語料庫 是什麼？
Corpus — 語料庫 的完整解釋
語料庫是大量結構化的文本集合，用於語言研究和自然語言處理，提供真實語言使用的範例，用於訓練和評估模型。
容易混淆
語料庫 vs 一般文本檔 vs 資料集
語料庫：為語言研究或 NLP 特別整理過的文本集合
一般文本檔：只是文字檔，不一定有標註或結構
資料集：更廣義，任何可供模型使用的資料都算
最關鍵的區別：語料庫是為語言分析而整理的文本資源。
記住這句就好
文字有整理、有標註，才比較像語料庫。
實際案例
訓練中文模型
前：只用隨手抓來的網頁文字，品質不穩定
後：整理新聞、百科、對話和專業文本，形成可用語料庫
語言研究
前：研究者只能憑感覺討論語言現象
後：透過標註過的語料庫，統計詞性、句法和用法分布
深入了解
語料庫常會加入詞性標註、句法標註、語意標註或說話者資訊，讓文本不只是「可讀」，還能「可分析」
它常用在自然語言處理、文本分類、語言模型訓練和語言學研究
好的語料庫不只看量，更看代表性、乾淨度和標註一致性
情境判斷
Q1（直覺題）： 一堆沒整理的聊天記錄，能直接算語料庫嗎？
→ 不一定，通常還要看有沒有結構、清理和標註。
Q2（判斷題）： 語料庫越大就一定越好嗎？
→ 不一定，若品質差、領域不對或標註亂掉，量大也不會有效。
相關術語
常見問題
語料庫和訓練資料一樣嗎？
很接近，但語料庫更強調文本整理和語言用途。
一定要有標註才叫語料庫嗎？
不一定，但有標註通常更方便研究和訓練。
中文也需要語料庫嗎？
當然需要，而且中文分詞、斷句和語境都很依賴高品質語料。