Генеральний регіонально анотований корпус української мови

Генеральний регіонально анотований корпус української мови (ГРАК; англ. General Regionally Annotated Corpus of Ukrainian, GRAC) — це корпус української мови обсягом понад 1,7 млрд токенів, призначений для здійснення лінгвістичних досліджень з граматики, лексики, історії української літературної мови, а також для використання під час укладання словників та граматик.

Корпус можна використати для вивчання мови, також при підготовці навчальних матеріалів, підручників, навчальних словників та вправ з використанням прикладів з реальних текстів, з урахуванням частотної сполучуваності тощо. Корпус не є взірцем нормативної української мови, в ньому можуть трапитися слова і сполучення, які не відповідають сучасним нормам літературної мови.

Корпус охоплює період з 1816 по 2023 р. і на 3 грудня 2023 року містить понад 150 тисяч текстів близько 35000 авторів.

У 10-й версії корпусу, доступній для пошуку з 20 жовтня 2020 року, 35 % становлять художні тексти. Деякі жанри художніх текстів виділені окремо: дитячі, фольклорні, драматичні твори та сценарії.

З нехудожніх текстів:

• публіцистичні тексти, зокрема колекції газет 1888—1893 рр., 1905 р., 1913—1918 рр., 1919—1943 рр., сучасні газети різних регіонів, а також тексти з інформаційних сайтів в Інтернеті;
• мемуари, листи та щоденники, зокрема чималий корпус текстів Facebook, в якому представлені блоги людей з усіх областей України та діаспори;
• наукові та навчальні тексти: монографії, дисертації, наукові статті, підручники; окремо виділено значні за обсягом підкорпуси наукової літератури з історії, етнографії, філософії, права;
• релігійні тексти, зокрема два українські переклади Біблії;
• промови та інтерв'ю.

Також до корпусу залучено деякі словники, де є фразові приклади і фразеологія, зокрема «Словарь української мови» Б. Грінченка і «Російсько-український словник сталих виразів» І. Виргана і М. Пилинської. За допомогою інструментів корпусу в словниках можна шукати не тільки слова, а й лексико-граматичні моделі у складі прикладів та фразеологічних виразів.

Близько 20 % текстів в корпусі є перекладами. Корпус містить переклади з >80 мов, найбільше — з англійської та російської.

Тексти в корпусі датовано роком написання або останнім роком, коли твір міг бути написаний; перекладні тексти датовані роком створення перекладу. Додатково може бути зазначено також рік видання, за яким подано текст.

В основу розмітки корпусу за регіонами покладено сучасний адміністративний поділ України. В корпусі представлені тексти з усіх областей України і з Криму.

Один текст може належати до кількох регіональних підкорпусів (якщо автор або перекладач народився, вчився, жив тривалий час в різних регіонах).

Крім регіональних підкорпусів, є підкорпуси творів авторів діаспори (США, Канада, Польща, Німеччина, Велика Британія, Франція та ін.). Це здебільшого тексти емігрантів 1940-х років і, менша частка, — 1917-1920-х рр.

ГРАК працює на базі системи морфологічного аналізу nlp_uk, яку розробили спеціалісти гурту r2u.

Програма аналізує текст і для кожної словоформи визначає лему (лексему) і теги (граматичні ознаки).

На базі Корпусу проведені дослідження української мови, зокрема історичної динаміки мовної норми^[1] та частотності літер і їх сполучень для розроблення шрифтів^[2].

• ТЕІ (ініціатива кодування тексту)
• Корпусна лінгвістика
• Корпус текстів

• uacorpus.org [Архівовано 1 вересня 2018 у Wayback Machine.] — Генеральний регіонально анотований корпус української мови
• https://www.facebook.com/groups/488552241633414/ [Архівовано 19 вересня 2019 у Wayback Machine.] — ГРАК на Фейсбуці
• Уседоступність матеріалу для зручної роботи з ним. Марія Шведова про ГРАК української мови та неоране поле досліджень. Розмову вела Наталія КОВАЛЬ // 2020, Українська мова та література. №9-10, С. 12-17. https://www.academia.edu/44669209 [Архівовано 12 березня 2022 у Wayback Machine.]