Enron e-mail archive – jak badać korpusy maili?

W 2001 roku miał miejsce spektakularny upadek amerykańskiej korporacji Enron. W związku z licznymi oskarżeniami o oszustwa zbiór sześciu tysięcy mail stu pięćdziesięciu ośmiu najważniejszych pracowników firmy został przejęty przez Federal Energy Regulatory Commission. Niedługo później komisja opublikowała wszystkie maile on-line, czyniąc je dostępnymi dla wszystkich zainteresowanych.

Podstawowym celem udostępnienia korpusu maili było zaznajomienie opinii publicznej z pełnym materiałem dowodowym zebranym przez komisję i tym samym uzasadnienie jej decyzji. Członkowie komisji uznali tym samym, że ważniejsze niż prawo jednostki do prywatności jest w tym wypadku prawo do informacji publicznej, co potraktowane zostało jako dość kontrowersyjna decyzja. Tym niemniej jednak w 2001 roku udostępniono publicznie korpus e-maili, który bardzo szybko okazał się niezwykle atrakcyjnym materiałem badań językoznawczych i społecznych.

W jaki sposób wykorzystywany był omawiany korpus? Jedno z pierwszych badań dotyczyło stosowanych przez ludzi sposobów organizowania maili i szans na ich automatyczne powtórzenie. Na podstawie korpusu wytrenowany został także bot, który przeszukiwał wiadomość użytkownika i szukał w niej tzw. “wrażliwych wyrażeń”, które mogłyby zostać źle zrozumiane przez odbiorcę komunikatu. Z pomocą korpusu dokonywano także analiz sieci społecznych. Żeby zrozumieć, jak różnorodne zastosowania może mieć tego typu korpus z pewnością warto zapoznać się z dłuższą listą projektów badawczych, w których wykorzystywano maile korporacji Enron, dostępną na stronie EnronData.org.

Warto wspomnieć, że opublikowany korpus wykorzystywany był nie tylko do celów badawczych – poszukiwano w nim fraz, które mogłyby pomóc biznesmenom w prowadzeniu interesów z anglojęzycznymi kontrahentami, obserwowano także, w jaki sposób zmieniała się mailowa etykietowa (wykorzystano w tym celu frazy otwierające wiadomość, np. “Dear …” i “Hi!”).

Korpus e-maili korporacji Enron wciąż pozostaje największym dostępnym publicznie tego typu zbiorem danych. Wciąż wykorzystywane w aktualnie prowadzonych badaniach, odpowiadając na nowe pytania stawiane przez kolejne pokolenia naukowców reprezentujących bardzo różne dziedziny wiedzy.