Проект создания корпуса текстов на языках малочисленных народов Сибири реализуется с 2011 года. В 2011—2014 годах он выполнялся в рамках программы Президиума РАН «Корпусная лингвистика» сотрудниками и аспирантами отдела Севера и Сибири Института этнологии и антропологии РАН. С 2017 года реализация проекта продолжена в рамках проекта «Языковое и этнокультурное разнообразие Южной Сибири в синхронии и диахронии: взаимодействие языков и культур», выполняемого на базе Томского государственного университета (грант Правительства РФ № 14.Y26.31.0014) сотрудниками кафедры этнологии МГУ, отдела Севера и Сибири ИЭА РАН и Лаборатории лингвистической антропологии ТГУ.

Основной целью проекта является создание общедоступного электронного корпуса фольклорных материалов с возможностью:

1. одновременного хранения как исходного (сохраняющего особенности фиксации), включая рукописи, аудио- и видеозаписи, так и нормализованного варианта записи текстов;

2. поисковой работы с корпусом текстов, позволяющей осуществлять выборку важнейших сопряженностей для каждого слова, левых и правых соседей каждого слова (с дополнительным представлением в виде графов), сбор статистики употребления лексем/словоформ, анализ контекста словоупотребления в заданном тексте и во всем корпусе, сравнение списков словоформ из всех представленных в корпусе текстов с заданным ограничением поиска — по текстам, сказителям, или, на языке лингвистики, по говорам, диалектам и языкам.

Созданный уникальный ресурс может быть использован в процессе преподавания аборигенных языков в школах и ВУЗах, а также для научно-исследовательской работы лингвистов, фольклористов и этнологов, владеющих данными языками.

Состав и объем корпусов

Согласно проектной заявке 2011 года корпус должен был включать фольклорные материалы лишь на двух языках: шорском и эвенкийском. Объем шорского и эвенкийского подкорпусов к концу 2011 года предполагалось довести до примерно 120.000 и 6.000 словоупотреблений соответственно. С целью демонстрации возможностей корпуса в плане включения материалов на других языках, в нем дополнительно размещены фольклорные тексты на телеутском языке.

В настоящий момент «корпусная машина» обслуживает следующие корпусы:

• ненецкий;
• телеутский;
• шорский;
• эвенкийский;

Подробную текущую статистику по каждому корпусу можно посмотреть на странице «Статистика».

Корпусы ИЭА РАН