Îmbunătățirea compatibilității colecțiilor terminologice printr-o clasificare-punte a categoriilor de date

IGOR KUDASHEV

University of Helsinki

I N T R O D U C E R E

În pofida existenței unui set standardizat de categorii de date (ISO 12620:1999) și a unor metode standardizate de lucru terminologic (ISO 704:2000), este încă dificil să găsim două baze de date terminologice create în două organizații diferite care să poată fi îmbinate cu ușurință, fără pierderi de date sau denaturarea principiilor inițiale de alcătuire a fiecărei baze de date. Cele mai evidente motive sunt următoarele:

limbile și tradițiile naționale diferă;

domeniile LSP diferă;

pregătirea și abordările alcătuitorilor diferă;

soluțiile tehnice diferă.

În același timp, una dintre tendințele în gestionarea resurselor terminologice și a altor tipuri de date a fost agregarea resurselor dispersate în portaluri sau servicii mai ample, de obicei fără a le îmbina fizic. Un exemplu este portalul EuroTermBank (http://www.eurotermbank.com) care permite căutarea în mai multe baze de date terminologice interne și externe și poate compila rezultatele.

Pe măsură ce cerințele utilizatorilor și volumele de date cresc, devine necesar să se ofere o căutare avansată care să acopere toate câmpurile înregistrării, nu doar termenii-titlu, și să se adapteze înregistrările la preferințele utilizatorilor. În acest articol, propunem o clasificare a categoriilor de date care poate servi drept punte între colecțiile terminologice. Clasificarea abordează următoarele probleme legate de gestionarea colecțiilor terminologice cu seturi diferite de categorii de date:

agregarea și îmbinarea resurselor terminologice;

organizarea căutării care acoperă toate câmpurile înregistrărilor;

adaptarea înregistrărilor din mai multe colecții în conformitate cu preferințele utilizatorilor.

36

Igor Kudashev | Improving Compatibility of Terminological...

O bază de date terminologică poate conține diferite tipuri de date, pe lângă datele terminologice propriu-zise, precum informații despre surse, utilizatori și tranzacții de gestionare a terminologiei. În acest articol ne concentrăm asupra clasificării categoriilor de date legate de descrierea expresiilor LSP.

CE ESTE O CATEGORIE DE DATE?

Diferite tipuri de date sunt plasate în câmpuri diferite în bazele de date terminologice. Categoria de date este rezultatul specificării unui anumit câmp de date (ISO 1087-2:2000: 13). Terminologii folosesc metafore diferite pentru a explica conceptul de categorie de date. O metaforă este cea a unui dulap în care sertare diferite sunt folosite pentru a depozita tipuri diferite de haine. O altă metaforă este un coș de cumpărături în care fiecare tip de produs este ambalat în propriul pachet, astfel încât produsele să nu se amestece.

NECONCORDANȚE TIPICE ÎNTRE CATEGORIILE DE DATE

Categoriile de date sunt rezultatul clasificării datelor. Datele pot fi clasificate în multe moduri diferite, în funcție de perspectiva celui care face clasificarea și de nevoile utilizatorilor. Folosind metafora dulapului, se poate spune că dulapurile diferite au un număr diferit de sertare, care pot avea forme, dimensiuni etc. diferite.

Între categoriile de date din bazele de date terminologice sunt posibile cel puțin șase tipuri de neconcordanțe:

- neconcordanța denumirilor categoriilor de date;

- neconcordanța „dimensiunilor” categoriilor de date, adică o „granularitate” diferită;

- neconcordanța „locurilor” categoriilor de date, adică a poziției lor în schema de clasificare;

- neconcordanța principiilor de clasificare (suprapunere);

- neconcordanța conținutului categoriilor de date;

- cazuri mixte.

Mai jos sunt prezentate câteva exemple care ilustrează unele neconcordanțe frecvente.

Cazul 1: categoriile de date au denumiri diferite.

Exemplu: categoria de date este numită note într-o bază de date, comment în alta, remark în cea de-a treia și NB în cea de-a patra.

Terminologija | 2009 | 16

37

Cazul 2: denumirea unei categorii de date este folosită cu sensuri diferite.

Exemplu: categoria de date sinonim poate corespunde unui „sinonim complet”, unui „cvasi-sinonim” sau unui „sinonim complet ori cvasi-sinonim”.

Cazul 3: denumirile categoriilor de date sunt „prieteni falși”.

Exemplu: termenii englezești abreviere și acronim, așa cum sunt definiți în standardul ISO (ISO 12620:1999: 6–7), și termenii rusești аббревиатура și акроним se corespund încrucișat (Kudashev & Hajutin 2003: 104–105).

Cazul 4: granularitatea categoriilor de date diferă.

Exemplu: categoria de date formă abreviată a termenului este împărțită în cinci subclase (abreviere, formă scurtă a termenului, inițialism, acronim și termen trunchiat) în ISO 12620:1999, dar o astfel de diviziune nu există în ISO 12616:2002 („Terminologie orientată spre traducere”).

Cazul 5: suprapunerea categoriilor de date.

Exemplu: categoriile de date exemplu și context se suprapun. Unele exemple sunt contexte, iar unele contexte pot servi drept exemple, însă cele două categorii nu sunt identice.

Cazul 6: aceeași categorie de date este încadrată în categorii supraordonate diferite.

Exemplu: categoria de date context este considerată o dată referitoare la concept în ISO 12620:1999, aparent deoarece contextele pot oferi informații suplimentare despre concept. Totuși, o funcție mai frecventă a contextelor este aceea de a furniza informații despre utilizarea termenilor și colocările acestora, astfel încât „multe baze de date clasifică context drept categorie referitoare la termen” (ISO 12620:1999: 25).

Cazul 7: limba, sistemul de semne sau notația datelor diferă.

Exemplu: într-o bază de date, partea de vorbire poate fi codificată ca substantiv, în alta ca n., în a treia ca subst., iar în a patra ca simbol grafic.

Cazul 8: valori identice sau similare ale categoriilor de date sunt folosite cu sensuri și în contexte diferite.

Exemplu: valoarea neologism din categoria de date proveniența termenului din ISO 12620:1999 pare să indice o etichetă cronologică, deși, în realitate, se referă la metodologia utilizată pentru crearea termenului.

38

Igor Kudashev | Improving Compatibility of Terminological...

Cazul 9: valorile claselor semiînchise diferă din cauza clasificării diferite a fenomenelor lingvistice în limbi diferite și în tradiții diferite. Exemplu: în ISO 12620:1999, etichetele pentru descrierea expresiilor LSP aparținând „registrului inferior” includ slang register și vulgar register. Acestea corespund aproximativ etichetelor профессиональный жаргонизм (argou profesional) și профессиональное просторечие (limbaj colocvial profesional) în rusă. În finlandeză, însă, există o singură categorie, ammattislangi (argou profesional; vezi Sanastotyön käsikirja 1989: 12).

De asemenea, trebuie remarcat că unele date pot fi exprimate implicit în colecțiile terminologice.

Exemplul 1: prezența etichetei obsolete în unele cazuri și absența ei în altele într-o colecție terminologică implică faptul că termenii care nu sunt marcați cu eticheta aparțin fondului lexical activ al LSP.

Exemplul 2: dacă doi sau mai mulți termeni sunt incluși în aceeași fișă, aceasta implică de obicei că sunt sinonime sau echivalente.

Schimbul sau agregarea datelor din resursele terminologice poate necesita explicitarea acestor date implicite. De exemplu, dacă datele sunt stocate sub formă de ontologie, și nu în fișe statice, atunci informațiile implicite menționate mai sus despre sinonime și echivalente trebuie făcute explicite și salvate în timpul „dezasamblării” fișelor.

INVENTARE ȘI CLASIFICĂRI ISO ALE CATEGORIILOR DE DATE

ISO 12620:1999 specifică un set de categorii de date pentru înregistrarea informațiilor terminologice. Nu prescrie ce categorii de date ar trebui utilizate, ci servește mai degrabă drept inventar. Acest set de categorii de date este extins în cadrul proiectului ISOcat (www.isocat.org), care documentează categorii de date lingvistice larg acceptate.

Deși proiectul ISOcat este, fără îndoială, util pentru lingviști, care au ocazia să categorizeze și să definească mai bine conceptele lingvistice, și pentru proiectanții bazelor de termeni, care pot alege categorii de date gata pregătite dintr-un inventar vast, este puțin probabil să rezolve problema schimbului și agregării datelor și a căutării în fișe complete în mai multe baze de date.

În primul rând, nu poate împiedica alcătuitorii produselor terminologice să

Terminologija | 2009 | 16

39

clasificarea datelor într-un mod diferit și utilizarea propriilor categorii de date. În al doilea rând, cu cât sunt folosite mai multe categorii de date în colecțiile terminologice, cu atât acestea devin mai diverse, ceea ce îngreunează și mai mult schimbul de date.

În teorie, lista categoriilor de date este infinită, iar în practică este foarte vastă. De exemplu, lista categoriilor de date legate de terminologie din inventarul ISOcat depășește deja 500 de elemente. Una dintre practicile utilizate în proiectul ISOcat poate multiplica de multe ori acest număr. Ne referim la prezentarea valorilor claselor închise și semideschise drept categorii de date individuale.

De exemplu, valorile categoriei de date register, precum vulgarRegister, slangRegister etc., sunt prezentate acum drept categorii de date de sine stătătoare. În mod similar, categoria de date reliabilityCode este împărțită în reliabilityCode1, reliabilityCode2 etc. Pot exista opinii diferite cu privire la caracterul rezonabil al acestei abordări din punct de vedere practic, însă datele pot fi organizate în multe feluri, astfel încât nu există restricții formale care să împiedice împărțirea categoriilor de date până la clasele primitive, care pot accepta doar valorile yes și no. Este însă clar că acest domeniu al categoriilor de date trebuie structurat și clasificat corespunzător pentru a rămâne gestionabil și bine organizat.

Între timp, clasificarea categoriilor de date propusă în ISO 12620:1999 este problematică sub mai multe aspecte. În primul rând, există unele inconsecvențe privind divizarea principală a datelor. Potrivit secțiunii 6.2 (Tipologia categoriilor de date), categoriile de date sunt împărțite în trei grupuri principale: informații despre termeni și informații legate de termeni, date descriptive și date administrative. Totuși, în Anexa D (Lista sistematică a categoriilor de date), al doilea grup este denumit Categorii de date legate de descrierea conceptelor. În același timp, acest grup cuprinde subgrupul Notă, care „este de sine stătător, deoarece poate fi asociat cu oricare dintre celelalte categorii și, prin urmare, nu poate fi subordonat niciunui alt subgrup specific” (ISO 12620:1999: 4).

Dacă presupunem că divizarea avută în vedere cuprindea patru grupuri: informații despre termeni și informații legate de termeni, informații legate de concepte, date administrative și Notă, această clasificare ridică în continuare multe întrebări. Iată câteva:

- De ce exemplele și contextele sunt date legate de concepte, și nu date legate de termeni? Cf. descrierea categoriei de date context: „Un text sau o parte dintr-un text în care apare un termen” (ISO 12620:1999: 25).

- De ce sinonimia și echivalența sunt date legate de termeni, în timp ce tot ceea ce ține de sens este considerat date legate de concepte? Cf. descrierea categoriei de date grad de echivalență: „Măsura în care intensiunile a două sau mai multe concepte se suprapun” (ISO 12620:1999: 21).

40

Igor Kudashev | Improving Compatibility of Terminological...

De ce antonimia și omonimia sunt date administrative, și nu date legate de termeni sau de concepte?

De ce materialele audio, materialele video etc. sunt doar date legate de concepte?

Care este definiția exactă a datelor administrative? De ce include această clasă categorii atât de eterogene?

Împărțirea datelor terminologice în date legate de concepte și date legate de termeni poate fi utilă din punct de vedere tehnic, deoarece susține abordarea orientată spre concepte, care reduce numărul relațiilor dintre termeni prin asocierea termenilor sinonimi cu același concept. Totuși, o astfel de împărțire în general și, în special, implementarea ei în ISO 12620:1999 pot reprezenta o provocare pentru utilizatorii obișnuiți ai bazelor de date terminologice – traducătorii și experții din domeniu. Într-adevăr, nu este ușor de înțeles de ce sinonimele ar trebui căutate în datele legate de termeni, dar antonimele în datele administrative, iar exemplele în datele legate de concepte.

Utilizatorii obișnuiți lucrează cu termeni – cuvinte și combinații de cuvinte –, așadar, pentru ei este mai firesc să vorbească despre sensul unui termen, sinonimele unui termen, exemple de utilizare a termenilor etc. Aceasta implică faptul că o clasificare a categoriilor de date destinată să ofere căutarea în intrări complete în colecții multiple ar trebui să fie orientată spre termeni, intuitivă și bazată pe categorii lingvistice comune.

DEPĂȘIREA NECONCORDANȚELOR DINTRE CATEGORIILE DE DATE

Problema neconcordanțelor dintre categoriile de date poate fi rezolvată cu ajutorul mapării. Dacă neconcordanțele sunt nominale, de exemplu, dacă denumirile categoriilor de date diferă sau același conținut este prezentat în moduri diferite, se poate folosi maparea directă între categoriile de date. Odată aplicată maparea directă, datele din resursa agregată pot fi căutate cu aceeași precizie ca în bazele de date originale.

Diferențele mai substanțiale dintre categoriile de date impun găsirea unui numitor comun prin maparea dintre clasificările seturilor de categorii de date. Utilizarea unui numitor comun reduce într-o oarecare măsură precizia căutării, dar aceasta este singura modalitate de a asigura o căutare comună în resurse terminologice cu structuri diferite. Dacă utilizatorul nu este dispus să sacrifice precizia căutării, trebuie să efectueze o căutare separată în fiecare colecție în parte.

Ca și în cazul schimbului de date în general, utilizarea unui format intermediar, adică a unei clasificări-punte a categoriilor de date, este mai eficientă pe termen lung

Terminologija | 2009 | 16

41

decât mapările multiple între clasificări diferite. Principiile generale ale clasificării categoriilor de date destinate să servească drept interfață comună între alte clasificări sunt următoarele:

1. Deoarece clasele clasificării sunt menite să servească drept numitori comuni, ele trebuie să se situeze la un nivel de abstractizare mai înalt decât majoritatea categoriilor de date „primitive”, care nu sunt subdivizate mai departe. În același timp, nivelul de abstractizare nu poate fi prea înalt, deoarece utilizatorii nu ar fi interesați de o clasificare prea generală. În practică, o clasificare cu două niveluri de abstractizare este suficientă.

2. Clasificarea ar trebui să acopere toate tipurile de expresii LSP descrise de obicei în bazele de date terminologice, inclusiv elemente de termen, nume proprii, nomenclatură, locuțiuni etc.

3. Clasificarea ar trebui să conțină numai categoriile de date legate direct de descrierea expresiilor LSP. Descrierea aspectelor tehnice și administrative (de exemplu, suporturi, codificări, surse, fiabilitate etc.) este o sarcină diferită.

4. Clasificarea ar trebui să fie ierarhică, dar să permită mai multe criterii de diviziune la același nivel de abstractizare.

5. Clasificarea ar trebui să poată fi extinsă, adică să conțină categoria „altele” la fiecare nivel al ierarhiei.

Aceste principii trebuie îmbinate cu cerința de ușurință în utilizare menționată mai sus. În opinia noastră, clasificarea bazată pe funcțiile lingvistice ale datelor este o candidată deosebit de promițătoare în această privință.

În clasificarea-punte bazată pe funcțiile lingvistice, accentul se mută de la denumirile categoriilor de date la funcția sau funcțiile datelor pe care acestea le conțin. O comparație potrivită în acest caz este cea cu o bibliotecă având cataloage alfabetice și tematice.

Căutarea după denumirile categoriilor de date este similară căutării cu ajutorul unui catalog alfabetic. Titlul oferă un indiciu despre conținutul cărții, dar uneori poate induce în eroare. În plus, utilizatorii nu pot ghici toate titlurile posibile care acoperă o anumită temă. Catalogul alfabetic este util în cazurile în care utilizatorii știu sigur ce element(e) doresc să găsească. Majoritatea utilizatorilor bibliotecilor încep însă căutarea cu catalogul tematic, deoarece nu știu dinainte ce elemente acoperă tema care îi interesează.

Portalul terminologic care agregă mai multe colecții terminolo-

42

Igor Kudashev | Improving Compatibility of Terminological...

țiile cu seturi diferite de categorii de date le pun utilizatorilor aceeași problemă ca domeniul cărților de pe rafturile unei biblioteci. Utilizatorii știu ce fel de informații îi interesează (gramatică, sens, uz etc.), dar nu știu neapărat în ce categorii de date pot găsi aceste informații. În colecții terminologice diferite, tipuri similare de date pot fi găzduite în câmpuri de date diferite. De exemplu, informațiile despre statutul areal al unei expresii LSP pot fi găsite în câmpuri precum uz, etichetă regională, simbol lingvistic etc.

Dacă căutarea se bazează pe funcțiile lingvistice ale datelor, utilizatorii nu trebuie să țină seama de denumirile exacte ale categoriilor de date. Ei precizează doar că caută informații despre statutul areal, sens sau sinonime, iar sistemul de gestionare a terminologiei localizează și afișează înregistrări complete sau prescurtate din diferite baze de date care conțin tipul de informații specificat. Căutarea după funcție poate și ar trebui completată de căutarea după denumirea câmpurilor, pentru acei utilizatori care știu exact în ce câmpuri doresc să caute.

Câmpurile de date, asemenea elementelor unei biblioteci, pot conține diferite tipuri de informații lingvistice. De pildă, exemplu este un câmp multifuncțional tipic, care poate conține informații despre forma, sensul și uzul unui termen, în proporții diferite. Fiecare categorie de date poate fi descrisă ca având una sau mai multe funcții. De asemenea, ar trebui să fie posibilă precizarea măsurii în care o anumită categorie de date reflectă anumite funcții. Această caracteristică poate fi exprimată verbal (de exemplu, funcție primară și secundară) sau numeric (de exemplu, 0–100%).

Cea mai simplă modalitate de a mapa un anumit set de categorii de date la clasificarea intermediară este să se considere uniforme conținuturile câmpurilor de date de un anumit tip și să se întocmească un tabel simplu de corespondență. O mapare mai precisă, dar și mai complicată, le-ar permite compilatorilor să specifice abaterile câmpurilor de date individuale de la valorile folosite în tabelul global de corespondență. De exemplu, contextele oferă de obicei informații despre uzul și sensul termenilor. Este rezonabil să se includă aceste tipuri de informații în tabelul global de corespondență, deoarece sunt relevante pentru fiecare câmp de context. Totuși, unele contexte pot conține și informații enciclopedice. Această utilizare ocazională a informațiilor enciclopedice poate fi marcată local, la nivelul câmpului.

Terminologija | 2009 | 16

43

CLASIFICAREA CATEGORIILOR DE DATE ÎN FUNCȚIE DE FUNCȚIILE LINGVISTICE ALE DATELOR

Deoarece expresiile LSP sunt semne lingvistice, informațiile despre ele pot fi împărțite în informații despre forma, sensul, uzul, relațiile cu alte unități, originea și dezvoltarea lor. Mai jos, fiecare dintre aceste clase este descrisă în detaliu și sunt oferite câteva exemple de date care le aparțin. Pentru versiunea concisă a clasificării, consultați Anexa 1.

Date referitoare la formă

Expresiile LSP au două forme – scrisă și orală. În plus, datele referitoare la forma unei expresii LSP pot fi subdivizate în trei clase:

- date referitoare la forma canonică;

- date referitoare la formarea unității;

- date referitoare la flexiunea unității.

DATE REFERITOARE LA FORMA CANONICĂ

Forma canonică este forma sub care lema este introdusă în baza de date. Ea servește drept „reprezentant” pentru celelalte forme. De exemplu, în majoritatea limbilor europene, forma canonică a substantivelor este nominativul singular, iar cea a verbelor este infinitivul prezent. Totuși, regulile de alegere a formei canonice variază în funcție de limbă și de tradițiile lexicografice.

Iată câteva exemple de date referitoare la forma canonică scrisă:

- tipul expresiei în funcție de forma sa scrisă (de exemplu, forma completă, forma abreviată, simbolul, formula etc.);

- ortografia formei;

- variantele ortografice ale formei;

- despărțirea în silabe.

Exemple de date referitoare la forma canonică orală:

- tipul expresiei în funcție de forma sa orală (de exemplu, inițialism, acronim);

- pronunția;

- variantele de pronunție ale formei;

- silabisirea.

După cum se poate observa, unele categorii de date se pot referi atât la formele scrise, cât și la cele orale. De exemplu, indicarea faptului că o anumită expresie este un inițialism, adică o formă abreviată alcătuită din literele inițiale ale termenului complet, în care aceste litere se pronunță individual (de exemplu, United Nations – UN), oferă informații atât despre forma scrisă, cât și despre cea orală. În plus, aceasta poate

44 Igor Kudashev | Improving Compatibility of Terminological...

se poate spune că oferă informații despre formarea, originea și dezvoltarea termenilor.

DATE PRIVIND FORMAREA TERMENILOR

Exemple de date referitoare la formarea expresiilor din limbajele de specialitate:

- componentele și elementele termenilor;

- structura morfematică;

- modelul sintactic;

- modelul de formare a termenilor;

- metoda (metodele) de formare a termenilor;

- variante morfologice;

- derivate.

DATE PRIVIND FLEXIUNEA

Exemple de date privind flexiunea expresiilor LSP:

- parametri gramaticali (număr, gen, animație etc.);

- paradigmă completă sau parțială a formelor;

- modele de flexiune, conjugare etc.

Date privind sensul

Această parte a clasificării începe cu o categorie mai degrabă marginală, pentru a se menține în concordanță cu celelalte secțiuni. Expresiile LSP pot fi împărțite în mai multe clase, în funcție de măsura în care forma lor internă reflectă sensul. De exemplu, o expresie fixă este o unitate al cărei sens nu poate fi dedus din sensul combinat al cuvintelor care alcătuiesc expresia.

În afară de aceasta, datele privind sensul expresiilor LSP pot fi împărțite în două mari categorii. Prima este sensul logic – descrierea conceptului logic desemnat de o expresie LSP. Acest tip de informație este furnizat de obicei în definiții terminologice și descrieri de tip definiție.

A doua categorie include componente de sens destul de eterogene, care pot fi numite sens indus. Aceste componente includ, de exemplu:

- diferite conotații, adică componente evaluative ale sensului;

- forma internă a expresiei (sensul ei „literal”, morfem cu morfem);

Terminologija | 2009 | 16

45

– alte sensuri ale aceleiași expresii în LSP sau LGP;

– componente ale sensului care rezultă din relațiile antonimice, sinonimice, paronimice și din alte relații sistematice ale expresiei;

– diferite tipuri de asocieri;

– componente ale sensului care rezultă din consonanță, rime etc.

Numim aceste componente ale sensului „induse” deoarece rezultă din atitudinea utilizatorilor limbii față de obiectele desemnate de expresiile LSP, din asocierile utilizatorilor sau din relațiile unei expresii LSP cu alte unități lingvistice. În acest sens, utilizatorii limbii, alte unități lingvistice sau ambele „induc” componente suplimentare ale sensului în expresia LSP. Pentru mai multe informații despre prezentarea sensului indus în dicționarele LSP, a se vedea (Kudashev 2006; Kudashev 2007: 254–258).

Componentele induse sunt binevenite și chiar cultivate în mod intenționat atunci când creează asocieri și conotații pozitive sau le permit utilizatorilor să-și exprime atitudinea față de subiect în comunicarea informală. Totuși, în majoritatea cazurilor, ele nu fac decât să distragă atenția utilizatorilor de la sensul logic, care ar trebui să se afle în centrul comunicării LSP. Acesta este probabil unul dintre motivele pentru care componentele sensului indus au fost în mare măsură neglijate în teoria terminologiei. Cu toate acestea, luarea lor în considerare este o condiție prealabilă importantă pentru o nominare terminologică reușită și o comunicare LSP eficientă.

Date legate de descrierea enciclopedică

Descrierea enciclopedică oferă informații despre obiectele desemnate de expresiile LSP, iar în majoritatea cazurilor aceste informații sunt extralingvistice. Totuși, uneori nu este ușor să se traseze o linie de demarcație între descrierea conceptului și descrierea obiectului desemnat de o expresie LSP. Multe baze de date terminologice conțin deja informații care pot fi considerate descrieri enciclopedice, iar ponderea acestor informații ar urma să crească în viitor, pe măsură ce diferitele tipuri de produse de referință tind să se apropie unele de altele (cf. Hartmann 2001: 5). Pentru a recunoaște acest fapt, am decis să includem descrierea enciclopedică în clasificarea categoriilor de date legate de descrierea expresiilor LSP.

Date referitoare la utilizare

Informațiile referitoare la utilizare par să fie tipul de informații cel mai solicitat.

46 Igor Kudashev | Improving Compatibility of Terminological...

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

- restricții de utilizare;

- frecvența utilizării.

DATE REFERITOARE LA RESTRICȚIILE DE UTILIZARE

Utilizarea oricărei expresii dintr-un LSP este limitată la cel puțin o limbă națională, un domeniu și o perioadă cronologică. În plus, utilizarea poate fi limitată la o anumită zonă geografică, un grup profesional, o organizație, un registru etc. Mai jos este prezentată lista celor mai frecvente restricții de utilizare, însoțite de câteva exemple între paranteze:

- limbă națională (en, fi, ru);

- domeniu și subdomeniu (fizică – fizică atomică – fizica energiilor înalte);

- școală/teorie științifică (fizica lui Newton, fizica lui Einstein; structuralismul danez în lingvistică);

- restricție cronologică (învechit, neologism, utilizat în timpul celui de-al Doilea Război Mondial);

- restricție geografică (en-US, en-GB, expresie dialectală);

- restricție organizațională (termen utilizat la/de Nokia, Microsoft, UN, WHO);

- restricție de proprietate (marcă comercială, denumire comercială);

- restricții de registru (termen oficial, termen informal, jargon profesional);

- restricții privind grupul profesional (medici, asistenți medicali, asistenți medicali auxiliari);

- restricții combinatorii (a efectua/a conduce/a face/a lansa o investigație);

- restricții de conformitate (termen standardizat, preferat, recomandat, nerecomandat).

Probabil că ultimele două tipuri de restricții trebuie comentate mai detaliat.

Date referitoare la restricțiile combinatorii

Capacitatea combinatorie este abilitatea unităților lingvistice de a forma unități mai mari. Capacitatea combinatorie poate fi împărțită în semantică, lexicală și sintactică. Capacitatea combinatorie semantică presupune că expresiile nu conțin componente controversate în sensul lor. Capacitatea combinatorie lexicală se manifestă prin abilitatea expresiilor de a se combina cu anumite alte mijloace lexicale. Capacitatea combinatorie sintactică este abilitatea unei expres-

Terminologija | 2009 | 16

47

ii de a se combina cu anumite forme gramaticale ale altor expresii și cuvinte auxiliare. Restricțiile combinatorii sunt descrise, de regulă, cu ajutorul modelelor sintactice, al exemplelor și al contextelor.

Date referitoare la restricțiile de conformitate

Produsele terminologice tind să aibă un caracter mai mult sau mai puțin prescriptiv. Acest caracter normativ poate varia de la recomandări ale compilatorilor sau ale experților din domeniu pe care aceștia i-au consultat până la autorizare normativă. În orice caz, este vorba despre conformitatea unei expresii din LSP cu un stil „bun” sau „corect” (din punctul de vedere al compilatorilor) și, în cazul standardelor, și cu un anumit document normativ.

DATE REFERITOARE LA FRECVENȚA DE UTILIZARE

Informațiile privind frecvența de utilizare se pot baza pe dovezi din corpus și pot fi exprimate numeric sau pot consta într-o estimare mai mult sau mai puțin subiectivă, exprimată verbal (de exemplu, utilizat frecvent – utilizat rar – utilizat foarte rar).

Date referitoare la relațiile sistematice

Prin relații sistematice înțelegem relațiile ontologice (relații care conțin cunoștințe despre lume), relațiile lexicale sistematice și relațiile de echivalență interlingvistică. Mai jos sunt prezentate exemple ale celor mai frecvente relații sistematice:

– relații de sinonimie;

– relații de antonimie;

– relații de omonimie;

– relații de paronimie;

– relații generice;

– relații partitive;

– relații ontologice nonierarhice (asociative, secvențiale, temporale, cauzale etc.);

– relații de echivalență (interlingvistică).

Relațiile care țin de formarea cuvintelor, de flexiune și de capacitatea combinatorie a expresiilor nu aparțin acestei categorii, deoarece nu sunt relații lexicale sistematice.

Date referitoare la origine și dezvoltare

Acest tip de date este apropiat de datele etimologice, dar nu se limitează la acestea. Poate include, de exemplu:

48 Igor Kudashev | Improving Compatibility of Terminological...

- informații despre formele din care se consideră că provine o expresie LSP specificată;

- informații despre etapele de dezvoltare ale unei expresii LSP specificate;

- informații despre forma (formele), sensul (sensurile), utilizarea etc. anterioare ale unei expresii LSP specificate.

CONCLUZII

În acest articol am discutat principiile clasificării datelor, menite să asigure o punte peste neconcordanțele structurale dintre categoriile de date din diferite colecții terminologice. Printre aplicațiile avute în vedere pentru clasificare se numără agregarea și îmbinarea datelor terminologice, organizarea căutării în înregistrări complete în mai multe colecții terminologice și adaptarea înregistrărilor în funcție de preferințele utilizatorilor.

Cele două sarcini menționate la urmă impun ca clasificarea să fie suficient de simplă și intuitivă pentru utilizatorii obișnuiți ai produselor terminologice. Clasificarea bazată pe funcțiile lingvistice ale datelor pare să fie una dintre cele mai potrivite opțiuni în această privință. Căutarea bazată pe funcțiile lingvistice ale datelor completează în mod eficient căutarea după denumirile categoriilor de date și îndeplinește aceeași funcție ca un catalog sistematic într-o bibliotecă.

În acest articol ne-am concentrat asupra clasificării datelor referitoare la descrierea expresiilor LSP, deoarece acesta este cel mai important tip de date prezentat în bazele de date terminologice. Clasificările altor tipuri de date, cum ar fi informațiile despre surse, utilizatori și tranzacțiile de gestionare a terminologiei, vor fi disponibile în specificațiile proiectului ContentFactory, care urmărește proiectarea unei platforme bazate pe ontologii pentru activitatea terminologică colaborativă distribuită. Proiectul se încheie în 2010, iar o mare parte din documentația sa internă va fi făcută publică.

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