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

A terminológiai gyűjtemények kompatibilitásának javítása az adat-kategóriák áthidaló osztályozásával IGOR KUDASHEV University of Helsinki B E V E Z E T É S A szabványos adatkategória-készlet (ISO 12620:1999) és a terminológiai munka szabványos módszereinek (ISO 704:2000) megléte ellenére továbbra is nehéz két, különböző szervezetben létrehozott terminológiai adatbázist találni, amelyek könnyen összevonhatók lennének adatvesztés vagy az egyes adatbázisok összeállításának eredeti elveit érintő torzulás nélkül. Ennek legnyilvánvalóbb okai a következők: a nemzeti nyelvek és hagyományok különböznek; az LSP-területek különböznek; az összeállítók háttere és megközelítése különbözik; a technikai megoldások különböznek. Ugyanakkor a terminológiai erőforrások és más adattípusok kezelésének egyik irányzata a szétszórt erőforrások nagyobb portálokba vagy szolgáltatásokba történő összegyűjtése, rendszerint fizikai összevonásuk nélkül. Erre példa az EuroTermBank portál (http://www.eurotermbank.com), amely több belső és külső terminológiai adatbázisban tesz lehetővé keresést, és összeállítást készíthet a találatokból. A felhasználói igények és az adatmennyiség növekedésével szükségessé válik olyan fejlett keresés biztosítása, amely a bejegyzés valamennyi mezőjére kiterjed, nem csupán a címszavakra, valamint a bejegyzések felhasználói preferenciákhoz igazítása. Ebben a cikkben olyan adatkategória-osztályozást javaslunk, amely hídként szolgálhat a terminológiai gyűjtemények között. Az osztályozás a különböző adatkategória-készleteket alkalmazó terminológiai gyűjtemények kezelésével kapcsolatos alábbi problémákra ad választ: a terminológiai erőforrások összegyűjtése és összevonása; a bejegyzések valamennyi mezőjére kiterjedő keresés megszervezése; a több gyűjteményből származó bejegyzések felhasználói preferenciák szerinti testre szabása. 36 Igor Kudashev | Improving Compatibility of Terminological... A terminológiai adatbázis a szűkebb értelemben vett terminológiai adatok mellett különböző típusú adatokat is tartalmazhat, például a forrásokra, a felhasználókra és a terminológiamenedzsment-műveletekre vonatkozó információkat. Ebben a cikkben az LSP-kifejezések leírásához kapcsolódó adatkategóriák osztályozására összpontosítunk. MI AZ ADATKATEGÓRIA? A terminológiai adatbázisokban a különböző típusú adatokat különböző mezőkben tárolják. Az adatkategória egy adott adatmező specifikációjának eredménye (ISO 1087-2:2000: 13). A terminológusok különféle metaforákat használnak az adatkategória fogalmának magyarázatára. Az egyik metafora a ruhásszekrény, amelyben különböző fiókok szolgálnak a különböző ruhatípusok tárolására. Egy másik metafora a bevásárlókosár, amelyben minden árufajtát saját csomagolásba tesznek, hogy ne keveredjenek össze. AZ ADATKATEGÓRIÁK KÖZÖTTI JELLEMZŐ ELTÉRÉSEK Az adatkategóriák az adatok osztályozásának eredményei. Az adatok sokféleképpen osztályozhatók, az osztályozó szemléletétől és a felhasználók igényeitől függően. A ruhásszekrény-metaforával élve azt mondhatjuk, hogy a különböző szekrényekben eltérő számú, különböző alakú, méretű stb. fiók található. A terminológiai adatbázisok adatkategóriái között legalább hatféle eltérés lehetséges: - az adatkategóriák elnevezései közötti eltérés; - az adatkategóriák „mérete” közötti eltérés, azaz eltérő „granularitás”; - az adatkategóriák „helye” közötti eltérés, azaz eltérő elhelyezkedés az osztályozási rendszerben; - az osztályozási elvek közötti eltérés (átfedés); - az adatkategóriák tartalma közötti eltérés; - vegyes esetek. Az alábbiakban néhány példa szemlélteti a gyakori eltéréseket. 1. eset: az adatkategóriákat eltérően nevezik el. Példa: az egyik adatbázisban az adatkategória neve note, egy másikban comment, a harmadikban remark, a negyedikben pedig NB. Terminologija | 2009 | 16 37 2. eset: egy adatkategória nevét különböző jelentésekben használják. Példa: az adatkategória szinonima megfelelhet a „teljes szinonima”, a „közelítő szinonima” vagy a „teljes vagy közelítő szinonima” kategóriának. 3. eset: az adatkategóriák nevei „hamis barátok”. Példa: az ISO-szabványban meghatározott angol rövidítés és betűszó (ISO 12620:1999: 6–7), valamint az orosz аббревиатура és акроним keresztben felelnek meg egymásnak (Kudashev & Hajutin 2003: 104–105). 4. eset: az adatkategóriák tagolása eltérő. Példa: az rövidített terminusalak adatkategória az ISO 12620:1999 szabványban öt alkategóriára bomlik (rövidítés, a terminus rövid alakja, betűszó, mozaikszó és csonkított terminus), az ISO 12616:2002 („Fordításorientált terminológia”) szabványban azonban nincs ilyen felosztás. 5. eset: az adatkategóriák átfedése. Példa: a példa és a kontextus adatkategóriái átfedik egymást. Egyes példák kontextusok, egyes kontextusok pedig példaként szolgálhatnak, de a két kategória nem azonos. 6. eset: ugyanaz az adatkategória különböző tágabb kategóriák alá kerül. Példa: az ISO 12620:1999 szabvány a kontextus adatkategóriát a fogalomhoz kapcsolódó adatok közé sorolja, feltehetően azért, mert a kontextusok kiegészítő információkat nyújthatnak a fogalomról. A kontextusok gyakoribb funkciója azonban az, hogy információt adjanak a terminushasználatról és a kollokációkról, ezért „sok adatbázis a kontextust terminushoz kapcsolódó kategóriaként sorolja be” (ISO 12620:1999: 25). 7. eset: az adatok nyelve, jelrendszere vagy jelölésmódja eltér. Példa: a szófaj az egyik adatbázisban noun, egy másikban n., a harmadikban subst. alakban, a negyedikben pedig grafikus szimbólummal lehet kódolva. 8. eset: az adatkategóriák azonos vagy hasonló értékeit eltérő jelentésben és különböző kapcsolatokban használják. Példa: érték neologizmus az ISO 12620:1999 terminus eredete adatkategóriában időrendi címkére utal, holott valójában a terminus létrehozásakor alkalmazott módszertanra vonatkozik. 38 Igor Kudashev | Improving Compatibility of Terminological... 9. eset: a félig zárt osztályok értékei a nyelvi jelenségek különböző nyelvekben és hagyományokban alkalmazott eltérő osztályozása miatt különböznek. Példa: az ISO 12620:1999-ben az „alacsonyabb stílushoz” tartozó LSP-kifejezések leírására szolgáló címkék közé tartozik a slang register és a vulgar register. Ezek nagyjából a профессиональный жаргонизм (szakmai zsargon) és a профессиональное просторечие (szakmai köznyelvi forma) címkének felelnek meg az oroszban. A finnben azonban csak egy kategória van: ammattislangi (szakmai zsargon; lásd Sanastotyön käsikirja 1989: 12). Azt is meg kell jegyezni, hogy bizonyos adatok implicit módon is megjelenhetnek a terminológiai gyűjteményekben. 1. példa: az obsolete címke egyes esetekben való jelenléte, más esetekben pedig hiánya a terminológiai gyűjteményben azt jelenti, hogy a címkével meg nem jelölt terminusok az aktív LSP-szókészlethez tartoznak. 2. példa: ha két vagy több terminus ugyanabba a szócikkbe kerül, ez általában azt jelenti, hogy szinonimák vagy ekvivalensek. A terminológiai erőforrások adatcseréje vagy összesítése megkövetelheti az ilyen implicit adatok explicitté tételét. Például ha az adatokat statikus szócikkek helyett ontológia formájában tárolják, akkor a fent említett, a szinonimákra és ekvivalensekre vonatkozó implicit információkat explicitté kell tenni, és a szócikkek „szétszedése” során el kell menteni. AZ ISO ADATKATEGÓRIA-LELTÁRAI ÉS OSZTÁLYOZÁSAI Az ISO 12620:1999 adat-kategóriák készletét határozza meg a terminológiai információk rögzítésére. Nem írja elő, hogy mely adat-kategóriákat kell használni, hanem leltárként szolgál. Ezt az adat-kategória-készletet az ISOcat projekt bővíti (www.isocat.org), amely széles körben elfogadott nyelvészeti adat-kategóriákat dokumentál. Bár az ISOcat projekt kétségtelenül hasznos azon nyelvészek számára, akik így jobban kategorizálhatják és definiálhatják a nyelvészeti fogalmakat, valamint azon terminológiai adatbázisok tervezői számára, akik a bőséges leltárból kész adat-kategóriákat választhatnak, valószínűtlen, hogy megoldást nyújt az adatcsere, az összesítés és a több adatbázisban végzett, teljes szócikkre kiterjedő keresés problémájára. Először is, nem akadályozhatja meg a terminológiai termékek összeállítóit abban, hogy Terminologija | 2009 | 16 39 az adatok eltérő módon történő osztályozása és saját adat-kategóriáik használata. Másodszor, minél több adat-kategóriát használnak a terminológiai gyűjteményekben, annál változatosabbá válnak, ami még nagyobb kihívássá teszi az adatcserét. Az adat-kategóriák listája elméletben végtelen, a gyakorlatban pedig igen terjedelmes. Például a terminológiához kapcsolódó adat-kategóriák listája az ISOcat jegyzékében már meghaladja az 500 tételt. Az ISOcat projektben alkalmazott egyik gyakorlat ezt a számot sokszorosára növelheti. A zárt és félig zárt osztályok értékeinek önálló adat-kategóriákként való megjelenítésére utalunk. Például a register adat-kategória értékei, mint például a vulgarRegister, a slangRegister stb. ma már önálló adat-kategóriákként jelennek meg. Hasonlóképpen, a reliabilityCode adat-kategória reliabilityCode1, reliabilityCode2 stb. kategóriákra bomlik. Eltérő vélemények lehetnek arról, hogy ez gyakorlati szempontból ésszerű-e, de az adatok sokféleképpen rendezhetők, ezért nincsenek formai korlátozások arra nézve, hogy az adat-kategóriákat egészen olyan elemi osztályokra bontsuk, amelyek csak yes és no értékeket vehetnek fel. Egyértelmű azonban, hogy az adat-kategóriák e területét megfelelően strukturálni és osztályozni kell ahhoz, hogy kezelhető és jól rendezett maradjon. Mindeközben az ISO 12620:1999 szabványban javasolt adat-kategória-osztályozás több szempontból is problematikus. Mindenekelőtt az adatok alapvető felosztásával kapcsolatban bizonyos következetlenségek tapasztalhatók. A 6.2. szakasz (Az adat-kategóriák tipológiája) szerint az adat-kategóriák három fő csoportba sorolhatók: terminusok és terminushoz kapcsolódó információk, leíró adatok és adminisztratív adatok. Azonban a D mellékletben (Az adat-kategóriák rendszerezett felsorolása) a második csoport elnevezése: A fogalomleíráshoz kapcsolódó adat-kategóriák. Ugyanakkor ebbe a csoportba tartozik a Megjegyzés alcsoport, amely „önállóan szerepel, mivel bármely más kategóriához társítható, ezért nem rendelhető alá egyetlen konkrét alcsoportnak sem” (ISO 12620:1999: 4). Ha feltételezzük, hogy a szándékolt felosztás négy csoportot foglalt magában: terminusok és terminushoz kapcsolódó információk, fogalomhoz kapcsolódó információk, adminisztratív adatok és Megjegyzés, ez az osztályozás akkor is számos kérdést vet fel. Néhány példa: - Miért fogalomhoz kapcsolódó adatok a példák és a kontextusok, nem pedig terminushoz kapcsolódó adatok? Vö. a kontextus adat-kategória leírásával: „Az a szöveg vagy szövegrész, amelyben egy terminus előfordul” (ISO 12620:1999: 25). - Miért terminushoz kapcsolódó adatok a szinonima és az ekvivalencia, miközben egyébként minden, ami a jelentéshez kapcsolódik, fogalomhoz kapcsolódó adat? Vö. az ekvivalencia foka adat-kategória leírásával: „Az a mérték, amennyire két vagy több fogalom intenciója átfedésben van” (ISO 12620:1999: 21). 40 Igor Kudashev | Improving Compatibility of Terminological... Miért adminisztratív adat az antonima és a homográf, és miért nem terminushoz vagy fogalomhoz kapcsolódó adat? Miért (csupán) fogalomhoz kapcsolódó adat az audio, a video stb.? Mi az adminisztratív adatok pontos meghatározása? Miért tartoznak ebbe az osztályba ennyire heterogén kategóriák? A terminológiai adatok fogalomhoz kapcsolódó és terminushoz kapcsolódó adatokra való felosztása technikai szempontból hasznos lehet, mivel támogatja a fogalomközpontú megközelítést, amely csökkenti a terminusok közötti kapcsolatok számát azáltal, hogy a szinonim terminusokat ugyanahhoz a fogalomhoz rendeli. Az ilyen felosztás általában véve, különösen pedig annak ISO 12620:1999 szerinti megvalósítása azonban kihívást jelenthet a terminológiai adatbázisok általános felhasználói – a fordítók és a szakterületi szakértők – számára. Valóban nem könnyű megérteni, hogy miért kell a szinonimákat a terminushoz kapcsolódó adatok között keresni, az antonimákat viszont az adminisztratív adatok között, a példákat pedig a fogalomhoz kapcsolódó adatok között. Az általános felhasználók terminusokkal – szavakkal és szókapcsolatokkal – dolgoznak, ezért számukra természetesebb a terminus jelentéséről, a terminus szinonimáiról, a terminushasználat példáiról stb. beszélni. Ez azt jelenti, hogy a több gyűjteményben történő, teljes szócikkre kiterjedő keresés biztosítására szolgáló adat-kategória-osztályozásnak terminusközpontúnak, intuitíve világosnak és általános nyelvi kategóriákon alapulónak kell lennie. AZ ADATKATEGÓRIÁK KÖZÖTTI ELTÉRÉSEK ÁTHIDALÁSA Az adat-kategóriák közötti eltérések megfeleltetéssel oldhatók meg. Ha az eltérések névlegesek, például ha az adat-kategóriák elnevezése különbözik, vagy ugyanazt a tartalmat eltérő módon jelenítik meg, közvetlen megfeleltetés alkalmazható az adat-kategóriák között. A közvetlen megfeleltetés alkalmazása után az aggregált erőforrásban ugyanolyan pontossággal kereshetők az adatok, mint az eredeti adatbázisokban. Az adat-kategóriák közötti jelentősebb különbségek esetén közös nevezőt kell találni az adat-kategóriakészletek osztályozásai közötti megfeleltetéssel. A közös nevező használata valamelyest csökkenti a keresés pontosságát, de ez az egyetlen módja annak, hogy közös keresést biztosítsunk az eltérő struktúrájú terminológiai erőforrásokban. Ha a felhasználó nem hajlandó feláldozni a keresés pontosságát, külön-külön kell keresnie az egyes gyűjteményekben. Az adatcsere általános gyakorlatához hasonlóan egy köztes formátum, azaz valamiféle adat-kategóriákat áthidaló osztályozás használata hosszú távon hatékonyabb Terminologija | 2009 | 16 41 távon, mint a különböző osztályozások közötti többszörös megfeleltetés. Az adat-kategóriák más osztályozások közötti közös interfészként való szolgálatra szánt osztályozásának általános alapelvei a következők: 1. Mivel az osztályozás osztályai közös nevezőként szolgálnak, magasabb absztrakciós szinten kell állniuk, mint a legtöbb tovább nem felosztott „elemi” adat-kategória. Ugyanakkor az absztrakció szintje nem lehet túl magas, mert a felhasználókat nem érdekelné a túl általános osztályozás. A gyakorlatban két absztrakciós szintet tartalmazó osztályozás elegendő. 2. Az osztályozásnak ki kell terjednie az LSP-kifejezések valamennyi típusára, amelyeket jellemzően terminológiai adatbázisokban írnak le, beleértve a terminuselemeket, a tulajdonneveket, a nómenklatúrát, az állandósult szókapcsolatokat stb. 3. Az osztályozásnak csak olyan adat-kategóriákat kell tartalmaznia, amelyek közvetlenül kapcsolódnak az LSP-kifejezések leírásához. A műszaki és adminisztratív szempontok (pl. hordozó, kódolások, források, megbízhatóság stb.) leírása ettől eltérő feladat. 4. Az osztályozásnak hierarchikusnak kell lennie, de ugyanazon az absztrakciós szinten több felosztási alapot is lehetővé kell tennie. 5. Az osztályozásnak bővíthetőnek kell lennie, vagyis a hierarchia minden szintjén tartalmaznia kell egy „egyéb” kategóriát. Ezeket az alapelveket össze kell hangolni a fent említett felhasználóbarátság követelményével. Véleményünk szerint az adatok nyelvi funkcióin alapuló osztályozás e tekintetben különösen ígéretes megoldás. A nyelvi funkciókon alapuló áthidaló osztályozásban a hangsúly az adat-kategóriák elnevezéseiről az általuk tartalmazott adatok funkciójára vagy funkcióira helyeződik át. Az itt kínálkozó párhuzam egy olyan könyvtár, amely ábécérendes és tárgymutatóval is rendelkezik. Az adat-kategóriák elnevezései szerinti keresés hasonlít az ábécérendes katalógus segítségével végzett kereséshez. A cím támpontot ad a könyv tartalmáról, de néha félrevezető lehet. Ezenkívül a felhasználók nem tudják kitalálni az összes lehetséges címet, amely egy adott témát lefed. Az ábécérendes katalógus akkor hasznos, ha a felhasználók pontosan tudják, melyik tételt vagy tételeket akarják megtalálni. A legtöbb könyvtárhasználó azonban a tárgymutatóval kezdi a keresést, mert előre nem tudja, hogy az érdeklődésére számot tartó témakört mely tételek fedik le. A több terminológiai gyűjteményt összesítő terminológiai portál- 42 Igor Kudashev | Improving Compatibility of Terminological... A különböző adatkategória-készletekkel rendelkező gyűjtemények ugyanazt a problémát jelentik a felhasználók számára, mint a könyvtári polcokon sorakozó könyvek világa. A felhasználók tudják, milyen típusú információ érdekli őket (nyelvtan, jelentés, használat stb.), de nem feltétlenül tudják, hogy ez az információ milyen adatkategóriákban található meg. A különböző terminológiai gyűjteményekben hasonló típusú adatok különböző adatmezőkben szerepelhetnek. Például egy LSP-kifejezés területi státuszára vonatkozó információ olyan mezőkben található, mint a használat, regionális címke, nyelvi szimbólum stb. Ha a keresés az adatok nyelvi funkcióin alapul, a felhasználóknak nem kell törődniük az adatkategóriák pontos elnevezésével. Egyszerűen megadják, hogy a területi státuszra, a jelentésre vagy a szinonimákra vonatkozó információt keresnek, a terminológiamenedzsment-rendszer pedig megkeresi és megjeleníti a különböző adatbázisokban található, a megadott típusú információt tartalmazó teljes vagy rövidített szócikkeket. A funkció szerinti keresést ki lehet és ki is kell egészíteni a mezőnév szerinti kereséssel azon felhasználók számára, akik pontosan tudják, mely mezőkben kívánnak keresni. Az adatmezők a könyvtári dokumentumokhoz hasonlóan különféle nyelvi információkat tartalmazhatnak. Például az példa egy tipikus többfunkciós mező, amely egy terminus alakjára, jelentésére és használatára vonatkozó információkat tartalmazhat, különböző arányban. Minden adatkategóriának egy vagy több funkciója lehet. Azt is meg kell tudni adni, hogy egy adott adatkategória milyen mértékben tükröz bizonyos funkciókat. Ez a jellemző lehet szöveges (például elsődleges és másodlagos funkció) vagy numerikus (például 0–100%). Egy adott adatkategória-készlet köztes osztályozáshoz való leképezésének legegyszerűbb módja, ha az adott típusú adatmezők tartalmát egységesnek tekintjük, és egyszerű megfeleltetési táblázatot készítünk. A pontosabb, de bonyolultabb leképezés lehetővé tenné a szerkesztők számára, hogy megadják az egyes adatmezők eltéréseit a globális megfeleltetési táblázatban használt értékektől. Például a kontextusok rendszerint információt nyújtanak a terminus használatáról és jelentéséről. Ésszerű ezeket az információtípusokat felvenni a globális megfeleltetési táblázatba, mivel minden kontextusmezőre vonatkoznak. Egyes kontextusok azonban enciklopédikus információkat is tartalmazhatnak. Az enciklopédikus információk ilyen esetenkénti használata helyileg, a mező szintjén jelölhető. Terminologija | 2009 | 16 43 AZ ADATKATEGÓRIÁK OSZTÁLYOZÁSA AZ ADATOK NYELVI FUNKCIÓI ALAPJÁN Mivel az LSP-kifejezések nyelvi jelek, a rájuk vonatkozó információ felosztható az alakjukra, jelentésükre, használatukra, más egységekhez fűződő kapcsolataikra, eredetükre és fejlődésükre vonatkozó információkra. Az alábbiakban mindegyik osztályt részletesen ismertetjük, és példákat adunk a hozzájuk tartozó adatokra. Az osztályozás tömör változatát lásd a 1. függelékben. Az alakhoz kapcsolódó adatok Az LSP-kifejezéseknek két alakjuk van – írott és szóbeli. Ezenkívül az LSP-kifejezés alakjához kapcsolódó adatok három osztályba sorolhatók: - a kanonikus alakhoz kapcsolódó adatok; - az egység képzéséhez kapcsolódó adatok; - az egység ragozásához kapcsolódó adatok. A KANONIKUS ALAKHOZ KAPCSOLÓDÓ ADATOK A kanonikus alak az az alak, amelyben a címszó szerepel az adatbázisban. „Reprezentatívként” szolgál a többi alak számára. Például a legtöbb európai nyelvben a főnevek kanonikus alakja az egyes számú alanyeset, az igéké pedig a főnévi igenév jelen idejű alakja. A kanonikus alak kiválasztásának szabályai azonban nyelvenként és lexikográfiai hagyományonként eltérnek. Íme néhány példa az írott kanonikus alakhoz kapcsolódó adatokra: - a kifejezés típusának meghatározása írott alakja alapján (pl. teljes alak, rövidített alak, szimbólum, képlet stb.); - az alak helyesírása; - az alak helyesírási változatai; - elválasztás. Példák a beszélt kanonikus alakhoz kapcsolódó adatokra: - a kifejezés típusának meghatározása beszélt alakja alapján (pl. kezdőbetűszó, mozaikszó); - kiejtés; - az alak kiejtési változatai; - szótagolás. Amint látható, egyes adatkategóriák az írott és a beszélt alakokhoz egyaránt kapcsolódhatnak. Például annak jelzése, hogy egy adott kifejezés kezdőbetűszó, azaz a teljes terminus kezdőbetűiből alkotott rövidített alak, amelyben ezeket a betűket külön-külön ejtik ki (pl. United Nations – UN), mind az írott, mind a beszélt alakokról tájékoztat. Ezenkívül előfordulhat, hogy 44 Igor Kudashev | Improving Compatibility of Terminological... elmondható, hogy információt nyújt a terminusalkotásról, az eredetről és a fejlődésről. A TERMINUSALKOTÁSSAL KAPCSOLATOS ADATOK A szaknyelvi kifejezések megalkotásával kapcsolatos adatok példái: - terminuskomponensek és terminuselemek; - morfémaszerkezet; - szintaktikai modell; - terminusalkotási modell; - terminusalkotási módszer(ek); - morfológiai változatok; - származékok. RAGOZÁSHOZ KAPCSOLÓDÓ ADATOK Az LSP-kifejezések ragozásához kapcsolódó adatok például: - nyelvtani paraméterek (szám, nem, élő/élettelen jelleg stb.); - a teljes vagy részleges alakparadigma; - ragozási, igeragozási stb. modellek. A jelentéshez kapcsolódó adatok A besorolásnak ez a része egy meglehetősen periférikus kategóriával kezdődik, hogy összhangban maradjon a többi szakasszal. Az LSP-kifejezések több osztályba sorolhatók attól függően, hogy belső formájuk mennyire tükrözi a jelentésüket. Például egy állandósult szókapcsolat olyan egység, amelynek jelentése nem vezethető le a kifejezést alkotó szavak együttes jelentéséből. Ezen túlmenően az LSP-kifejezések jelentéséhez kapcsolódó adatok két nagy kategóriába sorolhatók. Az első a logikai jelentés – az LSP-kifejezés által jelölt logikai fogalom leírása. Az ilyen típusú információt általában terminológiai definíciók és definíciószerű leírások tartalmazzák. A második kategóriába a jelentés meglehetősen heterogén összetevői tartoznak, amelyeket indukált jelentésnek nevezhetünk. Ezek az összetevők például a következők: - különféle konnotációk, vagyis a jelentés értékelő összetevői; - a kifejezés belső formája (szó szerinti, morfémáról morfémára történő jelentése); Terminologija | 2009 | 16 45 – ugyanazon kifejezés egyéb LSP- vagy LGP-jelentései; – a kifejezés antonim, szinonim, paronim és egyéb rendszerszerű kapcsolataiból eredő jelentésösszetevők; – különféle asszociációk; – a hangzásbeli egyezésből, rímekből stb. eredő jelentésösszetevők. Ezeket a jelentésösszetevőket azért nevezzük „indukáltnak”, mert a nyelvhasználóknak az LSP-kifejezések által jelölt tárgyakhoz való viszonyulásából, a használók asszociációiból vagy egy LSP-kifejezés más nyelvi egységekkel fennálló kapcsolataiból erednek. Ebben az értelemben a nyelvhasználók, más nyelvi egységek vagy mindkettő „indukál” további jelentésösszetevőket az LSP-kifejezésben. Az indukált jelentés LSP-szótárakban való megjelenítéséről bővebben lásd: (Kudashev 2006; Kudashev 2007: 254–258). Az indukált összetevők üdvözlendők, sőt szándékosan is elősegíthetők, ha pozitív asszociációkat és konnotációkat keltenek, vagy lehetővé teszik a használók számára, hogy informális kommunikációban kifejezzék a témához való viszonyulásukat. A legtöbb esetben azonban csupán elvonják a használók figyelmét attól a logikai jelentéstől, amelynek az LSP-kommunikáció középpontjában kellene állnia. Valószínűleg ez az egyik oka annak, hogy az indukált jelentés összetevőit a terminológiaelmélet nagyrészt figyelmen kívül hagyta. Figyelembevételük ugyanakkor fontos előfeltétele a sikeres terminológiai megnevezésnek és a hatékony LSP-kommunikációnak. Enciklopédikus leíráshoz kapcsolódó adatok Az enciklopédikus leírás az LSP-kifejezések által jelölt tárgyakról nyújt információt, és ez az információ a legtöbb esetben nyelven kívüli. Néha azonban nem könnyű meghúzni a határt a fogalom leírása és az LSP-kifejezés által jelölt tárgy leírása között. Számos terminológiai adatbázis már tartalmaz olyan információkat, amelyek enciklopédikus leírásnak minősülnek, és az ilyen információk aránya várhatóan a jövőben növekedni fog, mivel a különböző típusú referenciaművek egyre inkább közelednek egymáshoz (vö. Hartmann 2001: 5). E tény elismeréseként úgy döntöttünk, hogy az enciklopédikus leírást is felvesszük az LSP-kifejezések leírásához kapcsolódó adatkategóriák osztályozásába. A használattal kapcsolatos adatok Úgy tűnik, hogy a használattal kapcsolatos információkat kérik a leggyakrabban. 46 Igor Kudashev | Improving Compatibility of Terminological... terminological data (Kudashev 2007: 207). It can be subdivided into two big categories: - a használat korlátozásai; - a használat gyakorisága. A HASZNÁLATI KORLÁTOZÁSOKKAL KAPCSOLATOS ADATOK Bármely szaknyelvi kifejezés használata legalább egy nemzeti nyelvre, szakterületre és időszakra korlátozódik. Ezenfelül a használat bizonyos földrajzi területre, szakmai csoportra, szervezetre, regiszterre stb. is korlátozódhat. Az alábbiakban a leggyakoribb használati korlátozások felsorolása következik, néhány példával zárójelben: - nemzeti nyelv (en, fi, ru); - szakterület és részterület (fizika – atomfizika – nagyenergiás fizika); - tudományos iskola/elmélet (Newton fizikája, Einstein fizikája; dán strukturalizmus a nyelvészetben); - időbeli korlátozás (elavult, neologizmus, a második világháború idején használt); - földrajzi korlátozás (en-US, en-GB, nyelvjárási kifejezés); - szervezeti korlátozás (a Nokia, a Microsoft, az UN, a WHO által használt kifejezés); - tulajdonosi korlátozás (védjegy, kereskedelmi név); - regiszterbeli korlátozások (hivatalos kifejezés, informális kifejezés, szakmai szleng); - szakmai csoporthoz kötött korlátozások (orvosok, ápolók, egészségügyi asszisztensek); - kollokációs korlátozások (vizsgálatot végezni/lefolytatni/folytatni/elindítani); – megfelelőségi korlátozások (szabványosított, előnyben részesített, ajánlott, nem ajánlott terminus). Az utóbbi két korlátozástípust valószínűleg részletesebben is kommentálni kell. A kombinatorikus korlátozásokkal kapcsolatos adatok A kombinációs képesség a nyelvi egységek azon képessége, hogy nagyobb egységeket alkossanak. A kombinációs képesség szemantikai, lexikai és szintaktikai típusra osztható. A szemantikai kombinációs képesség arra utal, hogy a kifejezések jelentésének összetevői nem ellentmondásosak. A lexikai kombinációs képesség abban nyilvánul meg, hogy a kifejezések képesek bizonyos más lexikai eszközökkel kombinálódni. A szintaktikai kombinációs képesség annak képessége, hogy egy kifejez Terminologija | 2009 | 16 47 sion más kifejezések bizonyos nyelvtani alakjaival és segédszavaival kombinálódjon. A kombinatorikus korlátozásokat általában szintaktikai modellek, példák és kontextusok segítségével írják le. A megfelelőségi korlátozásokkal kapcsolatos adatok A terminológiai termékek többé-kevésbé előíró jellegűek. Ez a normativitás a szerkesztők vagy az általuk megkérdezett szakterületi szakértők ajánlásaitól a normatív jóváhagyásig terjedhet. A kérdés mindenképpen egy LSP-kifejezés „jó” vagy „helyes” stílusnak (a szerkesztők nézőpontjából vett) való megfelelésére vonatkozik, szabványok esetében pedig valamely normatív dokumentumnak való megfelelésre is. A HASZNÁLAT GYAKORISÁGÁVAL KAPCSOLATOS ADATOK A használat gyakoriságára vonatkozó információ korpuszbizonyítékokon alapulhat, és számszerűen fejezhető ki, vagy lehet többé-kevésbé szubjektív, szóban megadott becslés (pl. gyakran használt – ritkán használt – elvétve használt). Rendszertani kapcsolatokkal összefüggő adatok Rendszertani kapcsolatokon ontológiai kapcsolatokat (a világról szóló ismereteket tartalmazó kapcsolatokat), rendszertani lexikai kapcsolatokat és nyelvek közötti ekvivalenciakapcsolatokat értünk. Az alábbiakban a leggyakoribb rendszertani kapcsolatok példáit soroljuk fel: – szinonim kapcsolatok; – antonim kapcsolatok; – homonim kapcsolatok; – paronim kapcsolatok; – fölérendeltségi kapcsolatok; – rész-egész kapcsolatok; – nem hierarchikus ontológiai kapcsolatok (asszociatív, sorrendi, időbeli, oksági stb.); – (nyelvek közötti) ekvivalenciakapcsolatok. A szóalkotással, a ragozással és a kifejezések kombinálhatóságával kapcsolatos kapcsolatok nem tartoznak ebbe a kategóriába, mivel nem rendszertani lexikai kapcsolatok. Az eredettel és fejlődéssel kapcsolatos adatok Ez az adattípus közel áll az etimológiai adatokhoz, de nem korlátozódik azokra. Például a következőket foglalhatja magában: 48 Igor Kudashev | Improving Compatibility of Terminological... - arra vonatkozó információk, hogy egy adott szaknyelvi kifejezés mely formákból származik feltehetően; - információk egy adott szaknyelvi kifejezés fejlődési szakaszairól; - információk egy adott szaknyelvi kifejezés korábbi formájáról/formáiról, jelentéséről/jelentéseiről, használatáról stb. KÖVETKEZTETÉSEK Ebben a cikkben a terminológiai gyűjtemények különböző adatkategóriái közötti szerkezeti eltérések áthidalását célzó adatbesorolás alapelveit tárgyaltuk. A besorolás tervezett alkalmazásai közé tartozik a terminológiai adatok aggregálása és összevonása, a teljes szócikkekre kiterjedő keresés megszervezése több terminológiai gyűjteményben, valamint a szócikkeknek a felhasználók preferenciáihoz igazítása. Az utóbbi két feladat megköveteli, hogy a besorolás kellően egyszerű és a terminológiai termékek általános felhasználói számára intuitívan érthető legyen. Az adatok nyelvi funkcióin alapuló besorolás ebből a szempontból az egyik legjobb jelöltnek tűnik. Az adatok nyelvi funkcióin alapuló keresés hatékonyan egészíti ki az adatkategóriák nevei szerinti keresést, és ugyanazt a funkciót tölti be, mint egy könyvtári tárgyszójegyzék. Ebben a cikkben azokra az adatokra összpontosítottunk, amelyek a szaknyelvi kifejezések leírásához kapcsolódnak, mivel ez a terminológiai adatbázisokban szereplő legfontosabb adattípus. Az egyéb adattípusok – például a forrásokra, a felhasználókra és a terminológiakezelési tranzakciókra vonatkozó információk – besorolásai a ContentFactory projekt specifikációiban lesznek elérhetők. A projekt célja egy ontológiaalapú platform megtervezése az elosztott, együttműködésen alapuló terminológiai munkához. A projekt 2010-ben zárul, és belső dokumentációjának nagy részét nyilvánosságra hozzák. 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