Derlem dil bilimi, dil hakkındaki açıklamaları yalnız araştırmacının sezgisine veya sınırlı sayıdaki örneğe dayandırmak yerine, belirli bir amaç için toplanmış gerçek kullanım verileriyle sınamayı amaçlar. Derlem, rastgele bir araya getirilmiş metin yığını değil; kapsamı, dönemi, kaynak türleri, örnekleme yöntemi ve üst verileri tanımlanmış bir araştırma kaynağıdır. Yazılı metinler, konuşma çözümleri ya da farklı iletişim ortamlarından elde edilen kayıtlar bilgisayarla aranabilir biçimde düzenlenir. Araştırmacı böylece sözcüklerin sıklığını, birlikte kullanım eğilimlerini, dil bilgisel örüntülerini, dönemsel değişimini ve alanlar arasındaki dağılımını ölçebilir. Nicel sonuçlar daha sonra özgün cümlelere ve belgelere dönülerek yorumlanır; sayı ile yakın okuma birbirinin alternatifi değil, birbirini denetleyen iki aşama olarak kullanılır.
Derlem tasarımı ve temsil gücü
Bir derlemin değeri yalnız toplam sözcük sayısıyla ölçülmez. Hangi dil kesitini temsil edeceği baştan belirlenmeli; metin türleri, yayın yılları, bölgeler, alanlar ve üretim ortamları bu amaca göre dengelenmelidir. Haber metinlerinin çokluğu güncel kamusal dili ayrıntılı gösterebilir, fakat kurmaca, akademik yazı veya gündelik anlatım yeterince yer almıyorsa bütün dil hakkında genelleme yapmak yanıltıcı olur. Temsil gücü, her kaynağın eşit sayıda bulunmasından çok, hedeflenen dil evreninin bilinen çeşitliliğinin ölçülebilir biçimde yansıtılmasıyla ilgilidir.
Denge sabit bir sonuç değil, veri akışı sürdükçe yeniden izlenmesi gereken bir özelliktir. Yeni bir kaynak grubu kısa sürede çok büyük hacim ürettiğinde alan dağılımları değişebilir; aynı belgenin farklı adreslerden alınması bazı örüntüleri yapay olarak büyütebilir. Bu nedenle belge kimliği, kaynak alanı, tarih, tür ve işleme geçmişi gibi üst veriler korunur; yinelenen içerik oranı ve kaynak yoğunlaşması düzenli olarak hesaplanır. T-BDLD gibi yaşayan bir derlemde denge, tek seferlik bir seçim tablosundan ziyade sürekli kalibrasyon ve raporlama sürecidir.
İşaretleme ve sorgulanabilirlik
Ham metin, çoğu araştırma sorusu için tek başına yeterli değildir. Cümle sınırlarının belirlenmesi, sözcüklerin yüzey biçimlerine ayrılması, noktalama işaretlerinin işlenmesi, lema ve söz türü bilgilerinin eklenmesi gibi adımlar metni yapısal olarak sorgulanabilir hâle getirir. Bu bilgiler otomatik üretildiğinde her katmanın hata payı vardır. İşaretleme şeması açıkça belgelenmeli, kullanılan sürüm kaydedilmeli ve düzeltmeler geriye dönük öğrenme kayıtlarına bağlanmalıdır. Böylece aynı sorgunun neden farklı tarihlerde farklı sonuç verdiği açıklanabilir.
Sorgu birimi araştırma amacına göre değişir. Tam yüzey eşleşmesi belirli bir çekimli biçimi izlerken lema sorgusu aynı sözlükbirimin farklı çekimlerini bir araya getirir; öbek sorgusu ise kelime sırasını ve aradaki uzaklığı hesaba katar. Düzenli ifadeler yazım ve OCR varyantlarını bulmada yararlı olabilir, ancak geniş desenler ilgisiz sonuç üretebilir. İyi bir derlem arayüzü bu sorgu kiplerini birbirinden ayırır, hangi katmanın arandığını kullanıcıya gösterir ve sonuçların özgün cümle ile belgeye kadar izlenmesine izin verir.
Nicel ölçüm ve nitel yorum
Sıklık, milyon başına düşen kullanım, belge sayısı, kaynak yayılımı ve eş kullanım gücü derlem araştırmasının temel ölçülerindendir. Mutlak geçiş sayısı büyük kaynak gruplarından etkilenir; bu nedenle farklı büyüklükteki alt derlemler karşılaştırılırken normalize edilmiş oranlar kullanılır. Belge yayılımı, yüzlerce tekrarın tek metinde mi yoksa çok sayıda bağımsız kaynakta mı bulunduğunu gösterir. Zaman çizgisi ise bir birimin kalıcı kullanım mı, kısa süreli gündem etkisi mi taşıdığı konusunda ek kanıt sağlar.
Bu ölçüler açıklamanın sonu değil başlangıcıdır. Aynı sayısal profil, alıntıların çoğalması, şablon cümleler veya otomatik üretilmiş sayfalar nedeniyle oluşabilir. Araştırmacı örnek cümleleri okuyarak anlam kümelerini, söz dizimsel görevleri ve kaynak kalitesini denetler. İstatistik ile bağlam uyuşmadığında veri işleme zinciri yeniden incelenir. Derlem dil biliminin güçlü yanı çok veriye sahip olması değil; ölçülebilir örüntüleri özgün metin kanıtıyla karşılaştırabilen yinelenebilir bir yöntem kurmasıdır.
Kapsam, etik ve yeniden üretilebilirlik
Her derlem, seçimlerinin sonucudur ve dilin tamamını eksiksiz biçimde içermez. Erişilebilir dijital kaynaklar basılı, sözlü veya yerel kullanımlardan daha kolay toplanabildiği için görünürlük yanlılığı doğabilir. Telif koşulları, kişisel veri ve kaynakların kullanım izinleri de toplama yöntemini sınırlar. Araştırma sonuçları açıklanırken hangi metinlerin kapsandığı, hangilerinin dışarıda kaldığı ve alt derlemler arasındaki dengesizlikler belirtilmelidir. Bu açıklık, sayıları olduğundan daha genel bir dil gerçeği gibi sunmayı önler.
Yeniden üretilebilirlik için sorgu metni, kullanılan veri sürümü, tarih, süzgeçler ve hesaplama yöntemi kaydedilir. Canlı derlemlerde tam sayıların zamanla değişmesi normaldir; önemli olan ölçüm anının ve yöntemin izlenebilmesidir. GTS, kalıcı ansiklopedi anlatısını canlı ölçümden ayırarak bu gereği karşılar: Kavramsal açıklama editoryal sürümle korunur, derlem göstergeleri ise güncel veri dizisine göre yeniden hesaplanır. Böylece hem tarihsel olarak izlenebilir bir bilgi metni hem de yaşayan dil verisine açık bir gözlem alanı sağlanır.
Derlemin üretim yaşam döngüsü
Derlem üretimi kaynak bulmayla başlayıp metni veri tabanına yazmakla sona eren doğrusal bir işlem değildir. Kaynağın erişim ve kullanım koşulları denetlenir; belge kimliği, yayın tarihi, yazar, metin türü ve alan gibi üst veriler mümkün olduğunca erken aşamada kaydedilir. HTML, PDF, EPUB ve görüntü tabanlı belgeler farklı çıkarma yollarından geçse de ortak bir metin modelinde buluşur. Kodlama birleştirme, sayfa öğelerini temizleme, cümle bölümleme, yinelenen içeriği ayıklama ve dil kalitesi denetimi tamamlandıktan sonra biçimbilimsel çözümleme uygulanır. Her basamağın girdisi, çıktısı ve hata nedeni izlenebilir olduğunda sorunlu sonuç kaynağına kadar geri götürülebilir.
Yaşayan bir derlemde aynı belge daha sonra daha temiz bir sürümle yeniden bulunabilir veya önce eksik olan üst veriler tamamlanabilir. Güncelleme politikası, eski kaydı sessizce çoğaltmak yerine belge sürümleri arasındaki ilişkiyi kurmalı ve sayımlarda hangi kaydın etkin olduğunu açıkça belirlemelidir. İçerik özeti, kaynak adresi ve metin benzerliği birlikte kullanılarak tam ve yakın yinelenmeler ayıklanır. Kalite kapısından geçemeyen belge bütünüyle kaybedilmek zorunda değildir; hata türüne göre yeniden işleme kuyruğuna, OCR aşamasına veya insan incelemesine ayrılabilir. Böyle bir yaşam döngüsü, hacim artarken derlemin açıklanabilirliğini ve araştırma değerini korur.
Karşılaştırmalı araştırma ve sözlük üretimi
Derlem verisi, farklı dönemler, alanlar ve metin türleri arasında karşılaştırma yapılabildiğinde daha açıklayıcı hâle gelir. Bir sözcüğün toplam sıklığı sabit görünürken haber dilindeki kullanımı azalabilir, akademik metinlerdeki kullanımı artabilir veya birlikte bulunduğu sözcükler değişebilir. Bu değişimi ölçmek için alt derlemlerin büyüklükleri normalize edilir, belirsizlik aralıkları göz önünde tutulur ve çok küçük gruplardan kesin sonuç çıkarılmaz. Zaman çizgileri yeni bir biçimin ilk görünüşünü araştırmaya yardım eder; ancak derlemin başlangıç tarihi o sözcüğün dildeki gerçek doğum tarihi değildir. Bulgular her zaman kapsanan kaynak evreni içinde yorumlanır.
Sözlük yapımında derlem; madde adayı bulma, anlamları ayırma, kullanım etiketi verme, örnek seçme ve tanım sınama aşamalarında farklı görevler üstlenir. Yüksek sıklık tek başına sözlükbirim olma kanıtı olmadığı gibi düşük sıklık da açık bir yeni kullanımı geçersiz kılmaz. Biçim ailesi, kaynak yayılımı, bağlam tutarlılığı ve mevcut sözlükteki karşılıklar birlikte değerlendirilir. Tanım yazıldıktan sonra derleme geri dönülerek kapsanmayan örnekler ve aşırı genişletilmiş ifadeler aranır. Böylece derlem yalnız aday üreten bir makine değil, editoryal kararın hem başlangıcında hem sonunda kullanılan eleştirel bir denetim kaynağı olur.
Doğrulanmış kaynakça
- McEnery, Tony ve Andrew Hardie (2012). Corpus Linguistics: Method, Theory and Practice. Cambridge University Press. Kaynağı aç
- Akalın, Şükrü Halûk (2022). “Sözlükbilim”. TÜBİTAK Sosyal Bilimler Ansiklopedisi. Kaynağı aç
- Text Encoding Initiative Consortium (2026). “Dictionaries”. TEI P5 Guidelines for Electronic Text Encoding and Interchange, sürüm 4.11.0. Kaynağı aç