Eine mehrsprachige Website zur Grammatik der litauischen Sprache

DAIVA ŠVEIKAUSKIENĖ Litván Nyelvi Intézet ARŪNAS RIBIKAUSKAS Gediminas Műszaki Egyetem, Vilnius VYTAUTAS ŠVEIKAUSKAS Litván Nyelvi Intézet Kutatási területek: grammatika, számítógépes nyelvészet. TÖBBNYELVŰ WEBOLDAL A LITVÁN NYELV GRAMMATIKÁJÁRÓL A litván nyelv nyelvtanának többnyelvű információs rendszere az interneten ANNOTÁCIÓ Egy évvel ezelőtt a Litván Nyelvi Intézetben egy olyan projekten kezdtek dolgozni, amelynek célja, hogy a litván szavak nyelvtani tulajdonságairól részletes adatokat mutasson be, és ezeket szabadon hozzáférhetővé tegye a felhasználó számára az interneten. 2017 márciusában elkészült egy próbaverzió, amely csak a „bėg” tövű szavakat tartalmazza (vö. a „bėgti/futni” igével). Az adatbázis mintegy 25 000 adatrekordból áll. A projekt arra törekszik, hogy elkerülje a számítógépes nyelvészet területén már meglévő munkák hiányosságait. Ez többek között a szavak körére, a nyelvtani adatok sokoldalúságára, valamint az adatok bemutatásának világosságára és érthetőségére vonatkozik. A felhasználó által megadott szóról szóló nyelvtani információ három területen jelenik meg: a szó szerkezete, a morfológiai adatok és a morfémákra vonatkozó adatok. Ez az első olyan weboldal Litvániában, amely tájékoztatja a felhasználót a morfématípusokról. Az adatbázisban szereplő minden szóhoz megtekinthető egy ragozási táblázat. Egyes szavakhoz használati példák is tartoznak. A weboldal hét nyelven érhető el: litvánul, angolul, németül, franciául, olaszul, oroszul és japánul, hogy a litván nyelv iránt érdeklődő külföldiek is használhassák. 144 Acta Linguistica Lituanica LXXVII Eine mehrsprachige Website zur Grammatik der litauischen Sprache KULCSSZAVAK: nyelvtan, morfológia, morféma, információs rendszer, számítógépes nyelvészet. ANNOTÁCIÓ The project was started in the Institute of Lithuanian language in 2016. It aims at presenting detailed data about the grammatical features of Lithuanian words. The goal is to make those data freely accessible to any user on the Internet. The preliminary version covering the words with the root “bėg/run” was published in March 2017. The database contains around 25,000 entries. We are trying to avoid drawbacks that are specific to the words done in the field of computational linguistics. It includes word coverage, grammatical data comprehensiveness, clarity and clearness of presented information etc. Grammatical information about the word in question is presented from three aspects: word structure, morphological data, and morphemic data. It is the first website in Lithuania providing morphemic types. One can get an inflection table for each word the database contains. Usage examples are given for some words. The information on the website is available in seven languages – Lithuanian, English, German, French, Italian, Russian, and Japanese – so foreigners interested in Lithuanian language can use it as well. KULCSSZAVAK: nyelvtan, morfológia, morfémák, információs rendszer, számítógépes nyelvészet. 1. BEVEZETÉS: SZÁMÍTÓGÉPES NYELVÉSZET A 20. század közepéig minden nyelvtant papírra nyomtattak. A számítógépek megjelenése után (1942-ben építették meg a világ első számítógépét, a MARK I-et a Harvard Egyetemen (Schwanke 1991: 69)) megkezdték behatolásukat az élet minden területére. A nyelvek sem képeztek kivételt: hamar világossá vált, hogy a számítógépek nemcsak számokat, hanem tetszőleges szimbólumokat is képesek feldolgozni. Következésképpen nyelveket is tudnak feldolgozni. Számos nyelvész kezdett nyelvek formális leírásainak kidolgozásába, hogy a számítógépek képességeit a nyelvekre is alkalmazni lehessen (Winograd 1983: 23). A mesterséges intelligencia területén a nyelvfeldolgozás az egyik legfontosabb alkalmazási területté vált (Charis 1989: 71). 1968 és 1978 között a nyelvek nyelvtani elemzése volt a mesterséges intelligenciával foglalkozó kutatók legfontosabb témája (Nirenburg 1987: 26). Az emberekhez oly könnyen alkalmazkodó nyelvek azonban kemény diónak bizonyultak a számítógépek számára (Jensen, Heidorn, Straipsniai / Articles 145 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS Richardson 1993: 2). Deshalb konnten bislang keine guten Ergebnisse auf dem Gebiet der Sprachverarbeitung mit Hilfe von Computern erreicht werden. 1.1. STATISZTIKAI MÓDSZEREK A statisztikai módszereknek igen nagy jelentőségük van a nyelvfeldolgozásban. Az első javaslatok, hogy használják őket, röviddel a számítógépek megjelenése után hangzottak el. Ez különösen az angol nyelvre igaz. David W. Reed tárgyalta a kvantitatív nyelvészeti elemzést (Reed 1949: 236). Weaver volt az első, aki felvetette a számítógépek fordításra való használatának gondolatát. 1949-ben azt javasolta, hogy erre statisztikai módszereket alkalmazzanak. Az akkori tudósok azonban rövid idő elteltével elvetették ezt, valószínűleg az elektronikus formában olvasható szövegek elégtelen mennyisége, valamint az akkori számítógépek korlátozott teljesítménye miatt. Néhány évtizeddel később, amikor már összegyűltek a szövegkorpuszok, és a statisztikai módszerek beszédfelismerésben való alkalmazása jó eredményeket hozott, ismét visszatértek a statisztikai módszerek fordításban történő alkalmazásához (Brown at al. 1990: 79). Kanadában különösen kedvezőek voltak ehhez a feltételek, mivel az ország parlamentjének teljes anyagát a két hivatalos nyelv miatt két nyelven (angolul és franciául) tárolják. Ezért elegendő mennyiségű párhuzamos szöveget nagyon gyorsan össze lehetett gyűjteni (Al-Onaizan, Curin, Jahr 1999: 1). A két nyelv, vagyis az angol és a francia szerkezete nagyon hasonló: a szórend kötött (első helyen az alany, második helyen az állítmány áll). A nyelvek szerkezeti hasonlóságai lehetővé tették, hogy statisztikai módszerekkel jó fordítási eredményeket érjenek el. A litván nyelv esetében azonban ez nem így van. A statisztikai módszert alkalmazó Google-fordítások mindeddig nem nyújtanak jó minőségű litván fordításokat. A 2017-es adatok szerint mind az angolról litvánra, mind a litvánról angolra történő fordítás eredményei gyengébbek, mint az angol-lett, lett-angol, angol-észt és észt-angol fordításéi (Skadinš 2017: 22). A statisztikai módszerek a nyelvészet más területeire is betörtek. Az első munkák a fonetikával foglalkoztak (Zipf 1929). 1944-ben statisztikai vizsgálatokat végeztek az irodalmi szövegek lexikájáról, vagyis arról, hogy mely szavakat használták egyszer, melyeket kétszer, háromszor stb. (Yule 194: 9). 146 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache 1973 óta a dialektometria elnevezést használják a nyelvek és nyelvjárások kvantitatív kutatásával foglalkozó nyelvészeti terület megjelölésére (Köhler, Altmann, Piotrowski 2005: 498). A statisztikai módszereket a morfológia területén is alkalmazták. Goldsmith a morfémák szóban történő azonosítására szolgáló algoritmust így írja le: „algorithm that takes as input a list of words and provides as output a segmentation of the words into morphemes“ (Goldsmith 2010: 36). A múlt század végén az orosz szakirodalom olyan kísérletekről számol be, amelyek statisztikai számítások segítségével mondatok automatikus szintaktikai elemzésére irányultak. Az oroszországi tudósok azt javasolták, hogy a mondatok szintaktikai szerkezetét ne nyelvészeti elemzés alapján állapítsák meg, hanem a szövegek statisztikai feldolgozását alkalmazzák. Állításuk szerint minden nyelvi egység (szó, a szó szintaktikai kategóriája, szintaktikai szerkezet) bizonyos gyakorisággal fordul elő a szövegben. Például az angol vonzatok gyakorisági szótárának adatai szerint az igéhez 195 különböző szintaktikai kapcsolati minta tartozik. A tíz leggyakoribb minta azonban önmagában a szövegekben előforduló összes eset 86%-át teszi ki. A statisztikai törvényszerűségeket a mondat lineáris szerkezetének leírására is felhasználják. Minden szófajnak megvan a gyakorisága, amellyel a kiindulóponttól meghatározott távolságra előfordulhat. Az angol nyelv igéje 0,7 valószínűséggel állhat a mondat elejétől számított második és ötödik pozíció között. 0,95 valószínűséggel pedig a második és tizedik pozíció között fordul elő (Церкас 1979: 124). Később a szintaktikai elemzéshez szövegkorpuszból származó adatokat használtak fel (Köhler 2012: 31). Mindeddig azonban csak az angol nyelv feldolgozásában értek el jó eredményeket. Vidas Daudaravičius, aki a litván szintaxis számítógépesítésével foglalkozik, így vélekedik: „Naivų manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms.“1 (Daudaravičius 2012: 3). Statisztikai módszerek segítségével gyorsan működő rendszereket lehet létrehozni, de csak egy feltétellel: bizonyos számú hibát el kell fogadni (Link 1). Ezért a Litván Nyelvi Intézetben úgy döntöttek, hogy a lehető legkevésbé támaszkodnak a statisztikára, mivel az adatok lehető legnagyobb pontosságára és megbízhatóságára törekednek. 1 „Naivitás azt gondolni, hogy azok a módszerek, amelyeket sikeresen alkalmaznak az angol nyelvre, más nyelvekhez is ugyanúgy megfelelnek.” Straipsniai / Articles 147 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAUSKAS 1.2. A HELYZET LITVÁNIÁBAN A litván grammatika számítógépesítésének területén már számos munka született. Többségüket csak a számítógépes nyelvészet szakemberei értik. Néhány a szélesebb nyilvánosságnak is szól. Ezek azonban csupán a szavak és a grammatika egyes tulajdonságait és jellemzőit tükrözik. Például Kaunasban, a Vytautas Nagy Egyetemen egy szövegkorpusz alapján morfémadatbázist hoztak létre. Sok szóalak hiányzik belőle, és számos rövidítést használnak, amelyek nem mindenki számára érthetők. A morfémákat kötőjellel választják el, a morféma típusáról pedig nem közölnek adatot. A vilniusi Matematikai és Informatikai Intézetben derivációs és morfémadatbázist hoztak létre. Ebben feltüntetik a morféma típusát, valamint az alapszavakat és a meghatározó szavakat (Murmulaitytė 2012: 96). Sajnos az adatbázis nem szabadon hozzáférhető. Ezért úgy döntöttek, hogy átfogó információs rendszert hoznak létre, amely a széles nyilvánosságnak szól, és amelynek részletes adatokat kell biztosítania a felhasználó számára. A litván grammatikai információ internetes megjelenítésében két véglet figyelhető meg. Ezek: még a közismert szóalakok hiánya, illetve a felesleges, még az anyanyelvi beszélők számára is érthetetlen szavak megjelenítése. A litván grammatika információs rendszerében arra törekednek, hogy elkerüljék ezt a két végletet. Minden szóalakot a számítógép automatikusan generál a szó lemmájából kiindulva, így megkapjuk a ragozott alakok teljes készletét. Minden lehetséges származékot és összetételt bejegyeznek az adatbázisba. Így tehát nincs többé hiányzó szóalak. Ezután a számítógép által létrehozott összes szót és szóalakot kézzel ellenőrzik, a nem létező változatokat pedig törlik. Így elkerülhető a felesleges szavak felvétele. 2. SZÁMÍTÓGÉPES NYELVÉSZETI MUNKÁK LITVÁNIÁBAN Litvániában a nyelv számítógépes feldolgozásának két módszere különböztethető meg. Kaunasban, a Számítógépes Nyelvészeti Központban a munkákat szövegkorpusz alapján végzik. Vilniusban, az egyetemen és a Litván Nyelvi Intézetben inkább magának a litván nyelvnek a tulajdonságaiból indulnak ki. Mindkét módszernek vannak előnyei és hátrányai. A továbbiakban ezt néhány példával mutatjuk be. 148 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache 2.1. SZÖVEGKORPUSZ-ALAPÚ MUNKÁK A kaunasi Vytautas Nagy Egyetemen létrehozták a mai litván nyelv szövegkorpuszát. A nyelvfeldolgozás különböző típusaihoz használják. A grammatika területén morfémaszótárat (Rimkutė, Kazlauskienė, Rąkinis 2011), néhány évvel később pedig adatbázist is létrehoztak. A felhasználó morfémaszintű és morfológiai adatokat egyaránt kap. Ez az első szabadon hozzáférhető forrás, amelyben a szót morfémáira bontják. A morféma típusát sajnos nem tüntetik fel, ami olykor a szó morfémaszerkezetének megtévesztő megjelenítéséhez vezet. Ez akkor fordul elő, ha a különböző szerkezetű szavakat azonos módon jelenítik meg. Erre az 1. ábrán látható egy példa. A „per-ei-ti” (átmenni) és a „per-ė-ti” (kotlani) szavak külső alakja alig különbözik. A két szó morfémaszerkezete ugyanúgy jelenik meg a morféma-adatbázisban. Az első szóban azonban a „per” morféma az előtag, a második szóban pedig ugyanez az első „per” morféma a szótő. 1. ÁBRA. Különböző morfémaszerkezetű szavak azonos megjelenítése (Rimkutė, Kazlauskienė, Rąkinis 2011: 8, 35) Második hiányosságként még a közismert szóalakok hiányát is meg kell említeni. A litván nyelvben a melléknévi igeneveknek hat esetük van. Az 1. táblázat a „bėgantis / futó, folyó” melléknévi igenév egyes számú hímnemű szóalakjainak előfordulását mutatja be a morféma-adatbázisban. Kiderül, hogy még ennek a szónak a lemmája (alanyeset, egyes szám) is hiányzik. A többi hiányzó alakot, például a helyhatározóragot (bėgančiame vandenyje / im fließenden Wasser) sem lehet ritkán előfordulónak vagy szokatlannak tekinteni. Tehát a hat esetből mindössze két szóalak szerepel. A második balti nyelv, a lett nyelv kutatói szintén arról számolnak be, hogy a szövegkorpuszban nem áll rendelkezésre elegendő számú szóalak (Paikens, Rituma, Pretkalniņa 2013: 272). Straipsniai / Articles 149 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBIKAS, VYTAUTAS ŠVEIKAUSKAS 1. TÁBLÁZAT. A bēgantis / laufender, fließender melléknévi igenév hímnemű egyes számú szóalakjainak előfordulása az adatbázisban (2. hivatkozás) Eset Szó Adatbázis Alanyeset bēgantis hiányzik Birtokos eset bēgančio megtalálható Részes eset bēgančiam hiányzik Tárgyeset bēgantį van Eszközhatározó eset bēgančiu hiányzik Helyhatározói eset bēgančiame hiányzik Összesen: 6 2 2.2. KIINDULÓPONT – A LITVÁN NYELV A vilniusi egyetemen a litván nyelv tulajdonságaiból indulnak ki. A Morfologija.lt weboldal (3. link) még a szó ragozási táblázatait is megjeleníti. Sajnos sok üres hely van, olykor az egész paradigmán belül. Ismeretlen és egy litván számára érthetetlen szavak is előfordulnak, például a „sutikimoji” (4. link) és hasonlók. A vilniusi Matematikai és Informatikai Intézetben adatbázist hoztak létre a szóalkotásról és a morfemikáról (Murmulaitytė 2012). Nagyon értékes információkat tartalmaz (a morféma típusa, alapszó, meghatározó szó stb.), de az adatok sajnos nem szabadon hozzáférhetők. 3. A LITVÁN NYELV GRAMMATIKAI INFORMÁCIÓS RENDSZERE A litván nyelv Európa legkevésbé számítógépesített nyelvei közé tartozik (Vaišnienė, Zabarskaitė 2012: 35). Ezért úgy döntöttek, hogy olyan információs rendszert hoznak létre, amely részletes adatokat tartalmaz a litván szavak grammatikai tulajdonságairól. A balti nyelvekkel foglalkozó tudósok gyakran hangsúlyozzák, hogy több szoftvert kell létrehozni a felhasználók széles köre számára. A BSNLP (Balto-Slavic Natural Language Processing) konferencia 2015-ös, valamint 2017-es útmutatóiban ez áll: „a benyújtott munkák 150 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache amelyek a szélesebb közönség számára hozzáférhetővé tett rendszereket írnak le, különös támogatásban részesülnek / különösen ösztönözni kell azokat a munkákat, amelyek a széles nyilvánosság számára hozzáférhető rendszereket mutatnak be” (5. link). Ezért merült fel az a gondolat, hogy a litván nyelv grammatikai információs rendszerét a felhasználók széles köre számára alakítsák ki, az adatokat pedig a lehető legegyszerűbben és legérthetőbben jelenítsék meg. Ennek megfelelően reszponzív webdizájnt (RW) választottak, hogy a lehető legjobban megfeleljenek a felhasználók igényeinek. A szó grammatikai információit ezért csempékben (angolul tiles) jelenítik meg (6. link). Így a weboldal mobiltelefonról is elérhető. 3.1. AZ ADATBÁZIS LÉTREHOZÁSÁNAK MÓDSZERE A grammatika számítógépesítésének célja, hogy minden szó és annak valamennyi alakja teljes grammatikai információja elektronikus formában rendelkezésre álljon. Ennek két módja van. Az első módszer a grammatikai szabályok formális leírásának létrehozása (ez egyfajta segédeszköz lenne), majd a szükséges adatok számítógéppel történő előállítása. A második módszer az összes szó valamennyi alakjára vonatkozó teljes grammatikai információ számítógépes tárolása és szükség szerinti lekérdezése. Arról, hogy melyik megközelítés igényel több munkát, még vitatkozni kell. A Matematikai és Informatikai Intézetben kifejlesztették a litván nyelv morfológiai elemzésére szolgáló szoftvert (Zinkevičius 2000), amelyhez az első módszert alkalmazták. A 100%-os pontosságot azonban nem sikerült elérni: vannak hibás adatok, és egyes litván szavakat a rendszer nem ismer fel. A litván nyelv grammatikai információs rendszerének fejlesztése során a következő okból elvetették ezt a megközelítést: ahhoz, hogy a számítógép önállóan tudja feldolgozni a szavakat, nagyon pontosan meg kell adni neki, milyen műveleteket végezzen az egyes szavakkal. Ezért először minden szót úgy kell csoportokba osztani, hogy egy csoport minden tagjára ugyanazok a szabályszerűségek legyenek érvényesek, vagyis ugyanazt a feldolgozási módszert lehessen alkalmazni. Ahhoz, hogy egy szót valamelyik csoportba soroljanak, számos olyan tulajdonságot kell meghatározni, amelyek alapján a szavakat csoportosítják. Például a litván nyelv szintaktikai elemzésében a [idő] szemantikai jegyet használják a főnevek accusativusi alakjának mondatbeli funkciója meghatározására. A „Visą naktį ji Straipsniai / Articles 151 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS „Egész éjjel olvasta ezt a könyvet.” és „Az egész könyvet ezen az éjszakán olvasta el.” A knygą/Buch és a naktį/Nacht két szó morfológiai kategóriáit tekintve nem különbözik egymástól – mindkettő nőnemű, egyes számú, tárgyesetű; csak az a [Zeit] szemantikai jegy, amellyel a naktis/Nacht szó rendelkezik, a knyga/Buch szó viszont nem, teszi lehetővé, hogy a számítógép helyesen időhatározóként kezelje a naktį/Nacht szót, a knygą/Buch szót pedig tárgyként a mondatban. A morfológiában is hasonlóképpen kell eljárni. A litván nyelv morfológiai elemzésére már létrehozott szoftver egyik hibája, hogy az -ėj- morfémát olyan tövekhez járuló szuffixumnak tekinti, amelyekhez nem kapcsolódhat. Olyan jegyeket kell meghatározni a szavakhoz, amelyek alapján a számítógép el tudja dönteni, mely tövekhez kapcsolódhat ez az -ėj- szuffixum. Ezt azonban nagyon bonyolult megtenni. Milyen jegy közös például a geroė/Wohlhaben, a žinovas/Kenner(Expert) és a daržovė/Obst szavakban? Az, hogy mindegyikben szerepel az -ov- szuffixum. És mi különbözteti meg őket az összes többi szótól, amelyek tövéhez ez a szuffixum nem kapcsolódhat (nem mondhatjuk, hogy *kėdovė – a kėdė/Stuhl szó -ov- szuffixummal képzett származéka)? És milyen jegy mutatja ezt? Ezért a litván nyelvtan információs rendszerének fejlesztésekor a második utat választották: olyan adatbázist készítettek, amely a litván nyelv valamennyi szavának valamennyi alakjáról részletes nyelvtani információt tartalmaz. Itt nem a nyelvtani kategóriákból kell kiindulni (ahogyan az minden nyomtatott nyelvtanban történik), hanem magából a szóból: minden szó esetében a hozzá kapcsolódó teljes információt kell a felhasználó rendelkezésére bocsátani. Úgy döntöttek, hogy kiindulópontként egy tövet választanak, és olyan szoftvert fejlesztenek, amelynek a litván nyelvtan teljes szerkezetét kell tükröznie. Első próbának a bėg tövet választották (a bėgti/laufen igéből). Ezután a számítógép minden lehetséges származékot generált, majd kézzel törölték az összes olyan szót, amely nem létezik a litván nyelvben. Az adatbázis összesen mintegy 25 000 bejegyzést tartalmaz. 3.2. A „LIGIS” SAJÁTOSSÁGAI A litván nyelvtan információs rendszerének (Lietuvių kalbos gramatikos informacinė sistema – LIGIS) (7. hivatkozás) két lényeges jellemzője van. Először is, egy adott szóról részletesebb információt nyújt a felhasználónak, mint a nyomtatott nyelvtanok. És 152 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache másodszor, több szót tartalmaz, mint a szótárak. A nyelvtanok olyan szabályokat ismertetnek, amelyek egy bizonyos szócsoportokra érvényesek. De nem sorolják fel az összes szót, amelyre ezek a szabályok vonatkoznak. A LIGIS összegyűjti a felhasználó által megadott szóhoz kapcsolódó összes információt, és megjeleníti egy weboldalon. A szótárak nem tartalmazzák a litván nyelv összes szavát; sok származék és összetett szó hiányzik belőlük. A LIGIS minden lehetséges származékot tartalmaz. Összehasonlításképpen álljon itt egy példa. A Morpheme adatbázisa mintegy 75 000 bejegyzést tartalmaz. Ezek azonban különböző litván szavakat írnak le. A LIGIS adatbázisa jelenleg 25 000 bejegyzésből áll, és csupán egyetlen tő szavait tartalmazza: beg-. A Morpheme adatbázisában 118 szó található ezzel a tővel. 3.3. A SZÓ SZERKEZETE A szó megadása után a rendszer ismerteti a felhasználóval a szó szerkezetét: megadja a lemmát és az alapszót, valamint a származékok és összetételek meghatározó tagját. Ha a szó nyelvtanilag többértelmű, akkor a lemma minden jelentéséhez külön sorszám tartozik. A morfológiai és morfémaadatok később e sorszám alatt jelennek meg. Egy többértelmű szóra példát az A. függelék tartalmaz. Egyéb alakok. Ez annak a vezérlőgombnak (angolul button) a neve, amely a szó szerkezetét bemutató csempén található. Az orosz nyelv morfológiai elemzésére szolgáló weboldal (8. hivatkozás) minden alkalommal megjeleníti a megadott szó összes alakját. A litván nyelvtan információs rendszerében úgy döntöttek, hogy egy gombot helyeznek el, és lehetővé teszik, hogy a felhasználó egy hivatkozáson keresztül kérje le a többi alakot, mivel a felhasználónak nem minden alkalommal van szüksége egy szó összes alakjára. 3.4. MORFOLÓGIAI ADATOK A morfológiai információ magában foglalja a szófaj megnevezését és a nyelvtani kategóriákat: főnevek esetében az esetet, a nemet és a számot; igék esetében a személyt, az időt és a módot stb. A többértelmű szavakat számozással látják el, ha például egy főnévnek több homonim esetalakja van. A Morféma-adatbázisban (2. hivatkozás) a szó morfológiai adatai is megtalálhatók. Az információt azonban csupa rövidítéssel Straipsniai / Articles 153 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS adják meg. Ilyen példát mutat a 2. ábra. A nem szakemberek számára a sok rövidítés gyakran érthetetlen lehet. Különösen a litván nyelvet tanulmányozó vagy tanuló külföldiek számára lehetnek időnként homályosak az ilyen módon megjelenített információk. 2. ÁBRA. A begčio szó adatai, csupa rövidítéssel megjelenítve (2. hivatkozás) A litván nyelvtan információs rendszerében nem használnak rövidítéseket. Minden adatot teljes alakban írnak ki (A függelék). 3.5. MORFÉMIKAI ADATOK A már ma is elérhető adatbázisoktól való legfontosabb különbség1 az, hogy minden morféma típusát megadják. Csak így érhető el a szó morfémáinak egyértelmű megjelenítése. Ellenkező esetben például az összetett szó második gyökerét nem lehet megkülönböztetni a szuffixumtól, ami a morfémikai adatbázisban így van. Az első és döntő ismertetőjegy a morfémák különböző színekkel való megjelenítése volt. Minden morfématípushoz (gyök, prefixum, szuffixum, végződés) egy színt rendeltek. A prefixumokat kékkel írják. A gyök esetében a piros színt használták. A szuffixumokat zölddel jelenítik meg, a végződéshez pedig a feketét választották. Ezenkívül a morfémákra bontott szót függőleges irányban rendezik el, mellette pedig nemcsak a szó minden morfémája típusának megnevezését tüntetik fel, hanem a morféma tulajdonságait is, ha vannak ilyenek, például szuffixum esetén: szóképző vagy alakjelölő; végződések esetén: rövidített, névmási stb. A beszélt nyelvben igen elterjedt rövidített végződések esetében mellettük a teljes végződés is megjelenik. Példaként a beszélt nyelvben használt szavak említhetők: šnekamoje kalboje – teljes végződések, šnekamoj kalboj – rövidített végződések. Ha a szó teljes végződésű, a hosszúság tulajdonságát nem tüntetik fel, mivel a legtöbb szónak teljes végződése van, így az ilyen információ felesleges lenne. Ha 154 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache Ha a végződés nem pronominalizált, az erről szóló információt sem tüntetik fel. A hangváltozásokat a tő egyik tulajdonságának tekintik. Lehetnek mássalhangzó-változások és magánhangzó-változások egyaránt. A litván nyelvben a hangváltozások egy további típusára is érdemes figyelmet fordítani: a mássalhangzók eltűnésére a felszólító módban. Az infixumok is egy szó tövében bekövetkező hangváltozások közé tartoznak. A prefixum egyik tulajdonságának az eredetét tekintik: lehet elöljárói eredetű, partikula keletkezett belőle, vagy nemzetközi eredetű. A szavak grammatikai többértelműsége esetén megvizsgálják a morfémaszerkezeteket. Ha azonosak, csak egy szerkezetet mutatnak be. Ha viszont különböznek, a morfémaszerkezeteket a szó minden jelentéséhez megadják (A függelék). 3.6. A SZÓ ÖSSZES ALAKJA Az adatbázisban szereplő minden szó ragozási táblázata megtekinthető az „Egyéb alakok” gombra kattintva. A táblázat a morfológiai csempén szereplő összes adatot tartalmazza. A táblázat tetején azok a kategóriák szerepelnek, amelyeket a ragozási táblázat nem tartalmaz; például a litván nyelvben a főnevek nem ragozódnak nem szerint, ezért a táblázat tetején feltüntetik a nemet, valamint a lemmát és a szófajt. A mellékneveknek és a melléknévi igeneveknek három nemük van; a litván nyelv sajátossága, hogy közülük csak kettőnek (a hímneműnek és a nőneműnek) van mind a hat esete. A harmadik nemnek csak egy alakja van, ezért azt esetmegjelölés nélkül tüntetik fel (B függelék). Az igéknél az összes igeidő alakját, minden módban, feltüntetik (D függelék). A ragozási és névszóragozási osztályok ily módon szükségtelenné válnak, ezért ezekről nem közölnek adatokat. Egyes szavakhoz használati példákat is felvettek a ragozási táblázatba. Ehhez gyorsinformációt (angolul tooltip) használnak. A C függelékben példaként a „bėgis” szó (a bėgis / vasúti sín, futás főnév tárgyesetű, egyes számú alakja) szerepel. 3.7. AZ ADATBÁZIS Az adatbázis fejlesztése során a lehető legmagasabb minőségre és megbízhatóságra törekedtek. Ezért a munka jelentős részét kézzel Straipsniai / Articles 155 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAUSKAS mert maximálisan megbízható információ csak az ember segítségével érhető el (Sulger 2013: 53). A Litván Nyelvi Intézetben kutatásokat végeztek a litván prefixumokról. Megállapították, hogy a litván nyelvben mintegy 600 prefixumkombináció létezik (Šveikauskienė 2015: 195). „Kombinációkon” a prefixumok különböző sorozatait értjük, amelyek a gyök előtt állhatnak, pl. at-bėgi, nu-bėgi, ne-be-at-bėgti, ne-nu-bėgti, te-be-bė-ti stb. Kiderült, hogy e kombinációk közül csupán 220 használatos igék gyökeivel; a többi, például a nuo-, főnevekkel használatos: nuo-monė /vélemény. A szoftvert úgy tervezték meg, hogy automatikusan összekapcsolja a gyököt az összes lehetséges prefixumkombinációval. Ezután emberek ellenőrzik a számítógép által adott eredményeket, és az adatbázisba bejegyzik a litván nyelvben ténylegesen létező szavakat. Így sikerül elkerülni a két szélsőséget: egyrészt a számítógép által generált alakok túlzott számát, másrészt a szavak körének elégtelenségét. Valamennyi lemma és a rájuk vonatkozó nyelvtani információ kézzel kerül az adatbázisba. Mivel a Matematikai és Informatikai Intézetben létrehozott szoftver nem vét hibát az adott lemmához tartozó szóalakok generálásakor, a számítógépre bízták, hogy automatikusan állítsa elő a többi szóalak bejegyzéseit. Figyelemre méltó, hogy a LIGIS a rövidített végződésű szavakat is feldolgozza. Az ilyen szavak a beszélt nyelvben igen gyakoriak, és a már meglévő adatbázisok egyike sem dolgozza fel ezeket a szóalakokat. Hangsúlyozni kell továbbá, hogy a LIGIS olyan származékokat is tartalmaz, amelyek még a litván nyelv 20 kötetes szótárából, valamint annak elektronikus változatából (9. hivatkozás) is hiányoznak, például: neužbėgti/már nem fut fel. Az adatbázis az információt számítógépbarát formában tárolja, vagyis a Prage Markup Language kódolást alkalmazza (Hana, Štepánek 2012). Az adatok e formáját nem teszik közzé az interneten, mivel a számítógépes nyelvészetben járatlanok számára felesleges lenne. Az, hogy a teljes információt adatbázisban tárolják, a LIGIS-t a litván nyelvet kutató nyelvészek számára is hasznos eszközzé teszi. Különféle információk kérhetők le; például meghatározott prefixum- és suffixumkombinációkat tartalmazó szavak is kereshetők. 156 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache 3.8. A WEBOLDAL TÖBBNYELVŰSÉGE A weboldal hét nyelven érhető el: litvánul, angolul, németül, franciául, olaszul, oroszul és japánul. A többnyelvű weboldal létrehozásának szükségességét a litván nyelvre készült, nem kielégítő Google-fordítások okozták. A litván nyelv gépi fordítása megbízhatatlan. Ezért úgy döntöttek, hogy a litván nyelvtannal foglalkozó weboldalt többnyelvűvé teszik, és kizárólag emberek által fordított szövegeket használnak. Más nyelvek esetében sem sokkal jobb a helyzet. Erről tanúskodik a Lingvist 2017. június 8-i levele, amelyben azt kérik, hogy a LINGUIST megnevezést anyanyelvi beszélőkkel fordíttassák le, és semmiképpen se gépi fordítással (LinguiList 2017: 28.252). A többnyelvű weboldal létrehozásáról szóló döntés mögött a következő elképzelés állt: ha egy külföldi, például egy norvég, litvánul tanul vagy tanulmányozza a litván nyelvet, és egyes litván szavak ismerősek számára, mások viszont még nem, akkor választhat egy olyan nyelvet, amelyet a litvánnál jobban ismer, például a németet, és így minden számára ismeretlen litván szó érthetővé válik. E célból azt is lehetővé tették, hogy a nyelvváltáskor megőrizzék a felhasználó által beírt szót. Vagyis ha a felhasználó másik nyelvet választ, nem kell újra beírnia a szót. 4. TERVEK A JÖVŐRE A vilniusi egyetemen számos kétnyelvű szótár áll rendelkezésre digitalizált formában. A Litván Nyelvi Intézetben digitalizálták a 20 kötetes nagyszótárt, valamint a többi egynyelvű szótárt is: a szinonimaszótárakat, antonimaszótárakat, frazeológiai szótárakat stb. A tervek szerint a szótárak e két típusát összekapcsolják a litván grammatika információs rendszerével, és létrehozzák a német CANOONET weboldal megfelelőjét (10. link). Mivel a litván nyelv grammatikájának információs rendszere adatokat tartalmaz a morfémákról, lehetőség van a szavak morfémamodell alapján történő keresésére. A jövőben éppen ezt tervezik megvalósítani. A LIGIS weboldalon található egyik fül (angolul tab) az elméletnek van szentelve, és jelenleg kidolgozás alatt áll. Itt a litván grammatikával kapcsolatos elmélyült akadémiai ismereteket kívánják közzétenni. Straipsniai / Articles 157 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAUSKAS, VYTAUTAS ŠVEIKAUSKAS Az első szakaszban a morfológiával foglalkoznak. A második szakaszban szintaktikai adatokat is felvesznek. 5. Következtetések 1. Ez a megközelítés más, erősen flektáló nyelvek esetében is hasznos és célravezető lehet. 2. A litván grammatika információs rendszere nagy hasznára lehet az iskolásoknak, az egyetemistáknak, a litvánul tanuló külföldieknek, valamint a litván nyelvet kutató nyelvészeknek. 3. Az összegyűjtött adatok a litván nyelv dokumentációjaként is szolgálhatnak. Literaturverzeichnis Al – Onaizan Yaser, Curin Jan, Jahr Michael, Knight Kevin, Lafferty John, Melamed Dan, Och Franz – Josef, Purdy David, Smith Noah A., Yarowsky David 1999: Statistical Machine Translation. – Final Report JHU Workshop. http://mt-archive.info/JHU-1999-AlOnaizan.pdf (Zugriff am 21.11. 2017). Brown Peter F., Cocke John, Della Pietra Stephen A., Della Pietra Vincent J., Jelinek Frederick, Lafferty John D., Mercer Robert L., Roossin Paul S. 1990: A Statistical Approach to Machine Translation. – Computational Linguistics Volume 16, Number 2, June, 79–85. http://www.aclweb.org/anthology/J90-2002 (Zugriff am 21.11. 2017). Charniak Christopher E. 1989: Artificial Intelligence & Turbo C. Homewood: Dow Jones-Irwin. Daudaravičius Vidas 2012: Teksto skaidymas pastoviųjų junginių segmentais. Daktaro disertacijos santrauka. Kaunas: Vytauto Didžiojo universitetas. Goldsmith John A. 2010: Segmentation and Morphology. The Handbook of Computational Linguistics and Natural Language Processing. Wiley-Blackwell, 364–393. Han Jirka, Štěpánek Jan 2012: Prague Markup Language Framework. Procedings of the 6th Linguistic Annotation Workshop. Jeju, Republic of Korea, 12–13 July, 12–21. Jensen Karen, Heidorn George Emil, Richardson Stephen D. 1993: Natural language processing: The PLNLP Approach. Boston / London: Kluwer Academic Publishers. 158 Acta Linguistica Lithuanica XXVII Eine mehrsprachige Website zur Grammatik der litauischen Sprache Köhler Reinhard 2012: Quantitative Syntax Analysis. De Gruyter Mouton. Köhler Reinhard, Altmann Gabriel, Piotrowski Rajmund G. 2005: Quantitative Linguistik. Berlin / New York: Walter de Gruyter. Linguist List 2017: 28.254, Qs: How do you say the LINGUIST List in your language? 08 Jun 2017. [email protected]. Murmulaitytė Daiva 2012: Lietuvių kalbos morfemikos ir žodžių darybos tyrimų perspektyvos. – Žmogus ir žodis 1(14), 96–102. Nirenburg Sergei 1987: Machine Translation: Theoretical and Methodological Issues. London: Cambridge University Press. Paikens Pēteris, Rūma Laura, Pretkalniņa Lauma 2013: Morphological Analysis with limited resources: Latvian example. Proceedings of the 19th Nordic Conference of Computational Linguistics. (NODALIDA 2013); Linköping Electronic Conference Proceedings #85, 267–277. Reed David W. 1949: A Statistical Approach to Quantitative Linguistic Analysis, WORD, 5:3, 235–247, DOI: 10.1080/00437956.1949.11659355. Rimkutė Erika, Kazlauskienė Asta, Raškinis Gailius 2011: Dažnis lietuvių kalbos žodyne. Kaunas: VDU. Schwanke Martina 1991: Maschinelle Übersetzung: Ein Überblick über Theorie und Praxis. Berlin: Springer-Verlag. Skadiņš Raivis 2017: Neural MT and other Language Technologies at TILDE. http://school.gramaticframework.org/2017/slides/Ravis-Neural_MT_at_Tilde.pdf (zugegriffen 2017.11.21). Sulger Sebastian, Butt Miriam, King Tracy Holloway, Meurer Paul 2013: ParGramBank: The ParGram Parallel Treebank. – Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics, Sofia, Bulgaria, 550–560. http://aclweb.org/anthology/P/P13/P13-1054.pdf (zugegriffen 2017.11.21). Šveikauskienė Daiva 2015: Morphemic structure of the Lithuanian prefixes. – Language: Meaning and Form 6. – Language System and Language Use. Rīga: Latvijas universitāte, 189–197. Vaišnienė Daiva, Zabarskaitė Jolanta 2012: The Lithuanian Language in the Digital Age. – G. Rehm, H. Uszkoreit White Paper Series. Heidelberg / New York / Dordrecht / London: Springer. Winograd Terry 1983: Language as a Cognitive Process 1. Syntax. London: Addison-Wesley Publishing Company. Straipsniai / Articles 159 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAS Yule George Udny 1944: The Statistical Study of Literary Vocabulary. Cambridge MA, Cambridge university press. Zinkevičius Vytautas 2000: Lemoklis – morfologinė analizė. – Darbai ir dienos 24, 245–273. Zipf George Kingsley 1929: Relative frequency as a Determinant of Phonetic Change. – Harvard studies in classical philology 40, 1–95. Сердюков Пётр Иванович 1979: Оптимизация алгоритма поиска синтаксических связей. – Международный семинар по машинному переводу. Москва: ВЦП, 123–125. LINKS Link 1: http://www.digitalgrammars.com/ (Zugriff am 21.11. 2017) Link 2: http://tekstynas.vdu.lt/page.xhtml?id=morfema-db (Zugriff am 21.11. 2017) Link 3: http://morfologija.lt/ (Zugriff am 21.11. 2017) Link 4: http://morfologija.lt/zodzio-formos/sutikimas (Zugriff am 21.11. 2017) Link 5: http://bsnlp-2017.cs.helsinki.fi/cfp.html (Zugriff am 21.11. 2017) Link 6: https://de.wikipedia.org/wiki/Microsoft_Windows_8#Oberfl.C3.A4che (Zugriff am 21.11. 2017) Link 7: http://ligis.lki.lt/ (Zugriff am 21.11. 2017) Link 8: http://goldlit.ru/component/slog (Zugriff am 21.11. 2017) Link 9: http://www.lkz.lt/Visas.asp?zodis (Zugriff am 21.11. 2017) Link 10: http://www.canoo.net/ (Zugriff am 21.11. 2017) 160 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache ANHANG A. GRAMMATISCHE INFORMATION. Beispiel des grammatisch mehrdeutigen Wortes nubəɡti / hinlaufen-hingelaufen. Die grammatische Information wird in der Website in Kacheln ausgelegt. Diese Darstellungsweise ist günstig für responsives Webdesign – RWD. Bemerkung: Die Farben sind im Bild entfernt. Straipsniai / Articles 161 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS ANHANG B. FORMENtABELLE FÜR DEKLINATION. Als Beispiel wird die Flexion des Partizips nubėtas / hingelaufene in allen drei Genera und allen Kasus angeführt. NUBĖTASPARTIZIP II, PASSIV, PRÄTERITUMMännlichSingularPluralNominativnubėtasnubėtiGenitivnubėtonubėtųDativnubėtamnubėtiemsAkkusativnubėtąnubėtusInstrumentalnubėtunubėtaisLokativnubė tamenubėtuoseWeiblichSingularPluralNominativnubėtanubėtosGenitivnubėtosnubėtųDativnubėtainubė tomsAkkusativnubėtąnubėtasInstrumentalnubėtanubėtomisLokativnubėtojenubėtoseNeutrumnubėta 162 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache ANHANG C. TOOLTIP FÜR VERWENDUNGSBEISPIELE. Als Beispiel wird die Schnellinfo für die Akkusativ-Singular-Form bėgį des Substantivs bėgis / Lauf, Getriebe, Eisenbahnschiene angeführt. Straipsniai / Articles 163 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAS ANANG D. FORMENTABELLE FÜR KONJUGATION. Als Beispiel wird die Flexion des Verbs bėgti / laufen in allen Tempusformen und Modi angeführt. 164 Acta Linguistica Lithuanica LXXVII Eine mehrsprachige Website zur Grammatik der litauischen Sprache Daugakalbė lietuvių kalbos gramatikos informacinė sistema internete SANTRAUKA Lietuvių kalbos kompiuterizavimo darbuose galima pastebėti du pagrindinius trūkumus: trūksta kartais net ir dažnai vartojamų formų ir pateikiami pertekliniai, lietuvių kalboje neegzistuojantys žodžiai. Kuriant Lietuvių kalbos gramatikos informacinę sistemą (LIGIS) stengiamasi išvengti jų abiejų. Visos formos generuojamos kompiuteriu automatiškai ir vėliau gauti rezultatai peržiūrimi žmogaus, kad būtų atmesti lietuvių nesuprantami žodžiai. Lietuvių kalbos gramatikos informacinė sistema apima visus darinius. Šiuo metu duomenų bazę sudaro tik šakn inės beg-žodžiai. Jų yra apie 25 000. Palyginimui galima pateikti tokius duomenis: morfemos duomenų bazę sudaro yra apie 75 000 įrašų, bet jie surinkti iš visos lietuvių kalbos leksikos. Su šaknimi beg- ten yra 118 žodžių. Kuriant Lietuvių kalbos gramatikos informacinę sistemą pagrindinis tikslas buvo pateikti išsamią gramatinę informaciją plačiajai visuomenei. Todėl buvo stengiamasi duomenis atvaizduoti kuo aiškiau ir suprantamiau. Svetainė pritaikyta naudotis ir mobiliuosiuose telefonuose. Vartotojas, pateikęs žodį, gauna trijų tipų informaciją apie jį: žodžio struktūrą (pradinę formą bei pamatinį žodį dariniams), morfologinę informaciją (kalbos dalis bei jos morfologinės kategorijos – linksnis, giminė, skaičius, laikas, laipsnis ir t. t.) ir morfeminiai duomenys – žodis išskaidytas morfemomis, nurodant morfemos tipą bei požymius, jei morfema jų turi, pavyzdžiui, priesaga – darybinė / kaitybinė, galūnė – įvardžiuotinė, sutrumpėjusi ir kt. Kiekviena morfema žymima vis kita spalva. Reikia pabrėžti, kad Lietuvių kalbos gramatikos informacinė sistema yra pirmasis tinklapis Lietuvoje, kur vartotojui pateikiama informacija apie morfemos tipą. Be to, apdorojami ir žodžiai su sutrumpėjusiomis galūnėmis, kurios labai paplitusios, ypač šnekamojoje kalboje. Kiekvienam duomenų bazėje esančiam žodžiui vartotojas gali gauti visą kaitybinę lentelę. Kai kuriems žodžiams pateikiama vartojimo pavyzdžių. Kuriant Lietuvių kalbos gramatikos informacinę sistemą siekiama kuo didesnio tikslumo ir patikimumo. Todėl visos temos (žodžių pradinės formos – vardininkas, bendratis) suvedamos į duomenų bazę rankomis. Kaitybines formas sugeneruoti patikėta kompiuteriui, nes šiame jo darbe nebuvo pastebėta klaidų. Svetainė pateikiama septyniomis kalbomis: lietuvių, anglų, vokiečių, prancūzų, italų, rusų ir japonų. Ateityje planuojama Lietuvių kalbos gramatikos informacinę sistemą jungti su skaitmenintais žodynais ir sukurti vokiečių tinklapio CANOONET analogą. Straipsniai / Articles 165 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAUSKAS, VYTAUTAS ŠVEIKAUSKAS Įteikta 2017 m. rugsėjo 5 d. DAIVA ŠVEIKAUSKIENĖ Petro Vileišio g. 5, LT-10308 Vilnius, Lietuva [email protected] ARŪNAS RIBAUSKAS Saulėtekio al. 11, LT-10221 Vilnius, Lietuva [email protected] VYTAUTAS ŠVEIKAUSKAS Petro Vileišio g. 5, LT-10308 Vilnius, Lietuva [email protected] 166 Acta Linguistica Lithuanica LXVII