Eine mehrsprachige Website zur Grammatik der litauischen Sprache

DAIVA ŠVEIKAUSKIENĖ Instytut Języka Litewskiego ARŪNAS RIBIKAUSKAS Wileński Uniwersytet Techniczny im. Giedymina VYTAUTAS ŠVEIKAUSKAS Instytut Języka Litewskiego Kierunki badań naukowych: gramatyka, lingwistyka komputerowa. WIELOJĘZYCZNA STRONA INTERNETOWA POŚWIĘCONA GRAMATYCE JĘZYKA LITEWSKIEGO Wielojęzyczny internetowy system informacyjny gramatyki języka litewskiego ADNOTACJA Rok temu w Instytucie Języka Litewskiego rozpoczęto prace nad projektem, którego celem jest bezpłatne udostępnienie użytkownikom w Internecie szczegółowych danych dotyczących właściwości gramatycznych litewskich słów. W marcu 2017 roku przygotowano wersję próbną, która obejmuje wyłącznie słowa z rdzeniem „bėg” (por. czasownik „bėgti/biegać”). Baza danych zawiera około 25 000 rekordów. Projekt ma na celu uniknięcie niedociągnięć już istniejących prac z zakresu lingwistyki komputerowej. Dotyczy to zakresu słownictwa, różnorodności danych gramatycznych, jasności i zrozumiałości ich prezentacji itp. Informacje gramatyczne o słowie wprowadzonym przez użytkownika przedstawiane są w trzech obszarach: struktura słowa, dane morfologiczne i dane morfemiczne. Jest to pierwsza strona internetowa na Litwie, na której użytkownikom udostępnia się informacje o typach morfemów. Dla każdego słowa zawartego w bazie danych można uzyskać tabelę odmiany. Dla niektórych słów podano również przykłady użycia. Strona internetowa jest dostępna w siedmiu językach: litewskim, angielskim, niemieckim, francuskim, włoskim, rosyjskim i japońskim, aby mogli z niej korzystać cudzoziemcy zainteresowani językiem litewskim. 144 Acta Linguistica Lituanica LXXVII Eine mehrsprachige Website zur Grammatik der litauischen Sprache SŁOWA KLUCZOWE: gramatyka, morfologia, morfem, system informacyjny, lingwistyka komputerowa. ADNOTACJA 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. SŁOWA KLUCZOWE: gramatyka, morfologia, morfemika, system informacyjny, lingwistyka komputerowa. 1. WPROWADZENIE: LINGWISTYKA KOMPUTEROWA Do połowy XX wieku wszystkie gramatyki drukowano na papierze. Po pojawieniu się komputerów (w 1942 roku na Uniwersytecie Harvarda zbudowano pierwszy komputer na świecie, MARK I (Schwanke 1991: 69)) zaczęły one przenikać do wszystkich dziedzin życia. Języki nie stanowiły wyjątku: wkrótce stało się jasne, że komputery mogą przetwarzać nie tylko liczby, lecz także dowolne symbole. W konsekwencji mogą również przetwarzać języki. Wielu językoznawców zaczęło opracowywać formalne opisy języków, aby można było wykorzystać możliwości komputerów także w odniesieniu do języków (Winograd 1983: 23). W dziedzinie sztucznej inteligencji przetwarzanie języka stało się jednym z najważniejszych obszarów zastosowań (Charis 1989: 71). W latach 1968–1978 analiza gramatyczna języków była najważniejszym zagadnieniem badaczy sztucznej inteligencji (Nirenburg 1987: 26). Języki jednak, które tak łatwo poddają się ludziom, okazały się twardym orzechem do zgryzienia dla komputerów (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. METODY STATYSTYCZNE Metody statystyczne mają bardzo duże znaczenie w przetwarzaniu języka. Pierwsze propozycje ich wykorzystania przedstawiono krótko po pojawieniu się komputerów. Dotyczyło to zwłaszcza języka angielskiego. David W. Reed omawiał ilościową analizę lingwistyczną (Reed 1949: 236). Waren Weaver jako pierwszy wysunął pomysł wykorzystania komputerów do tłumaczenia. W 1949 roku zaproponował zastosowanie w tym celu metod statystycznych. Jednak ówcześni naukowcy po krótkim czasie odrzucili tę koncepcję, prawdopodobnie z powodu niewystarczającej liczby tekstów dostępnych w postaci elektronicznej oraz niezbyt dużej mocy obliczeniowej ówczesnych komputerów. Po kilku dziesięcioleciach, gdy zgromadzono korpusy tekstów, a wykorzystanie metod statystycznych w rozpoznawaniu języka przyniosło dobre wyniki, ponownie powrócono do metod statystycznych w tłumaczeniu (Brown at al. 1990: 79). W Kanadzie panowały szczególnie sprzyjające warunki, ponieważ cały materiał parlamentarny przechowywano w dwóch językach (angielskim i francuskim) ze względu na dwa języki urzędowe. Dlatego wystarczającą ilość tekstów równoległych można było zgromadzić bardzo szybko (Al-Onaizan, Curin, rok 1999: 1). Struktura obu języków, tj. angielskiego i francuskiego, jest bardzo podobna: szyk wyrazów jest sztywny (na pierwszym miejscu stoi podmiot, na drugim orzeczenie). Podobieństwa w strukturze języków pozwoliły osiągnąć dobre wyniki w tłumaczeniu metodami statystycznymi. Nie dotyczy to jednak języka litewskiego. Tłumaczenia Google, wykorzystujące metodę statystyczną, jak dotąd nie zapewniają dobrych przekładów na język litewski. Według danych z 2017 roku wyniki tłumaczenia z angielskiego na litewski oraz z litewskiego na angielski są gorsze niż wyniki dla par angielski–łotewski, łotewski–angielski, angielski–estoński i estoński–angielski (Skadinš 2017: 22). Metody statystyczne wkroczyły także w inne dziedziny językoznawstwa. Pierwsze prace dotyczyły fonetyki (Zipf 1929). W 1944 roku przeprowadzono statystyczne badania leksyki literackiej, tj. ustalano, ile słów użyto raz, ile dwa razy, trzy razy itd. (Yule 194: 9). 146 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache Od 1973 roku nazwy dialektometria używa się na określenie dziedziny językoznawstwa zajmującej się ilościowym badaniem języków i dialektów (Köhler, Altmann, Piotrowski 2005: 498). Metody statystyczne zastosowano również w dziedzinie morfologii. Goldsmith opisuje algorytm służący do ustalania morfemów w wyrazie: „algorithm that takes as input a list of words and provides as output a segmentation of the words into morphemes“ (Goldsmith 2010: 36). Pod koniec ubiegłego wieku w literaturze rosyjskiej opisywano próby przeprowadzenia automatycznej analizy składniowej zdań za pomocą obliczeń statystycznych. Naukowcy w Rosji zaproponowali, by nie ustalać struktury składniowej zdań na podstawie analizy lingwistycznej, lecz zastosować statystyczne przetwarzanie tekstów. Twierdzą oni, że każda jednostka językowa (wyraz, kategoria składniowa wyrazu, konstrukcja składniowa) występuje w tekście z określoną częstotliwością. Na przykład według danych angielskiego słownika frekwencyjnego walencji czasownikowi właściwych jest 195 różnych wzorców relacji składniowych. Jednak dziesięć najczęściej występujących wzorców stanowi aż 86% wszystkich przypadków użytych w tekstach. Prawidłowości statystyczne wykorzystuje się także do opisu linearnej struktury zdania. Każda klasa wyrazów ma określoną częstotliwość występowania w danej odległości od początku zdania. Czasownik w języku angielskim może z prawdopodobieństwem 0,7 wystąpić na pozycji od drugiej do piątej od początku zdania. Z prawdopodobieństwem 0,95 pojawia się zaś na pozycji od drugiej do dziesiątej (Церкас 1979: 124). Później do analizy składniowej wykorzystywano dane z korpusu tekstów (Köhler 2012: 31). Jak dotąd dobre wyniki osiągnięto jednak tylko w przetwarzaniu języka angielskiego. Vidas Daudaravičius, który zajmuje się komputeryzacją składni litewskiej, twierdzi: „Naivų manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms.“1 (Daudaravičius 2012: 3). Za pomocą metod statystycznych można szybko tworzyć wydajne systemy, ale pod jednym warunkiem: trzeba tolerować pewną liczbę błędów (Link 1). Dlatego w Instytucie Języka Litewskiego postanowiono w jak najmniejszym stopniu polegać na statystyce, ponieważ dąży się do jak największej dokładności i wiarygodności danych. 1 „Naivnie jest sądzić, że metody skutecznie stosowane w odniesieniu do języka angielskiego równie dobrze nadają się do innych języków.” Straipsniai / Articles 147 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAUSKAS 1.2. SYTUACJA NA LITWIE Wiele prac poświęconych komputeryzacji gramatyki litewskiej zostało już wykonanych. Większość z nich jest zrozumiała jedynie dla specjalistów w dziedzinie lingwistyki komputerowej. Niektóre są również przeznaczone dla szerokiego grona odbiorców. Odzwierciedlają jednak tylko wybrane właściwości i cechy słów oraz gramatyki. Na przykład na Uniwersytecie Witolda Wielkiego w Kownie utworzono bazę danych morfemiki na podstawie korpusu tekstowego. Brakuje w niej wielu form wyrazowych, a ponadto używa się bardzo wielu skrótów, które nie są zrozumiałe dla wszystkich. Morfemy oddziela się łącznikiem, a danych o typie morfemu nie podaje się. W Instytucie Matematyki i Informatyki w Wilnie utworzono bazę danych dotyczącą derywacji i morfemiki. Podano w niej typ morfemu, a także wyrazy podstawowe i określające (Murmulaitytė 2012: 96). Niestety baza danych nie jest ogólnodostępna. Dlatego postanowiono stworzyć kompleksowy system informacyjny, przeznaczony dla szerokiego grona odbiorców i mający dostarczać użytkownikowi szczegółowych danych. W internetowych prezentacjach informacji gramatycznych o języku litewskim można zaobserwować dwie skrajności. Są to: brak nawet powszechnie używanych form wyrazowych oraz przedstawianie zbędnych słów, niezrozumiałych nawet dla rodzimych użytkowników języka. W systemie informacyjnym gramatyki litewskiej dąży się do uniknięcia obu tych skrajności. Wszystkie formy wyrazowe są automatycznie generowane za pomocą komputera na podstawie lematu wyrazu, dzięki czemu uzyskuje się pełny zestaw form fleksyjnych. Wszystkie możliwe derywaty i złożenia są wprowadzane do bazy danych. Nie brakuje więc już form wyrazowych. Następnie wszystkie słowa i formy wyrazowe utworzone przez komputer są sprawdzane ręcznie, a nieistniejące warianty usuwane. W ten sposób eliminuje się zbędne słowa. 2. PRACE Z ZAKRESU LINGWISTYKI KOMPUTEROWEJ NA LITWIE Na Litwie można wyróżnić dwie metody komputerowego przetwarzania języka. W Kownie w Centrum Lingwistyki Komputerowej prace prowadzi się na podstawie korpusu tekstowego. W Wilnie, na uniwersytecie i w Instytucie Języka Litewskiego, większy nacisk kładzie się na właściwości samego języka litewskiego. Obie metody mają zarówno zalety, jak i wady. Poniżej zostanie to pokazane na kilku przykładach. 148 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache 2.1. PRACE OPARTE NA KORPUSIE TEKSTOWYM Na Uniwersytecie Witolda Wielkiego w Kownie utworzono korpus współczesnego języka litewskiego. Wykorzystuje się go do różnych rodzajów przetwarzania języka. W dziedzinie gramatyki opracowano słownik morfemów (Rimkutė, Kazlauskienė, Rąkinis 2011), a po kilku latach także bazę danych. Użytkownik otrzymuje zarówno dane morfemiczne, jak i morfologiczne. Jest to pierwsze ogólnodostępne źródło, w którym wyraz dzieli się na morfemy. Niestety, nie podaje się typu morfemu, co niekiedy prowadzi do niejasnego przedstawienia struktury morfemicznej wyrazu. Dzieje się tak, gdy wyrazy o różnej strukturze są przedstawione w ten sam sposób. Przykład pokazano na rysunku 1. Wyrazy „per-ei-ti” (przejść) i „per-ė-ti” (wysiadywać) różnią się zewnętrznie nieznacznie. Struktury morfemiczne obu wyrazów wyglądają w bazie danych morfemów tak samo. W pierwszym wyrazie morfem „per” jest jednak przedrostkiem, a w drugim ten sam pierwszy morfem „per” jest rdzeniem. RYSUNEK 1. Wyrazy o różnej strukturze morfemicznej przedstawiono w ten sam sposób (Rimkutė, Kazlauskienė, Rąkinis 2011: 8, 35) Jako drugi mankament można wskazać brak nawet powszechnie używanych form wyrazowych. W języku litewskim imiesłowy mają sześć przypadków. W tabeli 1 przedstawiono występowanie form wyrazowych (liczba pojedyncza, rodzaj męski) imiesłowu „bėgantis / biegnący, płynący” w bazie danych morfemów. Okazuje się, że brakuje nawet lematu tego wyrazu (mianownik, liczba pojedyncza). Również pozostałych brakujących form, np. miejscownika (bėgančiame vandenyje / w płynącej wodzie), nie można uznać za rzadko występujące lub nietypowe. Dostępne są więc tylko 2 formy wyrazowe z 6 przypadków. Naukowcy zajmujący się drugim językiem bałtyckim, łotewskim, również mówią o niewystarczającej liczbie form wyrazowych w korpusie tekstowym (Paikens, Rituma, Pretkalniņa 2013: 272). Straipsniai / Articles 149 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBIKAS, VYTAUTAS ŠVEIKAUSKAS TABELA 1. Występowanie w bazie danych (link 2) form imiesłowu bēgantis / laufender, fließender w liczbie pojedynczej, rodzaju męskim Przypadek Słowo Baza danych Mianownik bēgantis brak Dopełniacz bēgančio występuje Celownik bēgančiam brak Biernik bēgantį występuje Narzędnik bēgančiu brak Miejscownik bēgančiame brak Łącznie: 6 2 2.2. PUNKT WYJŚCIA – JĘZYK LITEWSKI Na Uniwersytecie Wileńskim punktem wyjścia są właściwości języka litewskiego. Strona Morfologija.lt (link 3) przedstawia nawet tabele odmiany wyrazów. Niestety, jest w nich wiele pustych miejsc, czasami obejmujących cały paradygmat. Zdarzają się też nieznane i niezrozumiałe dla Litwina wyrazy, np. „sutikimoji” (link 4) i podobne. W Instytucie Matematyki i Informatyki w Wilnie utworzono bazę danych dotyczącą słowotwórstwa i morfemiki (Murmulaitytė 2012). Zawiera ona bardzo cenne informacje (typ morfemu, wyraz podstawowy, wyraz określany itp.), ale dane te niestety nie są dostępne bezpłatnie. 3. SYSTEM INFORMACYJNY GRAMATYKI JĘZYKA LITEWSKIEGO Język litewski należy do najmniej skomputeryzowanych języków Europy (Vaišnienė, Zabarskaitė 2012: 35). Dlatego postanowiono stworzyć system informacyjny zawierający szczegółowe dane o właściwościach gramatycznych litewskich wyrazów. Naukowcy zajmujący się językami bałtyckimi często podkreślają potrzebę tworzenia większej liczby programów dla szerokiego grona użytkowników. W wytycznych konferencji BSNLP (Balto-Slavic Natural Language Processing) z 2015 i 2017 roku czytamy: „zgłoszenia 150 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache opisujące systemy udostępniane szerokiej publiczności będą zdecydowanie mile widziane / szczególnie zachęca się do zgłoszeń opisujących systemy udostępniane szerokiej publiczności” (link 5). Dlatego pojawił się pomysł, by zaprojektować system informacyjny gramatyki języka litewskiego z myślą o szerokim gronie użytkowników oraz przedstawiać dane w możliwie prosty i zrozumiały sposób. W związku z tym wybrano responsywne projektowanie stron internetowych (RW), aby jak najlepiej odpowiadać na potrzeby użytkowników. Informacje gramatyczne o wyrazie są zatem rozmieszczone na kafelkach (ang. tiles) (link 6). Dzięki temu ze strony można korzystać także za pomocą telefonu komórkowego. 3.1. METODA TWORZENIA BAZY DANYCH Celem komputeryzacji gramatyki jest zgromadzenie w formie elektronicznej pełnych informacji gramatycznych o każdym wyrazie i wszystkich jego formach. Można to osiągnąć na dwa sposoby. Pierwszy polega na stworzeniu formalnego opisu reguł gramatycznych (byłoby to swego rodzaju narzędzie pomocnicze), a następnie zleceniu komputerowi wygenerowania potrzebnych danych. Drugi sposób to przechowywanie w komputerze pełnych informacji gramatycznych o wszystkich formach wszystkich wyrazów i odczytywanie ich w razie potrzeby. To, które podejście wymaga więcej pracy, pozostaje kwestią do dyskusji. W Instytucie Matematyki i Informatyki opracowano oprogramowanie do analizy morfologicznej języka litewskiego (Zinkevičius 2000), wykorzystując pierwszą metodę. Nie udało się jednak osiągnąć stuprocentowej dokładności: dane bywają błędne, a niektóre litewskie wyrazy nie są rozpoznawane. Podczas tworzenia systemu informacyjnego gramatyki języka litewskiego zrezygnowano z tego podejścia z następującego powodu: aby komputer mógł sam przetwarzać wyrazy, trzeba mu bardzo precyzyjnie wskazać, jakie czynności ma wykonywać na każdym wyrazie. Najpierw należy więc podzielić wszystkie wyrazy na grupy w taki sposób, by dla wszystkich członków danej grupy obowiązywały te same prawidłowości, czyli by można było zastosować tę samą metodę przetwarzania. Aby przypisać wyraz do jednej lub drugiej grupy, trzeba ustalić wiele cech, na podstawie których będą grupowane wyrazy. Na przykład w analizie składniowej języka litewskiego używa się cechy semantycznej [czas] do określania funkcji składniowej biernika rzeczowników. W zdaniu „Visą naktį ji Straipsniai / Articles 151 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS skaitė šią knygą / Czytała tę książkę całą noc.“ i „Visą knygą ji perskaitė šią naktį / Całą książkę przeczytała tej nocy.“ Oba słowa knygą/Buch i naktį/Nacht nie różnią się pod względem kategorii morfologicznych – oba są rodzaju żeńskiego, w liczbie pojedynczej i w bierniku. Tylko cecha semantyczna [czas], którą ma słowo naktis/Nacht, a której nie ma słowo knyga/Buch, pozwala komputerowi poprawnie uznać słowo naktį/Nacht za określenie czasu, a słowo knygą/Buch za dopełnienie w zdaniu. Podobnie należy postąpić również w przypadku morfologii. Jeden z błędów w już opracowanym oprogramowaniu do analizy morfologicznej języka litewskiego polega na tym, że morfem -ėj- jest traktowany jako przyrostek, który może łączyć się z takimi rdzeniami, z którymi nie powinien się łączyć. Trzeba określić cechy wyrazów, które pozwolą komputerowi ustalić, z jakimi rdzeniami może łączyć się przyrostek -ėj-. Jest to jednak bardzo skomplikowane. Jaka cecha jest na przykład wspólna dla wyrazów geroė/Wohlhaben, žinovas/Kenner(Expert) i daržovė/Obst? Wszystkie mają przyrostek -ov-. A czym różnią się od wszystkich pozostałych wyrazów, do których rdzeni ten przyrostek nie może być dodany (nie można powiedzieć *kėdovė – derywatu z przyrostkiem -ov- od wyrazu kėdė/Stuhl)? I jaka cecha o tym decyduje? Dlatego podczas opracowywania systemu informacyjnego gramatyki języka litewskiego wybrano drugą drogę, tj. przygotowano bazę danych zawierającą szczegółowe informacje gramatyczne o wszystkich formach wszystkich wyrazów języka litewskiego. Nie trzeba tu wychodzić od kategorii gramatycznych (jak ma to miejsce we wszystkich drukowanych gramatykach), lecz od samego wyrazu: użytkownikowi należy udostępnić wszystkie informacje dotyczące każdego wyrazu. Postanowiono przyjąć rdzeń jako punkt wyjścia i opracować oprogramowanie, które miałoby odzwierciedlać całą strukturę gramatyki języka litewskiego. Jako pierwszą próbę wybrano rdzeń bėg (od czasownika bėgti/biec). Następnie za pomocą komputera wygenerowano wszystkie możliwe derywaty, a później ręcznie skreślono wszystkie wyrazy nieistniejące w języku litewskim. Łącznie baza danych zawiera około 25 000 haseł. 3.2. CECHY SZCZEGÓLNE „LIGIS” System informacyjny gramatyki języka litewskiego (Lietuvių kalbos gramatikos informacinė sistema – LIGIS) (link 7) ma dwie istotne cechy. Po pierwsze, dostarcza użytkownikowi bardziej szczegółowych informacji o konkretnym wyrazie niż drukowane gramatyki. I 152 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache po drugie, obejmuje więcej wyrazów niż słowniki. W gramatykach podaje się reguły pasujące do określonej grupy wyrazów. Nie wymienia się jednak wszystkich wyrazów, których te reguły dotyczą. LIGIS gromadzi wszystkie informacje dotyczące wyrazu wprowadzonego przez użytkownika i udostępnia je na stronie internetowej. W słownikach nie zamieszczono wszystkich wyrazów języka litewskiego; brakuje w nich wielu derywatów i złożeń. LIGIS obejmuje wszystkie możliwe derywaty. Dla porównania można podać przykład. Baza danych Morphem zawiera około 75 000 haseł. Obejmują one jednak różne wyrazy litewskie. Baza danych LIGIS składa się obecnie z 25 000 haseł i obejmuje wyłącznie wyrazy pochodzące od jednego rdzenia: beg-. W bazie danych Morphem znajduje się 118 wyrazów z tym rdzeniem. 3.3. STRUKTURA WYRAZU Po wprowadzeniu wyrazu użytkownikowi objaśnia się jego strukturę: podaje się lemat i wyraz podstawowy, a także człon określający w derywatach i złożeniach. Jeśli wyraz jest gramatycznie wieloznaczny, każdemu znaczeniu przypisuje się osobny numer lematu. Następnie pod tym numerem wyświetlane są dane morfologiczne i morfemiczne. Przykład wyrazu wieloznacznego podano w aneksie A. Pozostałe formy. Tak nazywa się przycisk (ang. button) znajdujący się w kafelku struktury wyrazu. Strona internetowa do analizy morfologicznej języka rosyjskiego (link 8) za każdym razem wyświetla wszystkie formy wprowadzonego wyrazu. W systemie informacyjnym gramatyki języka litewskiego postanowiono wprowadzić przycisk i umożliwić użytkownikowi wyświetlanie pozostałych form za pośrednictwem linku, ponieważ użytkownik nie potrzebuje za każdym razem wszystkich form danego wyrazu. 3.4. DANE MORFOLOGICZNE Informacja morfologiczna obejmuje określenie części mowy oraz kategorii gramatycznych: przypadku, rodzaju i liczby w przypadku rzeczowników; osoby, czasu i trybu w przypadku czasowników itd. Wyrazy wieloznaczne otrzymują numerację, jeśli na przykład rzeczownik ma kilka homonimicznych form przypadkowych. W bazie danych morfemów (link 2) znajdują się również dane morfologiczne dotyczące wyrazu. Informacje są jednak podawane wyłącznie za pomocą skrótów Straipsniai / Articles 153 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS Ein solches Beispiel wird im Bild 2 angeführt. Für Nichtfachleute können so viele Abkürzungen oft unverständlich sein. Besonders für Ausländer, die die litauische Sprache studieren oder lernen, können auf diese Weise dargestellte Informationen bisweilen unklar sein. RYS. 2. Dane dotyczące wyrazu begčio, przedstawione wyłącznie za pomocą skrótów (link 2) W systemie informacyjnym gramatyki litewskiej nie używa się skrótów. Wszystkie informacje podawane są w pełnym brzmieniu (załącznik A). 3.5. DANE MORFEMICZNE Najważniejsza różnica w porównaniu z bazami danych, do których można już dziś uzyskać dostęp,1 polega na określeniu typu każdego morfemu. Tylko w ten sposób można zapewnić jednoznaczność w przedstawianiu morfemów wyrazu. W przeciwnym razie nie można na przykład odróżnić drugiego rdzenia w wyrazie złożonym od przyrostka, co ma miejsce w bazie danych morfemiki. Pierwszą i decydującą cechą było przedstawienie morfemów w różnych kolorach. Każdemu typowi morfemu (rdzeniowi, przedrostkowi, przyrostkowi, końcówce) przypisano kolor. Przedrostki zapisywane są na niebiesko. Dla rdzenia użyto koloru czerwonego. Przyrostki przedstawiane są na zielono, a dla końcówki wybrano kolor czarny. Ponadto wyraz podzielony na morfemy przedstawiany jest w układzie pionowym, a obok zapisywana jest nie tylko nazwa typu każdego morfemu danego wyrazu, lecz także podawane są cechy morfemu, jeśli je posiada, np. w przypadku przyrostka: słowotwórczy lub fleksyjny; w przypadku końcówek: skrócona, zaimkowa itp. W przypadku końcówek skróconych, bardzo rozpowszechnionych w języku mówionym, obok wyświetlana jest również pełna końcówka. Jako przykład można podać wyrazy używane w der gesprochenen Sprache: šnekamoje kalboje – pełne końcówki, šnekamoj kalboj – końcówki skrócone. Jeśli wyraz ma pełną końcówkę, nie podaje się cechy długości, ponieważ większość wyrazów ma pełne końcówki, a taka informacja byłaby zbędna. Jeśli 154 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache Jeśli końcówka nie jest pronominalizowana, informacja na ten temat również nie jest podawana. Zmiany głoskowe są traktowane jako właściwość rdzenia. Mogą to być zarówno zmiany spółgłoskowe, jak i samogłoskowe. W języku litewskim można wyróżnić jeszcze jeden rodzaj zmian głoskowych: zanik spółgłosek w trybie rozkazującym. Do zmian głoskowych w rdzeniu wyrazu należą również infiksy. Za właściwość przedrostka uznaje się jego pochodzenie: przyimkowe, od partykuły lub międzynarodowe. W przypadku gramatycznej wieloznaczności wyrazów analizuje się ich struktury morfemiczne. Jeśli są identyczne, opisywana jest tylko jedna struktura. Jeśli jednak występują między nimi różnice, struktury morfemiczne podaje się dla każdego znaczenia wyrazu (Załącznik A). 3.6. WSZYSTKIE FORMY WYRAZU Dla każdego wyrazu zawartego w bazie danych można wyświetlić tabelę fleksyjną, klikając przycisk „Pozostałe formy”. Zawiera ona wszystkie dane z kafelka morfologicznego. U góry tabeli podaje się kategorie, których nie uwzględnia tabela fleksyjna. Na przykład rzeczowniki w języku litewskim nie odmieniają się przez rodzaj, dlatego u góry tabeli podaje się rodzaj, a także hasło i część mowy. Przymiotniki i imiesłowy mają trzy rodzaje. Cechą języka litewskiego jest to, że tylko dwa z nich (męski i żeński) mają wszystkie sześć przypadków. Rodzaj nijaki ma tylko jedną formę, dlatego podaje się ją bez nazwy przypadku (Załącznik B). W przypadku czasowników przedstawiono wszystkie formy czasów we wszystkich trybach (Załącznik D). Klasy koniugacyjne i deklinacyjne stają się w ten sposób zbędne, dlatego nie podaje się dotyczących ich danych. W tabeli fleksyjnej niektórych wyrazów zamieszczono również przykłady użycia. W tym celu wykorzystuje się podpowiedź (ang. tooltip). W Załączniku C jako przykład podano wyraz „bėgis” (biernik, liczba pojedyncza rzeczownika bėgis / Eisenbahnschiene, Lauf). 3.7. BAZA DANYCH Podczas opracowywania bazy danych dążono do osiągnięcia jak najwyższej jakości i niezawodności. Dlatego znaczną część pracy wykonano ręcznie Straipsniai / Articles 155 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAUSKAS osiągnięte, ponieważ tylko dzięki pomocy człowieka można uzyskać informację o maksymalnym stopniu wiarygodności (Sulger 2013: 53). W Instytucie Języka Litewskiego przeprowadzono badania nad litewskimi przedrostkami. Ustalono, że w języku litewskim istnieje około 600 kombinacji przedrostków (Šveikauskienė 2015: 195). Przez „kombinacje” rozumie się różne zestawy przedrostków, które mogą pojawić się przed rdzeniem, np. at-bėgi, nu-bėgi, ne-be-at-bėgti, ne-nu-bėgti, te-be-bė-ti itd. Okazało się, że tylko 220 z tych kombinacji występuje z rdzeniami czasowników; pozostałe, np. nuo-, występują z rzeczownikami: nuo-monė /die Meinung. Oprogramowanie zaprojektowano tak, aby automatycznie łączyło rdzeń ze wszystkimi możliwymi kombinacjami przedrostków. Następnie wyniki wygenerowane przez komputer są sprawdzane przez ludzi, a słowa rzeczywiście występujące w języku litewskim wprowadzane do bazy danych. Dzięki temu udaje się uniknąć dwóch skrajności: zarówno nadmiernej liczby form wygenerowanych przez komputer, jak i zbyt małego zasobu słów. Wszystkie lemmy i dotyczące ich informacje gramatyczne są wprowadzane do bazy danych ręcznie. Ponieważ oprogramowanie opracowane w Instytucie Matematyki i Informatyki nie popełnia błędów podczas generowania form wyrazowych dla podanej lemmy, powierzono komputerowi automatyczne tworzenie wpisów pozostałych form wyrazowych. Warto zauważyć, że w LIGIS opracowywane są również wyrazy ze skróconymi końcówkami. Takie wyrazy bardzo często występują w języku mówionym, a żadna z istniejących już baz danych nie opracowuje tych form wyrazowych. Należy ponadto podkreślić, że LIGIS zawiera również takie derywaty, których brakuje nawet w 20-tomowym słowniku języka litewskiego i jego wersji elektronicznej (Link 9), np. neužbėgti/nicht mehr hinauflaufen. W bazie danych informacje przechowywane są w formie przyjaznej komputerom, tj. stosuje się kodowanie w Prage Markup Language (Hana, Štepánek 2012). Ta forma danych nie jest prezentowana w Internecie, ponieważ byłaby zbędna dla osób niebędących specjalistami w dziedzinie lingwistyki komputerowej. Przechowywanie wszystkich informacji w bazie danych sprawia, że LIGIS jest również użytecznym narzędziem dla językoznawców badających język litewski. Można uzyskać różnego rodzaju informacje, np. wyszukiwać słowa z określoną kombinacją przedrostków i przyrostków itp. 156 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache 3.8. WIELOJĘZYCZNOŚĆ WITRYNY Witryna jest dostępna w siedmiu językach: litewskim, angielskim, niemieckim, francuskim, włoskim, rosyjskim i japońskim. Potrzeba stworzenia wielojęzycznej witryny wynikała z niezadowalającej jakości tłumaczeń języka litewskiego w Google. Tłumaczenie maszynowe języka litewskiego jest niewiarygodne. Dlatego postanowiono stworzyć wielojęzyczną witrynę poświęconą gramatyce litewskiej i korzystać wyłącznie z tekstów przetłumaczonych przez ludzi. Sytuacja w przypadku innych języków jest najwyraźniej niewiele lepsza. Świadczy o tym list od Lingvist z 8 czerwca 2017 r., w którym proszono, aby nazwę LINGUIST przetłumaczyli rodzimi użytkownicy języka, a pod żadnym pozorem nie stosowano tłumaczenia maszynowego (LinguiList 2017: 28.252). Podejmując decyzję o stworzeniu wielojęzycznej witryny, kierowaliśmy się następującym pomysłem: jeśli cudzoziemiec, na przykład Norweg, uczy się lub studiuje język litewski i zna niektóre litewskie słowa, ale innych jeszcze nie, może wybrać język, który zna lepiej niż litewski, na przykład niemiecki, a wszystkie nieznane mu litewskie słowa staną się dla niego zrozumiałe. W tym celu przewidziano nawet zachowanie słowa wpisanego przez użytkownika przy przełączaniu języków. A zatem po wybraniu innego języka użytkownik nie musi ponownie wpisywać słowa. 4. PLANY NA PRZYSZŁOŚĆ Na Uniwersytecie Wileńskim wiele dwujęzycznych słowników jest dostępnych w formie cyfrowej. W Instytucie Języka Litewskiego zdigitalizowano wielki słownik w 20 tomach, a także inne słowniki jednojęzyczne: synonimów, antonimów, frazeologizmów itp. Planowane jest połączenie obu rodzajów słowników z systemem informacyjnym gramatyki litewskiej i stworzenie odpowiednika niemieckiej strony internetowej CANOONET (Link 10). Ponieważ system informacyjny gramatyki języka litewskiego zawiera dane dotyczące morfemów, możliwe jest wyszukiwanie wyrazów na podstawie modelu morfemowego. I właśnie to jest przewidziane na przyszłość. Zakładka (ang. tab) na stronie internetowej LIGIS jest przeznaczona na teorię i obecnie znajduje się w opracowaniu. Mają się tam znaleźć pogłębione wiadomości akademickie na temat gramatyki litewskiej. Straipsniai / Articles 157 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAUSKAS, VYTAUTAS ŠVEIKAUSKAS Na pierwszym etapie zajmujemy się morfologią. Na drugim etapie mają zostać wprowadzone także dane syntaktyczne. 5. Wnioski 1. Takie podejście może być również przydatne i zasadne w przypadku innych języków o silnie rozwiniętej fleksji. 2. System informacyjny gramatyki litewskiej może być bardzo przydatny dla uczniów, studentów, cudzoziemców uczących się litewskiego, a także dla językoznawców badających język litewski. 3. Zebrane dane mogą również służyć jako dokumentacja języka litewskiego. 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