ACTA LINGUISTICA LITHUANICA

XLVI (2002), 19 – 37

Dicionário de frequência da língua escrita lituana contemporânea e sua base

LAIMA GRUMADIENĖ

Instituto da Língua Lituana

Há poucas bases de dados eletrônicas para o lituano. As maiores são o Dicionário de frequência do lituano escrito moderno, compilado por V. Žilinskienė e L. Grumadienė, e o Corpus da Língua Lituana da Universidade de Kaunas. O primeiro é apresentado aqui em detalhe: discutem-se os princípios de sua compilação e seus possíveis usos, e caracteriza-se brevemente o trabalho publicado até agora em linguística estatística com base nele. Os principais problemas relacionados às bases de dados do lituano moderno são: (1) sua diferenciação insuficiente (refletem apenas a língua escrita, não a falada), (2) sua utilização não ser ideal, pois à comunidade acadêmica lituana falta a preparação necessária para trabalhar com tais ferramentas, e (3) os esforços dos estudiosos que as compilam receberem pouco reconhecimento público e não serem valorizados como realizações acadêmicas originais.

1. O ENVELHECIMENTO E A “IRRELEVÂNCIA” DAS BASES DE DADOS ELETRÔNICAS

A linguística lituana encontra-se precisamente agora como que congelada no salto do tigre: os trabalhos marcantes surgidos sobretudo sob o impulso do estruturalismo já foram escritos, mas paira no ar uma grande expectativa por novos trabalhos, não menos importantes. Para isso, é necessária não apenas uma abordagem diferente dos fenômenos da língua, mas também novos métodos e instrumentos de trabalho ainda não experimentados. Nos tempos atuais da tecnologia da informação, os novos instrumentos de trabalho dos linguistas estão frequentemente associados a bases de dados eletrônicas, e estas, a publicações de linguística estatística. Parece evidente que umas diferem das outras, porque as bases eletrônicas são dinâmicas e podem ser usadas de forma independente, enquanto as publicações são estáticas, sendo apenas um conjunto de dados apresentados a critério dos autores. No entanto, no passado, e às vezes ainda hoje, na Lituânia, tais bases e publicações eram ou são confundidas. Isso é demonstrado pela história dos dicionários regressivos (também chamados inversos). O primeiro dicionário regressivo lituano, preparado pelo americano David F. Robinson (1976) com base na edição de 1954 do DLKŽ, abrangia cerca de 45.000 palavras; talvez nem sequer tivesse uma base eletrônica própria, ao menos o autor não a menciona. Além disso, naquela época tal base eletrônica teria sido inacessível na Lituânia, pois pouquíssimas pessoas tinham sequer consultado o próprio dicionário, uma vez que fora publicado em pequena tiragem nos Estados Unidos. Juozas Korsakas, de Šiauliai (1991), preparou, pelo princípio da seleção, o Inverso da língua lituana

20 |

LAIMA GRUMADIENĖ

dicionário, que abrangia quase 22.000 palavras; sua base também era o DLKŽ, mas já a edição de 1972. O trabalho foi realizado com uma base de dados eletrônica criada pelo próprio autor, mas esta não é de acesso público (provavelmente por razões técnicas), estando, portanto, disponível apenas na forma impressa. O Dicionário regressivo da língua lituana contemporânea (1995), de Vida Žilinskienė, não é uma simples transcrição do DLKŽ, pois as palavras são apresentadas em ordem inversa e divididas por classes gramaticais, além de incluir uma análise estatística. Atualmente, ele está, na prática, disponível também apenas em forma impressa, embora exista uma versão eletrônica. Esta foi pouco utilizada (pelo grupo de trabalho dirigido por E. Jakaitienė na elaboração do dicionário lituano-norueguês, e nos artigos de Daiva Murmulaitė (1998, 1999 etc.)). Aliás, esse dicionário e essa análise foram preparados com base na versão informatizada do DLKŽ (1993) e em sua análise estatística e não, como afirma Rūta Marcinkevičienė (2000a: 16) em sua resenha, na base do Dicionário de frequência do lituano escrito contemporâneo (Grumadienė, Žilinskienė 1997; 1998). A versão eletrônica do DLKŽ (edição de 1993), preparada graças aos esforços conjuntos de pesquisadores do Instituto de Matemática e Informática e do Instituto da Língua Lituana, teve tiragem reduzida (1995), pois simplesmente não havia autorização para distribuir publicações em formato eletrônico. Agora, o Instituto da Língua Lituana voltou a informatizar o DLKŽ, desta vez a edição de 2000 (sob a direção de Stasys Keinys), tendo recebido apoio financeiro do Fundo de Ciência da Lituânia. Como se sabe, as edições de 1993 e 2000 do DLKŽ diferem muito pouco; por isso, é de se estranhar que se tenha decidido não utilizar a versão eletrônica anterior apenas porque fora preparada em um ambiente DOS e em uma base FOX-PRO já moralmente obsoletos: voltou-se a recorrer a digitadores para digitalizar um texto eletrônico já existente, que precisava apenas de pequenas correções, aumentando assim os custos e o volume de trabalho. Será que até a análise estatística será refeita?

Mas, afinal, assim como a versão informatizada da edição de 1993 do DLKŽ, muitas bases de dados eletrônicas envelhecem moralmente; portanto, é evidente que é preciso preocupar-se com sua manutenção. Será que algo semelhante ao que aconteceu com a versão eletrônica do DLKŽ (1993) também não ocorrerá com o Banco de Terminologia, que está sendo elaborado graças aos esforços conjuntos dos institutos mencionados? Assim, as publicações de linguística estatística continuam a ser muito mais valorizadas do que as bases de dados eletrônicas, que são dispendiosas e oferecem muitas possibilidades inovadoras de trabalho.

Os especialistas em estudos lituanos deveriam chegar a um acordo sobre bases de dados eletrônicas que utilizam sinais específicos, por exemplo, as de textos antigos e de textos de dialetos transcritos, pois já é necessário redigitar artigos com exemplos desse tipo quando, por uma razão ou outra, decide-se submetê-los não, por exemplo, às publicações do Instituto da Língua Lituana, mas a alguma das redações editoriais da Universidade de Vilnius. Os dicionários de dialetos e os textos dialetais publicados atualmente, embora estejam em formato eletrônico, são apenas um sinal da modernização das gráficas, pois é impossível usar seus textos como base de dados eletrônica. Portanto, na ausência de um acordo entre os especialistas em estudos lituanos sobre um sistema comum de codificação (por exemplo, UNICODE ou outro), o uso público dos bancos de dados eletrônicos fica muito dificultado, sem falar que o uso de tecnologias e programas eletrônicos para analisá-los torna-se muito limitado e, às vezes, impossível. Será que temos tantos assim, a ponto de já não conseguirmos abranger todos? O problema é que nem os linguistas nem os especialistas em informática que os auxiliam compreendem até hoje adequadamente que as bases de dados devem ser dinâmicas; ao trabalhar com elas, deve ser possível aplicar a grande variedade de novos programas e tecnologias que vão surgindo, e elas devem permitir a conversão para uma versão computacional mais avançada. Até agora, a maioria das bases de dados eletrônicas criadas na Lituânia é elaborada como se fossem aquelas mesmas fichas com

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 21

dados linguísticos, apenas recolhidos por meio do teclado do computador. Em breve, esses dados poderão equivaler a uma inscrição cuneiforme gravada na pedra: nos ecrãs dos computadores de nova geração, só se verão «bandeirinhas» e «quadradinhos», cuja decifração, como se se tratasse da leitura de runas, poderá caber aos linguistas do futuro. Até agora, as discussões realizadas sobre esta questão foram infrutíferas, mas, ao que parece, não devemos perder a esperança: vale a pena voltar a convidar as pessoas a debater e a chegar a um acordo.

A propósito, convém prestar atenção aos termos: BASE, BANCO, CORPUS (CORPUS) e ARQUIVO, em formato eletrónico. O mais em voga é CORPUS (CORPUS). Define-se de várias maneiras, mas todas as definições têm em comum o facto de considerarem CORPUS uma coleção de textos em formato eletrónico; por isso, não raro, quase tudo o que anteriormente se chamava base de dados passou a ser chamado corpus (afinal, o tamanho dos textos individuais não é regulamentado). O termo BANCO está, na maioria das vezes, associado à terminologia: em geral, os bancos de termos não são chamados corpora. Atualmente, o termo ARQUIVO está cada vez mais associado à dimensão temporal: um conjunto eletrónico de dados antigos pode ser chamado arquivo ou base. Assim, o termo mais neutro continua a ser BASE DE DADOS ELETRÓNICA, razão pela qual é o mais usado aqui (cf. Kennedy 1998: 3 ss.).

2. BASES DE DADOS ELETRÓNICAS DA LÍNGUA LITUANA CONTEMPORÂNEA E PUBLICAÇÕES LINGUÍSTICO-ESTATÍSTICAS

Não há abundância de bases de dados em formato eletrónico sobre a língua lituana contemporânea. Consequentemente, também são escassas as publicações linguístico-estatísticas, embora se recorra com um pouco mais de frequência apenas a métodos linguístico-estatísticos. Aqui se destaca a fonética, única, e a fonologia, que se baseia nos seus resultados. Talvez isso se deva à própria natureza da fonética, isto é, ao facto de a repetição frequente das mesmas unidades — os sons — praticamente convidar a conclusões baseadas em estatísticas; ou talvez se deva a fatores subjetivos, isto é, ao aparecimento de investigadores com uma forma inovadora de pensar: sobretudo Aleksas Girdenis e os seus alunos, bem como Antanas Pakerys. Seja como for, ambos os fatores determinaram o salto da fonética e da fonologia lituanas e até uma espécie de distanciamento em relação a outros ramos da linguística. É verdade que a própria fonética é uma área intermédia entre as ciências exatas e a linguística.

A área da linguística que se segue, em termos da frequência de unidades recorrentes, é a morfologia. Seria, portanto, lógico supor que, em primeiro lugar, seria nesta área que surgiria a necessidade de trabalhar tanto com dados linguístico-estatísticos como com bases de dados eletrónicas. Isso ainda não aconteceu, embora já existam trabalhos e instrumentos de trabalho desse tipo. O primeiro trabalho linguístico-estatístico sobre léxico e morfologia na Lituânia foi elaborado por Vida Žilinskienė (1990), com recurso a um ESM. O seu Lietuvių kalbos dažninis žodynas baseia-se em dados de um dos estilos funcionais — o jornalístico — e apresenta uma análise de 300 000 ocorrências de palavras (isto é, tanto de lexemas repetidos como de lexemas diferentes; estes últimos eram 18 776, depois de se ter decidido, em conformidade com as regras universalmente aceites para a elaboração de dicionários de frequência, não analisar mais 11 956 nomes próprios). Todos os textos contínuos, compostos por segmentos (amostras) de 1000 ocorrências de palavras, foram analisados morfologicamente e acentuados; depois, foram perfurados e introduzidos no ESM «Minsk-22», hoje já moralmente obsoleto e fora de uso. Existe um banco de dados eletrónico, mas atualmente seria muito difícil utilizá-lo. É lamentável que, até hoje, a análise linguístico-estatística dos textos de uma das variedades da língua lituana contemporânea — o estilo jornalístico —, nos planos lexical, morfológico e acentológico, não tenha sido devidamente aproveitada nem para fins científicos nem para fins práticos, sobretudo na redação de manuais e dicionários pedagógicos. Um dos trabalhos elaborados com recurso a meios eletrónicos (com participação no programa internacional CHILD) e dedicados à morfologia sincrónica poderia ser a dissertação de doutoramento de Ineta Savickienė (1999), sobre a morfologia da linguagem infantil.

22 |

LAIMA GRUMADIENĖ

Um exemplo de trabalho de morfologia sincrónica analisado (e elaborado no âmbito do programa internacional CHILD) poderia ser a dissertação de doutoramento de Ineta Savickienė (1999), dedicada à morfologia da linguagem infantil.

A propósito, convém mencionar que trabalhos baseados em dados linguístico-estatísticos sobre outros níveis, a estilística e, em parte, a sintaxe — cujas unidades são muito menos frequentes —, sobretudo os de Audronė Bitinienė (1983, 1997, 1998, entre outros), surgiram já há várias décadas. Também já há algumas tentativas de estudar o léxico contemporâneo com base em dados linguístico-estatísticos. Ultimamente, esses trabalhos têm sido realizados sobretudo com base no Corpus da Língua Lituana Contemporânea da Universidade Vytautas Magnus (cerca de 60 000 000 ocorrências de palavras) (por exemplo, os estudos de colocações realizados por Rūta Marcinkevičienė (2000a; 2000b), a dissertação de doutoramento de Jurgita Mikelionienė (2000) sobre neologismos, entre outros). Estão a ser elaborados cada vez mais estudos lexicais com base em pequenas bases de dados eletrónicas, por vezes bastante específicos; por exemplo, a dissertação de doutoramento de Asta Ryklienė (2000), sobre o léxico utilizado por utilizadores da Internet e o seu trabalho. No entanto, de modo geral, são poucos os estudos deste tipo, e os estudantes têm participado pouco neste processo (com a possível exceção da Universidade Vytautas Magnus). Um grupo dirigido por Antanas Pakerys, na Universidade Pedagógica de Vilnius, está a concluir a elaboração de uma base eletrónica dedicada ao estudo do léxico; talvez, então, também aqui aumente o número de trabalhos estudantis deste género.

Este artigo limita-se a descrever os instrumentos de trabalho necessários à investigação da língua lituana escrita contemporânea e, por isso, não aborda a série já iniciada de estudos sobre textos antigos, que se baseiam na base de dados eletrónica própria do Instituto da Língua Lituana. O aparecimento de bases de dados eletrónicas próprias dará, sem dúvida, um novo impulso à dialetologia lituana: no Instituto da Língua Lituana já se prepara a criação de um Centro de Dialetos, onde serão preparados em formato eletrónico registos de dialetos e textos transcritos e descodificados a partir deles. No mesmo instituto, começaram os trabalhos de criação de bases de dados eletrónicas de onomástica e toponímia. A base de dados eletrónica do grande Lietuvių kalbos žodyno, atualmente em preparação, deverá representar uma verdadeira viragem na lexicografia lituana; também se espera muito da base de dados eletrónica do Bendrinės lietuvių kalbos žodyno. Docentes da Universidade de Vilnius, sob a direção de Evalda Jakaitienė, participam num dos projetos da União Europeia e estão a elaborar uma chamada lista universal de palavras lituanas em formato eletrónico, que deverá dar origem a uma nova série de dicionários bilingues. Em certa medida, trata-se de uma iniciativa que parece concorrer com a equipa editorial do Bendrinės lietuvių kalbos žodyno. Sobretudo graças aos esforços da Comissão Estatal da Língua Lituana, e por incentivo da União Europeia, começaram a ser elaborados os chamados Terminų ar Svetimžodžių portfeliai eletrónicos: listas singulares de termos e combinações de palavras recentes e muito frequentes de várias áreas, distribuídas pela União Europeia a todos os seus membros e países candidatos, para que as línguas possam adaptar-se e preparar-se para a onda de traduções que se aproxima, bem como para a tradução automática. Um grupo de investigadores da Universidade de Vilnius (dirigido por Meilutė Ramonienė) já deu início à preparação de bases de dados eletrónicas da língua falada contemporânea, tal como no caso do polaco, com base em gravações de programas de rádio e televisão. Na mesma universidade, prepara-se a criação de uma base eletrónica de eslavismos (dirigida por Vytautas Kardelis), que deverá incluir tanto gravações áudio como exemplos delas extraídos e transcritos.

Como a experiência demonstra, só será possível esperar resultados depois de se aprender a trabalhar com dados deste tipo e de se adquirir prática no uso das novas possibilidades. Para isso, são necessários laboratórios onde se possa aprender, de preferência desde jovem. A própria natureza das bases de dados eletrónicas pressupõe a sua disponibilização pública; uma vez organizadas, devem estar acessíveis a todos os que delas necessitem. Os maiores acervos de dados da língua lituana encontram-se no Instituto da Língua Lituana-

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 23

…tuto; por isso, ao modernizar-se, deveria tornar-se precisamente o maior centro de elaboração de bases de dados eletrónicas da língua lituana, uma fonte para a sua utilização pública e um centro de atração e difusão de trabalhos e ideias deste tipo — talvez esse papel venha a ser desempenhado pelo Centro de Estudos Lituanos que está a ser criado na base de dados do Instituto da Língua Lituana? As bases de dados eletrónicas que chegarem à Internet tornar-se-ão ainda mais acessíveis. A propósito, quando surge a possibilidade de ligação à Internet, o local onde se utiliza o computador deixa de ser importante; o que importa é apenas aquilo que está disponível na Internet. Mas esses são planos para o futuro.

Até agora, na Lituânia, a publicação de trabalhos linguístico-estatísticos em formato eletrónico não foi regulamentada, e a questão dos direitos de autor não foi resolvida; por isso, esses trabalhos continuam a ser relevantes também em versão impressa. No entanto, as bases de dados eletrónicas e as publicações linguístico-estatísticas diferem fundamentalmente: estas últimas são apenas a ponta do icebergue.

A seguir, aborda-se aqui uma questão específica: a relação entre as bases de dados eletrónicas da língua lituana escrita contemporânea e os dicionários de frequências. Estes últimos não podem existir sem uma base de dados, mas as possibilidades oferecidas pelas bases estão longe de se limitar à publicação de dicionários.

3. BASES DE DADOS ELETRÓNICAS DA LÍNGUA LITUANA ESCRITA CONTEMPORÂNEA E DICIONÁRIOS DE FREQUÊNCIAS

É evidente que as bases de dados linguísticas eletrónicas se distinguem de outros tipos de acervos de dados linguísticos, antes de mais, pela sua forma eletrónica e pelas especificidades do uso das tecnologias informáticas a ela associadas. O aparecimento das bases de dados eletrónicas abriu possibilidades inteiramente novas para o estudo da língua, mas elas próprias não devem ser associadas apenas ao surgimento dos suportes eletrónicos modernos. O facto de se obterem resultados essencialmente análogos por meios diferentes — sobretudo as características de frequência das formas gramaticais e dos lexemas — demonstra que existe uma considerável afinidade entre as bases de dados eletrónicas contemporâneas e os seus análogos muito mais antigos. Em França, a editora Larousse começou, já em 1956, a utilizar uma ficha lexical mecanizada (de máquinas eletrónicas de calcular de geração antiga, ESM) para a elaboração de dicionários (Rozencveig 1986: 82).

A questão de como devem ser constituídas as bases de dados linguísticas eletrónicas modernas surgiu, por um lado, porque o aparecimento de novas tecnologias tornou possível lidar com grandes quantidades de informação; começou então a aumentar a extensão do texto destinado a ilustrar uma palavra (isto é, o seu contexto). Assim, surgiram novas possibilidades para estudar as relações de uma palavra e, mais tarde, de unidades linguísticas maiores, e, portanto, também a sintaxe e a semântica. Passou-se a valorizar excertos de texto cada vez maiores, chegando-se por fim até a textos integrais e fechados, até que os custos de aquisição dos direitos de autor puseram travão a essa prática. Por outro lado, o aparecimento dos computadores teve, provavelmente, um impacto comparável ao da invenção de Gutenberg e, acima de tudo, a sua propagação a uma velocidade sem precedentes fez com que, à medida que as comunicações humanas a distância, em vários domínios, aumentavam em progressão geométrica — tanto entre falantes da mesma língua como entre falantes de línguas diferentes —, surgisse uma urgente necessidade social de obter informações estatísticas diversas relacionadas com a língua, a fim de automatizar o maior número possível de processos de comunicação: ensino de línguas, tradução, reconhecimento, compressão e transmissão de informação, entre outros.

A linguística lituana não ficou à margem deste processo geral, embora, naturalmente, tenha ficado bastante atrasada. Ao longo de todo o século XX, sobretudo na sua segunda metade, o mundo parecia já estar a preparar-se para um novo salto. Tratava-se, antes de mais, dos dicionários de frequências das línguas. Os primeiros surgiram ainda no século XIX.

24 |

LAIMA GRUMADIENĖ

…no final do século — início do século XX. O primeiro de todos foi o dicionário da língua alemã, que o estenógrafo F. Kaeding (1898) elaborou com base em nada menos que 11 000 000 de ocorrências de palavras, recorrendo a um ficheiro de fichas. Muito mais tarde, G. Vander Beke (1929) publicou um dicionário deste tipo para a língua francesa. H. Eaton (1934) elaborou um dicionário comparativo das mil palavras mais frequentes em quatro línguas — inglês, francês, alemão e espanhol. O primeiro dicionário de frequências da língua inglesa foi elaborado por E. Thorndike e L. Lorge (1944), e o da língua espanhola, por V. Garcia Hoz (1953). O primeiro dicionário de frequências da língua russa na América foi elaborado por H. Josselson (1953), enquanto N. P. Vacar (1966), também na América, publicou um dicionário de frequências da língua russa falada do período soviético, embora, na realidade, este tenha sido elaborado apenas com base na linguagem de obras dramáticas. E. Šteinfeldt (Štejnfel’dt 1963) publicou em Tallinn um dicionário de frequências da linguagem de Púchkin. Com base num corpus de 1 000 000 de palavras, composto em partes iguais por literatura ficcional e pela chamada prosa informativa (jornalismo, documentos administrativos e literatura científica), L. Lönngren (1993) elaborou em Uppsala um dicionário de frequências da língua russa. Os primeiros dicionários de frequências não só do russo, mas também do romeno e do italiano, foram igualmente elaborados na América — por A. Juilland, P. M. Edwards e I. Juilland (1965), e por A. Juilland e V. Traversa (1973) (a propósito, A. Juilland e E. Ch. Rodrigues (1964) já tinham elaborado ali outro dicionário de frequências da língua espanhola, tendo J. R. Alameda e F. Cuetos (1995) elaborado posteriormente mais um). Uma série inteira de dicionários de frequências baseou-se na conceção dos estilos funcionais da língua do Círculo Linguístico de Praga, bem como na conceção de língua-padrão de Boris Larin: como seria de esperar, o primeiro foi o da língua checa, inicialmente dedicado a estilos funcionais específicos e, mais tarde, à língua em geral; estes dicionários foram escritos por uma equipa de autores liderada por Marie Těsitelová (J. Jelínek, J. V. Bečka et al., ver Těsitelová 1983). Os letões também se apressaram: tal como os checos, elaboraram primeiro dicionários de estilos funcionais específicos e, mais tarde, um dicionário geral em dois volumes — T. Jakubaite, D. Kristovska, D. Guļevska, V. Ozola, R. Prūse, A. Rubine, N. Sika (1966–1976). A mesma metodologia foi seguida por V. A. Agrajevas, V. V. Borodinas, V. M. Muratovas e E. V. Tisenko, sob a orientação de L. N. Zasorina (1977), na elaboração de um dicionário de frequências da língua russa contemporânea com base em 1 000 000 de ocorrências de palavras provenientes de quatro estilos funcionais. O dicionário de frequências da língua bielorrussa, elaborado por N. S. Mažeika e A. J. Suprunas (Mažeika, Suprun 1976), abrange apenas um estilo funcional: a literatura ficcional. O dicionário de frequências da língua búlgara (Todorova, Pančovska 2001) abrange apenas o estilo jornalístico. O primeiro dicionário de frequências da língua lituana, elaborado por V. Žilinskienė (1990), também se limitava a um único estilo funcional — o jornalístico; no trabalho, foi utilizada a mesma metodologia checa, com ampla colaboração dos letões.

Com o passar do tempo, embora a língua lituana não possa orgulhar-se disso, surgiram no mundo dicionários de frequências de todos os tipos: da linguagem de autores específicos, de estilos funcionais, de variedades regionais, da língua escrita e falada, etc. Os dicionários de frequências de «n língua em geral» tornaram-se pouco funcionais, porque passaram a ser necessários para fins específicos; por conseguinte, a seleção de palavras tinha de ser feita a partir de textos de determinado domínio, e não do conjunto total de textos. Por outro lado, o problema da elaboração de dicionários de frequências «passou para outra dimensão» quando, à medida que os behavioristas e positivistas americanos procuravam exemplos de uso, surgiram os corpora eletrónicos: o desenvolvimento das tecnologias eletrónicas foi rápido, tornando possível não só armazenar, mas também processar enormes conjuntos de textos.

Considera-se que a linguística de corpus teve início em 1961, quando Nelson Francis e Henry Kučera anunciaram e começaram a criar o famoso corpus eletrónico da língua escrita Brown (Brown University), e John Sinclair, um corpus LOB (Lancaster-Oslo/Birmingham) do mesmo formato, cuj-

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 25

corpus; já em 1959, Randolph Quirk anunciou o corpus de língua escrita e falada SEU (Survey of English Usage), cuja continuidade foi assegurada por Jan Svartvik, que, na Universidade de Lund, começou a criar o corpus de língua falada LLC (London-Lund Corpus of Spoken English). A dimensão de todos os corpora mencionados era então de cerca de 1–1,15 milhões de ocorrências de palavras; depois surgiram mais corpora semelhantes (ver Aijmer, Altenberg 1991: 1tt.). A dimensão dos corpora de segunda geração conta-se em dezenas de milhões; a dos de terceira geração, já em centenas de milhões e milhares de milhões. No mundo, continua a ser atual o problema da compatibilidade entre programas informáticos e programas de trabalho específicos: já foram reunidos corpora de dimensão extraordinária — centenas de milhões de palavras (o que constitui, essencialmente, uma forma eletrónica de biblioteca) —, mas como utilizá-los convenientemente, como contar as frequências mais elementares, como não se perder no oceano de palavras? Afinal, a quantidade determina sempre a qualidade? Na elaboração de diversos dicionários de frequência, constatou-se repetidamente que metade das palavras estudadas ocorre apenas uma vez. Por isso, a cada novo trabalho, é preciso ponderar cuidadosamente se os objetivos definidos exigem realmente trabalhar com uma grande quantidade de material, em busca das palavras mais raras. Por vezes, quando se estudam determinadas regularidades gramaticais ou de formação de palavras, aumentar muito a dimensão do conjunto analisado é verdadeiramente irracional; é plenamente adequado avaliá-la também por critérios estatísticos, pois estes indicarão a probabilidade de a amostra ser suficiente para tirar conclusões representativas. Deve prestar-se especial atenção aos textos a partir dos quais se constitui o conjunto analisado, isto é, à forma como se constrói o modelo do objeto de estudo. Na linguística lituana, talvez a questão que hoje suscite mais dúvidas a este respeito seja o que considerar língua lituana padrão e em que proporções nela devem estar representados os estilos funcionais da língua ou as camadas linguísticas distinguidas segundo outros critérios. Por exemplo, o corpus da Universidade Vytautas Magnus, já mencionado, foi constituído segundo determinados princípios de amostragem, enquanto o Dabartinės rašomosios lietuvių kalbos dažninio žodyno foi elaborado segundo outros; por isso, os resultados obtidos são diferentes. É preciso avaliar com muita atenção e objetividade os dados estatísticos sobre, por exemplo, partes específicas do discurso, obtidos a partir de corpora diferentes. Observou-se que, em trabalhos deste tipo já concluídos ou em curso, não se dá atenção suficiente aos textos estudados, e se fazem generalizações sobre a «língua lituana atual». O trabalho com números exige precisão; caso contrário, obtêm-se conclusões enganosas.

O corpus eletrónico do Dabartinės rašomosios lietuvių kalbos dažninio žodyno, abordado neste artigo (1,2 milhões de ocorrências de palavras), pertence à primeira geração de corpora (do tipo Brown, LOB), com uma dimensão superior a um milhão de palavras. Liga-o ainda outra característica a esses célebres corpora: tal como poucos corpora posteriores no mundo, também o nosso está anotado. As tecnologias informáticas proporcionaram condições excecionais às línguas analíticas: programas específicos, mas bastante difundidos (sobretudo o conhecido programa da Universidade de Oxford — Oxford Concordance Program, bem como KWIC, KAYE, CLAN, OCP, WordCruncher, entre outros) permitem elaborar com relativa facilidade listas das palavras mais frequentes e apresentar as respetivas concordâncias (Leech 1991: 10; Utka 2000). Os investigadores do Corpus da Língua Lituana Contemporânea da Universidade Vytautas Magnus também costumam utilizar programas deste tipo, mas, nesse caso, só é possível analisar palavras, isto é, o léxico, porque faltam dados sobre a terminação das palavras, que, como se sabe, é particularmente importante na língua lituana. Assim, é mais difícil trabalhar com línguas sintéticas: com os programas descritos, elaboram-se listas de formas de palavras, e não de lemas. É necessário bastante trabalho adicional até que as formas das palavras sejam reduzidas a formas lematizadas e se convertam apenas em lemas. Essas listas de palavras, que incluem também uma análise gramatical, são chamadas anotadas; são poucas no mundo e muito valorizadas, pois exigem um investimento considerável de trabalho, razão pela qual são muito dispendiosas, e por isso

26 |

LAIMA GRUMADIENĖ

muito dispendiosas (eu e V. Žilinskienė calculámos que, no nosso caso, só a seleção dos textos, a sua introdução pelo teclado do computador, a análise morfológica semiautomatizada (a chamada LEMATIZAÇÃO), a revisão e o carregamento dos dados no computador exigiriam seis anos de trabalho de uma pessoa). Os cálculos e as correções subsequentes exigem ainda vários anos, pois qualquer imprecisão na execução das operações matemáticas pode conduzir ao absurdo.

Em geral, hoje é possível elaborar dicionários de frequência de diversas formas e de vários tipos, sobretudo desde o aparecimento dos corpora eletrónicos — depende do que se procura. A principal razão para a elaboração de novos dicionários de frequência, especialmente daqueles que aspiram a ser designados, por exemplo, dicionários da língua n contemporânea, é que a condição fundamental da linguística estatística, tal como da estatística em geral, é que a amostra deve constituir um modelo representativo do universo, ou conjunto, em estudo. Em suma, questiona-se constantemente se a amostra estudada representa efetivamente o universo pretendido. Por exemplo, um dicionário de frequência da língua lituana contemporânea elaborado a partir do Corpus da Língua Lituana Contemporânea da Universidade Vytautas Magnus, constituído por nada menos que 60 milhões de ocorrências de palavras, seria diferente dos já publicados por L. Grumadienė e V. Žilinskienė (1997, 1998), pois os seus resultados refletiriam o universo textual cuja base é composta por 70% de linguagem de publicações periódicas, 26% de publicações não periódicas e 4% de publicações traduzidas (Marcinkevičienė 2000a: 16). Os textos dos dicionários mencionados, já publicados, foram selecionados com base completamente diferente: são textos originais, não traduzidos, dos quatro estilos funcionais da língua — jornalístico, administrativo, literário e científico. Procedeu-se assim porque a língua lituana padrão, sobretudo a escrita, continua a ser formada, normalizada e codificada segundo o espírito das ideias do Círculo Linguístico de Praga (aliás, convém notar que, atualmente, o próprio termo ESTILO é definido de formas bastante diferentes pelas várias escolas linguísticas). Seguiram-se os princípios de outros compiladores de dicionários de frequência, em primeiro lugar os checos, russos e letões, que também adotaram a conceção da língua padrão — a soma dos estilos funcionais da língua — apresentada acima, aplicando a sua experiência. Por isso, tal como eles, selecionaram-se amostras de 300 000 ocorrências de palavras provenientes de quatro estilos funcionais, pois considerou-se que os princípios de constituição do corpus da Universidade Vytautas Magnus (que, aliás, surgiu mais tarde do que o nosso), mais próximos da conceção americana da língua padrão (ou standard, como é habitual por lá), ainda eram prematuros para a língua lituana escrita. Na base de dados do Dabartinės rašomosios lietuvių kalbos dažninio žodyno por vezes sente-se a falta de vocabulário coloquial, porque se esquece que ela foi constituída apenas com base na língua escrita pública: não inclui cartas privadas, diários, inscrições em paredes ou semelhantes. Ainda assim, o dicionário inclui palavras da língua falada, entre elas não só estrangeirismos e regionalismos, mas também exemplos de vocabulário pejorativo, inadmissível na língua padrão, pelo que as autoras do dicionário são constantemente alvo de críticas. Levanta-se a questão de saber o que considerar literatura: essas palavras constavam de textos literários (textos originais editados e impressos na Lituânia em tiragens superiores a 100 exemplares), e o princípio fundamental da elaboração de um dicionário de frequência é não excluir nenhuma palavra com significado, salvo se for um nome próprio, um número, uma abreviatura ou um erro tipográfico. A propósito, os dados mostram que, em amostras de 300 000 ocorrências de palavras selecionadas para cada um dos quatro estilos funcionais, se encontraram 284 687 palavras com significado no estilo jornalístico (15 313 das chamadas «lixo»), 279 505 no estilo administrativo (20 495 que, pelas razões mencionadas, não entraram no dicionário), 278 311 no científico (21 689) e 290 561 no literário (9 439). O coração não me deixou excluir o nome próprio Lietuva, pelo que este foi o único nome próprio a entrar no dicionário como exceção (verificou-se que é a 16.ª palavra mais frequente, a primeira entre os substantivos, com frequência de 5151 em 614 amostras: aqui foram determinantes os documentos oficiais,

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 27

nomes de instituições etc., nos quais essa palavra aparecia com frequência, usada no caso genitivo). Podem ser considerados convencionalmente nomes próprios também os nomes de festas religiosas e outras festas (muitas vezes usados igualmente como nomes comuns), por exemplo, Joninės, Kūčios, Žolinė, ou os nomes dos pontos cardeais Rytai, Vakarai, Pietūs, Šiaurė.

Em conformidade com o princípio da representatividade, para cada um dos estilos mencionados foram selecionados apenas textos pertencentes ao estilo puro: foram excluídos textos didáticos considerados limítrofes, jornalismo científico, textos jornalísticos dirigidos a um círculo restrito de leitores, peças de teatro, poesia etc. Os textos jornalísticos foram selecionados por Vida Žilinskienė; consistiam em textos de 19 jornais diários ou semanários centrais editados em 1994–1995 e de revistas de ampla circulação, representando cinco grupos temáticos: 1) política, 2) indústria e agricultura, 3) educação e direito, 4) artes e 5) entretenimento (esportes, horóscopos, previsões meteorológicas). Os textos do estilo técnico foram selecionados por Pranas Kniūkšta e Danutė Vainauskienė, a partir de publicações e documentos de 1990–1995, segundo sete grupos temáticos: 1) leis e documentos correlatos, comentários, 2) documentos jurídicos, 3) manuais e documentos de economia e negócios, 4) publicações de ciência política, documentos partidários, 5) normas e publicações estatísticas, 6) fontes de informação (bibliografias, catálogos, dicionários), 7) documentos de áreas sociais específicas (defesa nacional, segurança social, educação, cultura etc.). Os textos do estilo científico foram selecionados por Irena Andriukaitienė, entre publicações científicas editadas na Lituânia em 1990–1995 ou trabalhos aprovados por instituições científicas, segundo oito grupos temáticos (áreas científicas): 1) ciências agrárias, 2) ciências naturais, 3) humanidades, 4) matemática, 5) medicina, 6) ciências sociais, 7) engenharia, 8) teologia. Os textos do estilo literário foram selecionados por Laima Grumadienė, a partir de obras de prosa de ficção publicadas na Lituânia entre 1985 e 1990 (com poucas exceções); seus seis grupos «temáticos» foram divididos segundo as regiões de origem dos escritores: 1) samogícios, 2) aukštaitianos orientais, 3) aukštaitianos ocidentais, 4) aukštaitianos meridionais, 5) citadinos, 6) emigrantes (sem levar em conta a verdadeira região de origem destes últimos).

Decidiu-se que eram precisamente esses textos que poderiam representar o lituano escrito contemporâneo. Deles, selecionava-se aleatoriamente (as páginas e linhas eram escolhidas com base numa tabela de números aleatórios) um trecho com 1.000 ocorrências de palavras, denominado amostra, e digitava-se no computador (um trabalho de cerca de duas horas). Em seguida, as amostras eram lematizadas, isto é, analisadas morfologicamente pelo programa MAN (Morfologinio Analizavimo ir Normalizavimo), desenvolvido por Vytautas Zinkevičius. O autor adaptou-o especialmente para esse trabalho a partir do seu próprio programa de correção ortográfica de palavras para computador, desenvolvido anteriormente; em 2000, a pedido da Universidade Vytautas Magnus, aprimorou-o um pouco, transferiu-o para uma versão superior e chamou-o de lematizador (Zinkevičius 2000).

O trabalho era mais ou menos assim: recebia-se uma impressão do computador, da qual era preciso «eliminar» as linhas desnecessárias (sublinhado meu). Por exemplo, já o trecho de texto processado por uma pessoa, e não apenas pela máquina (…) manęs visa komedija (…), na impressão, ficava assim:

FIG. 1. EXEMPLO DE LEMATIZAÇÃO DE TEXTO

eu pensar de mim pron. pers. sing. gen. K de mim verbo part. pass. ativo masc. sing. V

28 |

LAIMA GRUMADIENĖ

todo

toda pron. indef. fem. sing. nom.

toda pron. indef. fem. sing. instr.

toda pron. indef. fem. sing. loc.

todo pron. indef.

este

esta pron. demonstr. pron. indef. fem. sing. nom.

comédia

comédia subst. fem. sing. nom.

comédia subst. fem. sing. instr.

comédia substantivo feminino singular nominativo

Na primeira linha fica a palavra-lema restaurada; na segunda, a forma da palavra (restante, não riscada), com suas características gramaticais. Esse trabalho com 1.000 palavras leva cerca de 4 horas, mas provavelmente ainda não existe um método mais rápido para analisar morfologicamente palavras lituanas. Depois, procuram-se homônimos e homófonos, as amostras são corrigidas pelo programa MAN-K, de Vytautas Zinkevičius, e reunidas em um computador — tudo isso leva mais uma hora. Ao todo, foram processadas dessa maneira 1.200 amostras de 1.000 ocorrências de palavras cada.

Concluído esse enorme trabalho, os dados foram processados em seguida com programas computacionais elaborados por Valentinas Černiauskas e Snieguolė Meškauskienė (ambos do Instituto de Matemática e Informática): foram calculadas diversas frequências. Três dicionários foram preparados para publicação; dois já foram lançados (Grumadienė, Žilinskienė 1997; 1998), e o terceiro, esperamos, verá a luz do dia ainda este ano. Os dois primeiros dicionários são listas de frequência de palavras-lema. O primeiro está ordenado por frequência decrescente; o segundo, alfabeticamente. Neles foram incluídas, respectivamente, 38.337 palavras diferentes. O terceiro — um dicionário de formas de palavras — é várias vezes maior (31 folhas impressas), contém cerca de 150.000 formas de palavras e reflete o uso de palavras diferentes e das mesmas palavras em várias formas gramaticais (deverá ser apresentado tanto em ordem alfabética quanto reversa). Foram preparados ainda várias dezenas de dicionários de frequência, organizados de diferentes maneiras e destinados ao uso em formato eletrônico: dos quatro estilos, de todos os grupos temáticos de cada estilo etc. (tanto de palavras-lema quanto de formas de palavras).

A comparação de alguns dados estatísticos já mostra que, na língua lituana escrita, predominam as diferentes formas de substantivos: entre todas as palavras diferentes, nada menos que 45,25% são substantivos; há muitos verbos e formas verbais — 32,65% — e uma parcela significativa de adjetivos — 15,31%; foram encontrados 5,03% de advérbios diferentes. As demais classes gramaticais representam menos de meio por cento cada (no total, apenas 0,88%). Isso, porém, não significa que sua distribuição no texto seja exatamente essa. Outro indicador — a frequência das mesmas palavras no texto — mostra que a proporção das principais classes gramaticais e dos advérbios diminui consideravelmente em favor das classes gramaticais funcionais e dos pronomes, pois estes já constituem mais de um quarto dos textos — 26,71%. Convém prestar atenção não apenas ao indicador de frequência, mas também ao número de amostras em que ocorre uma palavra ou forma de palavra: assim é possível determinar se a frequência de uma palavra foi motivada por um único texto que apareceu por acaso e no qual a palavra se repetia muitas vezes, ou se sua frequência não é fortuita, uma vez que sua dispersão é uniforme nas diversas amostras.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 29

A diversidade lexical pode ser avaliada pelo coeficiente de iteração (a razão entre as ocorrências de palavras e as palavras-lema), que no dicionário mencionado é igual a 20,06 (quanto menor esse valor, maior, portanto, o número de palavras diferentes encontradas). Os dicionários de palavras-lema e de formas de palavras dos quatro estilos funcionais, calculados mas não publicados (V. Žilinskienė já escreveu sobre algumas características linguístico-estatísticas observadas neles (1998, 2001, no prelo etc.)), mostram que, por exemplo, o léxico da literatura é duas vezes mais variado do que o dos textos de estilo técnico-administrativo (os coeficientes de iteração são, respectivamente, 9,53 e 20,78). O mais interessante é que, considerando os quatro estilos em conjunto, o coeficiente de iteração difere pouco do estilo técnico-administrativo, mas muito do estilo literário (o da imprensa é 10,51 e o científico, 12,63). Esses indicadores constituem um argumento importante na decisão sobre, por exemplo, os princípios de elaboração de um dicionário da língua comum: em que proporções os estilos funcionais deveriam estar representados; se a prática de associar a língua comum aos estilos funcionais deve sequer continuar; e, em caso afirmativo, é necessário levar em conta os indicadores estatísticos dos estilos funcionais etc.

Obtiveram-se dados interessantes ao comparar a lista das palavras mais frequentes, elaborada com base no corpus da Universidade Vytautas Magnus (as palavras foram registradas e contadas nas formas em que aparecem no texto, sem restauração das formas de lema, ao contrário do que ocorre no Dabartinės rašomosios lietuvių kalbos dažniniame žodyne). Uma comparação entre as 50 palavras invariáveis mais frequentes e as formas flexionadas de palavras no corpus lituano de 60 milhões de palavras (Utka 2000: 278) e as primeiras 50 palavras-lema do Dažninio žodyno (Grumadienė, Žilinskienė 1997: 3) permite constatar claramente que elas coincidem em essência. Apenas a primeira lista de frequência contém um pouco menos de palavras diferentes, pois nela são mencionadas várias formas da mesma palavra, por exemplo, buvo, būti; jis, jo, jų, jos, jie, enquanto na segunda lista, isto é, no dicionário, elas são representadas, respectivamente, por būti e jis. De acordo com os princípios de elaboração desse tipo de dicionário, abreviaturas não foram incluídas no Dažninį žodyną, mas os dados do Dažninio žodyno mostram que, entre as abreviaturas presentes na mencionada lista de palavras mais frequentes — m, d, a, correspondentes a metai, diena, amžius —, as duas primeiras também são frequentes no dicionário, ocupando as posições 30 e 57 em frequência, isto é, em classificação (palavras de mesma classificação são consideradas aquelas que têm frequência igual), enquanto amžius aparece apenas na terceira centena. Aliás, tanto a abreviatura quanto a palavra por extenso são usadas com bastante frequência, e com sentidos ligeiramente diferentes. Como confirma a prática de elaboração de dicionários de frequência de muitas línguas sintéticas, os elementos mais frequentes no Dabartinės rašomosios lietuvių kalbos dažniniame žodyne são algumas conjunções (ir, kad, o, kaip, ar, bet, bei, kai etc.), preposições (į, iš, su, nuo, apie, po, už, dėl, per, prie etc.), pronomes (jis, tas, aš, kuris, šis, visas, kitas, savas, toks, kas, tu etc.), partículas (ir, ne, tik etc.); os verbos mais populares são būti, galėti, turėti, nebūti, reikėti, žinoti, nustatyti etc., e os substantivos, Lietuva, darbas, žmogus, metai etc. Entre os numerais, os mais frequentes são vienas, pirmas, du; entre os adjetivos que aparecem na primeira centena das palavras mais frequentes estão dideli, naujas, aukštas, įvairus, svarbus, pagrindinis. Aliás, dados de línguas analíticas também mostram que, por exemplo, nos textos em inglês, o pronome I, a conjunção and e o artigo the representam 10% dos textos (Hillerich www: eduplace.com).

A questão das palavras internacionais também é importante: quantas delas, e quais, deveriam ser incluídas no dicionário da língua comum? Pode ser útil aprofundar-se e saber, por exemplo, que, na lista de palavras-lema do Dabartinės rašomosios lietuvių kalbos dažninio žodyno (1998, XXXIV–XXXVI), foram encontradas 27,52% de palavras internacionais e que elas ocuparam 13,34% do espaço nos textos; as próprias listas dessas palavras também podem ser úteis.

30 |

LAIMA GRUMADIENĖ

Ao preparar uma nova gramática da língua lituana, é importante conhecer também as estatísticas das formas das palavras: que tipos de palavras se flexionam de que modo e por quê, e por que a variedade de formas gramaticais de algumas palavras é grande, enquanto a de outras não é. Há muitos desses dados no dicionário de formas de palavras que está sendo preparado para publicação. V. Žilinskienė (2001) já publicou dados interessantes sobre o estilo jornalístico. Constata-se que três casos dos substantivos correspondem a 82,29% de todas as ocorrências de substantivos (gen. – 38,91%, nom. – 26,62%, acus. – 16,76%; e o fato de, por exemplo, o dat. ser usado em apenas 3,88% dos casos talvez já indique tendências de analiticização?). Os adjetivos, aliás, são usados com maior frequência no caso nom. – em 36,93% dos casos. Apurou-se que predomina o singular dos substantivos – 68,86% de todas as ocorrências. Nos textos jornalísticos encontraram-se relativamente poucos gerúndios (2,34%) e particípios ativos (2,34%)? — *Correction:* formas adverbiais em -damas (2,34%) e formas em -ęs (1,84%) —, mas os particípios representam nada menos que 24,46%; o infinitivo foi usado em 15,85% dos casos.

Obtiveram-se resultados interessantes e incomuns, sobretudo para pedagogos e especialistas que preparam livros didáticos, programas de ensino e dicionários, ao examinar os três dicionários mínimos lituano-russos de categorias de qualificação do domínio da língua estatal, preparados e publicados por V. Žilinskienė e L. Grumadienė (1998; 1999a; 1999b) Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimaliuosius žodynus, bem como outros seis dicionários análogos lituano-inglês e lituano-polonês, preparados, mas ainda não publicados. Cabe aqui chamar novamente a atenção para o fato de que as amostras foram coletadas de textos da língua escrita lituana, de modo que é possível sentir falta de palavras da língua falada. Esses pequenos dicionários destinam-se à aprendizagem da língua escrita, pois os requisitos de qualificação para o domínio da língua estatal estão relacionados com seu uso público, sobretudo em situações oficiais, especialmente em instituições estatais; por isso, aqui são mais necessárias as palavras de registro neutro e especializado do que as coloquiais: exige-se a capacidade de ler e redigir documentos profissionais e compreender textos da mídia. No futuro, também serão preparados dicionários mínimos da língua falada. Na Lituânia foi publicado o livro didático de Vytautas Šernas (1994) Kaip racionaliau mokytis kalbų, que inclui um dicionário mínimo bilíngue inglês-lituano: nele foi traduzido o famoso Basic English, publicado por Ch. K. Ogden em 1942 e composto por 850 palavras (que, aliás, também pode ser encontrado no volume 3 da Encyclopaedia Britannica). Com o passar do tempo, algumas palavras caem em desuso e outras surgem, por isso a lista dessas 850 palavras pode mudar de acordo. Ao estabelecer os requisitos para as três categorias de qualificação do domínio da língua lituana estatal, também se levou em conta a opinião dos autores do Dartinės rašomosios lietuvių kalbos dažninio žodyno sobre a extensão dos dicionários mínimos: decidiu-se que o domínio de cerca de 800 palavras corresponderia aos requisitos da categoria I, cerca de 1.200, aos da categoria II, e cerca de 2.500 palavras, aos da categoria III. Levou-se em conta tanto o postulado de Ogden, amplamente aceito, sobre as 850 palavras, quanto os resultados de pesquisas sobre a frequência na própria língua e em outras línguas, bem como a prática análoga de outros países. Que esses cálculos não são arbitrários também se vê nas três tabelas apresentadas no apêndice, que mostram claramente que proporção dos textos é coberta, respectivamente, pelas 800, 1.200 e 2.500 palavras mais frequentes da língua escrita lituana: 56,66%, 65,70% e 78,04%.

Está se tornando habitual que todos os grandes dicionários indiquem as palavras mais frequentes da língua. Por exemplo, no dicionário de inglês COBUILD (www.antimoon.com), as 680 palavras mais frequentes são marcadas, conforme o caso, com de um a quatro losangos. No dicionário de inglês Longman, as 3.000 palavras mais frequentes são marcadas, conforme o caso, como S1, S2 (S – spoken English), W1, W2 (W – written English). No dicionário de inglês Macmillan, as palavras mais frequentes são impressas em vermelho e a frequência das demais é indicada, conforme o caso, por uma a três estrelas. Aproxima-se o momento em que, ao que parece, a lexicografia lituana também terá de se ocupar disso.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 31

4. CONCLUSÕES

Não há muitas bases de dados eletrônicas do lituano contemporâneo; as maiores são o Dabartinės rašomosios lietuvių kalbos dažninio žodyno de V. Žilinskienė e L. Grumadienė (com anotação morfológica e processamento estatístico, 1.200.000 ocorrências de palavras) e o Lietuvių kalbos tekstynas da Universidade Vytautas Magnus (sem anotação, cerca de 60.000.000 de ocorrências de palavras). Na lituanística ainda não existe uma prática adequada de utilização tanto de bases de dados eletrônicas da língua contemporânea quanto de publicações linguístico-estatísticas. Em primeiro lugar, nas instituições de ensino superior da Lituânia ainda se incentiva pouco esse tipo de trabalho; mas há também o outro lado da questão: são poucas as bases de dados eletrônicas do lituano disponíveis ao público. Uma das razões desse atraso é que as bases de dados eletrônicas não são reconhecidas como trabalho de autoria. Um dos problemas mais prementes na Lituânia relacionados com as bases de dados eletrônicas é a fragilidade da concepção que orienta sua compilação: muitas vezes, prevê-se utilizá-las apenas como textos apresentados em formato eletrônico, sem prever a aplicação de tecnologias computacionais para processar os dados.

32 |

LAIMA GRUMADIENĖ

TABELA 1: FREQUÊNCIA DAS PALAVRAS POR CATEGORIAS GRAMATICAIS E TOTAL NO DICIONÁRIO MÍNIMO DE DOMÍNIO DA LÍNGUA LITUANA ESTATAL

Posição Frequência subst. verb. adj. adv. pronomes outros 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

ANÁLISE LINGUÍSTICO-ESTATÍSTICA DO DICIONÁRIO MÍNIMO DAS CATEGORIAS:

outras conj. prep. interj. soma – 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

Posição Frequência substantivo verbo adjetivo advérbio pronome 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%

Vocabulário mínimo da categoria de qualificação I de proficiência em língua lituana do Estado (cerca de 800

TABELA 2: FREQUÊNCIA DAS CLASSES GRAMATICAIS E FREQUÊNCIA GERAL DAS PALAVRAS PARA A CATEGORIA DE QUALIFICAÇÃO II DE PROFICIÊNCIA EM LÍNGUA LITUANA DO ESTADO

Posição Frequência substantivo verbo adjetivo advérbio pronome 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%

Vocabulário mínimo da categoria de qualificação II de proficiência em língua lituana do Estado (cerca de 1200

TABELA 3: FREQUÊNCIA DAS CLASSES GRAMATICAIS E FREQUÊNCIA GERAL DAS PALAVRAS PARA A CATEGORIA DE QUALIFICAÇÃO III DE PROFICIÊNCIA EM LÍNGUA LITUANA DO ESTADO

Posição Frequência substantivo verbo adjetivo advérbio pronome 601–650 105-56 45751 20328 12145 5822 433 52,31% 23,25% 13,88% 6,66% 0,50%

Vocabulário mínimo da categoria de qualificação III de proficiência em língua lituana do Estado (cerca de 2500

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 35

skt prl jng dll išt; jst Total 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% palavras) cobre 56,66% do texto (amostra de 1,2 milhões de ocorrências de palavras). 56,66%

ANÁLISE LINGUOESTATÍSTICA DO VOCABULÁRIO MÍNIMO DA CATEGORIA:

skt prl jng dll išt; jst Total 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% palavras) cobre 65,70% do texto (amostra de 1,2 milhões de ocorrências de palavras). 9,04% Total: (=65,70%)

ANÁLISE LINGUOESTATÍSTICA DO VOCABULÁRIO MÍNIMO DA CATEGORIA:

skt prl jng dll išt; jst Total 460 341 372 1697 102 87446 0,52% 0,40% 0,42% 1,94% 0,12% 7,29% palavras) cobre 78,04% do texto (amostra de 1,2 milhões de ocorrências de palavras). 7,29% Total: (=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