A FiHuComet korpusz egy finn és magyar nyelvű metaforakorpusz, amelyben a potenciálisan metaforikus szerkezetek annotálása a MetaID eljárással történt. A módszert nemcsak magyar nyelvre alkalmaztuk, hanem a finn nyelvre is adaptáltuk, így a korpusz kétnyelvű. Ugyanakkor nem tekinthető klasszikus értelemben vett párhuzamos korpusznak, mivel a benne szereplő szövegek nem egymás fordításai, hanem azonos témájú, azonos eseményekről beszámoló magyar és finn nyelvű hírszövegek, ezért inkább „kvázi” párhuzamos korpuszként határozható meg.

A korpuszba beválogatott szövegek rövid hírszövegek voltak. A szövegtípus kiválasztása mögött az a feltételezés állt, hogy ezek a rövidebb hírszövegek elsősorban az események bemutatására koncentrálnak, és kevésbé jelenik meg bennük az egyéni attitűd nyelvi realizációja, így objektívebbnek és tényközpontúbbnak tekinthetők. A szöveganyag nemzetközi jelentőségű eseményekről szóló beszámolókból került kiválasztásra, mivel ezekről mind a magyar, mind a finn sajtó tudósított, ami megkönnyítette a tematikailag azonos szövegek megtalálását mindkét nyelven.

A korpuszba kerülés feltétele az volt, hogy a tematikai megfelelésen túl, azonos időszakból származzanak a hírek. A szövegek két függetlennek tekinthető, online ingyenesen hozzáférhető hírportálról származnak. A mintavétel és az annotáció két időszakban zajlott: a korpusz létrehozása és az első szövegek feldolgozása 2022 februárjában történt, míg a további bővítés 2023 októberében valósult meg.

A magyar nyelvű alkorpusz 4829, a finn nyelvű alkorpusz pedig 5824 szövegszót tartalmaz. A korpusz méretét tekintve kisméretűnek számít, ugyanakkor manuálisan annotált, vagyis minden potenciálisan metaforikus szerkezet humán annotátor által elemzett. A korpusz létrehozásának célja egyrészt a két nyelv metaforikus mintázatainak összehasonlító, pilot jellegű vizsgálata volt, másrészt a MetaID módszer finn nyelvre történő adaptációjának tesztelése.

A kisléptékű korpuszelemzés eredményei alapján kirajzolódni látszódott, hogy a magyar nyelvű szövegekben a metaforikus szerkezetek az igealakok köré koncentrálódnak, a metaforikusnak tekintett igei másodlagos figurái (landmarkjai), illetve az ábrázolt folyamat körülményei részletezettebb lexikai kidolgozásokat kaptak, amelyek hozzájárultak a metaforizálódáshoz. A finn nyelvű szövegekkel ezzel szemben az elsődleges figurák járultak hozzá dominánsabban a metaforikusság kidolgozásához. Összességében a relatív gyakoriságokat tekintve a finn szövegekben magasabb arányban fordultak elő potenciálisan metaforizálódó kifejezések. Mindkét nyelv feldolgozott anyagában gyakran adatoltunk szó alatti metaforizálódást, számottevő különbséget nem tudtunk kimutatni a két alkorpusz között, mind a finn mind pedig a magyar metaforikus szerkezetek mintázataira jellemző volt a névutós, illetve inflexiós toldalékkal történő kidolgozási mód (az utóbbi relatív gyakorisága kiemelkedő volt).

Megjelent közlemények:

• Bajzát, Tímea Borbála – Simon, Gábor: A Case Study of Comparative Metaphor Analysis in Finnish and Hungarian News Texts: A MIPVU-based Protocol for Metaphor Identification in Languages with Rich Morphology. Journal of Uralic Linguistics 3 (1), 55–86 (2024).

• Bajzát, Tímea Borbála: Fly, Fly Little Comet! Exploring Subtoken-Level Metaphorical Patterns in Finnish and Hungarian Texts: New Results from the FiHuComet Corpus. In: Hämäläinen, Mika – Öhman, Emily – Pirinen, Flammie – Alnajjar, Khalid – Miyagawa, So – Bizzoni, Yuri – Partanen, Niko – Rueter, Jack (eds.): Proceedings of the Joint 3rd International Conference on Natural Language Processing for Digital Humanities and 8th International Workshop on Computational Linguistics for Uralic Languages. Tokyo: Association for Computational Linguistics, 2023, pp. 114–119.

A korpusszal kapcsolatban további információk: 

• bajzat.timea@btk.elte.hu