Improving Compatibility of Terminological Collections with a Bridging Classification of Data Categories

Zlepšení kompatibility terminologických sbírek pomocí zastřešující klasifikace datových kategorií IGOR KUDASHEV University of Helsinki Ú V O D Navzdory existenci standardizovaného souboru datových kategorií (ISO 12620:1999) a standardizovaných metod terminologické práce (ISO 704:2000) je stále obtížné najít dvě terminologické databáze vytvořené ve dvou různých organizacích, které by bylo možné snadno sloučit bez ztráty dat či zkreslení původních zásad, podle nichž byla každá z databází sestavena. Nejzřejmější důvody jsou následující: národní jazyky a tradice se liší; oblasti LSP se liší; zázemí a přístupy sestavovatelů se liší; technická řešení se liší. Jedním z trendů v oblasti správy terminologických zdrojů a dalších druhů dat je zároveň sdružování roztříštěných zdrojů do větších portálů či služeb, obvykle bez jejich fyzického slučování. Příkladem je portál EuroTermBank (http://www.eurotermbank.com)), který umožňuje vyhledávání v několika interních i externích terminologických databázích a dokáže výsledky sestavit do jednoho celku. S rostoucími nároky uživatelů a objemem dat je nutné zajistit pokročilé vyhledávání, které zahrnuje všechna pole hesla, nikoli jen heslová slova, a přizpůsobovat hesla preferencím uživatelů. V tomto článku navrhujeme klasifikaci datových kategorií, která může sloužit jako most mezi terminologickými sbírkami. Klasifikace řeší následující problémy spojené se správou terminologických sbírek s různými soubory datových kategorií: sdružování a slučování terminologických zdrojů; organizace vyhledávání zahrnujícího všechna pole hesel; přizpůsobování hesel z více sbírek preferencím uživatelů. 36 Igor Kudashev | Improving Compatibility of Terminological... Terminologická databáze může obsahovat různé typy údajů kromě vlastních terminologických údajů, například informace o zdrojích, uživatelích a transakcích souvisejících se správou terminologie. V tomto článku se zaměřujeme na klasifikaci kategorií údajů vztahujících se k popisu výrazů LSP. CO JE KATEGORIE ÚDAJŮ? Různé typy údajů se v terminologických databázích ukládají do různých polí. Kategorie údajů je výsledkem specifikace daného datového pole (ISO 1087-2:2000: 13). Terminologové používají různé metafory, aby vysvětlili pojem kategorie údajů. Jednou z nich je skříň, v níž se k ukládání různých druhů oblečení používají různé zásuvky. Další metaforou je nákupní košík, v němž je každý druh zboží zabalen do vlastního obalu, aby se jednotlivé druhy nepomíchaly. TYPICKÉ NESOULADY MEZI KATEGORIEMI ÚDAJŮ Kategorie údajů jsou výsledkem klasifikace údajů. Údaje lze klasifikovat mnoha různými způsoby v závislosti na pohledu klasifikátora a potřebách uživatelů. Pomocí metafory skříně lze říci, že různé skříně mají různý počet zásuvek, které mohou mít odlišný tvar, velikost atd. Mezi kategoriemi údajů v terminologických databázích může docházet nejméně k šesti typům nesouladu: - nesoulad v názvech kategorií údajů; - nesoulad ve „velikosti“ kategorií údajů, tj. odlišná „granularita“; - nesoulad v „umístění“ kategorií údajů, tj. v jejich poloze v klasifikačním schématu; - nesoulad v klasifikačních principech (překrývání); - nesoulad v obsahu kategorií údajů; - smíšené případy. Níže je uvedeno několik příkladů ilustrujících některé běžné nesoulady. Případ 1: kategorie údajů jsou pojmenovány různě. Příklad: kategorie údajů se v jedné databázi nazývá note, v jiné comment, ve třetí remark a ve čtvrté NB. Terminologija | 2009 | 16 37 Případ 2: název datové kategorie se používá v různých významech. Příklad: datová kategorie synonym může odpovídat „úplnému synonymu“, „blízkému synonymu“ nebo „úplnému či blízkému synonymu“. Případ 3: názvy datových kategorií jsou „falešní přátelé“. Příklad: anglické abbreviation a acronym, jak jsou definovány v normě ISO (ISO 12620:1999: 6–7), a ruské аббревиатура a акроним si navzájem odpovídají křížem (Kudashev & Hajutin 2003: 104–105). Případ 4: členění datových kategorií se liší. Příklad: datová kategorie abbreviated form of term je v normě ISO 12620:1999 rozdělena do pěti podtříd (abbreviation, short form of the term, initialism, acronym and clipped term), avšak v normě ISO 12616:2002 („Terminologie orientovaná na překlad“) takové rozdělení neexistuje. Případ 5: překrývání datových kategorií. Příklad: datové kategorie example a context se překrývají. Některé příklady jsou kontexty a některé kontexty mohou sloužit jako příklady, tyto dvě kategorie však nejsou totožné. Případ 6: stejná datová kategorie je zařazena pod různé nadřazené kategorie. Příklad: datová kategorie context je v normě ISO 12620:1999 považována za údaj související s pojmem, zřejmě proto, že kontexty mohou poskytovat o pojmu další informace. Obvyklejší funkcí kontextů je však poskytovat informace o užití termínu a kolokacích, takže „mnoho databází klasifikuje context jako kategorii související s termínem“ (ISO 12620:1999: 25). Případ 7: jazyk, znakový systém nebo notace údajů se liší. Příklad: slovní druh může být v jedné databázi kódován jako noun, v jiné jako n., ve třetí jako subst. a ve čtvrté grafickým symbolem. Případ 8: totožné nebo podobné hodnoty datových kategorií se používají v různých významech a různých souvislostech. Příklad: hodnota neologism v datové kategorii term provenance normy ISO 12620:1999 působí jako chronologické označení, ve skutečnosti se však vztahuje k metodice použité při vytváření termínu. 38 Igor Kudashev | Improving Compatibility of Terminological... Případ 9: hodnoty sem uzavřených tříd se liší v důsledku odlišné klasifikace jazykových jevů v různých jazycích a odlišných tradicích. Příklad: V normě ISO 12620:1999 zahrnují označení pro popis výrazů LSP patřících k „nižšímu stylu“ slang register a vulgar register. Přibližně odpovídají označením профессиональный жаргонизм (profesionální slang) a профессиональное просторечие (profesionální hovorový jazyk) v ruštině. Ve finštině však existuje pouze jedna kategorie, ammattislangi (profesionální slang; viz Sanastotyön käsikirja 1989: 12). Je třeba také poznamenat, že některé údaje mohou být v terminologických kolekcích vyjádřeny implicitně. Příklad 1: přítomnost označení obsolete v některých případech a jeho absence v jiných v terminologické kolekci naznačuje, že termíny, které tímto označením nejsou označeny, patří do aktivní slovní zásoby LSP. Příklad 2: jsou-li dva nebo více termínů uvedeny v témže hesle, obvykle to znamená, že jde o synonyma nebo ekvivalenty. Výměna dat nebo agregace terminologických zdrojů může vyžadovat, aby se takové implicitní údaje převedly do explicitní podoby. Pokud jsou například data uložena ve formě ontologie, nikoli jako statická hesla, musí být výše zmíněné implicitní informace o synonymech a ekvivalentech při „rozložení“ hesel převedeny do explicitní podoby a uloženy. INVENTÁŘE A KLASIFIKACE DATOVÝCH KATEGORIÍ ISO ISO 12620:1999 stanoví soubor datových kategorií pro zaznamenávání terminologických informací. Nepředepisuje, které datové kategorie se mají používat, nýbrž slouží jako inventář. Tento soubor datových kategorií se rozšiřuje v rámci projektu ISOcat (www.isocat.org), který dokumentuje široce přijímané lingvistické datové kategorie. Přestože je projekt ISOcat nepochybně užitečný pro lingvisty, kteří tak mohou lépe kategorizovat a definovat lingvistické koncepty, i pro tvůrce termbank, kteří mohou vybírat hotové datové kategorie z rozsáhlého inventáře, je nepravděpodobné, že by vyřešil problém výměny a agregace dat a vyhledávání úplných hesel v několika databázích. Především nemůže zabránit sestavovatelům terminologických produktů, aby Terminologija | 2009 | 16 39 zařazování dat jiným způsobem a používání vlastních datových kategorií. Za druhé, čím více datových kategorií se v terminologických kolekcích používá, tím rozmanitější se stávají, což výměnu dat ještě více komplikuje. Seznam datových kategorií je teoreticky nekonečný a v praxi velmi rozsáhlý. Například seznam datových kategorií souvisejících s terminologií v inventáři ISOcat již přesahuje 500 položek. Jedna z praktik používaných v projektu ISOcat může tento počet mnohonásobně zvýšit. Za samostatné datové kategorie se považuje uvádění hodnot uzavřených a částečně uzavřených tříd. Například hodnoty datové kategorie register, jako jsou vulgarRegister, slangRegister atd., jsou nyní uváděny jako samostatné datové kategorie. Podobně se datová kategorie reliabilityCode rozděluje na reliabilityCode1, reliabilityCode2 atd. Názory na to, zda je to z praktického hlediska rozumné, se mohou lišit, ale data lze uspořádat mnoha různými způsoby, takže formálně nic nebrání rozdělení datových kategorií až na primitivní třídy, které mohou přijímat pouze hodnoty yes a no. Je však zřejmé, že tato oblast datových kategorií potřebuje náležité uspořádání a klasifikaci, aby zůstala přehledná a dobře organizovaná. Klasifikace datových kategorií navržená v normě ISO 12620:1999 je mezitím problematická v několika ohledech. Především obsahuje určité nesrovnalosti týkající se základního členění dat. Podle oddílu 6.2 (Typologie datových kategorií) se datové kategorie dělí do tří hlavních skupin: informace o termínech a informace související s termíny, popisná data a administrativní data. V Příloze D (Systematický seznam datových kategorií) se však druhá skupina nazývá Datové kategorie související s popisem pojmů. Tato skupina zároveň obsahuje podskupinu Poznámka, která „stojí samostatně, protože ji lze spojit s kteroukoli jinou kategorií, a proto ji nelze zařadit pod žádnou jinou konkrétní podskupinu“ (ISO 12620:1999: 4). Předpokládáme-li, že zamýšlené členění zahrnovalo čtyři skupiny: informace o termínech a informace související s termíny, informace související s pojmy, administrativní data a Poznámku, tato klasifikace stále vyvolává mnoho otázek. Uveďme alespoň několik z nich: - Proč jsou příklady a kontexty daty souvisejícími s pojmy, a nikoli daty souvisejícími s termíny? Srov. popis datové kategorie kontext: „Text nebo část textu, v níž se vyskytuje termín“ (ISO 12620:1999: 25). - Proč jsou synonymie a ekvivalence daty souvisejícími s termíny, zatímco vše ostatní, co souvisí s významem, jsou data související s pojmy? Srov. popis datové kategorie míra ekvivalence: „Rozsah, v jakém se intenze dvou nebo více pojmů překrývají“ (ISO 12620:1999: 21). 40 Igor Kudashev | Improving Compatibility of Terminological... Proč jsou antonymie a homografie administrativními daty, a nikoli daty souvisejícími s termíny nebo pojmy? Proč jsou zvukové záznamy, videozáznamy atd. (pouze) daty souvisejícími s pojmy? Jaká je přesná definice administrativních dat? Proč tato třída zahrnuje tak různorodé kategorie? Členění terminologických dat na data související s pojmy a data související s termíny může být z technického hlediska užitečné, protože podporuje přístup orientovaný na pojmy, který snižuje počet vztahů mezi termíny tím, že přiřazuje synonymní termíny ke stejnému pojmu. Takové členění obecně a jeho uplatnění v normě ISO 12620:1999 zvláště však může představovat problém pro běžné uživatele terminologických databází – překladatele a odborníky v daném oboru. Není totiž snadné pochopit, proč se mají synonyma vyhledávat v datech souvisejících s termíny, ale antonyma v administrativních datech a příklady v datech souvisejících s pojmy. Běžní uživatelé pracují s termíny – slovy a slovními spojeními – a je proto pro ně přirozenější hovořit o významu termínu, synonymech termínu, příkladech užití termínu atd. Z toho vyplývá, že klasifikace datových kategorií, jejímž cílem je umožnit vyhledávání v úplných záznamech napříč více kolekcemi, by měla být orientována na termíny, intuitivně srozumitelná a založená na běžných lingvistických kategoriích. PŘEKONÁVÁNÍ NESOULADŮ MEZI DATOVÝMI KATEGORIEMI Problém nesouladu mezi datovými kategoriemi lze řešit pomocí mapování. Pokud jsou nesoulady pouze nominální, například pokud se názvy datových kategorií liší nebo jsou stejné obsahy prezentovány odlišně, lze použít přímé mapování mezi datovými kategoriemi. Po použití přímého mapování lze v agregovaném zdroji vyhledávat data se stejnou přesností jako v původních databázích. Podstatnější rozdíly mezi datovými kategoriemi vyžadují nalezení společného jmenovatele prostřednictvím mapování mezi klasifikacemi množin datových kategorií. Použití společného jmenovatele poněkud snižuje přesnost vyhledávání, je však jediným způsobem, jak zajistit společné vyhledávání v terminologických zdrojích s odlišnou strukturou. Pokud uživatel není ochoten obětovat přesnost vyhledávání, musí vyhledávat samostatně v každé jednotlivé kolekci. Stejně jako při výměně dat obecně je z dlouhodobého hlediska účinnější používat meziformát, tj. určitou překlenovací klasifikaci datových kategorií, Terminologija | 2009 | 16 41 než vytvářet více mapování mezi různými klasifikacemi. Obecné zásady klasifikace datových kategorií určené k tomu, aby sloužily jako společné rozhraní mezi jinými klasifikacemi, jsou následující: 1. Protože třídy klasifikace mají sloužit jako společné jmenovatele, musí být na vyšší úrovni abstrakce než většina „primitivních“ datových kategorií, které se dále nedělí. Úroveň abstrakce přitom nesmí být příliš vysoká, protože uživatelé by neměli zájem o příliš obecnou klasifikaci. V praxi postačuje klasifikace se dvěma úrovněmi abstrakce. 2. Klasifikace by měla pokrývat všechny typy výrazů LSP, které se obvykle popisují v terminologických databázích, včetně termínových prvků, vlastních jmen, názvosloví, ustálených spojení atd. 3. Klasifikace by měla obsahovat pouze datové kategorie přímo související s popisem výrazů LSP. Popis technických a administrativních aspektů (např. média, kódování, zdroje, spolehlivost atd.) je jiným úkolem. 4. Klasifikace by měla být hierarchická, avšak na stejné úrovni abstrakce by mělo být přípustných několik základů dělení. 5. Klasifikace by měla být rozšiřitelná, tj. na každé úrovni hierarchie by měla obsahovat kategorii „ostatní“. Tyto zásady je třeba spojit s výše uvedeným požadavkem na uživatelskou přívětivost. Podle našeho názoru je klasifikace založená na jazykových funkcích dat v tomto ohledu obzvláště vhodným kandidátem. V překlenovací klasifikaci založené na jazykových funkcích se pozornost přesouvá od názvů datových kategorií k funkci či funkcím dat, která obsahují. Přirovnat ji lze ke knihovně s abecedním a věcným katalogem. Vyhledávání podle názvů datových kategorií je podobné vyhledávání pomocí abecedního katalogu. Název knihy napovídá něco o jejím obsahu, ale někdy může být zavádějící. Uživatelé navíc nedokážou odhadnout všechny možné názvy pokrývající určité téma. Abecední katalog je užitečný v případech, kdy uživatelé přesně vědí, kterou položku či které položky chtějí najít. Většina uživatelů knihoven však začíná vyhledávání ve věcném katalogu, protože předem nevědí, které položky se týkají tématu, o něž mají zájem. Terminologický portál, který agreguje více terminologických kolek- 42 Igor Kudashev | Improving Compatibility of Terminological... …ce s různými soubory datových kategorií představují pro uživatele stejný problém jako oblast knih na policích knihovny. Uživatelé vědí, o jaký druh informací mají zájem (gramatika, význam, užití atd.), ale nemusí nutně vědět, ve kterých datových kategoriích lze tyto informace najít. V různých terminologických sbírkách mohou podobné typy dat být uloženy v různých datových polích. Například informace o areálovém statusu výrazu LSP lze nalézt v polích, jako jsou užití, regionální označení, jazykový symbol atd. Pokud vyhledávání vychází z lingvistických funkcí dat, uživatelé se nemusejí zajímat o přesné názvy datových kategorií. Pouze upřesní, že hledají informace o areálovém statusu, významu nebo synonymech, a systém správy terminologie vyhledá a zobrazí úplné nebo zkrácené záznamy v různých databázích, které obsahují požadovaný typ informací. Vyhledávání podle funkce může a mělo by být doplněno vyhledáváním podle názvu polí pro uživatele, kteří přesně vědí, ve kterých polích chtějí hledat. Datová pole mohou podobně jako položky knihovny obsahovat různé druhy lingvistických informací. Například příklad je typické multifunkční pole, které může v různém poměru obsahovat informace o formě, významu a užití termínu. Každou datovou kategorii lze popsat jako kategorii s jednou nebo více funkcemi. Mělo by být také možné určit míru, v jaké konkrétní datová kategorie odráží určité funkce. Tato charakteristika může být vyjádřena slovně (např. primární a sekundární funkce) nebo číselně (např. 0–100%). Nejjednodušším způsobem mapování konkrétního souboru datových kategorií na zprostředkující klasifikaci je považovat obsah datových polí určitého typu za jednotný a vytvořit jednoduchou tabulku korespondencí. Přesnější, ale také složitější mapování by umožnilo sestavovatelům specifikovat odchylky jednotlivých datových polí od hodnot použitých v globální tabulce korespondencí. Například kontexty obvykle poskytují informace o užití a významu termínu. Je rozumné zahrnout tyto typy informací do globální tabulky korespondencí, protože se týkají každého kontextového pole. Některé kontexty však mohou obsahovat také encyklopedické informace. Toto příležitostné použití encyklopedických informací lze označit lokálně, na úrovni pole. Terminologija | 2009 | 16 43 KLASIFIKACE DATOVÝCH KATEGORIÍ NA ZÁKLADĚ LINGVISTICKÝCH FUNKCÍ DAT Protože výrazy LSP jsou jazykové znaky, lze informace o nich rozdělit na informace o jejich formě, významu, užití, vztazích k jiným jednotkám, původu a vývoji. Níže je podrobně popsána každá z těchto tříd a jsou uvedeny některé příklady dat, která do nich patří. Stručnou verzi klasifikace naleznete v Appendix 1. Data související s formou Výrazy LSP mají dvě formy – písemnou a ústní. Kromě toho lze data související s formou výrazu LSP rozdělit do tří tříd: - data související s kanonickou formou; - data související s tvořením jednotky; - data související s ohýbáním jednotky. ÚDAJE VZTAHUJÍCÍ SE KE KANONICKÉ FORMĚ Kanonická forma je forma, v níž je heslové slovo uvedeno v databázi. Slouží jako „reprezentant“ ostatních forem. Například ve většině evropských jazyků je kanonickou formou podstatných jmen nominativ jednotného čísla a u sloves infinitiv prézentu. Pravidla pro výběr kanonické formy se však v různých jazycích a lexikografických tradicích liší. Zde je několik příkladů údajů vztahujících se k psané kanonické formě: - typ výrazu podle jeho psané podoby (např. plná podoba, zkrácená podoba, symbol, vzorec atd.); - pravopis podoby; - pravopisné varianty podoby; - dělení slov. Příklady údajů vztahujících se k ústní kanonické formě: - typ výrazu podle jeho ústní podoby (např. iniciálová zkratka, akronym); - výslovnost; - výslovnostní varianty podoby; - slabičné členění. Jak je vidět, některé kategorie údajů se mohou vztahovat jak k psaným, tak k ústním podobám. Například informace, že určitý výraz je iniciálovou zkratkou, tj. zkrácenou podobou vytvořenou z počátečních písmen úplného termínu, přičemž tato písmena se vyslovují jednotlivě (např. United Nations – UN), poskytuje informace o psané i ústní podobě. Kromě toho může 44 Igor Kudashev | Improving Compatibility of Terminological... lze říci, že poskytují informace o tvorbě termínů, jejich původu a vývoji. ÚDAJE SOUVISEJÍCÍ S TVORBOU TERMÍNŮ Příklady údajů souvisejících s tvorbou výrazů odborného jazyka: - složky termínů a termínové prvky; - morfémová struktura; - syntaktický model; - model tvorby termínů; - metoda (metody) tvorby termínů; - morfologické varianty; - odvozená slova. ÚDAJE TÝKAJÍCÍ SE INFLEXE Příklady údajů týkajících se skloňování a časování výrazů LSP: - gramatické parametry (číslo, rod, životnost atd.); - úplné nebo částečné paradigma tvarů; - modely skloňování, časování atd. Údaje týkající se významu Tato část klasifikace začíná poměrně okrajovou kategorií, aby zůstala v souladu s ostatními oddíly. Výrazy LSP lze rozdělit do několika tříd podle toho, nakolik jejich vnitřní forma odráží jejich význam. Například ustálené slovní spojení je jednotka, jejíž význam nelze odvodit z kombinovaného smyslu slov, která toto spojení tvoří. Údaje týkající se významu výrazů LSP lze kromě toho rozdělit do dvou velkých kategorií. První z nich je logický význam – popis logického pojmu označovaného výrazem LSP. Tento typ informací se obvykle uvádí v terminologických definicích a popisech podobných definicím. Druhá kategorie zahrnuje značně různorodé složky významu, které lze nazvat asociovaný význam. Mezi tyto složky patří například: - různé konotace, tj. hodnoticí složky významu; - vnitřní forma výrazu (jeho „doslovný“, morfém po morfému chápaný význam); Terminologija | 2009 | 16 45 – jiné významy téhož výrazu v LSP nebo LGP; – významové složky vyplývající z antonymních, synonymních, paronymních a dalších systematických vztahů daného výrazu; – různé druhy asociací; – významové složky vyplývající ze zvukové shody, rýmů apod. Tyto složky významu nazýváme „indukovanými“, protože vyplývají z postoje uživatelů jazyka k objektům označovaným výrazy LSP, z asociací uživatelů nebo ze vztahů výrazu LSP k jiným jazykovým jednotkám. V tomto smyslu uživatelé jazyka, jiné jazykové jednotky nebo obojí „indukují“ do výrazu LSP další složky významu. Další informace o prezentaci indukovaného významu ve slovnících LSP viz (Kudashev 2006; Kudashev 2007: 254–258). Indukované složky jsou vítané, a dokonce záměrně pěstované, pokud vytvářejí pozitivní asociace a konotace nebo umožňují uživatelům vyjadřovat svůj postoj k tématu v neformální komunikaci. Ve většině případů však pouze odvádějí pozornost uživatelů od logického významu, který má být jádrem komunikace LSP. To je pravděpodobně jeden z důvodů, proč byly složky indukovaného významu v teorii terminologie do značné míry opomíjeny. Zohlednění těchto složek je však důležitým předpokladem úspěšné terminologické nominace a efektivní komunikace LSP. Údaje související s encyklopedickým popisem Encyklopedický popis poskytuje informace o objektech označovaných výrazy LSP a ve většině případů jsou tyto informace mimojazykové. Někdy však není snadné vést hranici mezi popisem pojmu a popisem objektu označovaného výrazem LSP. Mnohé terminologické databáze již obsahují informace, které lze považovat za encyklopedický popis, a očekává se, že jejich podíl v budoucnu poroste, protože různé typy referenčních produktů se k sobě stále více přibližují (srov. Hartmann 2001: 5). Abychom tuto skutečnost zohlednili, rozhodli jsme se zařadit encyklopedický popis do klasifikace datových kategorií souvisejících s popisem výrazů LSP. Údaje týkající se užívání Informace týkající se užívání se zdají být nejčastěji požadovaným typem informace. 46 Igor Kudashev | Improving Compatibility of Terminological... terminological data (Kudashev 2007: 207). It can be subdivided into two big categories: - omezení užívání; - frekvence užívání. ÚDAJE TÝKAJÍCÍ SE OMEZENÍ UŽÍVÁNÍ Užívání každého výrazu LSP je omezeno přinejmenším na určitý národní jazyk, obor a časové období. Kromě toho může být užívání omezeno na určitou zeměpisnou oblast, profesní skupinu, organizaci, registr apod. Níže je uveden seznam nejčastějších omezení užívání s několika příklady v závorkách: - národní jazyk (en, fi, ru); - obor a podobor (fyzika – atomová fyzika – fyzika vysokých energií); - vědecká škola/teorie (Newtonova fyzika, Einsteinova fyzika; dánský strukturalismus v lingvistice); - časové omezení (zastaralý výraz, neologismus, užívaný během druhé světové války); - zeměpisné omezení (en-US, en-GB, nářeční výraz); - organizační omezení (termín užívaný v organizaci Nokia, Microsoft, UN, WHO); - vlastnické omezení (ochranná známka, obchodní název); - omezení registru (oficiální termín, neformální termín, profesní slang); - omezení podle profesní skupiny (lékaři, zdravotní sestry, zdravotničtí asistenti); - kombinační omezení (provést/vést/uskutečnit/zahájit vyšetřování); - omezení souladu (standardizovaný, preferovaný, doporučený, nedoporučený termín). Poslední dva typy omezení je pravděpodobně třeba podrobněji komentovat. Údaje týkající se kombinačních omezení Kombinační schopnost je schopnost jazykových jednotek vytvářet větší jednotky. Kombinační schopnost lze rozdělit na sémantickou, lexikální a syntaktickou. Sémantická kombinační schopnost znamená, že výrazy neobsahují ve svém významu sporné složky. Lexikální kombinační schopnost se projevuje ve schopnosti výrazů spojovat se s určitými jinými lexikálními prostředky. Syntaktická kombinační schopnost je schopnost výra- Terminologija | 2009 | 16 47 zu spojovat se s určitými gramatickými tvary jiných výrazů a pomocnými slovy. Kombinační omezení se obvykle popisují pomocí syntaktických modelů, příkladů a kontextů. Údaje týkající se omezení souladu Terminologické produkty bývají svou povahou více či méně preskriptivní. Tato normativnost může sahat od doporučení sestavovatelů nebo odborníků z daného oboru, s nimiž konzultovali, až po normativní schválení. V každém případě jde o otázku souladu výrazu z LSP se „správným“ či „vhodným“ stylem (z pohledu sestavovatelů), a v případě norem také s některým normativním dokumentem. ÚDAJE TÝKAJÍCÍ SE FREKVENCE POUŽÍVÁNÍ Informace o frekvenci používání mohou vycházet z korpusových dokladů a být vyjádřeny číselně, případně mohou představovat více či méně subjektivní odhad vyjádřený slovně (např. běžně používaný – málo používaný – zřídka používaný). Data týkající se systematických vztahů Systematickými vztahy rozumíme ontologické vztahy (vztahy obsahující znalosti o světě), systematické lexikální vztahy a vztahy ekvivalence mezi jazyky. Níže jsou uvedeny příklady nejběžnějších systematických vztahů: – synonymní vztahy; – antonymní vztahy; – homonymní vztahy; – paronymní vztahy; – generické vztahy; – partitivní vztahy; – neh hierarchické ontologické vztahy (asociační, sekvenční, časové, kauzální atd.); – vztahy ekvivalence (mezi jazyky). Vztahy týkající se tvoření slov, ohýbání a kombinační schopnosti výrazů do této kategorie nepatří, protože nejde o systematické lexikální vztahy. Data vztahující se k původu a vývoji Tento typ údajů se blíží etymologickým údajům, ale neomezuje se na ně. Může zahrnovat například: 48 Igor Kudashev | Improving Compatibility of Terminological... - informace o formách, z nichž podle předpokladu pochází určitý výraz LSP; - informace o fázích vývoje určitého výrazu LSP; - informace o dřívějších formách, významech, užití atd. určitého výrazu LSP. ZÁVĚRY V tomto článku jsme pojednali o zásadách klasifikace údajů, jejímž cílem je překlenout strukturální nesoulad mezi kategoriemi údajů v různých terminologických kolekcích. K zamýšlenému využití této klasifikace patří agregace a slučování terminologických údajů, organizace vyhledávání celých hesel ve více terminologických kolekcích a přizpůsobování hesel preferencím uživatelů. Poslední dva úkoly vyžadují, aby klasifikace byla poměrně jednoduchá a běžným uživatelům terminologických produktů intuitivně srozumitelná. Klasifikace založená na jazykových funkcích údajů se v tomto ohledu jeví jako jeden z nejvhodnějších kandidátů. Vyhledávání založené na jazykových funkcích údajů účinně doplňuje vyhledávání podle názvů kategorií údajů a plní stejnou funkci jako tematický rejstřík v knihovně. V tomto článku jsme se zaměřili na klasifikaci údajů souvisejících s popisem výrazů LSP, protože jde o nejdůležitější typ údajů zastoupený v terminologických databázích. Klasifikace dalších typů údajů, například informací o zdrojích, uživatelích a transakcích správy terminologie, budou k dispozici ve specifikacích projektu ContentFactory, jehož cílem je navrhnout platformu založenou na ontologii pro distribuovanou kolaborativní terminologickou práci. Projekt končí v roce 2010 a velká část jeho interní dokumentace bude zpřístupněna veřejnosti. BIBLIOGRAPHY Hartmann R. R. K. 2001: Teaching and Researching Lexicography. New York: Longman. ISO 1087-2:2000 Terminology Work – Vocabulary. Part 2: Computer Applications. ISO 12616:2002 Translation-Oriented Terminography. ISO 12620:1999 Computer Applications in Terminology – Data Categories. ISO 704:2000 Terminology Work – Principles and Methods. Kudashev I. 2006: Additional Meaning Components of Terms and their Treatment in LSP Dictionaries. – Lehtinen, Esa – Niemelä, Nina (toim.) Erikoiskielet ja käännösteoria. VAKKI-symposiumi XXVI. Vaasa 11.–12.2.2006. Vaasa: Vaasan yliopisto, 143–149. Кудашев И. С. 2007: Проектирование переводческих словарей специальной лексики. Хельсинки: Yliopistopaino. Terminologija | 2009 | 16 49 Кудашев И. С., Хаютин А. Д. 2003: К вопросу о формах терминоэлементов и терминов. – Лексикология. Терминоведение. Стилистика: Сборник научных трудов, Москва, Рязань, 101–107. Sanastotyön käsikirja 1989: Sanastotyön käsikirja. Soveltavan terminologian periaatteet ja työmenetelmät / Toimittanut Tekniikan sanastokeskus. Helsinki: Suomen Standardoimisliitto. APPENDIX 1. CLASSIFICATION OF TERMINOLOGICAL DATA BASED ON ITS LINGUISTIC FUNCTIONS Values in angle brackets are candidates for the formal representation of the categories. These values are used in Appendix 2 for the sake of brevity. 1. Data related to form. <termForm> 1.1. Type of LSP expression by its form. <termForm: termType> 1.2.1. Data related to written form. <termForm: writtenForm> 1.2.2. Data related to oral form. <termForm: oralForm> 1.3.1. Data related to canonical form. <termForm: canonicalForm> 1.3.2. Data related to term formation. <termForm: termFormation> 1.3.3. Data related to inflection. <termForm: termInflection> 2. Data related to meaning. <termMeaning> 2.1. Type of LSP expression by correspondence of its meaning to its form. <termMeaning: termType> 2.2. Data related to logical meaning. <termMeaning: logicalMeaning> 2.3. Data related to induced meaning. <termMeaning: inducedMeaning> 3. Encyclopedic description. <termEncyclopedicDescription> 4. Data related to usage. <termUsage> 4.1. Data related to restrictions of usage. <termUsage: restrictions> 4.1.1. Data related to national language restrictions. <termUsage: restrictions: language> 4.1.2. Data related to domain restrictions. <termUsage: restrictions: domain> 4.1.3. Data related to scientific school or theory restrictions. <termUsage: restrictions: schoolOrTheory> 4.1.4. Data related to chronological restrictions. <termUsage: restrictions: chronological> 4.1.5. Data related to geographical restrictions. <termUsage: restrictions: geographical> 4.1.6. Data related to organizational restrictions. <termUsage: restrictions: organizational> 4.1.7. Data related to proprietary restrictions. <termUsage: restrictions: proprietary> 50 Igor Kudashev | Improving Compatibility of Terminological... 4.1.8. Data related to register restrictions. <termUsage: restrictions: register> 4.1.9. Data related to professional group restrictions. <termUsage: restrictions: professionalGroup> 4.1.10. Data related to combinatory restrictions. <termUsage: restrictions: combinatory> 4.1.11. Data related to compliance restrictions. <termUsage: restrictions: compliance> 4.2. Data related to frequency of use. <termUsage: frequency> 5. Data related to systematic relations. <termRelations> 5.1. Data related to synonymous relations. <termRelations: synonymousRelation> 5.2. Data related to antonymous relations. <termRelations: antonymousRelation> 5.3. Data related to homonymous relations. <termRelations: homonymousRelation> 5.4. Data related to paronymous relations. <termRelations: paronymousRelation> 5.5. Data related to generic relations. <termRelations: genericRelation> 5.6. Data related to partitive relations. <termRelations: partitiveRelation> 5.7. Data related to non-hierarchical ontological relations. <termRelations: non-hierarchicalOntologicalRelation> 5.8. Data related to equivalence relations. <termRelations: equivalenceRelation> 6. Data related to origin and development. <termOriginAndDevelopment> 7. Other types of data related to the description of an LSP expression <termOtherRelatedData> APPENDIX 2. EXAMPLE OF MAPPING OF SOME ISO 12620:1999 DATA CATEGORIES INTO THE FUNCTIONAL CLASSIFICATION OF TERMINOLOGICAL DATA See Appendix 1 for the decryption of the formal representation of the categories which are used for the sake of brevity. Question mark after a data category means that the presence of the specified kind of data is subject to the interpretation of the data category. If subcategories can be mapped in the exact same way as their parent category, only the parent category is described. Terminologija | 2009 | 16 51 Due to space limitations only the first subgroup of data categories from the ISO 12620:1999 standard is covered. A.1 term Note: term (headword) lies outside the scope of classification which covers data categories related to the description of LSP expressions. However, technically data category term is identical to the written form of the term. Functional classification: not applicable or <termForm: writtenForm> A.2.1 term type Note: in the ISO 12620:1999 standard this category includes various kinds of LSP expressions and may contain different types of data. See subcategories for more information. A.2.1.1 main entry term Note: information about the structure of the entry is not data related to the description of LSP expressions. However, this category indirectly reflects preference. Functional classification: not applicable or <termUsage: restrictions: compliance> A.2.1.2 synonym Note: when opposed to main entry term, this category reflects preference. Its primary function is, however, reflection of synonymous relations. Functional classification: <termRelations: synonymousRelation>; <termUsage: restrictions: compliance>? A.2.1.3 quasi-synonym Note: same as previous. Functional classification: <termRelations: synonymousRelation>; <termUsage: restrictions: compliance>? A.2.1.4 international scientific term Note: depending on the interpretation of this category and its contents, this data category may provide information about compliance, language restrictions, origination and development. Functional classification: <termUsage: restrictions: compliance>; <termUsage: restrictions: language>?; <termOriginAndDevelopment>? A.2.1.5 common name Note: common name is a synonym of an international scientific term that is used in general discourse. This data category may provide information about restrictions related to register, compliance and professional group. 52 Igor Kudashev | Improving Compatibility of Terminological... Functional classification: <termUsage: restrictions: register>; <termUsage: restrictions: compliance>; <termUsage: restrictions: professionalGroup>? A.2.1.6 internationalism Note: depending on the contents this data category may provide information related to language restrictions, term formation, origination and development. Functional classification: <termUsage: restrictions: language>; <termForm: termFormation>?; <termOriginAndDevelopment>? A.2.1.7 full form Note: this data category provides information about the type of term by its form. Functional classification: <termForm: termType> A.2.1.8 abbreviated form of term Note: depending on the contents, this data category and all its subcategories (A.2.1.8.1 abbreviation, A.2.1.8.2 short form of term, A.2.1.8.3 initialism, A.2.1.8.4 acronym and A.2.1.8.5 clipped term) may provide information related to type of term by its form, oral form; term formation, origin and development. Functional classification: <termForm: termType>; <termForm: oralForm>?; <termForm: termFormation>?; <termOriginAndDevelopment> A.2.1.9 variant Note: depending on the contents, this data category may provide information about preference, term formation, origin and development. Functional classification: <termUsage: restrictions: compliance>; <termForm: termFormation>?; <termOriginAndDevelopment>? A.2.1.10–A.2.1.14 (transliterated form, transcribed form, romanized form, symbol and formula) Note: these data categories provide information about the type of term by its form. Functional classification: <termForm: termType> A.2.1.15–A.2.1.17 (equation, logical expression, materials management categories) Note: these units can not be headwords in terminological databases. Functional classification: not applicable. A.2.1.18 phraseological unit Note: in ISO 12620:1999 this category is split into three subcategories: collocation, set phrase and synonymous phrase. Collocation can not be counted Terminologija | 2009 | 16 53 as a phraseological unit as it does not correspond to the definition of a phraseological unit provided in the standard. Synonymous phrase seems to be an unnecessary category. The same information can be expressed with two other data categories: set phrase and synonym. Functional classification: not applicable. A.2.1.18.1 collocation Note: this data category provides information about combinatory restrictions. Functional classification: <termUsage: restrictions: combinatory> A.2.1.18.2 set phrase Note: this data category provides information about the type of term by correspondence of its meaning to its form. Functional classification: <termMeaning: termType> A.2.18.3 synonymous phrase Note: as was stated above, this category is probably unnecessary. If used, it provides information about the type of term by correspondence of its meaning to its form and also about synonymous relations. Functional classification: <termMeaning: termType>; <termRelations: synonymousRelation> A.2.1.19 standard text Note: standard texts can not be headwords in terminological databases. Functional classification: not applicable. TERMINIJOS RINKINIŲ SUDERINAMUMO GERINIMAS TAIKANT DUOMENŲ KATEGORIJŲ KLASIFIKACIJĄ Viena iš informacijos ir ypač terminologijos išteklių plėtros tendencijų yra atskirų duomenų bazių jungimas į didelius portalus ir sąsajų tarp tokių portalų kūrimas. To pavyzdys gali būti EuroTermBankas (http://www.eurotermbank.com). Didėjant informacijos apimčiai ir vartotojų tokiems produktams keliamiems reikalavimams, auga poreikis užtikrinti išplėstinę paiešką, apimančią visus žodynų straipsnių laukus, ir galimybę pateikti tik tas informacijos kategorijas, kurios tuo metu domina vartotoją. Šiems uždaviniams spręsti reikalinga duomenų kategorijų klasifikacija, kurią būtų galima taikyti kaip terminologinių bazių, turinčių skirtingą struktūrą, „bendrą vardiklį“. Svarbus tokios klasifikacijos reikalavimas – jos paprastumas ir aiškumas paprastiems terminologijos produktų vartotojams. Straipsnyje aptariama lingvistinėmis duomenų funkcijomis paremta klasifikacija galėtų tapti tokiu „bendru vardikliu“. 54 Igor Kudashev | Improving Compatibility of Terminological... ИСПОЛЬЗОВАНИЕ МЕТАКЛАССОВ ДАННЫХ КАК СРЕДСТВО УЛУЧШЕНИЯ СОВМЕСТИМОСТИ ТЕРМИНОЛОГИЧЕСКИХ КОЛЛЕКЦИЙ Одной из тенденций развития информационных ресурсов в целом и терминологических в частности стало объединение разрозненных баз данных в крупные порталы и создание общих интерфейсов к ним. Примером может служить Евро-ТермБанк (http://www.eurotermbank.com). По мере роста объемов информации и требований пользователей к подобным продуктам растет потребность в обеспечении расширенного поиска, охватывающего все поля словарных статей, а также возможности отображения лишь тех категорий информации, которые в данный момент интересуют пользователя. Эти задачи требуют наличия классификации информационных категорий, которая могла бы служить «общим знаменателем» для терминологических баз с различной структурой. Немаловажным требованием к подобной классификации является ее простота и понятность для простых пользователей терминологических продуктов. В статье описывается один из возможных кандидатов на роль «общего знаменателя» – классификация, основанная на лингвистических функциях данных. Gauta 2009-10-14 Igor Kudashev University of Helsinki Palmenia Centre for Continuing Education P.O. Box 239 (Paraatikenttä 6) FIN-45100 Kouvola, Finland E-mail: [email protected] Terminologija | 2009 | 16 55