1. Wstęp

Najczęściej używamy dużych korpusów, ale jesteśmy twórcami małych. Dostępna literatura dotyczy jednak głównie dużych korpusów i sposobów ich wykorzystania. O małych korpusach wspomina się najczęściej przy okazji definiowania dużych, a krótkie instrukcje ich tworzenia znajdziemy w ramach aplikacji webowych lub przewodników1. Niewiele jest jednak monografii poświęconych małym korpusom2: zazwyczaj znajdujemy tylko pojedyncze rozdziały lub artykuły na ten temat, więc warto zastanowić się nad przyczynami tej sytuacji. Być może luka wynika z braku potrzeby szerszego opisu małych korpusów, mimo że mają one często innych twórców i odbiorców niż duże. Uznalibyśmy wtedy, że mały korpus jest tylko pewną modyfikacją dużego korpusu i opracowania na temat tego drugiego są zupełnie wystarczające. Inną przyczyną wspomnianego braku jest postrzeganie małych korpusów jako roboczego źródła danych, które ma doraźny charakter (por. disposable corpus), nie będzie upubliczniane czy też powtórnie wykorzystywane (por. home-grown corpus, private corpus). Natomiast najnowsze strategie polityki europejskiej czy też krajowej, w tym polskiej, nakłaniają badaczy do gromadzenia danych językowych oraz ich upubliczniania, aby możliwy był rozwój gospodarki oparty na danych i na wiedzy3. Bardzo istotne jest bowiem budowanie dużych zasobów (częściowo powstających z łączenia małych), które umożliwiają prace m.in. nad sztuczną inteligencją oraz obniżają koszty prowadzenia kolejnych badań na podstawie tych samych danych. Wiedza o małych korpusach potrzebna jest zupełnie nowym użytkownikom tego typu zasobów, którzy dzięki aplikacjom webowym niemal w tym samym momencie stają się twórcami i odbiorcami swoich własnych korpusów, a efekty ich pracy mogą współtworzyć duże zasoby danych językowych.

Mimo że historia małych korpusów jest krótka, to obecnie istnieje wiele ich typów, więc trudno przyglądać się wszystkim z taką samą starannością. Moje doświadczenia z małym korpusem rozpoczęły się od korpusu specjalistycznego, który zawiera przykłady realizacji jednego gatunku mowy - listów pożegnalnych (Polski Korpus Listów Pożegnalnych / Polish Corpus of Suicide Notes4). Ten zasób zgodnie z wstępnym zamysłem powstał w celu opracowania jednego projektu. Okazało się, że zarówno dla mnie, jak i wielu innych badaczy jest to wciąż użyteczny korpus, który ma szansę na rozbudowywanie. W podobny sposób inne małe zasoby mogą stawać się podstawą kolejnych badań, ale także zasilać duże zbiory danych, proponować rozwój metadanych i anotacji oraz wspierać rozwój kompetencji użytkowników i twórców kolejnych współdzielonych zbiorów danych. Praca nad korpusem pozwoliła mi też zorientować się, jak duży jest dorobek metodologiczny w zakresie korpusowego opisu danych gatunkowych i jak wielu specjalistów z zakresu różnych dyscyplin z nich korzysta. Systematyczny przegląd tych danych, jeśli tylko będą udostępniane, ma z pewnością ogromne znaczenie w budowaniu i architekturze wielkich zasobów językowych.

1.1. Czym jest mały korpus?

Wydaje się, że śladów odrębności małych i dużych korpusów można poszukać w początkach ich funkcjonowania. Z pewnością historie dużych i małych korpusów nie są równoległe, gdyż jedna z nich jest krótsza. Gdy spojrzymy na przedstawiane w różnych publikacjach typologie korpusów, to okaże się, że nie w każdej z nich uwzględniono mały korpus. Pierwotnie zamysł tworzenia korpusów wiązał się głównie z dążeniem do budowania coraz większych zasobów, które umożliwiałyby uzyskiwanie zobiektywizowanych wyników badań. Szybko rozwijająca się technologia utrudniała określanie górnej granicy rozmiaru korpusu, a wciąż rosnące liczby wymagały zmian w nominacji wielkich korpusów zarówno ze względu na ich wielkość, jak i stopień zaawansowania (por. ang. corpora: large, massive, mega, first-generation, second-generation5, third-generation6, gigacorpus7). Mały korpus był więc początkowo niedoskonałym, gdyż wciąż nieidealnym, korpusem, dlatego jeszcze w 2004 roku John Sinclair udowadniał, że "małe nie jest piękne" (Sinclair 2004: 189). Nawet jeśli we wczesnych pracach na temat korpusów znajdujemy przymiotnik mały, to najczęściej jest to tylko określenie towarzyszące przeciwstawieniom o znaczeniu: mały, bo nie duży. Trudno też traktować określenie mały w tym rozumieniu jako część terminu.

Mimo postrzegania niewielkich rozmiarów jako wady zauważano jedno­cześnie, że mały korpus jest wystarczający do wielu celów, a mówiona odmiana języka czy pismo ręczne do dziś nie ułatwiają budowania wielkich zasobów. W 2014 roku ukazał się artykuł Richarda Chapmana ze znaczącym pytaniem w tytule: "Small is beautiful?" (2014: 84-96), któremu towarzyszy wieńczący całość rozważań akapit o potencjalnych zaletach małych korpusów (Chapman 2014: 96). Data wydania tekstu nie jest granicą przełomu w traktowaniu małych korpusów, ale śladem dłuższego procesu. W nowym znaczeniu mały korpus nie oznacza już bycia niewystarczającym (chociaż wiadomo, że badania na korpusach zbyt małych w stosunku do dostępnych danych nie spełniają standardów naukowych8), ale wskazuje na mniejszy korpus, który został jako taki zaplanowany, a jego nazwa staje się terminem. Potwierdzeniem krótszej historii małego korpusu jest wciąż nieustabilizowana nazwa, której warianty z czasem zaczęły oznaczać różne typy małych korpusów. W literaturze światowej oprócz small corpus znajdziemy też nazwy: micro-corpus (Padilla-Moyano 2014; Bilińska, Derwojedowa, Kwiecień 2018), mini-corpus, DIY corpus9 i inne, które zostały przywołane na stronach tej książki. Wydaje się zatem, że kategoria małego korpusu pojawiła się, gdy tego typu zasoby stały się coraz powszechniejsze, a tym samym zwiększyło się ich zróżnicowanie powiązane z charakterystycznymi funkcjami (por. np. korpusy specjalistyczne).

Mały korpus to stosunkowo niewielki korpus specjalistyczny. Użyty w jego nazwie przymiotnik mały nie wynika z tego, że jest to korpus zbyt mały, aby nazwać go dużym. Jest to zawsze zaplanowany, wyczerpujący zbiór dostępnych danych, który można uznać za reprezentatywny w odniesieniu do celu analizy i postawionego pytania badawczego (por. focused corpora). Mały korpus jest więc odpowiedzią na konkretne pytania badawcze, ściś­le dostosowany do zebranego materiału, co nie przeszkadza w tym, aby mógł później zostać udostępniony innym badaczom czy zmienić status na subkorpus w ramach większej całości zaplanowanej według podobnych reguł. Dzięki możliwej szczegółowej anotacji pragmatycznej pozwala na testowanie hipotez (por. Ahrens 2006) lub ich potwierdzanie na podstawie wniosków wyciągniętych z analiz prowadzonych wstępnie na dużym korpusie. Mały korpus jest łatwy do zaprojektowania, zestawienia i analizowania danych przez jednego badacza, który chce przyjrzeć się ściśle określonej odmianie języka w ramach jego zróżnicowania, kompetencji językowej niewielkiej grupy użytkowników języka, jednemu gatunkowi lub porównać kilka, czy też planuje prowadzić badania stylistyczne nad idiolektem. Dlatego też małe zasoby nazywane są czasem korpusami DIY, zwłaszcza gdy tworzone są doraźnie na podstawie zasobów internetowych (Web as a corpus). Rozwój technologii pozwala dzisiaj badaczom samodzielnie - tzn. bez pomocy informatyka czy specjalisty z zakresu przetwarzania języka naturalnego, a także bez specjalistycznych szkoleń - zbudować korpus na własnym komputerze, przy użyciu intuicyjnego, dostępnego dla wszystkich oprogramowania. Małe korpusy przygotowywane są najczęściej w dwóch celach:  - badawczym, czyli przez naukowców, którzy wykorzystują te zasoby do badań własnych, a następnie wyniki swoich prac publikują - jako materiał w projektach związanych z naukami stosowanymi, np.: leksykografią (kształcenie umiejętności korzystania z korpusów10), glottodydaktyką, translatoryką czy lingwistyką kryminalistyczną (tutaj z utworzonych korpusów korzystają nie tylko naukowcy, ale i praktycy: uczniowie, studenci, tłumacze, biegli).

O zaletach małych korpusów pozwalających uzupełnić badania nad problemami lingwistycznymi, których nie da się analizować przy użyciu dużych korpusów, oraz o wadach i zagrożeniach czyhających na użytkowników małych korpusów można przeczytać w dalszej części książki. Nie da się jednak rozpocząć tej monografii bez jakiejkolwiek definicji, więc przedstawione powyżej skrótowe wyjaśnienia mają jedynie charakter wprowadzający.

2. Etyka badań a małe korpusy

Chociaż małe korpusy tworzone są czasami jako zasoby prywatne przeznaczone do jednorazowych badań lub osobistego użytku, to nie zwalnia to ich twórców z przestrzegania zasad etyki badań. Poza tym, w sytuacji gdy małe korpusy są rzadziej udostępniane niż duże, trzeba dołożyć wszelkich starań, aby prowadzone badania spełniały wszystkie wymogi rzetelności i otwartości dokumentacji, co daje szansę weryfikacji założeń korpusu oraz otrzymanych wyników. Ujawnienie szczegółowego opisu korpusu i transparentność badań pozwalają na kontynuowanie ich w analogiczny sposób, co umożliwia prowadzenie analiz porównawczych lub uzupełnianie wyników (reusable c.) także przez innych badaczy (Cox 2011: 240). Możliwość powtórzenia badań na tych samych danych lub przeprowadzenia tej samej procedury na innym zasobie ma szczególne znaczenie w czasach naznaczonych kryzysem powtarzalności - replicability crisis (Sönning, Werner 2019: 1179-1206), który wymaga budowania strategii weryfikowania wyników badań empirycznych. Jak pisze Stefan Hartmann, część analiz nie może być powtarzana ze względu na brak dostępu do zasobów korpusowych, na których były prowadzone, więc tym cenniejsza jest możliwość dbania o udostępnianie małych korpusów (Hartmann 2023)11.

W odniesieniu do małych korpusów warto też zwrócić uwagę na kilka aspektów, które wynikają z ich specyfiki. Nawet jeśli z uzasadnionych powodów korpus został zaplanowany jako mały, to zgodnie z zasadą rzetelności badań jego rozmiar powinien być maksymalny, aby gromadził wszystkie możliwe do uzyskania dane, pozwalał na rozwój zasobu (Sinclair 1991: 18) oraz wskazywał jego reprezentatywność. Aspekty etyczne trzeba rozważyć na wszystkich etapach tworzenia korpusu: od projektowania, poprzez zbieranie danych, ich utrwalanie (wraz z anonimizacją), przechowywanie, publikację i ewentualne udostępnianie. Szczególne wymogi wynikają już z charakteru zasobów zbieranych w formie małych korpusów, które stanowią np. dane mówione (McEnery, Wilson 2001) czy też wrażliwe lub trudno dostępne (Leed­ham, Lillis, Twiner 2021). W związku z tym szczególnego znaczenia nabiera ochrona praw i prywatności nadawców, która może być realizowana dzięki uzyskanym zgodom uczestników komunikacji, anonimizacji danych korpusowych lub ich fragmentów przeznaczonych do publikacji, szczególnym zasadom przechowywania danych czy też ograniczeniu dostępu do korpusu. Wszystkie te działania są czasochłonne, a także czasem kosztochłonne. Stąd też niekiedy tylko część korpusu jest zanonimizowana (Isard 2020: 95). Na wstępnym etapie projektowania zasobu ustalany jest zakres danych wrażliwych, których status może być związany z: 

rodzajem materiału: dane mówione wymagają zgody respondentów oraz osób prowadzących wywiady, maskowania twarzy w korpusach wideo (co utrudnia badania w ramach języka migowego) czy multi­modalnych analizach konwersacji (por. anonimizację zdjęć z sesji online - Child Conversation Multimodal Corpus12) lub też wykorzystania awatarów (Hunston 2022: 40);  badaną grupą użytkowników języka (np.: dzieci - konieczne zgody opiekunów prawnych, spełnienie wymogów stawianych przez instytucję; osoby niesłyszące - uwzględnianie anonimizacji informacji o osobach trzecich z powodu niewielkich wspólnot komunikacyjnych, których członkowie się bardzo dobrze znają);  podejmowaną przez rozmówców tematyką13, np. z zakresu zdrowia14 - problematyka zdrowia na forach internetowych (Hunston 2022: 40), rozmowy między lekarzem a pacjentem (Reineke, Schmidt, Schedl, Kaiser 2017).

Odpowiednio przeprowadzana procedura uzyskiwania zgód powiązana z informowaniem o możliwych zakresach wykorzystania danych czy też możliwości zrezygnowania z udziału w projekcie jest zdecydowanie łatwiejsza w ramach przygotowywania małego korpusu m.in. dlatego, że jest to działanie na mniejszą skalę. Poza tym zasób jest z góry projektowany dla niewielkiej grupy użytkowników i w konkretnym celu15.

Ze względu na zakres i specyfikę prowadzonych badań preferencją dla małych zasobów będzie tworzenie korpusów pełnotekstowych, które zapobiegają świadomym lub nieświadomym ingerencjom w gromadzony materiał i decydują o ich autentyczności (Sinclair 1991). Czasami fragmenty tekstów lub pojedyncze informacje mogą się nam wydawać drugorzędne, a jednocześnie zbyt poufne, co wpływa na podjęcie decyzji o ich usunięciu. Zawsze jednak warto rozważyć, czy w przyszłości nie będą to dane potrzebne do innych badań, a dla pełnego obrazu gromadzonego materiału zaznaczyć pominięte fragmenty lub zanonimizować dane. Można rozważyć możliwość tworzenia dwóch wersji korpusu: zanonimizowanej i kompletnej, gdyż czasami konieczne jest uwzględnianie anonimizowanych informacji. Anonimizacja Polskiego Korpusu Listów Pożegnalnych polegała m.in. na maskowaniu w ramach anotacji danych osobowych. Jednak analiza listów pożegnalnych bez zdrobnień, spieszczeń czy zgrubień antroponimów, które pokazują stosunek nadawcy do siebie samego i innych, byłaby bardzo zubożona. Dlatego też PKLP oprócz ograniczonego dostępu do danych ma dwie wersje różniące się szczegółowością anotacji (Zaśko-Zielińska 2012: 71-77). Tworzenie dwóch wersji korpusu dla danych wrażliwych relacjonują także Maria Leedham, Theresa Lillis i Alison Twiner (2021), uzupełniając te informacje opisem negocjacji w ramach procesu anonimizacji, w które byli zaangażowani nie tylko twórcy korpusu, ale także programiści i uczestnicy projektu (2021).

Zasady etyczne, które należy uwzględnić w ramach tworzenia, wykorzystywania i udostępniania małych korpusów, są zawsze ściśle powiązane z pytaniami badawczymi oraz planowanym zastosowaniem zasobów, czyli twórcami i użytkownikami tych zbiorów.

Przed przystąpieniem do realizacji projektu warto też zapoznać się z wymogami etycznymi obowiązującymi na terenie danego państwa i konkretnej uczelni, aby nie pominąć ustaleń zawartych w regulaminach czy koniecznych do uzyskania zgód.