Terminografija ir tekstynas

TERMINOGRAFIA I WSPÓŁCZESNOŚĆ Rūta MARCINKEVIČIENĖ Vytauto Didžiojo universitetas TERMINOGRAFIA I TEKSTYNY Lingwistyka korpusowa, która pojawiła się wraz z pierwszym korpusem ponad trzydzieści lat temu, dokonała rewolucji w leksykografii ogólnej. Dziś słowniki objaśniające opracowuje się w większym lub mniejszym stopniu na podstawie korpusów. Pod tym względem terminografia pozostaje do dziś zaniedbana nawet w krajach bardziej zaawansowanych w lingwistyce korpusowej, a cóż dopiero mówić o takich nowicjuszach jak my. W tym artykule spróbujemy pokazać, jak ważnym, wręcz niezastąpionym narzędziem jest korpus przy opracowywaniu słowników terminologicznych. Era technologii komputerowych, a wraz z nią komputerowych korpusów, bardzo wyraźnie oddzieliła tradycyjną terminologię i terminografię od nowej. Zasadniczo zmieniło się podejście terminologów do kilku kwestii: samego pojęcia terminu, źródeł terminów, kryteriów odróżniania terminu od jednostki nieterminologicznej, kwalifikacji terminologa, normalizacji terminów i kilku innych zagadnień. Wskutek znacznego rozszerzenia i wzajemnego przenikania się dziedzin nauk specjalistycznych pracy terminologów bardzo przybyło, ponieważ stosując tradycyjne metody, trudno nadążyć za postępem nauki i technologii. Właśnie dlatego zaczęto inaczej patrzeć na terminy: większy nacisk kładzie się nie na normę, lecz na użycie. Tradycyjna terminologia, która pojawiła się na początku tego wieku w wyniku ogromnego skoku technologicznego, zajmowała się przede wszystkim nazywaniem pojęć, porządkowaniem wielkiej różnorodności terminów powstałych w krótkim czasie, systematyzowaniem i normalizowaniem terminologii poszczególnych gałęzi i dziedzin nauki. Od początku istnienia terminologii jako samodzielnej nauki na terminy patrzono inaczej niż na inne wyrazy. Wüster, twórca terminologii (cyt. za Pearson 1998: 10), twierdził, że z terminami należy postępować inaczej niż z wyrazami języka ogólnego, ponieważ terminologia rozpoczyna się od analizy pojęć. Pojęcia zaś, jak wiadomo, istnieją- 5 niezależnie nie tylko od terminów, które je nazywają, lecz także od różnych języków. Terminy są niczym innym jak nazwami pojęć, które w idealnym przypadku pozostają z samymi pojęciami w relacji: jedno pojęcie – jeden termin. Terminy definiowano głównie z uwzględnieniem miejsca nazywanych przez nie pojęć w hierarchicznym systemie pojęć oraz ich związków z innymi pojęciami. Podstawę terminologii stanowiły terminy utworzone przez specjalistów z danej dziedziny i/lub znormalizowane oraz zatwierdzone, mające jasno określone, utrwalone, a zatem i chronione znaczenie. Nic więc dziwnego, że tradycyjni terminolodzy, kierujący się założeniami preskryptywnymi (por. Wüster, dla którego Sein-Norm była znacznie ważniejsza niż Ist-Norm), zupełnie nie interesowali się rzeczywistym stanem języka poszczególnych gałęzi nauki ani autentycznym użyciem terminów. Przechodząc od pojęcia do terminu i tworząc w ten sposób terminologię każdej poszczególnej dziedziny zgodnie z zasadą onomazjologiczną, ówcześni terminolodzy nie napotykali i nie mogli napotkać problemu identyfikacji terminu, lecz jedynie jego tworzenia. Ponadto w tamtym czasie poszczególne gałęzie nauki były jeszcze dość autonomiczne. Terminolodzy również mieli bardziej podzielone między sobą dziedziny i znali terminologię stosunkowo odizolowanych obszarów. Wraz z pojawianiem się zagadnień wspólnych terminami zaczynają interesować się ich przedstawiciele, a do terminologii trafiają nowi ludzie, niekoniecznie będący specjalistami w konkretnej dziedzinie nauki i/lub językoznawcami, tzn. programiści, twórcy baz danych terminologicznych i słowników elektronicznych itp. Ponieważ rzeczywiste użycie języka oraz liczba nowych terminów już dawno przerosły dostępne wykazy zatwierdzonych terminów, terminografia szybko zmieniających się gałęzi nauki, znacznie opóźniona względem rzeczywistości z powodu tradycyjnej metody kartotekowej, nie pozwala nowo przybyłym polegać na terminach zarejestrowanych wcześniej. Zaczyna się je zbierać z tekstów — to właśnie tekst staje się punktem wyjścia pracy terminologa (Rogers et al. 1994: 843). Bada się też ich rzeczywiste użycie, które często bardzo odbiega od ideału postulowanego przez kodyfikatorów języka. W tym miejscu pojawiają się pytania, co uznać za termin, kiedy wyraz ulega terminologizacji, jakie użycie wyrazu należy uznać za terminologiczne i jak odróżnić termin od jednostki nieterminologicznej. Terminologia przestaje więc być tak jasno określoną i wyodrębnioną częścią leksyki. Tworzy dość trudną do wyodrębnienia grupę wyrazów, w której centrum znajdują się człony prototypowe, zawsze postrzegane jako 6 Po terminach centralnych następują te, które uzyskują status terminu tylko w określonych okolicznościach, w określonym kontekście. Na peryferiach znajdują się również takie wyrazy, które na pierwszy rzut oka nie przypominają terminów, a jednak należy je za takie uznać. Dotyczy to na przykład wyrazów ze słownictwa języka ogólnego występujących w tekstach popularyzujących naukę. Z tego i innych powodów dla terminografów bardzo ważne jest identyfikowanie terminów, wyszukiwanie ich w autentycznych tekstach i opisywanie. Właśnie dlatego tak istotne stają się teksty i oprogramowanie ułatwiające pracę z nimi. Zwrócenie uwagi na rzeczywiste użycie kieruje terminologów bardziej ku opisowi niż normalizacji, a podział na preskryptywizm i deskryptywizm dzieli terminografię na tradycyjną i współczesną. Dlaczego tekst korpusowy Tekst korpusowy, jako źródło terminów, jest przydatny terminografom z wielu powodów. Autorzy propagujący jego tworzenie i wykorzystywanie wskazują najważniejsze z nich. Być może najistotniejsze jest to, że z jednego i tego samego tekstu korpusowego można od razu uzyskać trzy rzeczy potrzebne terminografom: same terminy, ich definicje, tj. informacje dziedzinowe o samym pojęciu, oraz przykłady użycia, a zatem także częstotliwość użycia, łączliwość terminów itp. (Sager 1990, Meyer et al. 1996, Pearson 1998). Oczywiście z tekstu korpusowego mogą korzystać również badacze dysponujący z góry ustaloną listą terminów. W takim przypadku uzyskują z niego informacje dziedzinowe i językowe. Jeśli jednak terminy pochodzą z tekstu korpusowego, mają jedną wielką zaletę — są systemowe i wzajemnie powiązane, ponieważ poszczególne teksty przedstawiają zbiory terminów używanych przez poszczególnych autorów, a w każdym z tych zbiorów terminy są starannie przemyślane i harmonijnie ze sobą powiązane. Właśnie z tego powodu — aby uzyskane terminy odzwierciedlały odrębne systemy — do tekstu korpusowego należy włączać całe teksty, a nie ich fragmenty, tj. próbki (Meyer et al. 1996: 268). Korpus obejmujący całe teksty jest niezbędny również ze względu na informacje dziedzinowe, które zostałyby utracone, gdyby poprzestać na częściach tekstów. Obecnie teksty korpusowe tworzone przez terminografów nadal służą głównie do gromadzenia informacji o terminach znanych wcześniej. Sprawdza się, 7 czy są one nadal używane, a jeśli tak, to w jaki sposób, czy nie zmieniły się cechy ich użycia, a wraz z nimi znaczenie, czy też nie zmienił się zakres pojęć, które nazywają, w związku z pojawieniem się nowych terminów. Jednak tekst korpusowy jest znacznie bardziej potrzebny do pozyskiwania nowych terminów; być może dlatego identyfikowanie terminów oraz ich automatyczne lub półautomatyczne pozyskiwanie należą dziś do najpopularniejszych tematów terminografii elektronicznej. Pod tym względem terminograf różni się od leksykografa. Ten ostatni nie zastanawia się, czym jest wyraz, lecz jedynie nad tym, jakie wyrazy umieszczać w jakich słownikach, natomiast terminograf dość często stawia pytanie: czym jest termin? Nowe terminy uzyskane z tekstu korpusowego i przechowywane oraz opracowywane w specjalnych bazach danych mają jeszcze jedną cechę — ich źródła są wskazane bardzo precyzyjnie i opatrzone datami, co pozwala ustalić, kiedy terminy powstały, rozpowszechniły się i zanikły. Jeśli końcowy rezultat pracy terminografa wyobrazimy sobie jako elektroniczną bazę danych (DB) lub przygotowany na jej podstawie słownik papierowy, tekst korpusowy będzie ważny na wszystkich etapach opracowywania tej DB. Komputery obejmują cały cykl pracy terminografa: od komputerowych tekstów korpusowych, przez specjalne programy do wyszukiwania i identyfikowania terminów, po tworzenie terminologicznych baz danych, opis terminów i jego rozpowszechnianie w formie elektronicznej lub tradycyjnej, książkowej (Ahmad et al. 1994: 267). Cykl pracy terminografa wygląda następująco. Na pierwszym etapie z archiwum tekstów elektronicznych, zgodnie z określonymi zasadami, tworzy się tekst korpusowy, a następnie pozyskuje się z niego terminy i przenosi je do DB, gdzie są opisywane: w poszczególnych polach DB umieszcza się typowe przykłady ich użycia zaczerpnięte z konkordancji oraz definicje pozyskane z tego samego źródła. Następnie, na podstawie informacji językowych i dziedzinowych uzyskanych z tekstu korpusowego, wskazuje się wyrazy powiązane z opisywanym terminem: synonimy, antonimy, hiponimy, hiperonimy; zamieszcza się odsyłacze do ich haseł, określa przynależność terminu do dziedziny oraz jego miejsce w ogólnym systemie pojęć. Ponadto podaje się cechy gramatyczne i pragmatyczne, ograniczenia dotyczące łączliwości lub inne ograniczenia użycia, informacje o zalecanym statusie terminu oraz — jeśli tak zaplanowano — ekwiwalenty tłumaczeniowe (więcej o cechach opisu terminograficznego zob. Sager 1990: 142–163). A zatem tekst korpusowy jest niezastąpiony od samego początku, tj. od poznawania samej 8 dziedziny nauki aż po ostatnią fazę — opracowanie artykułu słownikowego. Współcześni terminolodzy są bardzo sceptyczni wobec komputeryzowania istniejących słowników papierowych opracowanych bez wykorzystania tekstów korpusowych, tj. przenoszenia ich do baz danych (Sager 1990: 141). Kolejnym powodem, dla którego terminografowie powinni tworzyć specjalne teksty korpusowe, jest to, że przykłady autentycznego języka są dla terminografii jeszcze ważniejsze niż dla leksykografii. Są one znacznie ważniejsze niż introspekcja, ponieważ terminograf, w przeciwieństwie do leksykografa, nie jest specjalistą i nie tworzy tekstów w opisywanej odmianie języka. W przypadku problematycznym nie może zapytać: jak ja użyłbym tego wyrazu?, lecz jedynie: co ten wyraz oznacza dla specjalisty z danej dziedziny, jak użyłby go naukowiec, technolog, ekspert? A zatem ze względu na niewielką przydatność intuicji językowej terminografowie są znacznie bardziej zależni od tekstu korpusowego niż leksykografowie. Atkins et al. dzielą wszystkich użytkowników tekstów korpusowych na trzy grupy: a) tych, których interesuje język tekstów, b) tych, których interesuje treść tekstów, oraz c) tych, których interesują teksty jako teksty, tj. ich struktura, tworzenie itp. (cyt. za Meyer et al. 1996: 269). Leksykografowie należą do pierwszej grupy, a terminografowie do dwóch pierwszych, ponieważ ważne są dla nich zarówno wiedza językowa, jak i wiedza o samej dziedzinie. Po uświadomieniu sobie znaczenia tekstu korpusowego dla terminologii i możliwości, jakie oferuje, należy określić, jaki powinien być tekst korpusowy terminografa. Jaki tekst korpusowy Jak wspomniano, terminograf potrzebuje z korpusu dwóch równie ważnych rzeczy: informacji językowej i dziedzinowej, dlatego istotne jest, aby można było z niego uzyskać obie. Z punktu widzenia języka korpus powinien być taki, by terminy były w nim przedstawione jasno, poprawnie i, najlepiej, wraz z definicjami. Pożądane jest, by terminów było jak najwięcej i by były jak najbardziej różnorodne, a w idealnym przypadku — wszystkie utworzone i używane przez daną wspólnotę językową. Ważne jest również, aby terminy występowały w licznych i różnorodnych kontekstach. Z punktu widzenia dziedziny do korpusu należy włączać takie teksty, które ukazywałyby treść pojęć nazywanych terminami, ich wzajemne relacje i zależności. Bardzo ważne jest, aby terminy były w tych tekstach definiowane. 9 Z tych powodów eksperci proponują włączać do korpusów całą skalę możliwych tekstów, rozpatrywanych pod kątem komunikacyjnym i pragmatycznym, od najprostszych do najbardziej złożonych. Pearson dzieli teksty języka specjalistycznego na cztery grupy według prawdopodobieństwa znalezienia w nich terminów: a) teksty, w których odbiorcą eksperta jest partner dorównujący mu wiedzą — inny ekspert, czyli artykuły w recenzowanych czasopismach naukowych i monografie; w tych tekstach zagęszczenie terminów jest największe; b) teksty kierowane przez eksperta do specjalisty z tej samej dziedziny, lecz o niższym niż on poziomie, na przykład różnego rodzaju instrukcje i podręczniki; terminów jest tu nieco mniej; c) teksty popularnonaukowe, pisane dla osób niezaznajomionych z daną dziedziną. Świadomie unika się w nich terminów złożonych lub jakichkolwiek terminów; zamiast tego chętniej wyjaśnia się, parafrazuje innymi słowami, stosuje analogie i porównania, toteż autor, jeśli bardzo chce, może całkowicie obyć się bez terminów; d) teksty odpowiadające komunikacji nauczyciel–uczeń: podręczniki i pomoce dydaktyczne. Terminy w nich występują, ale są używane nieco inaczej. Ważną cechą tych tekstów są objaśnione terminy (Pearson 1998: 36–40). Opisanie tekstów korpusu terminograficznego wyłącznie z komunikacyjno-pragmatycznego punktu widzenia nie wystarcza. Dla jakości korpusu i jego reprezentatywności równie ważne są inne parametry i proporcje tekstów. Na pytanie, ile tekstów należy zebrać, by można było polegać na danych korpusu z nich utworzonego, eksperci odpowiadają: „Inaczej niż w przypadku korpusów ogólnych jakość jest tu znacznie ważniejsza niż ilość” (Meyer et al. 1996: 268). Zrozumiałe, że korpusy specjalistyczne są zazwyczaj mniejsze niż korpusy ogólne. Mimo mniejszych rozmiarów składają się jednak z kompletnych, nie skróconych tekstów. Ponadto powinny obejmować całą wybraną wcześniej przez terminografów reprezentowaną dziedzinę wraz ze wszystkimi należącymi do niej poddziedzinami. Często trudno wyznaczyć wyraźną granicę między poszczególnymi dziedzinami nauki, zwłaszcza gdy dana dziedzina wiąże się z zagadnieniami ogólnymi i twórcom korpusu nasuwa się pokusa, by zgłębiać temat, czyli włączyć więcej tekstów napisanych przez ekspertów dla ekspertów i niewątpliwie należących do tej dziedziny. Dlatego terminologom zaleca się konsultację z ekspertami opisywanej dziedziny, aby doradzili, jakie teksty włączyć, by utworzyć korpus reprezentatywny pod każdym względem i nie pominąć wraz z tekstami niewłączonymi 10 systemowo ważnych pojęć oraz nazywających je terminów, a przede wszystkim — aby nie dominowały priorytety jednego twórcy (Ahmad 1993: 60). W przypadku korpusu terminograficznego zupełnie nie sprawdza się zasada stosowana niekiedy przez leksykografów przy tworzeniu korpusów ogólnych: „Co mam, to wkładam”. Uwzględniając typologię korpusów oraz najważniejsze z punktu widzenia ciągłości typy korpusów: zamknięty — ciągły — monitorujący (monitor), proponuje się przygotowywać korpus terminograficzny jako zbiór tekstów drugiego, a jeszcze lepiej — ostatniego typu. Wówczas korpus będzie stale uzupełniany o nowe teksty, a stare będą albo pozostawiane (w przypadku korpusu ciągłego), albo przenoszone do archiwum, jeśli korpus ma charakter monitorujący. Korpus ciągły stale by się powiększał, a wybrane z góry zasady jego struktury niekoniecznie byłyby zachowywane, ponieważ zmieniające się tendencje wydawnicze mogłyby przechylić szalę w jedną lub drugą stronę. Proporcje korpusu monitorującego pozostałyby niezmienione, a nowe teksty zajmowałyby tylko tyle miejsca, ile od początku przeznaczono na teksty danego rodzaju. W każdym razie konieczna jest stała aktualizacja korpusu, ponieważ terminy starzeją się znacznie szybciej niż słowa języka potocznego. Po rozważeniu ogólnych kwestii dotyczących wielkości korpusu, jego charakteru i granic dziedzinowych oraz podjęciu decyzji należy następnie ustalić, jakie konkretne teksty włączyć do korpusu, aby był reprezentatywny i zrównoważony. W każdym konkretnym przypadku należy uwzględnić gatunek tekstu, czas jego powstania, autora i status językowy oraz dążyć do jak największej różnorodności. To właśnie różnorodność gatunkowa i szeroka skala tekstów — od poważnych po popularne — pozwalają wyłonić zarówno naukowe, formalne terminy, wśród których jest wiele neologizmów autorskich, jak i terminy popularne, znacznie bardziej rozpowszechnione i utrwalone w języku potocznym. Oceniając wiek tekstów, pierwszeństwo przyznaje się nowszym, jednak wartościowe mogą się okazać także teksty napisane dawniej, zwłaszcza jeśli spojrzymy na nie z punktu widzenia dziedziny. Autorstwo również powinno być bardzo zróżnicowane, aby nie przeważyły cechy stylu jednego lub drugiego autora silnie reprezentowanego w korpusie. Chociaż różnorodność stylistyczna tekstów naukowych nie jest bardzo duża, jeśli porównamy je na przykład z literaturą piękną, styl autora ma znaczenie nie tylko dla użycia jednostek językowych, lecz także dla ich doboru. Nic więc dziwnego, że różni naukowcy, zwłaszcza należący do różnych szkół myśli naukowej, używają odmiennych 11 takie terminy. Zarówno w standaryzacji i normalizacji terminów, jak i w poszukiwaniu neologizmów bardzo istotna jest jak największa różnorodność terminów w korpusie. Ostatnią, lecz niemniej ważną kwestią jest językowy status tekstów. Pierwszeństwo mają teksty oryginalne, a nie tłumaczone, napisane przez autorów, dla których dany język jest językiem ojczystym, a następnie także zrecenzowane i zredagowane. Narzędzia analizy korpusu dla terminografów W ciągu ostatniej dekady opracowano różne oprogramowanie ułatwiające leksykografom wyszukiwanie słów oraz inną analizę korpusu. Chociaż praca leksykografów i terminografów różni się, korzystają oni niemal z tych samych możliwości programowych, tj. a) list frekwencyjnych słów; b) konkordancji, tj. wszystkich wystąpień badanego słowa w kontekście o określonej długości, zwykle jednego wiersza; oraz c) statystyki partnerów kolokacyjnych (Meyer et al. 1996: 274). Narzędzia te pomagają badać korpus pod względem językowym. Obok narzędzi programowych wykorzystywanych wspólnie z leksykografami do analizy językowej stopniowo pojawiają się także specjalne programy przeznaczone wyłącznie dla terminografów. Różnią się one od programów ogólnych nie charakterem językowym, lecz dziedzinowym, gdyż służą analizie informacji zawartych w korpusie. W tym przypadku korpus jest traktowany nie jako zbiór kontekstów użycia terminów, lecz jako źródło specjalistycznej wiedzy z określonej dziedziny lub gałęzi nauki. Można tu wymienić kilka grup takich programów: a) programy służące analizie tekstu pod kątem zawartych w nim informacji – wyszukujące słowa kluczowe, fragmenty tekstu bogate w informacje, w których wskazane są wzajemne relacje i zależności między pojęciami, itp.; b) programy wybierające z korpusu fragmenty potrzebne terminografowi, na przykład definicje terminów; c) programy pomagające analizować pojęcia określane terminami i ułatwiające porządkowanie wiedzy pozyskanej z korpusu (knowledge acquisition systems). Te ostatnie, choć są zupełnie nowe i bardzo obiecujące, nadal poświęca się zbyt mało uwagi w literaturze specjalistycznej. Znacznie więcej napisano o możliwości półautomatycznego wyszukiwania definicji terminów zawartych w korpusie (Pearson 1998: 121–204). 12 Zarówno do wyszukiwania definicji, jak i terminów złożonych niezbędny jest korpus anotowany morfologicznie, tj. taki, w którym wszystkie wyrazy oznaczono według ich części mowy. Początkowy etap pracy musi wykonać sam leksykograf: czyta on teksty i zbiera zdefiniowane terminy. Na podstawie tych informacji tworzy następnie morfologiczne modele definicji – wszystkie kombinacje sekwencji części mowy występujące w definicjach. Potem komputer wyszukuje takie połączenia wyrazów w całym korpusie. W ten sposób uzyskuje się nie listę terminów i ich definicji, lecz listę kandydatów na zdefiniowane terminy. Przedstawia się ją specjaliście z danej dziedziny do sprawdzenia i wykreślenia zbędnych zdań. Aby ograniczyć liczbę niepotrzebnych, przypadkowo zbieżnych kombinacji morfologicznych, komputerowi podaje się jednostki leksykalne najczęściej występujące w definicjach – częste słowa definicyjne. Podobnie można uzyskać z korpusu terminy złożone; na tym polega istota programów pierwszej generacji do automatycznej identyfikacji terminów LEXTER (Bourigault 1995) oraz TERMINO (Lauriston 1994). Oczywiście takie przetwarzanie korpusu wiąże się z pewnymi problemami. Przede wszystkim zdecydowanie nie wszystkie wybrane połączenia wyrazowe są terminami. Problem ten rozwiązuje się przez sporządzenie i wprowadzenie do komputera listy zbędnych słów (stop-list), które nie są uwzględniane na listach kandydatów na terminy. Ponadto często nie jest jasne, które słowa należą do samego terminu złożonego, a które jedynie do jego otoczenia. Nie zawsze jest to jednak jasne także przy ręcznym zbieraniu terminów. Półautomatyczna metoda selekcji terminów Aby zilustrować możliwości, jakie najprostsze narzędzia programowe oferują terminografowi, do analizy wybraliśmy elektroniczną wersję „Składni” V. Labutisa „Sintaksės“ (T.I, V., 1994) i badaliśmy tekst za pomocą pakietu narzędzi lingwistycznych Mika Scotta WordSmith Tools, version 2.0 (Oxford, 1997). Celem analizy statystycznej było uzyskanie kilku list słów lub ich połączeń, z których można by następnie wybrać kandydatów na terminy i same terminy. Wskaźniki statystyczne analizowanego tekstu są następujące: cały tekst liczy 37 319 wyrazów i form wyrazowych; po odrzuceniu powtórzeń pozostaje 13 9 249 wyrazów i ich form. Współczynnik bogactwa słownictwa (type/token ratio) wynosi 24,78. W całym tekście jest 2 364 zdań, a średnia długość zdania to 15,78 wyrazu. Przede wszystkim wykonano najprostsze działanie – sporządzono listę frekwencyjną wszystkich wyrazów tekstu, która pozwala spodziewać się, że wśród najczęściej używanych wyrazów znajdą się terminy. Jak widać na przedstawionym fragmencie listy, tekst składa się z wyrazów i form wyrazowych uporządkowanych według częstości występowania. Ponieważ tekst nie zawiera oznaczeń gramatycznych wskazujących przynależność każdej formy wyrazowej do poszczególnych części mowy, lista nie jest lematyzowana, a zatem osobno występują różne formy gramatyczne tego samego wyrazu. Dla zwięzłości zarówno wyrazy nieodmienne, jak i różne formy odmiennych wyrazów będą dalej w tekście nazywane po prostu wyrazami. Tabela 1. 20 najczęstszych wyrazów i form wyrazowych w tekście Nr. Wyraz i forma wyrazowa Częstość w badanym tekście Zajmowana część tekstu (%) 1. IR 1,319 3.53 2. SU 479 1.28 3. AR 390 1.05 4. ZDANIA 288 0.77 5. TO 284 0.76 6. WYRAZÓW 258 0.69 7. MOŻE 243 0.65 8. O 229 0.61 9. IŠ 206 0.55 10. ZDANIA 196 0.53 11. Į 194 0.52 12. JEST 194 0.52 13. JAK 187 0.50 14. NE 182 0.49 15. TYLKO 171 0.46 16. WEDŁUG 170 0.46 17. BYĆ 155 0.42 18. JŲ 143 0.38 19. ZDAŃ 143 0.38 20. ZWIĄZKI 141 0.38 14 Jak zwykle, tekst składa się ze stosunkowo niewielu słów używanych wielokrotnie oraz wielu słów używanych rzadko. Słowa użyte jeden raz stanowią 62% wszystkich wystąpień słów. Zwykle jest ich połowa tekstu; po lematyzacji listy, jak się wydaje, tyle by ich pozostało, ponieważ pochodne formy wyrazów zostałyby zebrane pod formami podstawowymi. Jednorazowe i rzadkie, tj. od 2 do 10 wystąpień, przypadki użycia nie interesują terminografa, ponieważ prawdopodobieństwo znalezienia tu terminów jest niewielkie. Pozostaje stosunkowo krótka część listy: tylko 6% często używanych słów tekstu, spośród których warto już wybierać terminy jednowyrazowe. Wykres Rozkład słów tekstu i form wyrazowych według częstości użycia (liczby wystąpień) Słowa i ich formy użyte więcej niż 10 razy 6% Słowa i ich formy użyte od 2 do 10 razy 32% Słowa i ich formy użyte 1 raz 62% Gdyby te dane dotyczące użycia przedstawiono w postaci krzywej, a nie wykresu, byłoby widać, że 10 wystąpień stanowi bardzo wyraźną granicę, próg, za którym słowa są używane znacznie częściej niż przed nim. Dokładniejsza analiza wykazała, że spośród 599 słów użytych 10 lub więcej razy aż 239 to terminy jednowyrazowe lub składniki terminów złożonych, innymi słowy, słowa ważne dla terminografa. Należą tu nazwy części mowy, przypadków, zjawisk językowych, jednostek i dziedzin językoznawstwa. Zaletą ogólnej listy frekwencyjnej słów jest wspomniana już bardzo wyraźna granica częstości użycia, a wad jest kilka. Jedna z nich: lista składa się z pojedynczych słów, a terminów jednowyrazowych, jak wiadomo, nie ma aż tak wiele. Z drugiej strony, większość nowych terminów, które nie trafiły do słowników i dlatego szczególnie interesują terminologów, jest właśnie wielowyra- 15 ...dów. Drugą wadą jest to, że dużą część listy zajmują bardzo częste wyrazy funkcyjne, które dla terminologów również są mało przydatne. Tę ostatnią wadę można usunąć, przygotowując nieco inną listę — słów znaczących. Słowa znaczące uzyskuje się z tekstu nieco bardziej złożoną metodą, porównując badany tekst z dużo większym od niego korpusem, w naszym przypadku z komputerowym korpusem Uniwersytetu Witolda Wielkiego, liczącym 55 milionów słów. Jeśli jakiś wyraz występuje w badanym tekście relatywnie częściej niż przeciętnie w dużym korpusie, uznaje się go za słowo znaczące dla tego tekstu. Mówiąc prościej, jeśli tekst dotyczy kina, to słowo to będzie w nim wymieniane znacznie częściej, dlatego trafi na listę słów znaczących. Jak widać z tabeli, jest tu znacznie mniej wyrazów funkcyjnych, ponieważ ich częstość w tekście i korpusie jest zbliżona. A zatem na pierwszy plan wysuwają się bardziej charakterystyczne wyrazy badanego tekstu, a w przypadku tekstu naukowego — terminy. Niestety, na tej liście, podobnie jak na pierwszej, podano je pojedynczo, a nie w połączeniach. Tabela 2. 20 najczęstszych słów znaczących i form wyrazowych Nr | Wyraz i forma wyrazowa | Częstość w badanym tekście | Częstość w korpusie | Współczynnik znaczenia 1. | SAKINIO | 288 | 707 | 2,974.8; 2. | SAKINIAI | 196 | 370 | 2,108.4; 3. | ŽODŽIŲ | 258 | 6,504 | 1,554.3; 4. | SAKINIŲ | 143 | 386 | 1,453.6; 5. | JUNGINIAI | 141 | 405 | 1,418.4; 6. | DĖMENŲ | 103 | 130 | 1,171.5; 7. | JUNGINIŲ | 103 | 591 | 909.2; 8. | DĖMUO | 77 | 124 | 847.4; 9. | SAKINYJE | 85 | 310 | 819.6; 10. | DĖMENYS | 73 | 106 | 815.0; 11. | DĖMENS | 71 | 84 | 814.2; 12. | SAKINYS | 91 | 528 | 801.4; 13. | DĖMENIU | 69 | 78 | 795.8; 14. | SINTAKSĖS | 68 | 163 | 704.7; 15. | SAKINĮ | 73 | 634 | 588.1; 16. | SAKINIUS | 61 | 315 | 550.1; 17. | TARINIO | 44 | 60 | 495.3; 18. | SAKINIAIS | 49 | 205 | 460.5; 19. | SUDĖTINIO | 42 | 75 | 455.4; 20. | TARINIU | 36 | 36 | 421.4 16 Trzecią możliwością oprogramowania opartego na metodach statystycznych jest wyodrębnianie z badanego tekstu tych połączeń wyrazowych, które występują w tekście w identycznej postaci dwa lub więcej razy. Program pozwala wykrywać ciągi liczące nawet osiem wyrazów. Oczywiście, w tekście niewiele jest formacji tej długości. Znacznie więcej jest utartych połączeń cztero-, trzy-, a zwłaszcza dwuwyrazowych. W badanym tekście V. Labutisa występują 2 połączenia ośmiowyrazowe, użyte co najmniej dwa razy, 6 siedmiowyrazowych, 23 sześcio-, 65 pięcio-, 211 cztero-, 756 trzy-, a aż 2695 dwuwyrazowych. Poniżej przedstawiono ciągi wyrazowe o różnej długości; pogrubieniem zaznaczono te połączenia, których części można uznać za terminy złożone, a obok podano liczbę ich wystąpień w tekście. OSIEM WYRAZÓW SKŁADA SIĘ Z NIE MNIEJ NIŻ DWÓCH SAMODZIELNYCH WYRAZÓW 2 SKŁADA SIĘ Z NIE MNIEJ NIŻ DWÓCH SAMODZIELNYCH FORM WYRAZOWYCH 2 SIEDEM WYRAZÓW SKŁADA SIĘ Z NIE MNIEJ NIŻ DWÓCH SAMODZIELNYCH 2 NIE MNIEJ NIŻ DWÓCH SAMODZIELNYCH FORM WYRAZOWYCH 2 SKŁADA SIĘ Z NIE MNIEJ NIŻ DWÓCH SAMODZIELNYCH WYRAZÓW 2 WYSTĘPOWANIE FORM WYRAZOWYCH PRZY INNYCH FORMACH WYRAZOWYCH 2 SZEŚĆ WYRAZÓW NIE MNIEJ NIŻ DWA WYRAZY SAMODZIELNE 4 FORM CZASOWNIKÓW I WYRAZÓW PEŁNIĄCYCH FUNKCJĘ ORZECZENIA 3 W AKADEMICKIEJ GRAMATYCE JĘZYKA LITEWSKIEGO LKG III 2 DWIE LUB KILKA FORM WYRAZÓW SAMODZIELNYCH 2 ZASTOSOWANIE FORM W POŁĄCZENIU Z INNYMI FORMAMI WYRAZÓW 2 ORAZ Z NIEKTÓRYMI KONSTRUKCJAMI PRZYIMKOWYMI 2 CZĘŚĆ ZDANIA LUB CZŁON ZDANIA ZŁOŻONEGO 2 Z INNYMI PRZYPADKAMI ORAZ KONSTRUKCJAMI PRZYIMKOWYMI 2 Z PRZYPADKAMI I KONSTRUKCJAMI PRZYIMKOWYMI 2 FORMA WYRAZU, JAKKOLWIEK ZASTOSOWANA, DO 2 ZASTOSOWANIE FORM WYRAZÓW W POŁĄCZENIU Z INNYMI WYRAZAMI 2 PIĘĆ WYRAZÓW MNIEJ NIŻ DWA WYRAZY SAMODZIELNE 4 CZASOWNIKÓW I WYRAZÓW PEŁNIĄCYCH FUNKCJĘ ORZECZENIA 4 17 PRZYPADKAMI I KONSTRUKCJAMI PRZYIMKOWYMI 3 STRUKTURY PREDYKATYWNE TWORZĄCE ZDANIE ZŁOŻONE 3 LUB KILKA FORM WYRAZÓW SAMODZIELNYCH 2 ODRĘBNY KOMUNIKAT O SYTUACJI W RZECZYWISTOŚCI 2 CZĘŚĆ LUB CZŁON ZDANIA ZŁOŻONEGO 2 PEŁNI FUNKCJĘ CZŁONU ZALEŻNEGO GRUPY NOMINALNEJ 2 STOSOWANIE FORM DO INNYCH WYRAZÓW 2 MOŻE PEŁNIĆ FUNKCJĘ TAKŻE W ZDANIU ZŁOŻONYM 2 I MIĘDZY PREDYKATYWNYMI CZŁONAMI ZDANIA ZŁOŻONEGO 2 I FORM WYRAZÓW PEŁNIĄCYCH FUNKCJĘ PODMIOTU 2 JAKO FORMY DWÓCH WYRAZÓW SAMODZIELNYCH 2 INNYMI PRZYPADKAMI ORAZ KONSTRUKCJAMI PRZYIMKOWYMI 2 PRZYPADKA LUB PRZYPADKA Z PRZYIMKIEM 2 ZWIĄZKU Z GRAMATYCZNĄ KATEGORIĄ OSOBY 2 RELACJE SYNTAGMATYCZNE I ZWIĄZKI WYRAZOWE 2 PODZIAŁ NIEJEDNOKROTNIE BYŁ KRYTYKOWANY 2 Z PODRZĘDNYM ZDANIEM DRUGIEGO STOPNIA 2 Z KTÓRYMI KONSTRUKCJAMI PRZYIMKOWYMI 2 Z INNYMI PRZYPADKAMI I KONSTRUKCJAMI PRZYIMKOWYMI 2 Z CELOWNIKIEM I NARZĘDNIKIEM 2 Z PODRZĘDNYM CZŁONEM CAŁEGO ZDANIA 2 SĄ TO NAJCZĘŚCIEJ ZWIĄZKI CZASOWNIKOWE Z 2 ZASTOSOWANIE DO INNYCH FORM WYRAZÓW 2 ZDANIA PODRZĘDNE TEGO SAMEGO STOPNIA 2 MAJĄ WSPÓLNĄ DRUGORZĘDNĄ CZĘŚĆ ZDANIA 2 ROLA WOBEC CAŁEGO ZDANIA ZŁOŻONEGO 2 FORMA WYRAZU JEST STOSOWANA JAKO 2 ZASTOSOWANIE FORM WYRAZÓW DO INNYCH 2 ZWIĄZEK WYRAZOWY LUB INNA KONSTRUKCJA 2 CZTERY WYRAZY I Z KONSTRUKCJAMI PRZYIMKOWYMI 5 I SŁÓW PEŁNIĄCYCH FUNKCJĘ ORZECZENIA 4 KTÓRYCH GŁÓWNYM CZŁONEM JEST 4 MNIEJ NIŻ DWÓCH SAMODZIELNYCH 4 NIE MNIEJ NIŻ DWÓCH 4 FORMA WYRAZU PEŁNIĄCA FUNKCJĘ PODMIOTU 4 PEŁNIĄCYCH FUNKCJĘ PODMIOTU I ORZECZENIA 4 FORMY DWÓCH SAMODZIELNYCH WYRAZÓW 3 SPÓJNIKI WSPÓŁRZĘDNE I PODRZĘDNE 3 PRZYPADKAMI I Z KONSTRUKCJAMI PRZYIMKOWYMI 3 WYRAZU PEŁNIĄCEGO FUNKCJĘ GŁÓWNYCH CZŁONÓW 3 STRUKTURY PREDYKATYWNE TWORZĄCE ZDANIE 3 Z GRAMATYCZNĄ KATEGORIĄ OSOBY 3 SPOSÓB WYRAŻANIA RELACJI MIĘDZY WYRAZAMI 3 ZDANIEM PODRZĘDNYM DRUGIEGO STOPNIA 2 O TYCH POJĘCIACH ZOB. 2 18 O TYM NA ĆWICZENIACH 2 CZY CZŁON ZDANIA ZŁOŻONEGO 2 UJAWNIA INNY CZŁON PREDYKATYWNY 2 WSPÓLNĄ DRUGORZĘDNĄ CZĘŚĆ ZDANIA 2 JAKOŚCI I ILOŚCI SPOSOBU 2 PRZYMIOTNIK TWORZY POŁĄCZENIE Z 2 CZŁONEM PODRZĘDNYM ZWIĄZKU RZECZOWNIKOWEGO 2 TRYS ŽODŽIAI MOŻE BYĆ 14 Z KONSTRUKCJAMI PRZYIMKOWYMI 11 MNIEJ WIĘCEJ 10 SKŁADNIA JĘZYKA LITEWSKIEGO 9 ZDANIA MOGĄ BYĆ 9 ZWIĄZKI CZASOWNIKOWE Z 8 CZŁONY MOGĄ BYĆ 7 KTÓRYCH GŁÓWNY CZŁON 7 ZWIĄZKI RZECZOWNIKOWE Z 6 NIE MNIEJ NIŻ 6 PRZYŁĄCZENIE I ŁĄCZENIE 6 ZDAŃ MOŻE BYĆ 6 FORMY SAMODZIELNYCH SŁÓW 6 CZASOWNIKIEM I ORZECZENIEM 6 DWÓCH SAMODZIELNYCH SŁÓW 5 RELACJA DWUSTRONNA 5 DWA SŁOWA MOŻE BYĆ 118 I IN. 41 JĘZYKA LITEWSKIEGO 36 FORMY WYRAZÓW 35 TAKŻE 34 ZDANIA ZŁOŻONEGO 32 CZĘŚCI ZDANIA 31 FORMY WYRAZÓW 31 NIE TYLKO 29 ZWIĄZKÓW WYRAZOWYCH 26 ZWIĄZKI Z 25 CZŁONÓW PREDYKATYWNYCH 24 MOŻE MIEĆ 23 MIMO TO 23 GŁÓWNYCH SKŁADNIKÓW 21 CENTRUM PREDYKATYWNE 20 SKŁADNIKI PREDYKATYWNE 20 JAKBY 18 ZDANIA ZŁOŻONE 18 19 MOŻE UTWORZYĆ 17 GŁÓWNY SKŁADNIK 17 KONSTRUKCJAMI PRZYIMKOWYMI 17 Z DOPEŁNIACZEM 17 JAK I 16 SYSTEMY JĘZYKA 16 SKŁADNIKA ZALEŻNEGO 16 ZDAŃ ZŁOŻONYCH 16 POZA TYM 15 I WEDŁUG 15 POŁĄCZENIA WYRAZOWEGO 15 Jak widać z przytoczonych przykładów, dłuższe połączenia wyrazowe bardziej przypominają wyrażenia lub frazy, krótsze zaś – składniowe połączenia wyrazowe. Stopień ich utrwalenia również jest różny Jest również różny stopień ich utrwalenia, uwidaczniający się w liczbie użyć; na przykład niektóre połączenia dwuwyrazowe zostały użyte aż 118 razy nawet w tak niezbyt długim tekście. Ponadto niektóre łańcuchy wyrazowe całkowicie pokrywają się z terminami złożonymi, np.: zdanie podrzędne drugiego stopnia, relacja dwukierunkowego powiązania, system języka, natomiast z innych trzeba te terminy wyodrębnić, np.: ujawnia inny składnik predykatywny, forma wyrazu jest w jakiś sposób dostosowana do wyrazu pełniącego funkcję składnika głównego itd. Choć wymagają skrócenia, są na swój sposób informatywne, ponieważ wyrazy predykatywne (w przykładach wyróżnione rozstrzelonym drukiem), które nie należą do samego terminu, lecz do jego otoczenia, dostarczają ważnych informacji o łączliwości i właściwościach użycia. Ostatni wykaz, podobnie jak poprzednie, nie jest lematyzowany, dlatego ten sam termin wielowyrazowy powtarza się w różnych formach gramatycznych. Co więcej, powtarza się też w łańcuchach o różnej długości – od najdłuższego do najkrótszego: składają się z co najmniej dwóch samodzielnych form wyrazowych, co najmniej dwóch samodzielnych form wyrazowych, samodzielnych form wyrazowych, form wyrazowych. Jakkolwiek by było, częste powtórzenia nie przeszkadzają, lecz pomagają dostrzec najważniejsze, najczęściej używane terminy złożone. Nawet jeśli wymienione półautomatyczne narzędzia programowe nie pozwalają wyodrębnić wszystkich terminów z badanego tekstu, umożliwiają jednak dostrzeżenie tych najważniejszych, a fakt, że listy utworzone przez komputer są odczytywane i opracowywane przez terminografa, gwarantuje jakość końcowego wyniku. 20 Wnioski Współczesna terminologia, której celem jest gromadzenie, opisywanie i normalizowanie terminów z różnych dziedzin nauki, nie może się obejść bez komputerowego korpusu tekstów ani bez innych etapów przygotowywania komputerowego banku terminów, z nim związanych: oprogramowania ogólnego lub specjalistycznego, leksykalnej bazy danych itp. Korpus powinien być przygotowany tak, aby obejmował możliwie największą różnorodność tekstów, a tym samym reprezentował język opisywanej dziedziny nauki. Korzystając nawet z ogólnego oprogramowania przeznaczonego dla leksykografów, można automatycznie uzyskać wykazy wyrazów i połączeń wyrazowych – kandydatów na terminy, spośród których wybiera się terminy znane i nowe. Otrzymano 1999 06 21 Literatūra 1. A h m a d 1994 – Ahmad, K., Davies, A., Fulford, H., Rogers, M. What is a term? The semi-automatic extraction of terms from text. In: M. Snell-Hornby, F. Pochacker, K. Kaindl (eds.). Translation Studies: An Interdiscipline. Amsterdam – Philadelphia, 1994, P. 267–278. 2. A h m a d 1993 – Ahmad, K. Pragmatics of Specialist Terms: The Acquisition and Representation of Terminology. In: Petra Steffens (ed.). Machine Translation and the Lexicon. Thirds International EAMT Workshop. Heidelberg, Germany, April 26–28. 1993. Proceedings. Berlin – Heidelberg, 1995, P. 51–76. 3. B o u r i g a u l t 1996 – Bourigault, D., Gonzalez-Mullier, I., Gros, C. LEXTER, a Natural Language Processing Tool for Terminology Extraction. In: Euralex ’96 Proceedings II, Goteborg, 1996, P. 771 – 780. 4. L a u r i s t o n 1994 – Lauriston, A. Automatic Recognition of Complex terms: Problems and the TERMINO solution. In: Terminology. Vol 1(1), 1994, P. 147–170. 5. M e y e r 1996 – Meyer, I., Mackintosh, K. The Corpus from a Terminographer’s Viewpoint. In: International Journal of Corpus Linguistics. Vol. 1(2), 1996, P. 257–285. 6. P e a r s o n 1998 – Pearson, J. Terms in Context. Amsterdam – Philadelphia, 1998. 7. R o g e r s 1994 – Rogers, M., Ahmad, K. Computerised Terminology for Translators: the role of text. In: M. Brekke, O. Andersen, T. Dahl, J. Myking. Applications and Implications of Current LSP Research. Proceedings of the 9th European Symposium on LSP, Bergen, Aug. 2–6, 1993. Vol. II. Bergen, 1994. P. 840–851. 21 8. Sager 1990 – Sager, J.C. A Practical Course in Terminology Processing. Amsterdam – Philadelphia, 1990. TERMINOGRAPHY AND CORPUS Summary The paper deals with role of a corpus in terminology in general and terminology in particular. It argues for the necessity to use not only corpus but also general purpose and specific tools for the extraction of terminology and compilation of terminological databases. Peculiarities of the terminographer’s corpus such as its contents, size and specificity are also discussed. In addition, a wide range of possible general purpose and specific tools for term extraction are presented here. Some of them, based on statistical analyses of a text, were applied for one Lithuanian text on syntax in order to show how different tools can produce different semi-automatic lists of terms. 22