Разметка корпуса осуществлена в программе ELAN (Wittenburg, Brugman, Russel, Klassmann, Sloetjes, 2006).
3.1. Базовая часть
Основная часть содержит информацию, характерную для большинства речевых корпусов: расшифровку записи с указанием времени, леммы, анализ по частям речи и грамматическую информацию.
Квазифонетический слой (Transcript) скоординирован с аудио-/видеофайлами и содержит орфографическую транскрипцию записанной речи. Большинство слов в этом слое выступают в стандартном написании, однако в случае фонетической ошибки или специфического произношения транскрипция отражает эти отклонения от нормы. Например, русское слово сейчас в устной речи может выступать в своей полной форме либо в редуцированном варианте щас. При этом в письменной речи приемлем только полный вариант. В этом случае квазифонетическая транскрипция должна передать произношение, а не норму языка. Фонематические парафазии (ошибки), встречающиеся в речи людей с афазией, также отражаются в этом слое, например велосипел (правильно велосипед). Абсолютные (тишина) и заполненные (например, хм, ээ) паузы длиной более 70 мс также отмечены в транскрипте. Если какой-либо речевой отрывок неразборчив, используется пометка «Неразборчиво».
Квазифонетическая транскрипция позволяет отразить некоторые черты устной речи и фонематические парафазии, однако она затрудняет анализ лексического многообразия и лексической насыщенности. Слой лексической расшифровки (Transcript_lex) содержит ту же информацию, что квазифонетический слой, но со стандартным правописанием. Лексическая расшифровка используется при подсчете показателей лексического разнообразия (поскольку различные варианты произношения одной лексемы не считаются в этом слое различными словами), а также для целей исследования макроструктуры текста.
Слой лемм (Lemma) содержит все начальные формы слов, а слой англоязычных лемм (Lemma_eng) – перевод всех слов на английский язык. В сочетании с данными грамматического слоя это дает возможность использования данных корпуса Russian CliPS также нерусскоязычными исследователями.
Схемы маркировки частей речи и указания грамматических категорий даются по руководству Национального корпуса русского языка[3]. Каждая грамматическая категория указывается в отдельном слое программы ELAN (всего 13 слоев).
3.2. Деление на сегменты
3.2.1. ЭДЕ
В зависимости от подхода исследователи используют различные критерии при сегментации устных монологов. Они могут быть основаны на синтаксической структуре, семантике, просодии или на их сочетании. Деление происходит на «высказывания» (Marini et al., 2011), коммуникативные единицы (Armstrong et al., 2011), тематические единицы (Marini et al., 2005), вербализации (Glosser, Deser, 1990), элементарные дискурсивные единицы (ЭДЕ) (Carlson, Marcu, 2001; Kibrik, 1996; Mann, Thompson, 1988; Taboada, Mann, 2006), минимальные единицы дискурса (Degand, Simon, 2005), составляющие единицы дискурса (Polanyi, 1985). В нашем исследовании мы используем термин «элементарные дискурсивные единицы» (ЭДЕ) для обозначения минимального сегмента и термин «высказывание» для обозначения