КОРПУСНИЙ ПІДХІД ДО ВИКЛАДАННЯ ФАХОВОГО ПЕРЕКЛАДУ: ІНСТРУМЕНТИ SKETCH ENGINE ТА CQL-ЗАПИТИ
DOI:
https://doi.org/10.32782/2522-4077-2025-214.1-16Ключові слова:
корпусні дослідження, навчання фахового перекладу, Sketch Engine, фаховий текст, фахова лексика, універсальна мова запитів CQLАнотація
Сучасну прикладну лінгвістику неможливо уявити без мовних корпусів. Вони одночасно є як її потужним та ефективним дослідницьким інструментом, так і практично необмеженою базою лінгвістичних даних для різних галузей та потреб наук, що так чи інакше використовують мовний арсенал. Автоматизація створення та дослідження текстових масивів створює нові можливості не тільки для філології, а й для фахівців, які застосовують такі дані у практичних цілях. Не останню роль корпусні методи відіграють у вдосконаленні навчання мов, а саме перекладу, оскільки дають змогу точно та системно підбирати спеціалізовані мовні матеріали, необхідні для опанування лексики, особливостей вживання та перекладу ключових лінгвістичних одиниць, а також для визначення сучасних мовних тенденцій у конкретній сфері. Незважаючи на величезний вибір платформ та програмного забезпечення для керування корпусами текстів та для текстового аналізу, Sketch Engine займає особливе місце завдяки своїй потужності, а також обсягів та універсальності колекцій текстів: він дозволяє не тільки аналізувати наявні корпуси, а й створювати власні, у тому числі багатомовні, досліджувати лексику, словосполучення, термінологію, перекладацькі відповідники та генерувати навчальні матеріали за допомогою CQL-запитів і вбудованих лінгвістичних функцій. Особливо високу ефективність Sketch Engine демонструє у навчанні роботі з фаховими текстами та їх перекладу, оскільки дає можливість ефективно досліджувати спеціалізовані тексти, виявляти ключову термінологію, характерні словосполучення, аналізувати перекладацькі підходи та готувати навчальні матеріали для студентів-перекладачів; при цьому використання мови запитів CQL дозволяє зробити процес роботи зі спеціалізованими текстами більш спрямованим та гнучким. У статті досліджується комплексний підхід до використання Sketch Engine у навчанні фахового перекладу, зосереджуючись на практичних аспектах роботи з корпусами. Пропонуються систематизовані методики, що охоплюють як базові навички роботи з корпусними даними (створення спеціалізованих корпусів, частотний аналіз, термінологічні дослідження), так і більш складні прийоми аналізу фахової лексики та специфічних граматичних структур. Особливий акцент робиться на практичному застосуванні цих інструментів у навчальному процесі, що дозволяє студентам-перекладачам ефективно опанувати ключові аспекти фахового перекладу.
Посилання
Peñas A., Verdejo F., Gonzalo J. Corpus-Based Terminology Extraction Applied to Information Access. UCREL Technical Papers, 13. Presented at the Corpus Linguistics 2001 conference, Lancaster University, United Kingdom. pp. 458–465.
Cabré Castellví M.T., Estopà Bagot R., Vivaldi Palatresi J. Automatic Term Detection: A Review of Current Systems. Terminology. 2001. Vol. 7(2). pp. 53–88. DOI: 10.1075/term.7.2.07cab
Hewavitharana S., Vogel S. Enhancing a Statistical Machine Translation System by Using an Automatically Extracted Parallel Corpus from Comparable Sources. Proceedings of the LREC 2008 Workshop on Building and Using Comparable Corpora. Marrakech, Morocco, 2008. pp. 7–10.
Domhan T., Hasler E., Tran K., Trenous S., Byrne B., Hieber F. The Devil Is in the Details: On the Pitfalls of Vocabulary Selection in Neural Machine Translation. Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL-HLT 2022). 2022. Association for Computational Linguistics. pp. 1840–1851. https://doi.org/10.18653/v1/2022.naacl-main.136
Van Eck N.J., Waltman L., Noyons E.C.M., Buter R.K. Automatic Term Identification for Bibliometric Mapping. Scientometrics. 2010. Vol. 82(3). pp. 581–596. DOI: 10.1007/s11192-010-0173-0
Gries S. T. Analyzing Linguistic Data: A Practical Introduction to Statistics Using R (2nd ed.). Cambridge University Press. 2021. 374 pages.
Akkoyunlu Aslı, Kilimci Abdurrahman. Application of Corpus to Translation Teaching: Practice and Perceptions. International Online Journal of Education and Teaching. 2017. Vol. 4. pp. 369–396.
Lusta A., Demirel Ö., Mohammadzadeh B. Language Corpus and Data Driven Learning (DDL) in Language Classrooms: A Systematic Review. Heliyon. 2023. Vol. 9. e22731. 10.1016/j.heliyon.2023.e22731.
Anokhina T., Kobyakova I., Schvachko S. Innovative Methodology for Teaching European Studies Using a Corpus Approach. Philological Treatises. 2023. Vol. 15. No. 2. pp. 7–16.
Matvieieva S. A., Lemish N. Ye., Zernetska A. A., Babych V. I., Torgovets M. S. English-Ukrainian Parallel Corpus: Prerequisites for Building and Practical Use in Translation Studies. Studies about Languages. 2022. Vol. 1. pp. 61–74.
Lemish N. Ye., Aleksieieva O. M., Denysova S. P., Matvieieva S. A., Zernetska A. A. Linguistic Corpora Technology as a Didactic Tool in Training Future Translators. Information Technologies and Learning Tools. 2020. Vol. 79. No. 5. pp. 242–259.
Kilgarriff A., Baisa V., Bušta J., Jakubíček M., Kovář V., Michelfeit J., Rychlý P., Suchomel V. The Sketch Engine: Ten Years On. Lexicography. 2014. Vol. 1(1). pp. 7–36. DOI: 10.1007/s40607-014-0009-9.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.






