk form.
Ordet kommer fra latin corpus 'krop, legeme'.
Korpusser bruges hovedsageligt til kvalitative og kvantitative undersøgelser af sproget (korpuslingvistik), til udarbejdelse af ordbøger og til udvikling af sprogteknologi og kunstig intelligens i form af store statistiske repræsentationer af sproget (også kaldet sprogmodeller eller LLM-er).
Det Danske Sprog- og Litteraturselskab har således indsamlet to danske korpusser, Korpus 90 og Korpus 2000, som dækker perioderne 1988-1992 og 1998-2002, i alt ca. 50 mio. ord. Derved bliver det muligt at sammenligne ordforråd og sprogbrug i de to perioder. Korpusserne er tilgængelige fra ordbogsportalen ordnet.dk.
De sprogteknologiske og datalogiske forskningsmiljøer har i nyere tid også indsamlet store tekstmængder til brug til træning af store sprogmodeller (LLM-er), fx GigaWord udviklet ved IT-Universitetet i samarbejde med andre institutioner, og senest Dynaword udviklet ved Århus Universitet, som lægger op til kontinuerlig udvikling via fælles tekstbidrag fra interessenter.
Teksterne i et korpus kan forsynes med eksterne og interne opmærkninger. De eksterne opmærkninger indeholder oplysninger om teksten som helhed, fx forfatter, årstal og kilde. De interne opmærkninger indeholder oplysninger om tekstens byggesten. For de enkelte ord angives ordklasse og betydning, for ordforbindelser angives afgrænsning og betegnelse, for samtaler angives replikskifte og talere. De eksterne oplysninger gør det muligt at filtrere, så man fx kan søge i tekster skrevet udelukkende af mænd eller tekster fra en bestemt avis. De interne oplysninger gør det muligt at frasortere homografer, så man fx kan skelne mellem så (adverbium) og så (verbum), og at søge efter bestemte sætningskonstruktioner eller ordbetydninger. Søgninger i korpusser præsenteres ofte i form af konkordanser. Således præsenterer en KWIC-konkordans (Keyword in Context) de fundne ordforekomster på hver linje omgivet af et antal ord på hver side.
Lars Findsen er netop blevet tilkendt en erstatning på 20.000 kroner for, at PET i 2022 delte oplysninger af privat karakter med partiledere i Folketinget. Byretten fandt, at PET's briefing var "unødigt krænkende". Anklagemyndigheden vil anke dommen.
Novo Nordisk har fremlagt regnskab, hvor virksomheden igen nedjusterer salgsforventningerne. Samtidig melder virksomheden, at den store fyringsrunde på 5000 medarbejdere i Danmark er afsluttet.
Zohran Mamdani er valgt til ny borgmester i New York City fra 1. januar 2026. Mamdani tilhører den progressive fløj i Det Demokratiske Parti, og det overordnede fokus for hans valgkampagne var at gøre byen mere tilgængelig for folk med middel- eller lavere indkomst.
Kommentarer
Kommentarer til artiklen bliver synlige for alle. Undlad at skrive følsomme oplysninger, for eksempel sundhedsoplysninger. Fagansvarlig eller redaktør svarer, når de kan.
Du skal være logget ind for at kommentere.