DAIVA ŠVEIKAUSKIENĖ

Institutul Limbii Lituaniene

ARŪNAS RIBIKAUSKAS

Universitatea Tehnică Gediminas din Vilnius

VYTAUTAS ŠVEIKAUSKAS

Institutul Limbii Lituaniene

Domenii de cercetare științifică: gramatică, lingvistică computațională.

UN SITE WEB MULTILINGV DESPRE GRAMATICA LIMBII LITUANIENE

Sistem informațional multilingv online pentru gramatica limbii lituaniene

ADNOTARE

Acum un an, la Institutul Limbii Lituaniene a început să se lucreze la un proiect care își propune să pună gratuit la dispoziția utilizatorilor, pe internet, prezentarea unor date detaliate despre proprietățile gramaticale ale cuvintelor lituaniene. În martie 2017 a fost pregătită o versiune de probă, care cuprinde numai cuvinte cu rădăcina „bėg” (cf. verbul „bėgti/a alerga”). Baza de date constă din aproximativ 25.000 de înregistrări. Proiectul urmărește să evite neajunsurile lucrărilor existente în domeniul lingvisticii computaționale. Acestea țin de numărul de cuvinte, diversitatea datelor gramaticale, claritatea și inteligibilitatea prezentării datelor, printre altele. Informațiile gramaticale despre cuvântul introdus de utilizator sunt prezentate în trei secțiuni: structura cuvântului, date morfologice și date morfemice. Acesta este primul site din Lituania care oferă utilizatorilor informații despre tipurile de morfeme. Pentru fiecare cuvânt inclus în baza de date se poate obține un tabel de flexiune. Pentru unele cuvinte sunt oferite și exemple de utilizare. Site-ul este disponibil în șapte limbi: lituaniană, engleză, germană, franceză, italiană, rusă și japoneză, astfel încât să poată fi folosit de străinii interesați de limba lituaniană.

144

Acta Linguistica Lituanica LXXVII

Eine mehrsprachige Website zur Grammatik der litauischen Sprache

CUVINTE-CHEIE: gramatică, morfologie, morfem, sistem informațional, lingvistică computațională.

ADNOTARE

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.

CUVINTE-CHEIE: gramatică, morfologie, morfemic, sistem informațional, lingvistică computațională.

1. INTRODUCERE: LINGVISTICĂ COMPUTAȚIONALĂ

Până la mijlocul secolului al XX-lea, toate gramaticile erau tipărite pe hârtie. După apariția calculatoarelor (în 1942, primul calculator din lume, MARK I, a fost construit la Universitatea Harvard (Schwanke 1991: 69)), acestea au început să pătrundă în toate domeniile vieții. Limbile nu au făcut excepție: curând a devenit clar că calculatoarele pot procesa nu numai numere, ci și simboluri arbitrare. Prin urmare, ele pot procesa și limbi. Mai mulți lingviști au început să elaboreze descrieri formale ale limbilor, astfel încât capacitățile calculatoarelor să poată fi aplicate și limbilor (Winograd 1983: 23). În domeniul inteligenței artificiale, prelucrarea limbajului a devenit unul dintre cele mai importante domenii de aplicare (Charis 1989: 71). Din 1968 până în 1978, analiza gramaticală a limbilor a fost tema principală de cercetare a specialiștilor în inteligență artificială (Nirenburg 1987: 26). Limbile însă, care li se supun atât de ușor oamenilor, s-au dovedit a fi o nucă tare pentru calculatoare (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. METODE STATISTICE

Metodele statistice au o importanță foarte mare în prelucrarea limbajului. Primele propuneri de utilizare a acestora au fost făcute la scurt timp după apariția computerelor. Acest lucru este valabil mai ales pentru limba engleză. David W. Reed a discutat analiza lingvistică cantitativă (Reed 1949: 236). Weaver a fost primul care a exprimat ideea utilizării computerelor pentru traduceri. În 1949, el a propus folosirea metodelor statistice în acest scop. Însă oamenii de știință din acea vreme au abandonat această idee după scurt timp, probabil din cauza volumului insuficient de texte care puteau fi citite electronic și a capacității relativ reduse a computerelor de atunci. După câteva decenii, când s-au adunat corpusuri de texte, iar aplicarea metodelor statistice în recunoașterea limbii a dat rezultate bune, s-a revenit la metodele statistice în traducere (Brown at al. 1990: 79). În Canada existau condiții deosebit de favorabile în acest sens, deoarece acolo întregul material parlamentar este stocat în două limbi (engleză și franceză), ca urmare a faptului că țara are două limbi oficiale. Astfel, s-a putut aduna foarte repede un număr suficient de texte paralele (Al-Onaizan, Curin, anul 1999: 1). Structura celor două limbi, adică a englezei și a francezei, este foarte asemănătoare: ordinea cuvintelor este strictă (subiectul se află pe primul loc, iar predicatul pe al doilea). Asemănările dintre structurile limbilor au permis obținerea unor rezultate bune în traducerea prin metode statistice. Însă lucrurile stau altfel în cazul limbii lituaniene. Traducerile Google, care folosesc metoda statistică, nu oferă până în prezent traduceri bune în limba lituaniană. Potrivit datelor din 2017, rezultatele traducerilor atât din engleză în lituaniană, cât și din lituaniană în engleză sunt mai slabe decât cele pentru traducerile engleză-letonă, letonă-engleză, engleză-estonă și estonă-engleză (Skadinš 2017: 22).

Metodele statistice au pătruns și în alte domenii ale lingvisticii. Primele lucrări au vizat fonetica (Zipf 1929). În 1944 au fost efectuate studii statistice asupra lexicului literar, adică s-a cercetat câte cuvinte au fost folosite o singură dată, câte de două ori, de trei ori și așa mai departe (Yule 194: 9).

146

Acta Linguistica Lithuanica LXXVI

Eine mehrsprachige Website zur Grammatik der litauischen Sprache

Din 1973, denumirea dialectometrie este folosită pentru a desemna ramura lingvisticii care se ocupă cu cercetarea cantitativă a limbilor și dialectelor (Köhler, Altmann, Piotrowski 2005: 498).

Metodele statistice au fost aplicate și în domeniul morfologiei. Goldsmith descrie astfel algoritmul de identificare a morfemelor din cuvânt: „algorithm that takes as input a list of words and provides as output a segmentation of the words into morphemes“ (Goldsmith 2010: 36).

La sfârșitul secolului trecut, literatura rusă descrie încercări de a realiza analiza sintactică automată a enunțurilor cu ajutorul calculelor statistice. Oamenii de știință din Rusia au propus să nu se stabilească structura sintactică a enunțurilor pe baza analizei lingvistice, ci să se folosească prelucrarea statistică a textelor. Ei susțin că fiecare unitate lingvistică (cuvânt, categorie sintactică a cuvântului, construcție sintactică) apare în text cu o anumită frecvență. De exemplu, potrivit datelor din dicționarul englez de frecvență a valenței, verbului îi sunt specifice 195 de tipare diferite de relații sintactice. Totuși, numai cele mai frecvente zece tipare reprezintă 86% din toate cazurile întâlnite în texte. Regularitățile statistice sunt folosite și pentru structura liniară a enunțului. Fiecare clasă de cuvinte are o frecvență care indică probabilitatea de a apărea la o anumită distanță de punctul de pornire. Verbul din limba engleză poate apărea, cu o probabilitate de 0,7, pe pozițiile a doua până la a cincea de la începutul enunțului. Iar cu o probabilitate de 0,95, apare între pozițiile a doua și a zecea (Церкас 1979: 124).

Ulterior, pentru analiza sintactică au fost folosite date dintr-un corpus de texte (Köhler 2012: 31).

Totuși, rezultate bune au fost obținute până acum doar în prelucrarea limbii engleze. Vidas Daudaravičius, care lucrează în domeniul informatizării sintaxei lituaniene, afirmă: „Naivų manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms.“¹ (Daudaravičius 2012: 3).

Cu ajutorul metodelor statistice se pot crea rapid sisteme cu funcționare rapidă, dar cu o condiție: trebuie tolerat un anumit număr de erori (Link 1). De aceea, la Institutul de Limba Lituaniană s-a hotărât să se recurgă cât mai puțin la statistică, întrucât se urmărește obținerea celei mai mari precizii și fiabilități a datelor.

¹ „Este naiv să crezi că metodele folosite cu succes pentru limba engleză se potrivesc la fel de bine și celorlalte limbi.”

Straipsniai / Articles

147

DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAUSKAS

1.2. SITUAȚIA ÎN LITUANIA

Au fost deja realizate numeroase lucrări în domeniul informatizării gramaticii lituaniene. Majoritatea sunt inteligibile doar specialiștilor în lingvistică computațională. Unele sunt destinate și publicului larg. Ele reflectă însă doar anumite proprietăți și trăsături ale cuvintelor și ale gramaticii. De exemplu, la Kaunas, la Universitatea Vytautas Magnus, a fost creată o bază de date de morfemică pe baza unui corpus de texte. Acolo lipsesc multe forme flexionare, iar utilizarea unui număr mare de abrevieri le face neinteligibile pentru toată lumea. Morfemele sunt separate prin cratimă și nu se furnizează date despre tipul morfemului. La Institutul de Matematică și Informatică din Vilnius a fost creată o bază de date pentru derivare și morfemică. Acolo este indicat tipul morfemului, precum și cuvintele de bază și cuvintele determinante (Murmulaitytė 2012: 96). Din păcate, baza de date nu este accesibilă gratuit. De aceea s-a decis crearea unui sistem informațional cuprinzător, destinat publicului larg și menit să ofere utilizatorilor date detaliate.

Pe internet se pot observa două extreme în prezentarea informațiilor gramaticale despre limba lituaniană: lipsa chiar și a formelor cuvintelor uzuale și prezentarea unor cuvinte superflue, de neînțeles chiar și pentru vorbitorii nativi. Sistemul informațional pentru gramatica lituaniană urmărește să evite ambele extreme. Toate formele cuvintelor sunt generate automat de computer pornind de la lema cuvântului, obținându-se astfel întregul set de forme flexionare. Toate derivările și compunerile posibile sunt introduse în baza de date. Astfel, nu mai lipsesc forme ale cuvintelor. Apoi, toate cuvintele și formele cuvintelor generate de computer sunt verificate manual, iar variantele inexistente sunt eliminate. În acest fel se evită cuvintele superflue.

2. LUCRĂRI DE LINGVISTICĂ COMPUTAȚIONALĂ ÎN LITUANIA

În Lituania se pot distinge două metode de prelucrare computerizată a limbii. La Kaunas, Centrul de Lingvistică Computațională desfășoară lucrări pe baza unui corpus de texte. La Vilnius, la universitate și la Institutul Limbii Lituaniene, cercetarea pornește mai degrabă de la proprietățile limbii lituaniene înseși. Ambele metode au atât avantaje, cât și dezavantaje. În continuare, acestea vor fi ilustrate prin câteva exemple.

148

Acta Linguistica Lithuanica LXXVI

Eine mehrsprachige Website zur Grammatik der litauischen Sprache

2.1. LUCRĂRI BAZATE PE CORPUSURI DE TEXTE

La Universitatea Vytautas Magnus din Kaunas a fost creat un corpus de texte al limbii lituaniene contemporane. Acesta este utilizat pentru diverse tipuri de prelucrare a limbii. În domeniul gramaticii, a fost creat un dicționar de morfeme (Rimkutė, Kazlauskienė, Rąkinis 2011), iar câțiva ani mai târziu și o bază de date. Utilizatorului i se pun la dispoziție atât date morfemice, cât și morfologice. Aceasta este prima resursă accesibilă gratuit în care cuvântul este descompus în morfemele sale. Din păcate, tipul morfemului nu este indicat, ceea ce duce uneori la o prezentare derutantă a structurii morfemice a cuvântului. Acest lucru se întâmplă atunci când cuvinte cu structuri diferite sunt prezentate la fel. Un exemplu este ilustrat în figura 1. Cuvintele „per-ei-ti” (a trece) și „per-ė-ti” (a cloci) diferă foarte puțin la suprafață. În baza de date de morfeme, structurile morfemice ale celor două cuvinte arată la fel. Totuși, în primul cuvânt, morfemul „per” este prefixul, iar în al doilea cuvânt același prim morfem „per” este rădăcina.

FIGURA 1. Cuvinte cu structuri morfemice diferite prezentate la fel (Rimkutė, Kazlauskienė, Rąkinis 2011: 8, 35)

Ca al doilea neajuns poate fi menționată lipsa chiar și a formelor uzuale ale cuvintelor. În limba lituaniană, participiile au șase cazuri. Tabelul 1 prezintă prezența formelor cuvântului (singular, masculin) pentru participiul „bėgantis / care aleargă, care curge” în baza de date de morfeme.

Se observă că lipsește chiar și lema acestui cuvânt (nominativ, singular). Nici celelalte forme absente, de exemplu locativul (bėgančiame vandenyje / în apa curgătoare), nu pot fi considerate rare sau neobișnuite. Așadar, sunt prezente doar 2 forme ale cuvântului din cele 6 cazuri.

Cercetătorii celei de-a doua limbi baltice, letona, semnalează, de asemenea, un număr insuficient de forme ale cuvintelor în corpusul de texte (Paikens, Rituma, Pretkalniņa 2013: 272).

Straipsniai / Articles

149

DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBIKAS, VYTAUTAS ŠVEIKAUSKAS

TABELUL 1.

Prezența în baza de date (Linkul 2) a formelor de cuvânt ale participiului bēgantis / în curs de alergare, curgere la singular, masculin

Caz

Cuvânt

Bază de date

Nominativ

bēgantis

lipsește

Genitiv

bēgančio

prezent

Dativ

bēgančiam

lipsește

Acuzativ

bēgantį

prezent

Instrumental

bēgančiu

lipsește

Locativ

bēgančiame

lipsește

În total:

6

2

2.2. PUNCTUL DE PLECARE – LIMBA LITUANIANĂ

La Universitatea din Vilnius se pornește de la caracteristicile limbii lituaniene. Site-ul Morfologija.lt (Link 3) prezintă chiar și tabelele de flexiune ale cuvântului. Din păcate, există multe locuri goale, uneori chiar pentru întreaga paradigmă. Apar uneori și cuvinte necunoscute și de neînțeles pentru un lituanian, de exemplu „sutikimoji” (Link 4) și altele asemănătoare. La Institutul de Matematică și Informatică din Vilnius a fost creată o bază de date pentru formarea cuvintelor și morfemică (Murmulaitytė 2012). Aceasta conține informații foarte valoroase (tipul morfemului, cuvântul de bază, determinativul etc.), însă, din păcate, datele nu sunt accesibile în mod liber.

3. SISTEMUL INFORMAȚIONAL PENTRU GRAMATICA LIMBII LITUANIENE

Limba lituaniană aparține grupului limbilor europene cel mai puțin informatizate (Vaišnienė, Zabarskaitė 2012: 35). De aceea, s-a decis crearea unui sistem informațional care să conțină date detaliate despre caracteristicile gramaticale ale cuvintelor lituaniene. Necesitatea creării unei cantități mai mari de software pentru un cerc larg de utilizatori este subliniată adesea de oamenii de știință care se ocupă de limbile baltice. În instrucțiunile conferinței BSNLP (Balto-Slavic Natural Language Processing) din 2015 și 2017 se scrie: „submissions

150

Acta Linguistica Lithuanica LXXVI

Eine mehrsprachige Website zur Grammatik der litauischen Sprache

care descriu sisteme puse la dispoziția publicului larg vor fi puternic încurajate / vor fi deosebit de încurajate instituțiile care descriu sisteme puse la dispoziția publicului larg” (Link 5).

De aceea, a apărut ideea de a concepe sistemul informațional pentru gramatica limbii lituaniene pentru un cerc larg de utilizatori și de a prezenta datele cât mai simplu și mai clar.

În consecință, a fost ales un design web responsiv (RW), pentru a răspunde cât mai bine nevoilor utilizatorilor. Astfel, informația gramaticală despre cuvânt este organizată în dale (în engleză tiles) (Link 6). Prin urmare, site-ul poate fi accesat și de pe telefonul mobil.

3.1. METODA DE CREARE A BAZEI DE DATE

Scopul informatizării gramaticii este de a avea, în format electronic, toate informațiile gramaticale despre fiecare cuvânt și toate formele sale. Există două modalități de a realiza acest lucru. Prima modalitate constă în crearea unei descrieri formale a regulilor gramaticale (care ar fi un fel de instrument auxiliar), apoi lăsarea calculatorului să genereze datele necesare. A doua modalitate constă în stocarea în calculator a tuturor informațiilor gramaticale despre toate formele tuturor cuvintelor și extragerea acestora la nevoie. Este încă de discutat care dintre abordări presupune mai multă muncă. La Institutul de Matematică și Informatică a fost dezvoltat software-ul pentru analiza morfologică a limbii lituaniene (Zinkevičius 2000), folosind prima metodă. Totuși, nu s-a reușit obținerea unei acurateți de 100%: există date eronate, iar unele cuvinte lituaniene nu sunt recunoscute.

La dezvoltarea sistemului informațional pentru gramatica limbii lituaniene s-a renunțat la această abordare din următorul motiv: pentru ca un calculator să poată procesa singur cuvintele, trebuie să i se indice cu mare precizie ce operații să efectueze asupra fiecărui cuvânt. Așadar, mai întâi toate cuvintele trebuie împărțite în grupuri astfel încât să se aplice aceleași regularități tuturor membrilor unui grup, adică să poată fi folosită aceeași metodă de procesare. Pentru a încadra un cuvânt într-un grup sau altul, trebuie stabilite numeroase caracteristici pe baza cărora cuvintele vor fi grupate. De exemplu, în analiza sintactică a limbii lituaniene se folosește trăsătura semantică [timp] pentru a determina funcția sintactică a acuzativului substantivelor. În propoziția „Visą naktį ji

Straipsniai / Articles

151

DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS

„A citit această carte toată noaptea / Die ganze Nacht hat sie dieses Buch gelesen.“ și „A citit toată cartea în noaptea aceasta / Das ganze Buch hat sie in dieser Nacht gelesen.“ Cele două cuvinte knygą/Buch și naktį/Nacht nu se deosebesc în privința categoriilor morfologice — ambele sunt de genul feminin, singular și acuzativ; doar trăsătura semantică [timp], pe care o are cuvântul naktis/Nacht, dar nu și cuvântul knyga/Buch, îi permite computerului să identifice corect cuvântul naktį/Nacht drept complement circumstanțial de timp, iar cuvântul knygą/Buch drept obiect în propoziție. Trebuie procedat în mod asemănător și în morfologie. Una dintre erorile software-ului deja creat pentru analiza morfologică a limbii lituaniene constă în faptul că morfemul -ėj- este considerat sufix și atașat unor rădăcini cu care nu se poate combina. Trebuie stabilite trăsăturile cuvintelor care să-i permită computerului să decidă cu ce rădăcini se poate combina sufixul -ėj-. Dar acest lucru este foarte complicat. De exemplu, ce trăsătură au în comun cuvintele geroė/Wohlhaben, žinovas/Kenner(Expert) și daržovė/Obst? Toate au sufixul -ov-. Și prin ce se deosebesc ele de toate celelalte cuvinte la ale căror rădăcini nu se poate adăuga acest sufix (nu se poate spune *kėdovė — derivat cu sufixul -ov- de la cuvântul kėdė/Stuhl)? Și ce trăsătură indică acest lucru?

Prin urmare, la dezvoltarea sistemului informațional pentru gramatica limbii lituaniene a fost aleasă a doua cale, adică a fost pregătită o bază de date care conține informații gramaticale detaliate despre toate formele tuturor cuvintelor din limba lituaniană. Aici nu trebuie pornit de la categoriile gramaticale (așa cum se întâmplă în toate gramaticile tipărite pe hârtie), ci de la cuvântul însuși: pentru fiecare cuvânt, utilizatorului trebuie să i se pună la dispoziție toate informațiile asociate cu acesta.

S-a decis să se ia o rădăcină drept punct de plecare și să se dezvolte un software care să reflecte întreaga structură a gramaticii limbii lituaniene. Ca primă încercare a fost aleasă rădăcina bėg (din verbul bėgti/a alerga). Apoi, computerul a generat toate derivările posibile, iar ulterior toate cuvintele inexistente în limba lituaniană au fost eliminate manual. În total, baza de date conține aproximativ 25.000 de intrări.

3.2. PARTICULARITĂȚILE „LIGIS”

Sistemul informațional pentru gramatica limbii lituaniene (Lietuvių kalbos gramatikos informacinė sistema – LIGIS) (Linkul 7) are două caracteristici esențiale. În primul rând, oferă utilizatorului informații mai detaliate despre un anumit cuvânt decât gramaticile tipărite pe hârtie. Și

152

Acta Linguistica Lithuanica LXXVI

Eine mehrsprachige Website zur Grammatik der litauischen Sprache

în al doilea rând, cuprinde mai multe cuvinte decât dicționarele. În gramatici sunt prezentate regulile care se aplică unui anumit grup de cuvinte. Dar acolo nu sunt menționate toate cuvintele cărora li se aplică regula respectivă. LIGIS colectează toate informațiile asociate cu cuvântul introdus de utilizator și le prezintă pe un site web. Dicționarele nu includ toate cuvintele din limba lituaniană; multe derivări și compuse lipsesc. LIGIS cuprinde toate derivările posibile. Se poate da un exemplu pentru comparație. Baza de date pentru morfeme conține aproximativ 75.000 de intrări. Acestea corespund însă unor cuvinte lituaniene diferite. Baza de date LIGIS este alcătuită în prezent din 25.000 de intrări și cuprinde numai cuvintele formate de la o singură rădăcină: beg-. În baza de date pentru morfeme există 118 cuvinte cu această rădăcină.

3.3. STRUCTURA CUVÂNTULUI

După introducerea cuvântului, structura acestuia este explicată utilizatorului: sunt indicate lema și cuvântul de bază, precum și elementul determinant al derivărilor și compunerilor. Dacă un cuvânt este ambiguu din punct de vedere gramatical, fiecăruia dintre sensuri îi este atribuit un număr propriu al lemei. Apoi, datele morfologice și morfemice sunt afișate sub acest număr. Un exemplu de cuvânt ambiguu este prezentat în anexa A.

Formele rămase. Astfel se numește butonul (în engleză button) aflat în caseta structurii cuvântului. Site-ul web pentru analiza morfologică a limbii ruse (Linkul 8) afișează de fiecare dată toate formele cuvântului introdus. În sistemul informațional pentru gramatica limbii lituaniene s-a decis introducerea unui buton, astfel încât utilizatorul să poată accesa celelalte forme prin intermediul linkului, deoarece nu are nevoie de fiecare dată de toate formele unui cuvânt.

3.4. DATE MORFOLOGICE

Informația morfologică cuprinde denumirea părții de vorbire și categoriile gramaticale: cazul, genul și numărul pentru substantive; persoana, timpul și modul pentru verbe etc. Cuvintele ambigue sunt numerotate atunci când, de exemplu, un substantiv are mai multe forme omonime de caz.

În baza de date pentru morfeme (Link 2) există și date morfologice despre cuvânt. Dar informația este prezentată numai prin abrevieri

Straipsniai / Articles

153

DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS

Un astfel de exemplu este prezentat în Figura 2. Pentru nespecialiști, atât de multe abrevieri pot fi adesea de neînțeles. În special pentru străinii care studiază sau învață limba lituaniană, informațiile prezentate în acest mod pot fi uneori neclare.

FIGURA 2. Date despre cuvântul begčio, prezentate numai prin abrevieri (Link 2)

În sistemul informațional pentru gramatica lituaniană nu se folosesc abrevieri. Toate datele sunt prezentate în formă completă (Anexa A).

3.5. DATE MORFEMICE

Cea mai importantă diferență față de bazele de date care pot fi deja accesate astăzi¹ constă în indicarea tipului fiecărui morfem. Numai astfel se poate obține claritate în reprezentarea morfemelor unui cuvânt. În caz contrar, de exemplu, nu se poate distinge a doua rădăcină dintr-un cuvânt compus de sufix, așa cum se întâmplă în baza de date de morfemică.

Prima și cea mai importantă caracteristică a fost reprezentarea morfemelor în culori diferite. Pentru fiecare tip de morfem (rădăcină, prefix, sufix, desinență) a fost stabilită o culoare. Prefixele sunt scrise cu albastru. Pentru rădăcină s-a folosit roșu. Sufixele sunt reprezentate cu verde, iar pentru desinență s-a ales negrul.

În plus, cuvântul descompus în morfeme este așezat pe verticală, iar alături nu se scrie doar denumirea tipului fiecărui morfem al cuvântului, ci sunt indicate și proprietățile morfemului, dacă acesta are astfel de proprietăți; de exemplu, pentru un sufix: derivativ sau flexionar; pentru desinențe: scurtate, pronominalizate ș.a. În cazul desinențelor scurtate, foarte răspândite în limba vorbită, este indicată alături și desinența completă. Ca exemplu, pot fi menționate cuvintele din limba vorbită: šnekamoje kalboje – desinențe complete, šnekamoj kalboj – desinențe scurtate. Dacă un cuvânt are desinența completă, nu se indică nicio caracteristică privind lungimea, deoarece majoritatea cuvintelor au desinențe complete, iar o astfel de informație ar fi redundantă. Dacă

154

Acta Linguistica Lithuanica LXXVI

Eine mehrsprachige Website zur Grammatik der litauischen Sprache

Dacă terminația nu este pronominalizată, informația despre aceasta nu este indicată nici ea.

Modificările fonetice sunt considerate o proprietate a rădăcinii. Ele pot fi atât schimbări consonantice, cât și vocalice. În limba lituaniană se poate observa încă un tip de modificări fonetice: dispariția consoanelor la imperativ. Și infixele fac parte din modificările fonetice din rădăcina unui cuvânt. Originea prefixului este considerată o proprietate a acestuia: de origine prepozițională, provenit dintr-o particulă sau de origine internațională.

În cazul ambiguității gramaticale a cuvintelor, sunt examinate structurile morfemice. Dacă acestea sunt identice, este descrisă o singură structură. Dacă, însă, există diferențe, structurile morfemice sunt indicate pentru fiecare sens al cuvântului (Anexa A).

3.6. TOATE FORMELE CUVÂNTULUI

Pentru fiecare cuvânt inclus în baza de date, tabelul de flexiune poate fi accesat făcând clic pe butonul „Alte forme”. Acolo sunt prezentate toate datele din caseta morfologică. În partea de sus a tabelului sunt indicate categoriile care nu sunt incluse în tabelul de flexiune; de exemplu, substantivele din limba lituaniană nu se flexionează după gen, așadar genul este indicat în partea de sus a tabelului, împreună cu lema și partea de vorbire. Adjectivele și participiile au trei genuri, iar o particularitate a limbii lituaniene este că numai două dintre ele (masculinul și femininul) au toate cele șase cazuri. Al treilea gen are o singură formă, de aceea aceasta este indicată fără denumirea cazului (Anexa B). Pentru verbe sunt prezentate toate formele de timp la toate modurile (Anexa D).

Clasele de conjugare și clasele de declinare devin astfel redundante, de aceea nu sunt furnizate date despre acestea.

Pentru unele cuvinte, în tabelul de flexiune sunt incluse și exemple de utilizare. În acest scop se folosește informația rapidă (în engleză tooltip). În Anexa C, drept exemplu este dat cuvântul „bėgis” (acuzativ, singular, al substantivului bėgis / șină de cale ferată, alergare).

3.7. BAZA DE DATE

La dezvoltarea bazei de date s-a urmărit obținerea unei calități și fiabilități cât mai ridicate. De aceea, o mare parte a muncii a fost efectuată manual

Straipsniai / Articles

155

DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAUSKAS

realizată, deoarece numai cu ajutorul omului se poate obține o informație cât mai fiabilă (Sulger 2013: 53).

La Institutul Limbii Lituaniene au fost desfășurate cercetări privind prefixele lituaniene. S-a constatat că în limba lituaniană există aproximativ 600 de combinații de prefixe (Šveikauskienė 2015: 195). Prin „combinații” se înțeleg diferite seturi de prefixe care pot apărea înaintea rădăcinii, de exemplu at-bėgi, nu-bėgi, ne-be-at-bėgti, ne-nu-bėgti, te-be-bė-ti etc. S-a constatat că numai 220 dintre aceste combinații se folosesc cu rădăcinile verbelor; celelalte, de exemplu nuo-, se folosesc cu substantive: nuo-monė /opinia. Software-ul a fost conceput astfel încât să combine automat rădăcina cu toate combinațiile posibile de prefixe. Ulterior, rezultatele furnizate de computer sunt verificate de oameni, iar cuvintele existente efectiv în limba lituaniană sunt introduse în baza de date. Astfel se reușește evitarea a două extreme: se evită atât numărul excesiv de forme generate de computer, cât și insuficiența numărului de cuvinte.

Toate lemele și informațiile gramaticale referitoare la acestea sunt introduse manual în baza de date. Deoarece software-ul creat la Institutul de Matematică și Informatică nu face greșeli atunci când generează formele cuvintelor pentru lema dată, computerului i s-a încredințat formarea automată a înregistrărilor pentru celelalte forme ale cuvintelor.

Este demn de remarcat faptul că în LIGIS sunt prelucrate și cuvintele cu terminații scurtate. Astfel de cuvinte sunt foarte frecvente în limba vorbită, iar niciuna dintre bazele de date deja existente nu prelucrează aceste forme ale cuvintelor. În plus, trebuie subliniat că LIGIS include și derivări care lipsesc chiar și din dicționarul limbii lituaniene în 20 de volume, precum și din versiunea sa electronică (Link 9), de exemplu neužbėgti/a nu mai alerga în sus.

În baza de date, informația este păstrată într-un format compatibil cu computerul, adică se utilizează codificarea în Prage Markup Language (Hana, Štepánek 2012). Acest format de date nu este prezentat pe Internet, deoarece ar fi inutil pentru nespecialiștii în lingvistică computațională.

Faptul că întreaga informație este păstrată într-o bază de date face din LIGIS un instrument util și pentru lingviștii care cercetează limba lituaniană. Se pot obține informații de diverse tipuri; de exemplu, se pot căuta cuvinte cu o anumită combinație de prefixe și sufixe, printre altele.

156

Acta Linguistica Lithuanica LXXVI

Eine mehrsprachige Website zur Grammatik der litauischen Sprache

3.8. MULTILINGVISMUL SITE-ULUI WEB

Site-ul web este disponibil în șapte limbi: lituaniană, engleză, germană, franceză, italiană, rusă și japoneză. Necesitatea existenței unui site web multilingv a fost determinată de traducerile nesatisfăcătoare în lituaniană oferite de Google. Traducerea automată din limba lituaniană nu este fiabilă. De aceea, s-a decis ca site-ul web dedicat gramaticii lituaniene să fie multilingv și să folosească numai texte traduse de oameni. Situația pentru celelalte limbi nu este, în mod evident, cu mult mai bună. O dovedește scrisoarea Lingvist din 8 iunie 2017, în care se solicită ca denumirea LINGUIST să fie tradusă de vorbitori nativi, și în niciun caz prin traducere automată (LinguiList 2017: 28.252).

Ideea noastră, atunci când am decis să facem site-ul web multilingv, a fost următoarea: dacă un străin, de exemplu un norvegian, învață sau studiază limba lituaniană și unele cuvinte lituaniene îi sunt cunoscute, iar altele încă nu, poate alege o limbă pe care o cunoaște mai bine decât lituaniana, de exemplu germana, iar toate cuvintele lituaniene necunoscute îi vor deveni inteligibile. În acest scop, s-a prevăzut chiar și păstrarea cuvântului introdus de utilizator la schimbarea limbii. Astfel, dacă un utilizator alege o altă limbă, nu trebuie să introducă din nou cuvântul.

4. PLANURI DE VIITOR

La Universitatea din Vilnius sunt disponibile în format digital numeroase dicționare bilingve. La Institutul Limbii Lituaniene a fost digitalizat marele dicționar în 20 de volume, precum și celelalte dicționare monolingve: dicționare de sinonime, antonime și frazeologisme, printre altele. Se intenționează conectarea celor două tipuri de dicționare la sistemul informațional al gramaticii limbii lituaniene și crearea unui echivalent al site-ului german CANOONET (Link 10).

Deoarece sistemul informațional pentru gramatica limbii lituaniene conține date despre morfeme, este posibilă efectuarea unei căutări de cuvinte pe baza modelului morfemic. Tocmai acest lucru este prevăzut pentru viitor.

O filă (în engleză, tab) este destinată teoriei în site-ul LIGIS și se află în prezent în lucru. Acolo urmează să fie prezentate cunoștințe academice aprofundate despre gramatica lituaniană.

Straipsniai / Articles

157

DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAUSKAS, VYTAUTAS ŠVEIKAUSKAS

În prima etapă se studiază morfologia. În a doua etapă urmează să fie introduse și date sintactice.

5. Concluzii

1. Această abordare poate fi utilă și oportună și pentru alte limbi cu flexiune bogată.

2. Sistemul informațional pentru gramatica limbii lituaniene poate fi de mare folos elevilor, studenților, străinilor care învață lituaniana, precum și lingviștilor care studiază limba lituaniană.

3. Datele colectate pot servi și drept documentare a limbii lituaniene.

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