De compatibiliteit van terminologische collecties verbeteren met een overbruggende classificatie van datacategorieën

IGOR KUDASHEV

University of Helsinki

I N L E I D I N G

Ondanks het bestaan van een gestandaardiseerde reeks datacategorieën (ISO 12620:1999) en gestandaardiseerde methoden voor terminologiewerk (ISO 704:2000), is het nog steeds moeilijk twee terminologische databases te vinden die door twee verschillende organisaties zijn samengesteld en gemakkelijk kunnen worden samengevoegd zonder gegevensverlies of vertekening van de oorspronkelijke compilatieprincipes van elk van de databases. De meest voor de hand liggende redenen daarvoor zijn de volgende:

nationale talen en tradities verschillen;

LSP-domeinen verschillen;

de achtergronden en benaderingen van de samenstellers verschillen;

technische oplossingen verschillen.

Tegelijkertijd is een van de trends in het beheer van terminologische bronnen en andere soorten gegevens gericht op het bijeenbrengen van verspreide bronnen in grotere portalen of diensten, doorgaans zonder ze fysiek samen te voegen. Een voorbeeld hiervan is het EuroTermBank-portaal (http://www.eurotermbank.com)), dat zoekopdrachten in meerdere interne en externe terminologische databases mogelijk maakt en de resultaten kan samenvoegen.

Naarmate de eisen van gebruikers en de hoeveelheid gegevens toenemen, wordt het noodzakelijk geavanceerd zoeken aan te bieden dat alle velden van een lemma omvat en niet alleen de trefwoorden, en lemma’s af te stemmen op de voorkeuren van gebruikers. In dit artikel stellen we een classificatie van datacategorieën voor die als brug tussen terminologische collecties kan dienen. De classificatie behandelt de volgende problemen die verband houden met het beheer van terminologische collecties met verschillende sets datacategorieën:

het bijeenbrengen en samenvoegen van terminologische bronnen;

de organisatie van zoekopdrachten die alle velden van de lemma’s omvatten;

het afstemmen van lemma’s uit meerdere collecties op de voorkeuren van gebruikers.

36

Igor Kudashev | Improving Compatibility of Terminological...

Een terminologische database kan naast eigenlijke terminologische gegevens verschillende soorten gegevens bevatten, zoals informatie over bronnen, gebruikers en transacties voor terminologiebeheer. In dit artikel richten we ons op de classificatie van gegevenscategorieën die verband houden met de beschrijving van LSP-uitdrukkingen.

WAT IS EEN GEGEVENSCATEGORIE?

Verschillende soorten gegevens worden in terminologische databases in verschillende velden opgeslagen. Een gegevenscategorie is het resultaat van de specificatie van een bepaald gegevensveld (ISO 1087-2:2000: 13). Terminologen gebruiken verschillende metaforen om het concept van een gegevenscategorie uit te leggen. Een metafoor is die van een kledingkast, waarin verschillende laden worden gebruikt om verschillende soorten kleding op te bergen. Een andere metafoor is een boodschappenmand waarin elk soort product in een eigen verpakking zit, zodat de producten niet door elkaar raken.

TYPISCHE VERSCHILLEN TUSSEN GEGEVENSCATEGORIEËN

Gegevenscategorieën zijn het resultaat van gegevensclassificatie. Gegevens kunnen op veel verschillende manieren worden geclassificeerd, afhankelijk van de opvattingen van degene die classificeert en de behoeften van de gebruikers. Met de kledingkastmetafoor kun je zeggen dat verschillende kledingkasten een verschillend aantal laden hebben, die bovendien een andere vorm, grootte enzovoort kunnen hebben.

Tussen gegevenscategorieën in terminologische databases zijn ten minste zes soorten verschillen mogelijk:

- verschil in de namen van gegevenscategorieën;

- verschil in de ‘omvang’ van gegevenscategorieën, oftewel een verschillende ‘granulariteit’;

- verschil in de ‘plaatsen’ van gegevenscategorieën, oftewel hun positie in het classificatieschema;

- verschil in de classificatieprincipes (overlapping);

- verschil in de inhoud van gegevenscategorieën;

- gemengde gevallen.

Hieronder staan enkele voorbeelden die een paar veelvoorkomende verschillen illustreren.

Geval 1: gegevenscategorieën hebben verschillende namen.

Voorbeeld: de gegevenscategorie heet note in de ene database, comment in een andere, remark in de derde en NB in de vierde.

Terminologija | 2009 | 16

37

Geval 2: de naam van een gegevenscategorie wordt in verschillende betekenissen gebruikt.

Voorbeeld: de gegevenscategorie synoniem kan overeenkomen met ‘volledig synoniem’, ‘bijna-synoniem’ of ‘volledig synoniem of bijna-synoniem’.

Geval 3: namen van gegevenscategorieën zijn ‘valse vrienden’.

Voorbeeld: het Engelse abbreviation en acronym, zoals gedefinieerd in de ISO-norm (ISO 12620:1999: 6–7), en het Russische аббревиатура en акроним komen paarsgewijs overeen (Kudashev & Hajutin 2003: 104–105).

Geval 4: de granulariteit van gegevenscategorieën verschilt.

Voorbeeld: de gegevenscategorie afgekorte termvorm is in ISO 12620:1999 onderverdeeld in vijf subklassen (afkorting, verkorte termvorm, initiaalwoord, acroniem en verkorte term), maar in ISO 12616:2002 (‘Vertaalgerichte terminologie’) ontbreekt een dergelijke indeling.

Geval 5: overlapping van gegevenscategorieën.

Voorbeeld: de gegevenscategorieën voorbeeld en context overlappen. Sommige voorbeelden zijn contexten en sommige contexten kunnen als voorbeelden dienen, maar de twee categorieën zijn niet identiek.

Geval 6: dezelfde gegevenscategorie wordt onder verschillende overkoepelende categorieën geplaatst.

Voorbeeld: de gegevenscategorie context wordt in ISO 12620:1999 beschouwd als conceptgerelateerde gegevens, blijkbaar omdat contexten aanvullende informatie over het concept kunnen verschaffen. Een vaker voorkomende functie van contexten is echter informatie te geven over het gebruik van termen en collocaties, zodat ‘veel databases context classificeren als een termgerelateerde categorie’ (ISO 12620:1999: 25).

Geval 7: de taal, het tekensysteem of de notatie van de gegevens verschilt.

Voorbeeld: een woordsoort kan in de ene database worden gecodeerd als noun, in een andere als n., in een derde als subst. en in een vierde als grafisch symbool.

Geval 8: identieke of vergelijkbare waarden van gegevenscategorieën worden in verschillende betekenissen en verbanden gebruikt.

Voorbeeld: de waarde neologisme bij de gegevenscategorie termherkomst in ISO 12620:1999 klinkt als een chronologisch label, terwijl deze in feite verwijst naar de methodologie die is toegepast bij het creëren van de term.

38

Igor Kudashev | Improving Compatibility of Terminological...

Geval 9: waarden van semi-gesloten klassen verschillen door verschillende classificaties van taalkundige verschijnselen in verschillende talen en verschillende tradities. Voorbeeld: in ISO 12620:1999 omvatten labels voor het beschrijven van LSP-uitdrukkingen die tot de „lagere stijl” behoren slang register en vulgar register. Ze komen ongeveer overeen met de labels профессиональный жаргонизм (professioneel jargon) en профессиональное просторечие (professionele omgangstaal) in het Russisch. In het Fins is er echter slechts één categorie, ammattislangi (professioneel jargon; zie Sanastotyön käsikirja 1989: 12).

Er dient ook te worden opgemerkt dat sommige gegevens in terminologische collecties impliciet kunnen worden uitgedrukt.

Voorbeeld 1: de aanwezigheid van het label verouderd in sommige gevallen en de afwezigheid ervan in andere gevallen in een terminologische collectie impliceert dat termen die niet met het label zijn gemarkeerd, tot de actieve LSP-voorraad behoren.

Voorbeeld 2: als twee of meer termen in dezelfde ingang zijn opgenomen, impliceert dit gewoonlijk dat ze synoniemen of equivalenten zijn.

Voor de uitwisseling of aggregatie van terminologische bronnen kan het nodig zijn zulke impliciete gegevens expliciet te maken. Als gegevens bijvoorbeeld zijn opgeslagen in de vorm van een ontologie in plaats van als statische ingangen, moet de hierboven genoemde impliciete informatie over synoniemen en equivalenten expliciet worden gemaakt en tijdens het „uiteennemen” van de ingangen worden opgeslagen.

ISO-INVENTARISSEN EN CLASSIFICATIES VAN GEGEVENSCATEGORIEËN

ISO 12620:1999 specificeert een reeks gegevenscategorieën voor het vastleggen van terminologische informatie. De norm schrijft niet voor welke gegevenscategorieën moeten worden gebruikt, maar dient veeleer als inventaris. Deze reeks gegevenscategorieën wordt uitgebreid in het project ISOcat (www.isocat.org), dat algemeen aanvaarde taalkundige gegevenscategorieën documenteert.

Hoewel het project ISOcat ongetwijfeld nuttig is voor taalkundigen, die de kans krijgen taalkundige concepten beter te categoriseren en te definiëren, en voor ontwerpers van termbanken, die kant-en-klare gegevenscategorieën uit een omvangrijke inventaris kunnen kiezen, zal het het probleem van gegevensuitwisseling, aggregatie en het zoeken in volledige ingangen in meerdere databases waarschijnlijk niet verlichten.

Ten eerste kan het niet voorkomen dat samenstellers van terminologische producten

Terminologija | 2009 | 16

39

gegevens op een andere manier te classificeren en eigen gegevenscategorieën te gebruiken. Ten tweede geldt: hoe meer gegevenscategorieën in terminologische collecties worden gebruikt, hoe diverser die worden, waardoor gegevensuitwisseling nog uitdagender wordt.

De lijst van gegevenscategorieën is in theorie oneindig en in de praktijk behoorlijk omvangrijk. De lijst van terminologiegerelateerde gegevenscategorieën in de inventaris ISOcat omvat bijvoorbeeld al meer dan 500 items. Een van de werkwijzen die in het project ISOcat worden toegepast, kan dit aantal vele malen vergroten. We doelen op het presenteren van waarden van gesloten en halfgesloten klassen als afzonderlijke gegevenscategorieën.

Zo worden waarden van de gegevenscategorie register, zoals vulgarRegister, slangRegister enzovoort, nu als zelfstandige gegevenscategorieën gepresenteerd. Evenzo wordt de gegevenscategorie reliabilityCode opgesplitst in reliabilityCode1, reliabilityCode2 enzovoort. Er kunnen verschillende meningen bestaan over de vraag of dit vanuit praktisch oogpunt verstandig is, maar gegevens kunnen op veel verschillende manieren worden georganiseerd. Er zijn dus geen formele beperkingen aan het verder opsplitsen van gegevenscategorieën, tot en met primitieve klassen die alleen de waarden yes en no kunnen aannemen. Het is echter duidelijk dat dit domein van gegevenscategorieën goed moet worden gestructureerd en geclassificeerd om beheersbaar en goed georganiseerd te blijven.

De classificatie van gegevenscategorieën die in ISO 12620:1999 wordt voorgesteld, is intussen in meerdere opzichten problematisch. Om te beginnen zijn er enkele inconsistenties in de hoofdindeling van de gegevens. Volgens sectie 6.2 (Typology of data categories) worden gegevenscategorieën verdeeld in drie hoofdgroepen: term- en termgerelateerde informatie, beschrijvende gegevens en administratieve gegevens. In Annex D (Systematic listing of data categories) wordt de tweede groep echter Data categories related to concept description genoemd. Tegelijkertijd bevat deze groep de subgroep Note, die „op zichzelf staat omdat deze kan worden gekoppeld aan elk van de andere categorieën en daarom niet ondergeschikt kan worden gemaakt aan een andere specifieke subgroep” (ISO 12620:1999: 4).

Als we aannemen dat de beoogde indeling vier groepen omvatte: term- en termgerelateerde informatie, conceptgerelateerde informatie, administratieve gegevens en Note, roept deze classificatie nog steeds veel vragen op. Om er enkele te noemen:

- Waarom zijn examples en contexts conceptgerelateerde gegevens en geen termgerelateerde gegevens? Vergelijk de beschrijving van de gegevenscategorie context: „Een tekst of een deel van een tekst waarin een term voorkomt” (ISO 12620:1999: 25).

- Waarom zijn synonym en equivalence termgerelateerde gegevens, terwijl al het overige wat met betekenis verband houdt conceptgerelateerde gegevens zijn? Vergelijk de beschrijving van de gegevenscategorie degree of equivalence: „De mate waarin de intensionen van twee of meer concepten elkaar overlappen” (ISO 12620:1999: 21).

40

Igor Kudashev | Improving Compatibility of Terminological...

Waarom zijn antonym en homograph administratieve gegevens en geen term- of conceptgerelateerde gegevens?

Waarom zijn audio, video enzovoort uitsluitend conceptgerelateerde gegevens?

Wat is de exacte definitie van administratieve gegevens? Waarom omvat deze klasse zulke heterogene categorieën?

De indeling van terminologische gegevens in conceptgerelateerde en termgerelateerde gegevens kan vanuit technisch oogpunt nuttig zijn, omdat ze de conceptgerichte benadering ondersteunt, die het aantal relaties tussen termen vermindert door synonieme termen aan hetzelfde concept te koppelen. Een dergelijke indeling in het algemeen, en de toepassing ervan in ISO 12620:1999 in het bijzonder, kan echter een uitdaging vormen voor gewone gebruikers van terminologische databanken: vertalers en domeinexperts. Het is immers niet eenvoudig te begrijpen waarom men naar synonyms moet zoeken bij termgerelateerde gegevens, maar naar antonyms bij administratieve gegevens en naar examples bij conceptgerelateerde gegevens.

Gewone gebruikers werken met termen: woorden en woordcombinaties. Daarom is het voor hen natuurlijker om te spreken over de betekenis van een term, synoniemen van een term, voorbeelden van het gebruik van een term enzovoort. Dit houdt in dat een classificatie van gegevenscategorieën die is bedoeld om in meerdere collecties volledige zoekresultaten op te leveren, termgericht, intuïtief duidelijk en gebaseerd op gangbare taalkundige categorieën moet zijn.

OVERBRUGGING VAN MISMATCHES TUSSEN DATACATEGORIEËN

Het probleem van mismatches tussen datacategorieën kan worden opgelost met behulp van mapping. Als de mismatches nominaal zijn, bijvoorbeeld als de namen van datacategorieën verschillen of dezelfde inhoud op verschillende manieren wordt weergegeven, kan directe mapping tussen datacategorieën worden gebruikt. Zodra de directe mapping is toegepast, kunnen de gegevens in de geaggregeerde bron met dezelfde precisie worden doorzocht als in de oorspronkelijke databases.

Bij grotere verschillen tussen datacategorieën is het nodig een gemeenschappelijke noemer te vinden door middel van mapping tussen classificaties van verzamelingen datacategorieën. Het gebruik van een gemeenschappelijke noemer vermindert de precisie van de zoekopdracht enigszins, maar dit is de enige manier om gemeenschappelijk zoeken mogelijk te maken in terminologische bronnen met verschillende structuren. Als de gebruiker niet bereid is concessies te doen aan de precisie van de zoekopdracht, moet hij elke afzonderlijke verzameling apart doorzoeken.

Net als bij gegevensuitwisseling in het algemeen is het gebruik van een tussenformaat, dat wil zeggen een overbruggende classificatie van datacategorieën, op de lange termijn doeltreffender

Terminologija | 2009 | 16

41

dan meerdere mappings tussen verschillende classificaties. De algemene beginselen voor de classificatie van datacategorieën die bedoeld is als gemeenschappelijke interface tussen andere classificaties, zijn als volgt:

1. Aangezien de klassen van de classificatie als gemeenschappelijke noemers moeten dienen, moeten ze een hoger abstractieniveau hebben dan de meeste ‘primitieve’ datacategorieën die niet verder worden onderverdeeld. Tegelijkertijd mag het abstractieniveau niet te hoog zijn, omdat gebruikers niet geïnteresseerd zouden zijn in een classificatie die te algemeen is. In de praktijk volstaat een classificatie met twee abstractieniveaus.

2. De classificatie moet alle soorten LSP-uitdrukkingen omvatten die doorgaans in terminologische databases worden beschreven, waaronder termelementen, eigennamen, nomenclatuur, vaste uitdrukkingen enzovoort.

3. De classificatie moet alleen die datacategorieën bevatten die rechtstreeks verband houden met de beschrijving van LSP-uitdrukkingen. De beschrijving van technische en administratieve aspecten (bijvoorbeeld medium, coderingen, bronnen, betrouwbaarheid enzovoort) is een andere taak.

4. De classificatie moet hiërarchisch zijn, maar op hetzelfde abstractieniveau moeten meerdere indelingsgrondslagen mogelijk zijn.

5. De classificatie moet uitbreidbaar zijn; dat wil zeggen dat ze op elk niveau van de hiërarchie de categorie ‘overig’ moet bevatten.

Deze beginselen moeten worden gecombineerd met de hierboven genoemde eis van gebruiksvriendelijkheid. Naar onze mening is een classificatie op basis van linguïstische functies van de gegevens in dit opzicht een bijzonder sterke kandidaat.

In de overbruggende classificatie op basis van linguïstische functies verschuift de aandacht van de namen van datacategorieën naar de functie of functies van de gegevens die ze bevatten. Een vergelijking die hier kan worden gemaakt, is die met een bibliotheek met alfabetische en onderwerpscatalogi.

Zoeken op naam van datacategorieën is vergelijkbaar met zoeken met behulp van een alfabetische catalogus. De titel geeft enige aanwijzing over de inhoud van het boek, maar kan soms misleidend zijn. Bovendien kunnen gebruikers niet alle mogelijke titels raden die een bepaald onderwerp behandelen. Een alfabetische catalogus is nuttig wanneer gebruikers zeker weten welk(e) item(s) ze willen vinden. De meeste bibliotheekgebruikers beginnen hun zoektocht echter met de onderwerpscatalogus, omdat ze vooraf niet weten welke items het onderwerp van hun belangstelling behandelen.

Een terminologisch portaal dat meerdere terminologische verzamelingen aggregeert-

42

Igor Kudashev | Improving Compatibility of Terminological...

ties met verschillende sets gegevenscategorieën stelt gebruikers voor hetzelfde probleem als het domein van boeken op de planken van een bibliotheek. Gebruikers weten in welk soort informatie zij geïnteresseerd zijn (grammatica, betekenis, gebruik enz.), maar weten niet noodzakelijkerwijs in welke gegevenscategorieën deze informatie te vinden is. In verschillende terminologische collecties kunnen vergelijkbare soorten gegevens in verschillende gegevensvelden voorkomen. Informatie over de regionale status van een LSP-expressie kan bijvoorbeeld te vinden zijn in velden als gebruik, regionaal label, taalsymbool enz.

Als de zoekopdracht is gebaseerd op de taalkundige functies van de gegevens, hoeven gebruikers zich niet druk te maken om de precieze namen van gegevenscategorieën. Ze geven eenvoudigweg aan dat ze op zoek zijn naar informatie over de regionale status, betekenis of synoniemen, waarna het terminologiebeheersysteem volledige of verkorte lemma’s in verschillende databases opspoort en weergeeft die het opgegeven type informatie bevatten. Zoeken op functie kan en moet worden aangevuld met zoeken op veldnaam voor gebruikers die precies weten in welke velden ze willen zoeken.

Gegevensvelden kunnen, net als bibliotheekitems, verschillende soorten taalkundige informatie bevatten. Zo is voorbeeld een typisch multifunctioneel veld dat informatie kan bevatten over de vorm, betekenis en het gebruik van een term, in uiteenlopende verhoudingen. Elke gegevenscategorie kan worden beschreven als hebbend één of meerdere functies. Het moet ook mogelijk zijn aan te geven in welke mate een bepaalde gegevenscategorie bepaalde functies weerspiegelt. Dit kenmerk kan verbaal worden weergegeven (bijv. primaire en secundaire functie) of numeriek (bijv. 0–100%).

De eenvoudigste manier om een bepaalde set gegevenscategorieën aan de tussengelegen classificatie te koppelen, is de inhoud van gegevensvelden van een bepaald type als uniform te beschouwen en een eenvoudige correspondentietabel op te stellen. Een nauwkeurigere maar ook ingewikkeldere koppeling zou de samenstellers in staat stellen afwijkingen van afzonderlijke gegevensvelden ten opzichte van de waarden in de algemene correspondentietabel te specificeren. Contexten geven bijvoorbeeld doorgaans informatie over het gebruik en de betekenis van een term. Het is redelijk deze soorten informatie in de algemene correspondentietabel op te nemen, omdat ze betrekking hebben op elk contextveld. Sommige contexten kunnen echter ook encyclopedische informatie bevatten. Dit incidentele gebruik van encyclopedische informatie kan lokaal, op veldniveau, worden gemarkeerd.

Terminologija | 2009 | 16

43

CLASSIFICATIE VAN GEGEVENSCATEGORIEËN OP BASIS VAN DE TAALKUNDIGE FUNCTIES VAN DE GEGEVENS

Aangezien LSP-expressies taalkundige tekens zijn, kan informatie erover worden onderverdeeld in informatie over hun vorm, betekenis, gebruik, relaties met andere eenheden, oorsprong en ontwikkeling. Hieronder wordt elk van deze klassen in detail beschreven en worden enkele voorbeelden gegeven van gegevens die ertoe behoren. Zie Appendix 1 voor de beknopte versie van de classificatie.

Gegevens met betrekking tot de vorm

LSP-expressies hebben twee vormen: schriftelijk en mondeling. Daarnaast kunnen gegevens met betrekking tot de vorm van een LSP-expressie in drie klassen worden onderverdeeld:

- gegevens met betrekking tot de canonieke vorm;

- gegevens met betrekking tot de vorming van de eenheid;

- gegevens met betrekking tot de verbuiging van de eenheid.

GEGEVENS MET BETREKKING TOT DE CANONIEKE VORM

De canonieke vorm is de vorm waarin het lemma in de database wordt opgenomen. Deze dient als ‘representatief’ voor andere vormen. In de meeste Europese talen is de canonieke vorm voor zelfstandige naamwoorden bijvoorbeeld de nominatief enkelvoud en voor werkwoorden de infinitief. De regels voor het kiezen van de canonieke vorm verschillen echter per taal en lexicografische traditie.

Hier volgen enkele voorbeelden van gegevens met betrekking tot de geschreven canonieke vorm:

- type uitdrukking op basis van de geschreven vorm (bijv. volledige vorm, afgekorte vorm, symbool, formule, enz.);

- spelling van de vorm;

- spellingsvarianten van de vorm;

- afbreking.

Voorbeelden van gegevens met betrekking tot de mondelinge canonieke vorm:

- type uitdrukking op basis van de mondelinge vorm (bijv. initiaalwoord, acroniem);

- uitspraak;

- uitspraakvarianten van de vorm;

- syllabificatie.

Zoals men kan zien, kunnen sommige gegevenscategorieën betrekking hebben op zowel geschreven als mondelinge vormen. Als bijvoorbeeld wordt aangegeven dat een bepaalde uitdrukking een initiaalwoord is, d.w.z. een afgekorte vorm die bestaat uit de beginletters van de volledige term, waarbij deze letters afzonderlijk worden uitgesproken (bijv. United Nations – UN), levert dat informatie op over zowel de geschreven als de mondelinge vorm. Bovendien kan dit

44 Igor Kudashev | Improving Compatibility of Terminological...

kan worden gezegd informatie te verschaffen over de vorming, oorsprong en ontwikkeling van termen.

GEGEVENS OVER TERMWOORDING

Voorbeelden van gegevens over de vorming van LSP-uitdrukkingen:

- termcomponenten en termelementen;

- morfeemstructuur;

- syntactisch model;

- model van termvorming;

- methode(s) van termvorming;

- morfologische varianten;

- afleidingen.

GEGEVENS MET BETREKKING TOT INFLECTIE

Voorbeelden van gegevens met betrekking tot de inflectie van LSP-uitdrukkingen:

- grammaticale parameters (getal, genus, bezieldheid enz.);

- volledig of gedeeltelijk paradigma van de vormen;

- modellen van inflectie, vervoeging enz.

Gegevens met betrekking tot betekenis

Dit deel van de classificatie begint met een nogal marginale categorie om aan te sluiten bij de andere secties. LSP-uitdrukkingen kunnen in verschillende klassen worden ingedeeld, afhankelijk van de mate waarin hun innerlijke vorm hun betekenis weerspiegelt. Een vaste uitdrukking is bijvoorbeeld een eenheid waarvan de betekenis niet kan worden afgeleid uit de gecombineerde betekenis van de woorden waaruit de uitdrukking bestaat.

Daarnaast kunnen gegevens met betrekking tot de betekenis van LSP-uitdrukkingen in twee grote categorieën worden verdeeld. De eerste is logische betekenis – een beschrijving van het logische concept dat door een LSP-uitdrukking wordt aangeduid. Dit type informatie wordt doorgaans verstrekt in terminologische definities en definitieachtige beschrijvingen.

De tweede categorie omvat nogal heterogene betekeniscomponenten die geïnduceerde betekenis kunnen worden genoemd. Deze componenten omvatten bijvoorbeeld:

- verschillende connotaties, d.w.z. evaluatieve componenten van de betekenis;

- de innerlijke vorm van de uitdrukking (de ‘letterlijke’, morfeem-voor-morfeem betekenis);

Terminologija | 2009 | 16

45

– andere LSP- of LGP-betekenissen van dezelfde uitdrukking;

– betekeniscomponenten die voortkomen uit antonieme, synonieme, paronieme en andere systematische relaties van de uitdrukking;

– verschillende soorten associaties;

– betekeniscomponenten die voortkomen uit klankovereenkomst, rijm enz.

We noemen deze betekeniscomponenten “geïnduceerd”, omdat ze voortkomen uit de houding van taalgebruikers tegenover de objecten die door LSP-uitdrukkingen worden aangeduid, uit associaties van de gebruikers of uit relaties tussen een LSP-uitdrukking en andere taaleenheden. In die zin worden aanvullende betekeniscomponenten door taalgebruikers, andere taaleenheden of beide “geïnduceerd” bij de LSP-uitdrukking. Zie (Kudashev 2006; Kudashev 2007: 254–258) voor meer informatie over de weergave van geïnduceerde betekenis in LSP-woordenboeken.

Geïnduceerde componenten zijn welkom en worden zelfs doelbewust gecultiveerd wanneer ze positieve associaties en connotaties creëren of gebruikers in staat stellen hun houding tegenover het onderwerp te uiten in informele communicatie. In de meeste gevallen leiden ze de aandacht van gebruikers echter alleen af van de logische betekenis, die de kern van LSP-communicatie zou moeten vormen. Dit is waarschijnlijk een van de redenen waarom componenten van geïnduceerde betekenis in de terminologietheorie grotendeels zijn verwaarloosd. Toch is het in aanmerking nemen ervan een belangrijke voorwaarde voor succesvolle terminologische nominatie en effectieve LSP-communicatie.

Gegevens met betrekking tot encyclopedische beschrijving

Een encyclopedische beschrijving biedt informatie over objecten die door LSP-uitdrukkingen worden aangeduid; in de meeste gevallen is deze informatie extralinguïstisch. Soms is het echter niet eenvoudig een grens te trekken tussen de beschrijving van het concept en de beschrijving van het object dat door een LSP-uitdrukking wordt aangeduid. Veel terminologische databanken bevatten al informatie die als encyclopedische beschrijving geldt. Naar verwachting zal het aandeel van dergelijke informatie in de toekomst groeien, doordat verschillende soorten naslagwerken steeds meer naar elkaar toegroeien (vgl. Hartmann 2001: 5). Om dit feit te erkennen, hebben we besloten de encyclopedische beschrijving op te nemen in de classificatie van gegevenscategorieën die verband houden met de beschrijving van LSP-uitdrukkingen.

Gegevens met betrekking tot gebruik

Informatie over gebruik lijkt het meest gevraagde type te zijn van

46 Igor Kudashev | Improving Compatibility of Terminological...

terminological data (Kudashev 2007: 207). It can be subdivided into two big categories:

- gebruiksbeperkingen;

- gebruiksfrequentie.

GEGEVENS OVER GEBRUIKSBEPERKINGEN

Het gebruik van elke LSP-uitdrukking is beperkt tot ten minste een bepaalde nationale taal, een bepaald domein en een bepaalde periode. Daarnaast kan het gebruik beperkt zijn tot een bepaald geografisch gebied, een beroepsgroep, een organisatie, een register enz. Hieronder staat een lijst van de meest voorkomende gebruiksbeperkingen, met enkele voorbeelden tussen haakjes:

- nationale taal (en, fi, ru);

- domein en subdomein (natuurkunde – atoomfysica – hoge-energiefysica);

- wetenschappelijke school/theorie (de natuurkunde van Newton, de natuurkunde van Einstein; Deens structuralisme in de taalkunde);

- chronologische beperking (verouderd, neologisme, gebruikt tijdens de Tweede Wereldoorlog);

- geografische beperking (en-US, en-GB, dialectische uitdrukking);

- organisatorische beperking (term gebruikt bij/door Nokia, Microsoft, UN, WHO);

- eigendomsbeperking (handelsmerk, handelsnaam);

- registerbeperkingen (officiële term, informele term, vakjargon);

- beperkingen voor beroepsgroepen (artsen, verpleegkundigen, medisch assistenten);

- combinatorische beperkingen (een onderzoek uitvoeren/verrichten/doen/starten);

- conformiteitsbeperkingen (gestandaardiseerde, voorkeursterm, aanbevolen, niet-aanbevolen term).

De twee laatstgenoemde soorten beperkingen moeten waarschijnlijk nader worden toegelicht.

Gegevens met betrekking tot combinatorische beperkingen

Combinatorisch vermogen is het vermogen van taaleenheden om grotere eenheden te vormen. Het combinatorisch vermogen kan worden onderverdeeld in semantisch, lexicaal en syntactisch vermogen. Semantisch combinatorisch vermogen houdt in dat uitdrukkingen geen omstreden componenten in hun betekenis bevatten. Lexicaal combinatorisch vermogen komt tot uiting in het vermogen van uitdrukkingen om te combineren met bepaalde andere lexicale middelen. Syntactisch combinatorisch vermogen is het vermogen van een uitdruk-

Terminologija | 2009 | 16

47

king om te combineren met bepaalde grammaticale vormen van andere uitdrukkingen en met hulpwoorden. Combinatorische beperkingen worden doorgaans beschreven aan de hand van syntactische modellen, voorbeelden en contexten.

Gegevens met betrekking tot conformiteitsbeperkingen

Terminologische producten zijn doorgaans in meerdere of mindere mate prescriptief van aard. Deze normativiteit kan variëren van aanbevelingen van de samenstellers of de door hen geraadpleegde vakdeskundigen tot normatieve goedkeuring. In elk geval gaat het om de vraag of een uitdrukking in een LSP voldoet aan een „goede” of „correcte” stijl (vanuit het oogpunt van de samenstellers), en in het geval van normen ook aan een normatief document.

GEGEVENS MET BETREKKING TOT DE GEBRUIKSFREQUENTIE

Informatie over de gebruiksfrequentie kan gebaseerd zijn op corpusgegevens en numeriek worden weergegeven, of het kan gaan om een min of meer subjectieve schatting die verbaal wordt uitgedrukt (bijvoorbeeld: algemeen gebruikt – weinig gebruikt – zelden gebruikt).

Gegevens met betrekking tot systematische relaties

Met systematische relaties bedoelen we ontologische relaties (relaties die kennis over de wereld bevatten), systematische lexicale relaties en equivalentierelaties tussen talen. Hieronder volgen voorbeelden van de meest voorkomende systematische relaties:

– synonieme relaties;

– antonieme relaties;

– homonieme relaties;

– paronieme relaties;

– generieke relaties;

– partitieve relaties;

– niet-hiërarchische ontologische relaties (associatieve, sequentiële, temporele, causale enz.);

– equivalentierelaties (tussen talen).

Relaties die betrekking hebben op woordvorming, verbuiging en combinatorische mogelijkheden van uitdrukkingen behoren niet tot deze categorie, omdat het geen systematische lexicale relaties zijn.

Gegevens over oorsprong en ontwikkeling

Dit type gegevens is verwant aan etymologische gegevens, maar is daartoe niet beperkt. Het kan bijvoorbeeld het volgende omvatten:

48 Igor Kudashev | Improving Compatibility of Terminological...

- informatie over de vormen waarvan een specifieke LSP-uitdrukking vermoedelijk afkomstig is;

- informatie over de ontwikkelingsfasen van een specifieke LSP-uitdrukking;

- informatie over eerdere vorm(en), betekenis(sen), gebruik enz. van een specifieke LSP-uitdrukking.

CONCLUSIES

In dit artikel hebben we de principes besproken van gegevensclassificatie die erop gericht is structurele verschillen tussen gegevenscategorieën in verschillende terminologische collecties te overbruggen. Beoogde toepassingen van de classificatie zijn onder meer het samenvoegen en combineren van terminologische gegevens, het organiseren van zoekopdrachten op volledige lemma’s in meerdere terminologische collecties en het aanpassen van lemma’s aan de voorkeuren van gebruikers.

Voor de twee laatstgenoemde taken is een classificatie nodig die vrij eenvoudig en intuïtief begrijpelijk is voor gewone gebruikers van terminologische producten. Een classificatie op basis van de taalkundige functies van de gegevens lijkt in dit opzicht een van de beste kandidaten. Zoeken op basis van de taalkundige functies van de gegevens vormt een effectieve aanvulling op zoeken op naam van gegevenscategorieën en vervult dezelfde functie als een onderwerpscatalogus in een bibliotheek.

In dit artikel hebben we ons gericht op de classificatie van gegevens die verband houden met de beschrijving van LSP-uitdrukkingen, aangezien dit het belangrijkste type gegevens is dat in terminologische databases wordt gepresenteerd. Classificaties van andere gegevenstypen, zoals informatie over bronnen, gebruikers en transacties op het gebied van terminologiebeheer, zullen beschikbaar zijn in de specificaties van het ContentFactory-project, dat gericht is op het ontwerpen van een op ontologieën gebaseerd platform voor gedistribueerd, collaboratief terminologiewerk. Het project loopt af in 2010 en een groot deel van de interne documentatie zal openbaar worden gemaakt.

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