ACTA LINGUISTICA LITHUANICA

XLVI (2002), 19 – 37

Dizionario di frequenza del lituano scritto contemporaneo e la sua base

LAIMA GRUMADIENĖ

Istituto della lingua lituana

Per il lituano esistono poche banche dati elettroniche. Le più grandi sono il Dizionario di frequenza del lituano scritto moderno, compilato da V. Žilinskienė e L. Grumadienė, e il Corpus della lingua lituana dell’Università di Kaunas. Il primo viene presentato qui in dettaglio: si discutono i principi della sua compilazione e i suoi possibili usi, e si caratterizzano brevemente i lavori finora pubblicati di linguistica statistica che si basano su di esso. I principali problemi relativi alle banche dati del lituano contemporaneo sono: (1) la loro insufficiente differenziazione (rispecchiano soltanto la lingua scritta, non quella parlata), (2) il fatto che non vengono utilizzate in modo ottimale, poiché la comunità accademica lituana non dispone della preparazione necessaria per lavorare con strumenti di questo tipo, e (3) il fatto che gli sforzi degli studiosi che le compilano ricevono troppo poco riconoscimento pubblico e non vengono apprezzati come risultati scientifici originali.

1. L’INVECCHIAMENTO E L’«INUTILITÀ» DELLE BANCHE DATI ELETTRONICHE

Proprio ora la linguistica lituana è come sospesa a metà di un balzo della tigre: i lavori innovativi nati soprattutto dall’impulso dello strutturalismo sono già stati scritti, ma nell’aria aleggia l’attesa di nuovi lavori, non meno importanti. Per questo occorrono non solo un diverso approccio ai fenomeni linguistici, ma anche metodi e strumenti di lavoro nuovi e ancora mai sperimentati. Nell’era delle tecnologie dell’informazione, i nuovi strumenti di lavoro dei linguisti sono spesso legati alle banche dati elettroniche, e queste alle pubblicazioni di linguistica statistica. Sembrerebbe ovvio che gli uni siano diversi dalle altre, poiché le banche dati elettroniche sono dinamiche e vi si può lavorare autonomamente, mentre le pubblicazioni sono statiche e consistono soltanto in una raccolta di dati presentati secondo le preferenze degli autori. Tuttavia, in passato, e talvolta ancora oggi, in Lituania queste banche dati e pubblicazioni sono state o vengono identificate l’una con l’altra. Lo dimostra la storia dei dizionari inversi (detti anche retrogradi). Il primo dizionario inverso lituano, compilato dall’americano David F. Robinson (1976) sulla base dell’edizione del 1954 del DLKŽ, comprendeva circa 45.000 parole; forse non aveva neppure una propria banca dati elettronica, almeno l’autore non ne fa menzione. Inoltre, a quei tempi una banca dati elettronica del genere sarebbe stata inaccessibile in Lituania, perché ben pochi avevano anche solo consultato il dizionario, pubblicato in America in una tiratura limitata. Juozas Korsakas, di Šiauliai (1991), compilò per selezione il Inverso della lingua lituana

20 |

LAIMA GRUMADIENĖ

dizionario, che comprendeva quasi 22.000 parole; anch’esso si basava sul DLKŽ, ma sull’edizione del 1972. Il lavoro fu svolto utilizzando una banca dati elettronica creata appositamente, ma quest’ultima non è disponibile per uso pubblico (probabilmente per ragioni tecniche) e si può quindi consultare soltanto nella versione a stampa. L’Dizionario inverso del lituano contemporaneo di Vida Žilinskienė (1995) non è una semplice trascrizione del DLKŽ, poiché le parole sono presentate in ordine inverso e suddivise per parti del discorso, con l’aggiunta di un’analisi statistica. Oggi è sostanzialmente disponibile anch’esso solo in forma stampata, benché ne esista anche una versione elettronica. Questa è stata utilizzata piuttosto poco (dal gruppo di lavoro diretto da E. Jakaitienė per la stesura del dizionario lituano-norvegese, e per gli articoli di Daiva Murmulaitė (1998, 1999 ecc.)). A proposito, quest’ultimo dizionario e la relativa analisi sono stati preparati usando la versione informatica del DLKŽ (edizione del 1993) e la sua analisi statistica, e non, come indica Rūta Marcinkevičienė (2000a: 16) nella sua rassegna, la base del Dizionario di frequenza del lituano scritto contemporaneo (Grumadienė, Žilinskienė 1997; 1998). Grazie agli sforzi congiunti degli studiosi dell’Istituto di matematica e informatica e dell’Istituto della lingua lituana, fu preparata una versione elettronica del DLKŽ (edizione del 1993), distribuita in poche copie (1995), poiché non si disponeva semplicemente del diritto di distribuire pubblicazioni in formato elettronico. Ora l’Istituto della lingua lituana ha ripreso a informatizzare il DLKŽ, ma questa volta l’edizione del 2000 (responsabile Stasys Keinys), e ha ottenuto un finanziamento dal Fondo lituano per la scienza. Come è noto, le edizioni del 1993 e del 2000 del DLKŽ differiscono ben poco; perciò è sorprendente che si sia deciso di non utilizzare la precedente versione elettronica solo perché era stata realizzata in un ambiente DOS e in un database FOX-PRO ormai obsoleti: si è ricominciato a usare i calcolatori per acquisire il testo elettronico già disponibile, che richiedeva soltanto piccole correzioni, aumentando così il carico di lavoro e le spese. Forse anche l’analisi statistica sarà effettuata di nuovo?

Ma non è forse vero che, come la versione informatica dell’edizione del 1993 del DLKŽ, invecchiano moralmente anche molte altre banche dati elettroniche? È quindi evidente che occorre preoccuparsi della loro manutenzione. Non potrebbe accadere anche alla Banca dati dei termini, preparata grazie agli sforzi congiunti degli istituti menzionati, ciò che è accaduto alla versione elettronica del DLKŽ (1993)? Pertanto, le pubblicazioni di linguistica statistica continuano a essere valutate molto più delle banche dati elettroniche, costose ma capaci di offrire molte nuove possibilità di lavoro.

Gli studiosi di lituanistica dovrebbero accordarsi sulle banche dati elettroniche che impiegano caratteri speciali, per esempio quelle relative agli scritti antichi o ai testi dialettali trascritti, perché già ora è necessario ricomporre gli articoli contenenti esempi di questo tipo quando, per una ragione o per l’altra, si decide di presentarli non, poniamo, alle pubblicazioni dell’Istituto della lingua lituana, ma a una delle redazioni editoriali dell’Università di Vilnius. I dizionari dialettali e i testi dialettali pubblicati oggi, pur essendo in formato elettronico, sono soltanto un segno della modernizzazione delle tipografie, poiché è impossibile utilizzare i loro testi come banche dati elettroniche. Pertanto, in assenza di un accordo tra i lituanisti su un sistema di codifica comune (per esempio UNICODE o un altro), l’accesso pubblico alle banche dati elettroniche è fortemente ostacolato, per non parlare del fatto che l’impiego di tecnologie e programmi elettronici per la loro analisi diventa molto limitato, e talvolta impossibile. Ne abbiamo forse così tante da non riuscire più a comprenderle tutte? Il problema è che né i linguisti né gli informatici che li assistono hanno finora compreso adeguatamente che le banche dati devono essere dinamiche: lavorandovi, occorre poter applicare una moltitudine di nuovi programmi e tecnologie che continuano a comparire; inoltre, devono offrire la possibilità di conversione a una versione informatica più avanzata. Finora la maggior parte delle banche dati elettroniche create in Lituania è stata concepita come se fosse composta dagli stessi cartoncini con

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 21

i dati linguistici, ma soltanto raccolti tramite tastiera del computer. Ben presto questi dati potrebbero diventare simili a un’iscrizione cuneiforme scolpita nella pietra: sugli schermi dei computer di nuova generazione si vedranno soltanto «bandierine» e «quadratini», la cui decifrazione, non diversamente dalla lettura delle rune, potrà essere intrapresa dai linguisti del futuro. Finora le discussioni organizzate su questo tema sono state infruttuose, ma, a quanto pare, non bisogna perdere la speranza: vale la pena invitare nuovamente a discutere e a cercare un accordo.

A proposito, va richiamata l’attenzione sui termini: BASE, BANCA, CORPUS (CORPUS), ARCHIVIO in formato elettronico. Il più alla moda è CORPUS (CORPUS). Viene definito in vari modi, ma tutti i tentativi di definizione hanno in comune il fatto che per CORPUS si intende una raccolta di testi in formato elettronico; perciò non di rado quasi tutto ciò che in precedenza era chiamato banca dati ha cominciato a essere denominato corpus (del resto, le dimensioni dei singoli testi non sono regolamentate). Il termine BANCA è associato per lo più alla terminologia: le banche terminologiche, di norma, non vengono chiamate corpus. Oggi il termine ARCHIVIO è sempre più spesso legato alla dimensione temporale: una raccolta elettronica di dati antichi può essere chiamata archivio o base dati. Pertanto il termine più neutro rimane BASE DATI ELETTRONICA, ed è per questo che qui è quello usato più spesso (cfr. Kennedy 1998: 3 ss.).

2. BANCHE DATI ELETTRONICHE DEL LITUANO CONTEMPORANEO E PUBBLICAZIONI LINGUISTICO-STATISTICHE

Non c’è certo abbondanza di banche dati in formato elettronico del lituano contemporaneo. Di conseguenza, anche le pubblicazioni linguistico-statistiche sono scarse; un po’ più frequentemente si ricorre soltanto ai metodi linguistico-statistici. In questo ambito si distinguono la fonetica, unica nel suo genere, e la fonologia, che si fonda sui suoi risultati. Forse ciò è dovuto alla natura stessa della fonetica, ossia al fatto che la frequente ricorrenza delle stesse unità — i suoni — invita spontaneamente a formulare conclusioni basate sulla statistica; oppure a fattori soggettivi, cioè al fatto che sono emersi ricercatori dal pensiero innovativo: innanzitutto Aleksas Girdenis e i suoi allievi, nonché Antanas Pakerys. In ogni caso, entrambi questi fattori hanno determinato il salto in avanti della fonetica e della fonologia lituane e persino un certo distacco rispetto agli altri rami della linguistica. Va detto, tuttavia, che la fonetica è una disciplina intermedia tra le scienze esatte e la linguistica.

La morfologia è il settore della linguistica successivo per frequenza delle unità ricorrenti. Sarebbe dunque logico supporre che proprio in questo settore, innanzitutto, dovrebbe già essere sorta l’esigenza di operare sia con dati linguistico-statistici sia con banche dati elettroniche. Finora ciò non è avvenuto, sebbene esistano già lavori e strumenti di lavoro di questo tipo. Il primo lavoro linguistico-statistico sul lessico e la morfologia in Lituania è stato realizzato da Vida Žilinskienė (1990), avvalendosi di ESM. Il suo Lietuvių kalbos dažninis žodynas si basa sui dati di uno degli stili funzionali, quello della pubblicistica, e presenta l’analisi di 300 000 occorrenze di parole (ossia tanto delle stesse lessemi quanto di lessemi diversi, che erano 18 776; conformemente alle regole generalmente accettate per la compilazione dei dizionari di frequenza, si è rinunciato a esaminare ulteriormente 11 956 parole proprie). Tutti i testi continui, composti da segmenti (campioni) di 1000 occorrenze di parole, sono stati analizzati morfologicamente, accentati, quindi perforati e inseriti nell’ESM «Minsk-22», ormai obsoleto e non più in uso. La banca dati elettronica esiste, ma ormai sarebbe molto difficile utilizzarla. Purtroppo, l’analisi linguistico-statistica dei testi di uno dei registri del lituano contemporaneo, la pubblicistica, dal punto di vista lessicologico, morfologico e accentologico, non è stata finora adeguatamente utilizzata né per scopi scientifici né pratici, in particolare per la redazione di manuali e dizionari didattici. Uno dei lavori di morfologia sincronica preparati con strumenti elettronici (con la partecipazione al programma internazionale CHILD) e analizzati, che potrebbero fungere da esempio, è la dissertazione di dottorato di Ineta Savickienė (1999), dedicata alla morfologia del linguaggio infantile.

22 |

LAIMA GRUMADIENĖ

Un esempio di lavori di morfologia sincronica preparati (con la partecipazione al programma internazionale CHILD) e analizzati potrebbe essere la dissertazione di dottorato di Ineta Savickienė (1999), dedicata alla morfologia del linguaggio infantile.

A proposito, va ricordato che lavori basati su dati linguistico-statistici relativi ad altri livelli, alla stilistica e, in parte, alla sintassi, i cui elementi hanno una frequenza molto minore, sono comparsi già una quindicina di anni fa, innanzitutto quelli di Audronė Bitinienė (1983, 1997, 1998 e altri). Esistono già anche alcuni tentativi di studiare il lessico contemporaneo basandosi su dati linguistico-statistici. Negli ultimi tempi, tali lavori vengono svolti soprattutto sulla base del Corpus del lituano contemporaneo dell’Università Vytautas Magnus (circa 60 000 000 occorrenze di parole), per esempio le ricerche sulle collocazioni condotte da Rūta Marcinkevičienė (2000a; 2000b), la dissertazione di dottorato di Jurgita Mikelionienė (2000) sui neologismi e altri. Sulla base di piccole banche dati elettroniche si preparano sempre più studi lessicali, talvolta piuttosto specifici, come la dissertazione di dottorato di Asta Ryklienė (2000) sul lessico usato dai navigatori di Internet e sul loro operato; in generale, però, tali studi sono pochi e gli studenti partecipano scarsamente a questo processo (fatta forse eccezione per l’Università Vytautas Magnus). Un gruppo diretto da Antanas Pakerys sta ultimando la preparazione di una banca dati elettronica destinata allo studio del lessico presso l’Università pedagogica di Vilnius; forse allora aumenteranno anche qui i lavori studenteschi di questo tipo.

Questo articolo si limita a descrivere gli strumenti di lavoro necessari per la ricerca sul lituano scritto contemporaneo; pertanto non tratta la serie, già avviata, di studi sugli scritti antichi che si basano sulla specifica banca dati elettronica dell’Istituto di lingua lituana. La nascita di banche dati elettroniche proprie darà senza dubbio nuovo impulso alla dialettologia lituana: presso l’Istituto di lingua lituana ci si prepara già a istituire un Centro dei dialetti, nel quale si predisporranno in formato elettronico registrazioni dialettali e testi trascritti e decifrati a partire da esse. Nello stesso istituto sono iniziati i lavori per la creazione di banche dati elettroniche di onomastica e toponomastica. La banca dati elettronica del grande Lietuvių kalbos žodyno, attualmente in preparazione, dovrebbe segnare una vera svolta nella lessicografia lituana; grandi aspettative sono riposte anche nella banca dati elettronica del Bendrinės lietuvių kalbos žodyno. I docenti dell’Università di Vilnius, guidati da Evalda Jakaitienė, partecipano a uno dei progetti dell’Unione europea e stanno preparando un cosiddetto elenco universale elettronico di parole lituane, sulla cui base dovrebbe prendere il via una nuova serie di dizionari bilingui. In una certa misura, ciò sembra entrare in concorrenza con la casa editrice del Bendrinės lietuvių kalbos žodyno. Principalmente grazie agli sforzi della Commissione statale per la lingua lituana e su impulso dell’Unione europea, si è iniziato a preparare i cosiddetti portafogli elettronici di termini o forestierismi, una sorta di elenchi di termini recenti e di combinazioni di parole molto frequenti in vari settori, diffusi dall’Unione europea a tutti i suoi membri e candidati, affinché le lingue possano adattarsi e prepararsi all’ondata di traduzioni in arrivo e anche alla traduzione automatica. Un gruppo di studiosi dell’Università di Vilnius (diretto da Meilutė Ramonienė) ha avviato la preparazione di banche dati elettroniche del linguaggio parlato contemporaneo, come quelle polacche, basate su registrazioni radiofoniche e televisive. Nella stessa università ci si prepara a raccogliere una banca dati elettronica degli slavismi (diretta da Vytautas Kardelis), che dovrebbe contenere sia registrazioni audio sia esempi selezionati da esse e trascritti.

Come dimostra l’esperienza, ci si potrà aspettare dei risultati soltanto dopo aver imparato a lavorare con dati di questo tipo e aver acquisito le competenze necessarie per sfruttare le nuove possibilità. A tal fine servono laboratori dove si possa imparare, preferibilmente fin da giovani. La stessa natura delle banche dati elettroniche presuppone la loro pubblicità: una volta organizzate, dovrebbero essere accessibili a tutti coloro che ne hanno bisogno. Le maggiori raccolte di dati sulla lingua lituana si trovano presso l’Istituto di lingua lituana-

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 23

…tute, pertanto, modernizzandosi, proprio esso dovrebbe diventare il principale centro di elaborazione di banche dati elettroniche per la lingua lituana, una fonte di accesso pubblico, un polo di attrazione e diffusione per lavori e idee di questo tipo: forse questo ruolo sarà svolto dal Centro di Lituanistica che si sta istituendo presso la banca dati dell’Istituto di lingua lituana? Le banche dati elettroniche che entreranno in Internet diventeranno ancora più accessibili. Del resto, quando si può connettersi a Internet, il luogo in cui si usa il computer diventa irrilevante; conta soltanto ciò che è entrato in Internet. Ma questi sono progetti per il futuro.

Finora in Lituania non è stata autorizzata la pubblicazione in formato elettronico di lavori lingvostatistici e la questione dei diritti d’autore non è stata risolta; pertanto tali lavori continuano a essere di attualità anche in forma cartacea. Le banche dati elettroniche e le pubblicazioni lingvostatistiche, tuttavia, differiscono fondamentalmente: queste ultime sono soltanto la punta dell’iceberg.

Qui di seguito si esamina una questione specifica: il rapporto tra le banche dati elettroniche della lingua lituana scritta contemporanea e i dizionari di frequenza. Questi ultimi non possono esistere senza una banca dati, ma le possibilità offerte dalle banche dati sono ben lungi dal limitarsi alla pubblicazione di dizionari.

3. BANCHE DATI ELETTRONICHE DELLA LINGUA LITUANA SCRITTA CONTEMPORANEA E DIZIONARI DI FREQUENZA

È ovvio che le banche dati elettroniche linguistiche si distinguono dagli altri tipi di raccolte di dati linguistici anzitutto per la loro forma elettronica e per le specificità dell’uso delle tecnologie informatiche a essa connesse. La comparsa delle banche dati elettroniche ha aperto possibilità del tutto nuove per lo studio della lingua, ma esse non sono legate unicamente alla nascita dei moderni supporti elettronici. Il fatto che mezzi diversi producano risultati sostanzialmente analoghi — anzitutto le caratteristiche di frequenza delle forme grammaticali e dei lessemi — dimostra che tra le moderne banche dati elettroniche e i loro analoghi assai più antichi esistono numerosi elementi comuni. In Francia, la casa editrice Larousse cominciò già nel 1956 a servirsi di un repertorio lessicografico meccanizzato (realizzato con calcolatrici elettroniche di vecchia generazione, ESM) per la compilazione dei dizionari (Rozencveig 1986: 82).

La questione di come costruire le moderne banche dati elettroniche linguistiche si pose, da un lato, perché l’avvento delle nuove tecnologie aveva reso possibile gestire grandi quantità di informazioni; di conseguenza, aumentò la quantità di testo utilizzata per illustrare una singola parola (cioè il suo contesto). Si aprirono così nuove possibilità per studiare le presupposizioni relative alla parola e, in seguito, a unità linguistiche più ampie, e quindi la sintassi e la semantica. Si cominciò ad apprezzare segmenti testuali sempre più estesi, fino ad arrivare persino a testi completi, finché il costo dell’acquisizione dei diritti d’autore non mise un freno a questa tendenza. D’altro lato, probabilmente l’avvento dei computer ebbe un impatto paragonabile a quello dell’invenzione di Gutenberg e, soprattutto, la loro diffusione a una velocità senza precedenti fece sì che, con la crescita esponenziale delle comunicazioni a distanza tra persone che parlavano la stessa lingua e persone che parlavano lingue diverse, emergesse un’urgente esigenza sociale di ottenere informazioni statistiche di vario genere relative alla lingua, così da automatizzare il maggior numero possibile di processi comunicativi: l’insegnamento delle lingue, la traduzione, il riconoscimento, la compressione e la trasmissione delle informazioni, ecc.

La linguistica lituana non è rimasta estranea a questo processo generale, sebbene, naturalmente, sia rimasta parecchio indietro cronologicamente. Nel mondo, per tutto il XX secolo, e soprattutto nella sua seconda metà, sembrava già prepararsi un nuovo balzo in avanti. Anzitutto si trattava di dizionari di frequenza delle lingue. I primi apparvero già alla fine del XIX secolo.

24 |

LAIMA GRUMADIENĖ

…del XIX secolo e all’inizio del XX. Il primo in assoluto fu quello della lingua tedesca, compilato dallo stenografo F. Kaeding (1898) sulla base di 11 000 000 occorrenze di parole, servendosi di uno schedario. Molto più tardi G. Vander Beke (1929) pubblicò un dizionario dello stesso tipo per la lingua francese. H. Eaton (1934) compilò un dizionario comparativo dei mille vocaboli più frequenti in quattro lingue: inglese, francese, tedesco e spagnolo. Il primo dizionario di frequenza della lingua inglese fu compilato da E. Thorndike e L. Lorge (1944), quello dello spagnolo da V. Garcia Hoz (1953). Il primo dizionario di frequenza della lingua russa fu compilato in America da H. Josselson (1953); N. P. Vakar (1966), anch’egli in America, pubblicò un dizionario di frequenza del russo parlato del periodo sovietico, ma in sostanza esso si basa soltanto sulla lingua delle opere drammatiche. E. Šteinfeldt (Štejnfel’dt 1963) pubblicò a Tallinn un dizionario di frequenza della lingua di Puškin. L. Lönngren (1993) compilò a Uppsala un dizionario di frequenza della lingua russa basato su un corpus di 1 000 000 parole, composto per metà da testi letterari e per metà dalla cosiddetta prosa informativa (giornalismo, documenti amministrativi e letteratura scientifica). I primi dizionari di frequenza non soltanto del russo, ma anche del rumeno e dell’italiano, furono inoltre compilati in America da A. Juilland, P. M. Edwards e I. Juilland (1965), e da A. Juilland e V. Traversa (1973) (per inciso, nello stesso luogo A. Juilland e E. Ch. Rodrigues (1964) avevano già compilato un altro dizionario di frequenza dello spagnolo, cui più tardi se ne aggiunse uno di J. R. Alameda e F. Cuetos (1995)). Un’intera serie di dizionari di frequenza si fondò sulla concezione degli stili funzionali della lingua elaborata dal Circolo linguistico di Praga e, inoltre, sulla concezione della lingua comune di Boris Larin: il primo fu, come era naturale, quello della lingua ceca, inizialmente dedicato a singoli stili funzionali e successivamente in forma generale, opera di un gruppo di autori diretto da Marie Těsitelová (J. Jelínek, J. V. Bečka et al., cfr. Těsitelová 1983). I lettoni si mossero presto, come i cechi, compilando dapprima dizionari di singoli stili funzionali e poi un dizionario generale in due volumi: T. Jakubaite, D. Kristovska, D. Guļevska, V. Ozola, R. Prūse, A. Rubine, N. Sika (1966–1976). La stessa metodologia fu seguita da V. A. Agrajevas, V. V. Borodin, V. M. Muratova ed E. V. Tisenko, sotto la direzione di L. N. Zasorina (1977), nella compilazione di un dizionario di frequenza del russo contemporaneo basato su 1 000 000 occorrenze provenienti da quattro stili funzionali. Il dizionario di frequenza della lingua bielorussa compilato da N. S. Mažeika e A. J. Suprun (Mažeika, Suprun 1976) riguarda un solo stile funzionale: quello letterario. Anche il dizionario di frequenza della lingua bulgara (Todorova, Pančovska 2001) riguarda soltanto lo stile giornalistico. Il primo dizionario di frequenza della lingua lituana, compilato da V. Žilinskienė (1990), riguardava anch’esso un solo stile funzionale, quello giornalistico; per il lavoro fu adottata la stessa metodologia ceca e si collaborò ampiamente con i lettoni.

Con il passare del tempo, benché la lingua lituana non possa certo vantarsene, nel mondo sono comparsi dizionari di frequenza di ogni genere: della lingua di singoli autori, di stili funzionali, di varietà linguistiche regionali, della lingua scritta e parlata, ecc. I dizionari di frequenza della lingua «in generale» sono diventati poco funzionali, perché si è reso necessario soddisfare esigenze specifiche; la selezione delle parole doveva quindi basarsi sui testi di un determinato settore e non sull’insieme dei testi. D’altro canto, il problema della compilazione dei dizionari di frequenza «è entrato in una nuova dimensione» quando, nella ricerca di esempi d’uso da parte dei comportamentisti e dei positivisti americani, fecero la loro comparsa i corpus elettronici: lo sviluppo delle tecnologie elettroniche fu rapido e divenne così possibile non solo raccogliere, ma anche elaborare enormi masse di testi.

L’inizio della linguistica dei corpora viene fatto risalire al 1961, quando Nelson Francis e Henry Kučera annunciarono e avviarono la creazione del celebre corpus elettronico di lingua scritta Brown’o (Brown university), mentre John Sinclair [annunciò e avviò] un corpus LOB (Lancaster-Oslo/Birmingham) dello stesso formato…

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 25

…corpus; già nel 1959 Randolph Quirk annunciò un corpus di lingua scritta e parlata, il SEU (Survey of English Usage), il cui lavoro fu proseguito da Jan Svartvik, che all’Università di Lund si mise a creare un corpus di lingua parlata, l’LLC (London-Lund Corpus of Spoken English). L’ampiezza di tutti i corpus menzionati era allora di circa 1–1,15 milioni di occorrenze di parole; in seguito ne apparvero altri simili (cfr. Aijmer, Altenberg 1991: 1 e segg.). L’ampiezza dei corpus di seconda generazione si misura in decine di milioni, quella dei corpus di terza generazione già in centinaia di milioni e persino in miliardi. Nel mondo resta attuale il problema della compatibilità tra software e singoli programmi di lavoro: sono stati raccolti corpus di dimensioni ormai enormi, di centinaia di milioni di parole (si tratta, in sostanza, della forma elettronica di una biblioteca), ma come utilizzarli comodamente, come calcolare le frequenze più elementari, come non perdersi nell’oceano delle parole? E, in definitiva, la quantità determina sempre la qualità? Nella compilazione di dizionari di frequenza di ogni tipo si è constatato molte volte che metà delle parole esaminate ricorre una sola volta. Perciò, ogni volta che ci si accinge a un lavoro, occorre valutare attentamente se gli obiettivi prefissati richiedano davvero di lavorare con una grande quantità di materiale, cercando le parole più rare. Talvolta, quando si esaminano determinate regolarità grammaticali o di formazione delle parole, ampliare notevolmente la dimensione dell’insieme analizzato è davvero irrazionale; è del tutto appropriato valutarla anche secondo criteri statistici, poiché questi indicano la probabilità che il campionamento sia sufficiente a formulare conclusioni rappresentative. Occorre prestare particolare attenzione ai testi da cui è tratto l’insieme analizzato, cioè a come viene costruito il modello dell’oggetto di studio. Nella linguistica lituana, probabilmente, oggi la questione che solleva più interrogativi sotto questo profilo è che cosa debba intendersi per lingua lituana standard e in quale misura vi debbano essere rappresentati gli stili funzionali della lingua o gli strati linguistici distinti secondo altri criteri. Per esempio, il corpus menzionato dell’Università Vytautas Magnus è stato composto secondo determinati principi di campionamento, mentre il Dizionario di frequenza della lingua lituana scritta contemporanea secondo altri; di conseguenza, anche i risultati sono diversi. I dati statistici ottenuti da corpus diversi, per esempio quelli relativi a singole parti del discorso, devono essere valutati con grande attenzione e obiettività. Si è osservato che nei lavori di questo genere, già pubblicati o in corso di stesura, non si presta sufficiente attenzione ai testi esaminati e si formulano generalizzazioni sulla «lingua lituana contemporanea». Lavorare con i numeri richiede precisione; altrimenti si giunge a conclusioni fuorvianti.

Il corpus elettronico del Dizionario di frequenza della lingua lituana scritta contemporanea di cui si tratta nell’articolo (1,2 milioni di occorrenze di parole) appartiene ai corpus di prima generazione (del tipo Brown e LOB), con oltre un milione di parole. Lo accomuna a questi celebri corpus un’altra caratteristica: come pochi corpus successivi nel mondo, anche il nostro è annotato. Le tecnologie informatiche hanno offerto condizioni eccezionali alle lingue analitiche: programmi specifici ma abbastanza diffusi (è particolarmente noto quello dell’Università di Oxford, l’Oxford Concordance Program, nonché KWIC, KAYE, CLAN, OCP, WordCruncher e altri) consentono di preparare con relativa facilità elenchi delle parole più frequenti e di fornirne le concordanze (Leech 1991: 10; Utka 2000). Anche i ricercatori del Corpus della lingua lituana contemporanea dell’Università Vytautas Magnus utilizzano di norma programmi di questo tipo; tuttavia, così si possono analizzare soltanto le parole, cioè il lessico, perché mancano informazioni sulle desinenze, che, come è noto, sono particolarmente importanti per la lingua lituana. Per le lingue sintetiche, dunque, la situazione è più complessa: usando i programmi descritti si ottengono infatti elenchi di forme di parola, non di lemmi. Occorre un notevole lavoro aggiuntivo per ricondurre le forme di parola a una forma comune e ottenere così soltanto lemmi. Gli elenchi di parole di questo tipo, corredati anche di analisi grammaticale, sono detti annotati; nel mondo non sono numerosi e sono molto apprezzati, perché richiedono notevoli risorse di lavoro e sono quindi

26 |

LAIMA GRUMADIENĖ

molto costosi (io e V. Žilinskienė abbiamo calcolato che, nel nostro caso, la sola selezione dei testi, la loro trascrizione con la tastiera del computer, la loro analisi morfologica semiautomatizzata (la cosiddetta LEMMATIZZAZIONE), la revisione e l’inserimento dei dati nel computer richiederebbero sei anni di lavoro a una sola persona). Per i calcoli e le successive correzioni occorrono ancora alcuni anni, poiché qualsiasi imprecisione nelle operazioni matematiche può trasformarsi in un assurdo.

In generale, oggi è possibile compilare in vari modi dizionari di frequenza di ogni tipo, soprattutto con la comparsa dei corpus elettronici: tutto dipende da ciò che si cerca. Il motivo principale per cui si continuano a realizzare nuovi dizionari di frequenza, soprattutto quelli che aspirano a chiamarsi, per esempio, dizionari della lingua n contemporanea, è che il requisito fondamentale della linguistica statistica, come della statistica in generale, è che il campione sia un modello rappresentativo dell’intera popolazione oggetto di studio, o insieme. In altre parole, ci si chiede continuamente se il campione esaminato rappresenti davvero la popolazione prevista. Per esempio, il dizionario di frequenza della lingua lituana contemporanea elaborato a partire dal Corpus della lingua lituana contemporanea dell’Università Vytautas Magnus, composto da ben 60 milioni di occorrenze di parole, sarebbe diverso da quelli già pubblicati da L. Grumadienė e V. Žilinskienė (1997, 1998), perché i suoi risultati rispecchierebbero un insieme di testi costituito principalmente da opere periodiche (70%), non periodiche (26%) e tradotte (4%) (Marcinkevičienė 2000a: 16). I testi dei dizionari citati, già pubblicati, sono stati invece selezionati secondo criteri del tutto diversi: si tratta di testi originali, non tradotti, appartenenti a quattro stili funzionali della lingua – giornalistico, amministrativo, letterario e scientifico. Si è proceduto così perché la lingua lituana standard, in particolare quella scritta, continua a essere formata, normata e codificata nello spirito delle idee del Circolo linguistico di Praga (si noti, per inciso, che oggi il termine STILE è definito in modi assai diversi dalle varie scuole linguistiche). Ci si è attenuti ai principi seguiti dai compilatori di altri dizionari di frequenza, in primo luogo cechi, russi e lettoni, che a loro volta condividevano la concezione della lingua standard – intesa come somma degli stili funzionali della lingua – esposta sopra; si è fatto tesoro della loro esperienza e, come nei loro casi, sono stati scelti campioni di 300 000 occorrenze di parole per ciascuno dei quattro stili funzionali. Si riteneva infatti che i principi adottati per la compilazione del corpus dell’Università Vytautas Magnus (che, per inciso, è apparso più tardi del nostro) fossero ancora prematuri per la lingua lituana scritta e più vicini alla concezione americana della lingua standard (o comune, come si usa dire là). Nella banca dati del Dizionario di frequenza della lingua lituana scritta contemporanea talvolta si sente la mancanza del lessico colloquiale, perché si dimentica che è stato compilato esclusivamente sulla base della lingua scritta pubblica: non vi figurano lettere private, diari, scritte sui muri o simili. Eppure, anche oggi nel dizionario sono entrate parole colloquiali, tra cui non soltanto forestierismi e dialettalismi, ma persino esempi di lessico peggiorativo, inammissibile nella lingua standard; per questo le autrici del dizionario ricevono continue critiche. Sorge la questione di cosa si debba considerare letteratura. Quelle parole si trovavano in testi letterari (testi originali pubblicati in Lituania, in edizioni redatte con una tiratura superiore a 100 esemplari), e il principio della compilazione di un dizionario di frequenza è di non escludere alcuna parola di contenuto, a meno che non sia un nome proprio, un numero, un’abbreviazione o un errore tipografico. I dati mostrano, per inciso, che, prendendo campioni di 300 000 occorrenze di parole per ciascuno dei quattro stili funzionali, nello stile giornalistico sono state trovate 284 687 parole di contenuto (15 313 cosiddetti «scarti»), nello stile tecnico-amministrativo 279 505 (20 495 escluse dal dizionario per i motivi citati), in quello scientifico 278 311 (21 689) e in quello letterario 290 561 (9 439). Non me la sono sentita di escludere il nome proprio Lietuva, perciò, come unica eccezione, è stato incluso nel dizionario l’unico nome proprio (a quanto pare è la 16ª parola per frequenza, la prima tra i sostantivi; la sua frequenza è di 5151 su ben 614 campioni: in questo hanno avuto un ruolo i documenti ufficiali,

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 27

denominazioni di istituzioni e simili, nelle quali questa parola ricorreva spesso al genitivo). Possono essere considerate nomi propri in senso lato anche le denominazioni di festività religiose e di altro tipo (spesso usate anche come nomi comuni), per es., Joninės, Kūčios, Žolinė, oppure i nomi dei punti cardinali Rytai, Vakarai, Pietūs, Šiaurė.

In linea con il principio di rappresentatività, per ciascuno degli stili menzionati sono stati selezionati soltanto testi riconducibili allo stile puro: sono stati esclusi i testi didattici considerati marginali, la pubblicistica scientifica, quella destinata a una cerchia ristretta di lettori, il dramma, la poesia e così via. I testi di pubblicistica sono stati selezionati da Vida Žilinskienė e consistevano in testi del 1994–1995 provenienti da 19 quotidiani o settimanali centrali soggetti a revisione e da riviste molto lette, rappresentativi di cinque gruppi tematici: 1) politica, 2) industria e agricoltura, 3) istruzione e diritto, 4) arte e 5) intrattenimento (sport, oroscopi, previsioni meteorologiche). I testi dello stile tecnico sono stati selezionati da Pranas Kniūkšta e Danutė Vainauskienė tra pubblicazioni e documenti del 1990–1995, secondo sette gruppi tematici: 1) leggi e documenti, commenti che le accompagnano, 2) documenti giuridici, 3) repertori e documenti economici e commerciali, 4) pubblicazioni di scienze politiche, documenti di partito, 5) norme e pubblicazioni statistiche, 6) fonti d’informazione (bibliografie, cataloghi, dizionari), 7) documenti di singoli ambiti sociali (difesa nazionale, sicurezza sociale, istruzione, cultura e altri). I testi dello stile scientifico sono stati selezionati da Irena Andriukaitienė tra le pubblicazioni scientifiche edite in Lituania nel 1990–1995 o tra i lavori approvati da istituzioni scientifiche, secondo otto gruppi tematici (settori scientifici): 1) scienze agrarie, 2) scienze naturali, 3) scienze umane, 4) matematica, 5) medicina, 6) scienze sociali, 7) scienze tecniche, 8) teologia. I testi dello stile letterario sono stati selezionati da Laima Grumadienė tra opere di prosa letteraria pubblicate in Lituania dal 1985 al 1990 (con poche eccezioni); i sei gruppi «tematici» sono stati suddivisi in base ai luoghi di nascita degli scrittori: 1) žemaičiai, 2) abitanti dell’Alta Lituania orientale, 3) abitanti dell’Alta Lituania occidentale, 4) abitanti dell’Alta Lituania meridionale, 5) cittadini, 6) emigrati (senza considerare il loro effettivo luogo di nascita).

Si è deciso che proprio questi testi potessero rappresentare il lituano scritto contemporaneo. Da essi veniva scelta casualmente (pagine e righe erano selezionate in base a una tavola di numeri casuali) una porzione di 1000 occorrenze di parole, detta campione, e la si digitava al computer (un lavoro di circa due ore). In seguito i campioni venivano lemmatizzati, cioè sottoposti ad analisi morfologica con il programma MAN (Morfologinio Analizavimo ir Normalizavimo), realizzato da Vytautas Zinkevičius. L’autore lo adattò appositamente a questo lavoro a partire dal proprio programma informatico per la correzione ortografica delle parole, realizzato in precedenza; nel 2000, su commissione dell’Università Vytautas Magnus, lo migliorò in parte, lo trasferì a una versione più avanzata e lo chiamò lemmatizzatore (Zinkevičius 2000).

Il lavoro si svolgeva più o meno così: si riceveva una stampa al computer, dalla quale occorreva «eliminare» le righe superflue (sottolineatura mia). Per esempio, un estratto di testo già elaborato da una persona, non soltanto dalla macchina (…) manęs visa ši komedija (…) appariva così nella stampa:

FIG. 1. ESEMPIO DI LEMMATIZZAZIONE DEL TESTO

io pensare me pron pers acc sing 1a pers; me verbo part att pres non fin masch sing nom

28 |

LAIMA GRUMADIENĖ

tutto

tutta pron indef femm sing nom

tutta pron indef femm sing strum

tutta pron indef femm sing gen

tutto pron indef

questo

questa pron dim indef femm sing nom

commedia

commedia sost femm sing nom

commedia sost femm sing strum

commedia sost fem sing N

Nella prima riga rimane la parola lemmatizzata ricostruita; nella seconda (quella rimasta dopo la cancellazione) rimane la forma della parola con le caratteristiche grammaticali. Questo lavoro su 1000 parole richiede circa 4 ore, ma probabilmente non esiste ancora un metodo più rapido per analizzare morfologicamente le parole lituane. Successivamente si cercano omonimi e omofoni, i campioni vengono corretti con il programma MAN-K di Vytautas Zinkevičius e riversati in un computer: tutto ciò richiede un’altra ora. In totale sono stati così elaborati 1 200 campioni di 1000 occorrenze di parole ciascuno.

Dopo aver svolto questo enorme lavoro, i dati sono stati ulteriormente elaborati con programmi di calcolo preparati da Valentinas Černiauskas e Snieguolė Meškauskienė (entrambi dell’Istituto di Matematica e Informatica): sono state conteggiate varie frequenze. Per la stampa sono stati preparati tre dizionari, due dei quali sono già stati pubblicati (Grumadienė, Žilinskienė 1997; 1998), mentre il terzo vedrà la luce, speriamo, quest’anno. I primi due dizionari sono elenchi di frequenza delle parole lemmatizzate. Il primo è ordinato per frequenza decrescente, il secondo alfabeticamente. Vi sono state incluse rispettivamente 38 337 parole diverse. Il terzo, un dizionario delle forme delle parole, è più volte più esteso (31 f.s.), contiene circa 150 000 forme di parola e rispecchia l’uso di parole diverse e delle stesse parole in varie forme grammaticali (dovrebbe essere presentato sia in ordine alfabetico sia in ordine inverso). Sono state preparate altre decine di dizionari di frequenza, disposti in vari modi e destinati all’uso in formato elettronico: per tutti e quattro gli stili, per tutti i gruppi tematici di ciascuno stile, ecc. (sia di parole lemmatizzate sia di forme di parola).

Dal confronto di alcuni dati statistici emerge già che nella lingua scritta lituana si usano soprattutto sostantivi diversi: ben il 45,25% di tutte le parole diverse sono sostantivi; sono numerosi i verbi e le forme verbali, pari al 32,65%, ed è significativa anche la quota degli aggettivi, pari al 15,31%; gli avverbi diversi rilevati sono il 5,03%. Le altre parti del discorso non raggiungono neppure lo 0,5% ciascuna (complessivamente rappresentano appena lo 0,88%). Ciò, tuttavia, non significa che la loro distribuzione nel testo sia esattamente questa. Un altro indicatore, la frequenza delle stesse parole nel testo, mostra che la percentuale delle principali parti del discorso e degli avverbi diminuisce notevolmente a vantaggio delle parti del discorso funzionali e dei pronomi, che nei testi rappresentano già più di un quarto, il 26,71%. Occorre prestare attenzione non solo all’indicatore di frequenza, ma anche al numero di campioni in cui compare una parola o una sua forma: ciò consente di stabilire se la frequenza di una parola sia stata determinata dalla presenza casuale di un unico testo in cui essa ricorre molte volte, oppure se la sua frequenza non sia casuale, poiché la sua distribuzione è uniforme nei diversi campioni.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 29

La varietà lessicale si valuta mediante il coefficiente di iterazione (il rapporto tra le occorrenze delle parole e le parole lemmatizzate), che nel dizionario menzionato è pari a 20,06 (quanto più basso è questo valore, tanto più parole diverse sono state individuate). Dai dizionari delle parole lemmatizzate e delle forme di parola, conteggiati ma non pubblicati, relativi a ciascuno dei quattro stili funzionali (alcune delle caratteristiche linguistico-statistiche rilevate in essi sono già state trattate da V. Žilinskienė (1998, 2001, in stampa e altrove)), emerge che, per esempio, il lessico della letteratura narrativa è due volte più vario di quello dei testi di stile amministrativo (i coefficienti di iterazione sono rispettivamente 9,53 e 20,78). La cosa più interessante è che, considerando insieme tutti e quattro gli stili, il coefficiente di iterazione differisce relativamente poco da quello dello stile amministrativo, ma moltissimo da quello della letteratura narrativa (è pari a 10,51 per il giornalismo e a 12,63 per lo stile scientifico). Questi indicatori costituiscono un argomento importante nel decidere, per esempio, i principi di compilazione di un dizionario della lingua comune: in quale proporzione rappresentare gli stili funzionali; se sia opportuno proseguire la pratica di associare la lingua comune agli stili funzionali; e, in caso affermativo, perché sia necessario tenere conto degli indicatori statistici degli stili funzionali, ecc.

Dati interessanti sono stati ottenuti confrontando l’elenco delle parole più frequenti compilato sulla base del corpus dell’Università Vytautas Magnus (in esso le parole sono state registrate e conteggiate nelle forme in cui compaiono nel testo, senza ripristinarle, a differenza del Dizionario di frequenza della lingua lituana scritta contemporanea, alle forme lessicali di citazione). Confrontando le 50 parole invariabili più frequenti e le forme flesse delle parole in un corpus lituano di 60 milioni di parole (Utka 2000: 278) con le prime 50 voci del Dizionario di frequenza (Grumadienė, Žilinskienė 1997: 3), si può constatare chiaramente che sostanzialmente coincidono. Solo il primo elenco di frequenza contiene un numero leggermente inferiore di parole diverse, poiché vi sono menzionate varie forme della stessa parola, per esempio era, essere; egli, suo, loro, sua, essi, mentre nel secondo elenco, cioè nel dizionario, esse sono rappresentate rispettivamente da essere e egli. Seguendo i principi di compilazione di questo tipo di dizionari, nel Dizionario di frequenza non sono state incluse le abbreviazioni, ma dal confronto dei dati del Dizionario di frequenza con le abbreviazioni presenti nell’elenco delle parole più frequenti menzionato sopra — m, d, a, rispettivamente anno, giorno, secolo — emerge che le prime due parole sono frequenti anche nel dizionario: occupano il 30º e il 57º posto in ordine di frequenza, ossia di rango (sono considerate dello stesso rango le parole con la stessa frequenza), mentre secolo compare soltanto nel terzo centinaio. Per inciso, sia l’abbreviazione sia la parola per esteso sono abbastanza frequenti e sono usate con significati in parte diversi. Come conferma la pratica di compilazione dei dizionari di frequenza di molte lingue sintetiche, nel Dizionario di frequenza della lingua lituana scritta contemporanea le parole più frequenti sono alcune congiunzioni (e, che, o, come, oppure, ma, nonché, quando ecc.), preposizioni (a, da, con, da, su, dopo, per, a causa di, attraverso, presso ecc.), pronomi (egli, quello, io, che, questo, tutto, altro, proprio, tale, chi, tu ecc.), particelle (e, non, solo ecc.); i verbi più comuni sono essere, potere, avere, non essere, dovere, sapere, stabilire ecc., mentre i sostantivi sono Lituania, lavoro, persona, anno ecc. Tra i numerali, i più frequenti sono uno, primo, due; tra gli aggettivi che rientrano nel primo centinaio delle parole più frequenti figurano grande, nuovo, alto, vario, importante, fondamentale. Per inciso, anche i dati relativi alle lingue analitiche mostrano che, per esempio, nei testi inglesi il pronome I, la congiunzione and e l’articolo the costituiscono il 10% dei testi (Hillerich www: eduplace.com).

È importante anche la questione dei termini internazionali: quanti e quali dovrebbero essere inseriti nel dizionario della lingua comune? Può essere utile approfondire e sapere, per esempio, che nell’elenco delle parole lemmatizzate del Dabartinės rašomosios lietuvių kalbos dažninio žodyno (1998, XXXIV–XXXVI) il 27,52% risultava costituito da termini internazionali e che nei testi essi occupavano il 13,34% dello spazio; possono inoltre essere utili gli elenchi stessi di tali parole.

30 |

LAIMA GRUMADIENĖ

In vista della stesura di una nuova grammatica della lingua lituana, è importante conoscere anche le statistiche delle forme delle parole: quali tipi di parole si flettono e in che modo, perché e quali parole presentano una grande varietà di forme grammaticali, mentre altre no. Abbondano dati di questo tipo nel dizionario delle forme delle parole in preparazione per la stampa. V. Žilinskienė (2001) ha già pubblicato dati interessanti sul solo stile giornalistico. A quanto pare, tre casi dei sostantivi costituiscono l’82,29% di tutte le occorrenze dei sostantivi (gen. – 38,91%, nom. – 26,62%, acc. – 16,76%; il fatto che, per esempio, il dat. sia usato solo nel 3,88% dei casi potrebbe già indicare una tendenza all’analiticizzazione?). Gli aggettivi, tra l’altro, sono usati più spesso al caso nom. – nel 36,93% dei casi. Si è constatato che prevale il singolare dei sostantivi: il 68,86% di tutte le occorrenze. Nei testi giornalistici sono stati trovati relativamente pochi gerundi in -damas (2,34%) e semiparticipi (1,84%), mentre i participi ammontano addirittura al 24,46%; l’infinito è stato usato nel 15,85% dei casi.

Risultati interessanti e insoliti, soprattutto per gli insegnanti e gli specialisti che preparano manuali, programmi didattici e dizionari, sono stati ottenuti esaminando i tre dizionari minimi lituano-russo delle categorie di qualificazione per la conoscenza della lingua di Stato, preparati e pubblicati da V. Žilinskienė e L. Grumadienė (1998; 1999a; 1999b), nonché altri sei dizionari analoghi lituano-inglese e lituano-polacco, già preparati ma non ancora pubblicati. Va richiamato ancora una volta l’attenzione sul fatto che i campioni sono stati raccolti da testi in lituano scritto, perciò qui si potrebbero anche rimpiangere le parole del parlato. Questi dizionari tascabili sono pensati per l’apprendimento della lingua scritta, poiché i requisiti di qualificazione per la conoscenza della lingua di Stato sono legati al suo uso pubblico, soprattutto in situazioni ufficiali e, in particolare, negli enti pubblici; pertanto qui è più necessario il lessico neutro e specialistico che quello colloquiale: è richiesto di saper leggere e redigere documenti ufficiali e comprendere i testi dei media. In futuro si prepareranno anche dizionari minimi della lingua parlata. In Lituania è stato pubblicato il manuale di Vytautas Šernas (1994) Come imparare le lingue in modo più razionale, che contiene anche un dizionario minimo bilingue inglese-lituano: vi è stata tradotta la celebre Basic English, pubblicata da Ch. K. Ogden nel 1942 e composta da 850 parole (la si può trovare, tra l’altro, anche nel volume 3 dell’Encyclopaedia Britannica). Col passare del tempo alcune parole invecchiano e altre compaiono, perciò l’elenco di quelle 850 parole può variare di conseguenza. Nel definire i requisiti delle tre categorie di qualificazione per la conoscenza della lingua lituana di Stato, si è tenuto conto anche del parere degli autori del Dizionario di frequenza del lituano scritto contemporaneo sull’estensione dei dizionari minimi: si è deciso che la conoscenza di circa 800 parole corrispondesse ai requisiti della categoria I, quella di circa 1200 alla categoria II e quella di circa 2500 parole alla categoria III. Ci si è basati sul postulato di Ogden, ampiamente accettato, riguardo alle 850 parole, sui risultati delle ricerche sulla frequenza lessicale nella propria lingua e in altre lingue, nonché sulla pratica analoga di altri paesi. Che questi calcoli non siano arbitrari lo dimostrano anche le tre tabelle riportate in appendice, dalle quali risulta chiaramente quale percentuale dei testi sia costituita rispettivamente dalle 800, 1200 e 2500 parole più frequenti del lituano scritto: 56,66%, 65,70% e 78,04%.

È ormai consuetudine che tutti i grandi dizionari riportino indicazioni sulle parole più frequenti della lingua. Per esempio, nel dizionario di inglese COBUILD (www.antimoon.com), le 680 parole più frequenti sono contrassegnate rispettivamente da 1 a 4 rombi. Nel dizionario d’inglese Longman, le 3000 parole più frequenti sono contrassegnate rispettivamente con S1, S2 (S – spoken English), W1, W2 (W – written English). Nel dizionario d’inglese Macmillan, le parole più frequenti sono stampate in rosso, mentre la frequenza delle altre è indicata rispettivamente con 1–3 stelle. Si avvicina il momento in cui, a quanto pare, anche la lessicografia lituana dovrà occuparsene.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 31

4. CONCLUSIONI

Le banche dati elettroniche del lituano contemporaneo sono poche; le più grandi sono il Dizionario di frequenza del lituano scritto contemporaneo di V. Žilinskienė e L. Grumadienė (annotato morfologicamente ed elaborato statisticamente, 1 200 000 occorrenze) e il Corpus della lingua lituana dell’Università Vytautas Magnus (non annotato, circa 60 000 000 di occorrenze). Nella lituanistica non esiste ancora una prassi adeguata per utilizzare sia le banche dati elettroniche della lingua contemporanea, sia le pubblicazioni di linguistica statistica. Anzitutto, nelle università lituane si incentiva troppo poco questo modo di lavorare, ma c’è anche l’altro lato della medaglia: sono troppo poche le banche dati elettroniche della lingua lituana accessibili al pubblico. Una delle ragioni dell’arretratezza è anche il fatto che le banche dati elettroniche non vengono riconosciute come opere d’autore. Uno dei problemi più urgenti in Lituania, per quanto riguarda le banche dati elettroniche, è la debolezza della concezione alla base della loro compilazione: spesso si prevede di utilizzare le banche dati elettroniche soltanto come testi presentati in formato elettronico, senza contemplare l’applicazione delle tecnologie informatiche all’elaborazione dei dati.

32 |

LAIMA GRUMADIENĖ

TABELLA 1: FREQUENZA DELLE PAROLE PER LE PARTI DEL DISCORSO E TOTALE, NELLA LINGUA LITUANA DI STATO AI FINI DELLA QUALIFICAZIONE

Posizione Frequenza sost. agg. avv. var. 1–10 39582-7001 – 21262 – – 52221 14,38% 35,31% 11–20 6877-4274 – 10582 – – 21221 19,96% 40,02% 21–30 4113-2989 10763 – – – 11048 28,95% 29,71% 31–40 2950-2637 – – – 5619 – 20,35% 41–50 2631-2053 – 6843 2053 4782 2113 30,50% 9,15% 21,32% 9,42% 51–60 2015-1781 9284 – – 3867 – 45,22% 18,83% 61–70 1754-1557 10014 1739 – – 1593 60,41% 10,49% 9,62% 71–80 1548-1461 6036 3046 1507 3009 – 40,04% 20,20% 10,00% 19,96% 81–90 1460-1373 1422 2828 1373 2888 2792 10,03% 19,94% 9,68% 20,36% 19,68% 91–100 1351-1148 7421 1305 – 1232 1159 54,63% 9,61% 9,07% 8,53% 101–150 1442-905 23551 12523 7419 3116 943 43,03% 22,88% 13,55% 5,69% 1,72% 151–200 900-706 22744 10742 870 4203 1583 52,48% 24,79% 2,01% 9,70% 3,65% 201–250 702-564 14059 6315 4906 3178 3148 42,09% 18,90% 14,69% 9,51% 9,42% 251–300 562-462 17325 7962 1451 3605 1041 49,59% 22,79% 4,15% 10,32% 2,98%

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 33

ANALISI LINGUOSTATISTICA DEL DIZIONARIO MINIMO DELLE CATEGORIE:

cong. prep. num. pron. inter.; interj. Totale – 25050 49371 – – 147904 16,93% 33,38% 12,33% – – 16902 4320 – 53025 31,87% 8,15% 4,42% – 7156 4102 4113 – 37182 19,25% 11,03% 11,06% 3,10% 2641 8282 8281 2791 – 27614 9,56% 29,99% 29,99% 10,11% 2,30% 2116 4526 – – – 22433 9,43% 20,18% 1,87% – 3589 3793 – – 20533 17,48% 18,47% 1,71% 1557 1673 – – – 16576 9,39% 10,09% 1,38% – – 1478 – – 15076 9,80% 1,26% – 1427 – 1454 – 14184 10,06% 10,25% 1,18% – – 1237 1230 – 13584 9,11% 9,05% 1,13% 1007 2164 2986 1028 – 54737 1,84% 3,95% 5,46% 1,88% 4,56% 738 – 900 1557 – 43337 1,70% 2,08% 3,59% 3,61% – – 574 1225 – 33405 1,72% 3,67% 2,78% – 1035 512 2007 – 34938 2,96% 1,47% 5,74% 2,91%

34 |

LAIMA GRUMADIENĖ

Posizione Frequenza sostantivi verbi aggettivi avverbi pronomi 301–350 460-374 19646 10424 2420 2073 393 54,28% 28,80% 6,69% 5,73% 1,09% 351–400 373-313 18504 7550 3381 1347 654 53,04% 21,64% 9,69% 3,86% 1,87% 401–450 312-260 19156 7865 3976 522 304 57,20% 23,49% 11,87% 1,56% 0,91% 451–500 259-205 21718 9987 4806 2486 471 53,17% 24,45% 11,76% 6,08% 1,15%

Vocabolario minimo della categoria di qualificazione I di competenza della lingua lituana statale (circa 800

TABELLA 2: FREQUENZA DELLE PARTI DEL DISCORSO E FREQUENZA GENERALE DELLE PAROLE PER LA COMPETENZA LINGUISTICA DEL LITUANO STATALE DI II CATEGORIA DI QUALIFICAZIONE

Posizione Frequenza sostantivi verbi aggettivi avverbi pronomi 501–550 204-155 22494 13153 7023 2481 525 46,97% 27,46% 14,66% 5,18% 1,10% 551–600 154-106 30834 17197 6221 4419 151 50,91% 28,39% 10,27% 7,29% 0,25%

Vocabolario minimo della categoria di qualificazione II di competenza della lingua lituana statale (circa 1200

TABELLA 3: FREQUENZA DELLE PARTI DEL DISCORSO E FREQUENZA GENERALE DELLE PAROLE PER LA COMPETENZA LINGUISTICA DEL LITUANO STATALE DI III CATEGORIA DI QUALIFICAZIONE

Posizione Frequenza sostantivi verbi aggettivi avverbi pronomi 601–650 105-56 45751 20328 12145 5822 433 52,31% 23,25% 13,88% 6,66% 0,50%

Vocabolario minimo della categoria di qualificazione III di competenza della lingua lituana statale (circa 2500

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 35

skt prl jng dll išt; jst Totale 426 – – 812 – 36194 1,17% 2,24% 3,02% – – 1407 2043 – 34886 4,03% 5,87% 2,91% 276 – 272 1118 – 33489 0,82% 0,81% 3,34% 2,79% 255 224 210 700 – 40857 0,62% 0,55% 0,51% 1,71% – 3,40% parole) coprono il 56,66% del testo (campione tratto da 1,2 milioni di occorrenze di parole). 56,66%

ANALISI LINGUOSTATISTICA DEL VOCABOLARIO MINIMO PER CATEGORIE:

skt prl jng dll išt; jst Totale 530 342 177 795 371 47891 1,11% 0,71% 0,37% 1,66% 0,78% 3,99% 520 275 132 713 109 60571 0,86% 0,45% 0,22% 1,18% 0,18% 5,05% parole) coprono il 65,70% del testo (campione tratto da 1,2 milioni di occorrenze di parole). 9,04% Totale: (=65,70%)

ANALISI LINGUOSTATISTICA DEL VOCABOLARIO MINIMO PER CATEGORIE:

skt prl jng dll išt; jst Totale 460 341 372 1697 102 87446 0,52% 0,40% 0,42% 1,94% 0,12% 7,29% parole) coprono il 78,04% del testo (campione tratto da 1,2 milioni di occorrenze di parole). 7,29% Totale: (=78,04%)

36 |

LAIMA GRUMADIENĖ

LITERATŪRA

AJMER, K., ALTENBERG, B. 1991: Introduction. Ajmer, K., Altenberg, B., eds., English Corpus Linguistics. Studies in Honour of Jan Svartvik, London–New York: Longman.

ALAMEDA, J. R., CUETOS, F. 1995: Diccionario de frecuencias de las unidades lingüísticas del castellano, Universidad de Oviedo.

BITINIENĖ, A. 1983: Mokslinis stilius, Vilnius: Aukštojo ir specialiojo mokslo ministerija.

BITINIENĖ, A. 1997: Funkciniai stiliai: sakinio ilgis ir struktūra, Vilnius: Vilniaus pedagoginio universiteto leidykla.

BITINIENĖ, A. 1998: Administracinis stilius ir jo sakinio ilgis. Kalbotyra 47 (1), 17–28.

EATON, H. 1934: Comparative frequency list on the first thousand words in English, French, German and Spanish. Coleman, A., ed., Experiments and Studies in Modern Language Teaching, Chicago.

GARCIA HOZ, V. 1953: Vocabulario usual, comun y fundamental. Madrid: Consejo Superior de Investigaciones Cientificas – Instituto „San José de Calasanz“.

GRUMADIENĖ, L., ŽILINSKIENĖ, V. 1997: Dabartinės rašomosios lietuvių kalbos dažninis žodynas (mažėjančio dažnio tvarka), Vilnius: Matematikos ir informatikos institutas, Lietuvių kalbos institutas.

GRUMADIENĖ, L., ŽILINSKIENĖ, V. 1998: Dabartinės rašomosios lietuvių kalbos dažninis žodynas (abėcėlės tvarka), Vilnius: Matematikos ir informatikos institutas, Lietuvių kalbos institutas.

HILLERICH, R., www: eduplace. com: High-frequency words and vocabulary.

JAKUBAITĖ, T. e.a. 1966–1976: Latviešu valodas biežuma vārdnīca, 1.–4. sējumi, Rīga: Zinātne.

JOSSELSON, H. 1953: The Russian Word Count and Frequency Analysis of Grammatical Categories of Standard Literary Russian, Detroit: Periodical Service Co.

JUILLAND, A., RODRIGUES, E. Ch. 1964: Frequency Dictionary of Spanish words, The Hague: Mouton.

JUILLAND, A., EDWARDS, P. M., JUILLAND, I. 1965: Frequency Dictionary of Roumanian Words, The Hague: Mouton.

JUILLAND, A., TRAVERSA, V. 1973: Frequency Dictionary of Italian Words, The Hague: Mouton.

KAEDING, F. 1898: Häufigkeitswörterbuch der deutschen Sprache, Steigliz bei Berlin (Selbstverlag).

KEINYS, S., red. 1993: Dabartinės lietuvių kalbos žodynas, Vilnius: Mokslo ir enciklopedijų leidykla.

KEINYS, S., red. 2000: Dabartinės lietuvių kalbos žodynas, Vilnius: Mokslo ir enciklopedijų leidykla.

KENNEDY, G. 1998: An Introduction to Corpus Linguistics, London–New York: Longman.

KORSAKAS, J. 1991: Lietuvių kalbos inversinis žodynas, Kaunas: Šviesa.

KRUOPAS, J., red. 1954: Dabartinės lietuvių kalbos žodynas, Vilnius: Valstybinė politinės ir mokslinės literatūros leidykla.

KRUOPAS, J., red., 1972: Dabartinės lietuvių kalbos žodynas, Vilnius: Mintis.

LEECH, G. 1991: The state of the art in corpus linguistics, Ajmer, K., Altenberg, B., eds., English Corpus Linguistics. Studies in Honour of Jan Svartvik, London–New York: Longman.

LÖNGREN, L. 1993: Частотный словарь современного русского языка. Uppsala. (Acta Universitatis Upsaliensis, Studia Slavica Upsaliensia 32.)

MARCINKEVIČIENĖ, R. 2000a: Tekstynų lingvistika (teorija ir praktika). Darbai ir dienos 24, 7–64.

MARCINKEVIČIENĖ, R. 2000b: Patterns of word usage in corpus linguistics. Kalbotyra 49 (3), 71–80.

MAŽEJKA, N. S. (Мажэйка, Н. С.), SUPRUN, A. Ja. 1976: Частотны слоўнік беларускай мовы (мастацкая проза), Мінск: Выдавецтва БДУ імя У. Леніна.

MIKELIONIENĖ, J. 2000: Naujoji lietuvių kalbos leksika (1991–1996 m. kompiuterinio periodikos tekstyno pagrindu). Daktaro disertacija, Kaunas: Vytauto Didžiojo universitetas.

MURMULAITYTĖ, D. 1998: Žodžių sąsajos žymėjimas „Dabartinės lietuvių kalbos žodyne“ (santrumpos žr. vartojimas). Lietuvių kalbotyros klausimai 39, 240–247.

MURMULAITYTĖ, D. 1999: „Bendrinės lietuvių kalbos žodyno“ kompiuterizavimo klausimu. Lituanistica 2 (38), 92–98.

RYKLIENĖ, A. 2000: Bendravimas internetu: kalbėjimas rašant. Darbai ir dienos 24, 99–107.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 37

ROBINSON, D. F. 1976: Lithuanian Reverse Dictionary, Michigan: Slavica Publishers Inc.

ROZENCVEJG, V. Ju. 1986: Опыт создания национальных лексикографических служб за рубежом. Караулов Ю. Н., ред., Машинный фонд русского языка: идеи и суждения, Москва: Наука, 75–83.

SAVICKIENĖ, I. 1999: Lietuvio vaiko daiktavardžio morfologija. Daktaro disertacija, Kaunas: Vytauto Didžiojo universitetas.

ŠERNAS, V. 1994: Kaip racionaliau mokytis kalbų (Basic English), Vilnius: Žodynas.

ŠTEJNFEL’DT, E. A. 1963: Частотный словарь современного русского литературного языка, Таллин.

TĚŠITELOVÁ, M. e.a. 1983: Frekvenční slovník češtiny věcného stylu, Praha: Academia–Nakladatelství Československé Akademie Věd.

THORNDIKE, E., LORGE, L. 1944: A Teacher’s Word Book of the Twenty Thousand Words Found Most Frequently and Widely in General Reading for Children and Young People, New York: Appleton-Century Crofts.

TODOROVA, E., PANČOVSKA, R. 2001: Честотен речник на българската публицистика (1944–1989), София: Пенсофт.

UTKA, A. 2000: Kalbinė įranga ir jos galimybės. Darbai ir dienos 24, 275–285.

VACAR, N. P. 1966: A Word Count of Spoken Russian. The Soviet Usage, Ohio: Ohio State University Press.

VANDER BEKE, G. 1929: French Word Book, New York: Macmillan.

ZASORINA, L. N., ред., 1977: Частотный словарь русского языка, Москва: Издательство «Русский язык».

ZINKEVIČIUS, V. 2000: Lemiuoklis – morfologinei analizei. Darbai ir dienos 24, 246–273.

ŽILINSKIENĖ, V. 1990: Lietuvių kalbos dažninis žodynas, Vilnius: Mokslas.

ŽILINSKIENĖ, V. 1995: Atgalinis dabartinės lietuvių kalbos žodynas, Vilnius: Matematikos ir informatikos institutas.

ŽILINSKIENĖ, V. 1998: Dažninis dabartinės rašomosios lietuvių kalbos žodynas (pirmieji tyrimo rezultatai). Lietuvių kalbotyros klausimai 39, 219–227.

ŽILINSKIENĖ, V., GRUMADIENĖ, L. 1998: Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimalusis žodynas (pirmoji kvalifikacinė kategorija), Kaunas: Šviesa.

ŽILINSKIENĖ, V., GRUMADIENĖ, L. 1999a: Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimalusis žodynas (antroji kvalifikacinė kategorija), Vilnius: UAB „Nacionalinių tyrimų centro“ leidykla.

ŽILINSKIENĖ, V., GRUMADIENĖ, L. 1999b: Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimalusis žodynas (trečioji kvalifikacinė kategorija), Vilnius: UAB „Nacionalinių tyrimų centro“ leidykla.

ŽILINSKIENĖ, V. 2001: Lietuvių ir latvių kalbų publicistikos leksikos ir morfologijos raida statistiniu požiūriu. Linguistica Lettica 9, 155–168.

ŽILINSKIENĖ, V. spausd.: Lietuvių kalbos dalykinio stiliaus morfologijos statistinės charakteristikos ir jų lyginimas su atitinkamomis publicistikos charakteristikomis. Lituanistica.

Laima Grumadienė

Lietuvių kalbos institutas

P. Vileišio g. 5, LT–2055 Vilnius, Lietuva

[email protected]

Gauta 2002 04 19