TERMINOGRAFIE A SOUČASNOST

Rūta MARCINKEVIČIENĖ

Vytauto Didžiojo universitetas

TERMINOGRAFIE A KORPUS

Korpusová lingvistika, která se objevila s prvním korpusem před více než třiceti lety, způsobila revoluci v obecné lexikografii. Dnes se výkladové slovníky sestavují ve větší či menší míře na základě korpusů. Terminografie je v tomto ohledu až dosud opomíjena i v zemích, které jsou v korpusové lingvistice pokročilejší, natož pak u takových nováčků, jako jsme my. Zde se pokusíme ukázat, jak důležitý, přímo nenahraditelný je korpus při tvorbě terminologických slovníků.

Éra počítačových technologií, a s ní i počítačových korpusů, velmi zřetelně oddělila tradiční terminologii a terminografii od nové. Pohled terminologů na několik věcí se začal výrazně lišit: na samotné pojetí termínu, zdroje termínů, kritéria pro rozlišení termínu od netermínu, kvalifikaci terminologa, normalizaci termínů a některé další otázky. Vzhledem k tomu, že se oblasti speciálních věd velmi rozšířily a propojily, práce terminologů výrazně přibylo, protože při práci tradičními metodami lze jen stěží držet krok s pokrokem vědy a techniky. Právě proto se na termíny začalo nahlížet jinak: důraz se klade spíše na užívání než na normu.

Tradiční terminologii, která vznikla na počátku tohoto století v důsledku obrovského technologického rozmachu, záleželo především na pojmenování pojmů, uspořádání velké rozmanitosti termínů, jež vznikly v krátké době, a na systematizaci a normování terminologie jednotlivých vědních oborů a oblastí. Na termíny se od počátku vzniku terminologie jako samostatné vědy nahlíželo jinak než na jiná slova. Zakladatel terminologie Wüster (citováno podle Pearson 1998: 10) tvrdil, že s termíny je třeba zacházet jinak než se slovy obecného jazyka, neboť terminologie začíná analýzou pojmů. A pojmy, jak známo, exis-

5

tují nezávisle nejen na termínech, které je označují, ale také na různých jazycích. Termíny nejsou ničím jiným než názvy pojmů, které v ideálním případě odpovídají samotným pojmům v poměru: jeden pojem – jeden termín. Termíny byly definovány především s ohledem na místo pojmů, které označují, v hierarchickém systému pojmů a na jejich vztahy k jiným pojmům. Základ terminologie tvořily termíny vytvořené odborníky v daném oboru a/nebo normalizované a schválené, které měly jasně definovaný a ustálený, a tedy i chráněný význam. Proto není vůbec překvapivé, že tradiční terminologové, kteří se drželi preskriptivních zásad (srov. Wüster, pro něhož byla Sein-Norm mnohem důležitější než Ist-Norm), se vůbec nezajímali o skutečný stav jazyka jednotlivých vědních oborů ani o autentické užívání termínů.

Při postupu od pojmu k termínu a vytváření terminologie každého jednotlivého oboru podle onomaziologického principu tehdejší terminologové nečelili a ani nemohli čelit problému identifikace termínu, nýbrž pouze jeho tvorby. Kromě toho byly jednotlivé vědní obory tehdy ještě poměrně autonomní. Terminologové si také rozdělili oblasti působnosti a znali terminologii poměrně izolovaných oborů. S rozvojem společných oblastí se o termíny začínají zajímat jejich představitelé; do terminologie navíc přicházejí noví lidé, kteří nemusí být odborníky v konkrétním vědním oboru a/nebo lingvisty, tedy programátoři, tvůrci terminologických databází a elektronických slovníků atd. Protože skutečné jazykové užívání a počet nových termínů již dávno předčily existující seznamy schválených termínů, terminografie rychle se měnících vědních oborů, která kvůli tradiční metodě kartoték výrazně zaostává za skutečností, neumožňuje nově příchozím spoléhat se na dříve zaznamenané termíny. Začínají se sbírat z textů; právě text se stává východiskem práce terminologa (Rogers et al. 1994: 843). Sleduje se také jejich skutečné užívání, které se často velmi výrazně liší od ideálu, o nějž usilují jazykoví normativci. Zde pak není jasné, co považovat za termín, kdy se slovo terminologizuje, jaké užití slova lze považovat za terminologické a jak odlišit termín od netermínu. Terminologie se tak stává méně jasně vymezenou a izolovanou částí slovní zásoby. Tvoří poměrně těžko oddělitelnou skupinu slov, v jejímž středu jsou prototypické členy, které jsou vždy vnímány jako

6

Za nimi následují termíny, které status termínu získávají pouze za určitých okolností, v určitém kontextu. Na periferii se nacházejí i taková slova, která termínům na první pohled nepřipomínají, přesto by však za ně měla být považována. To se týká například slov z obecné slovní zásoby, která se vyskytují v popularizačních vědeckých textech. Z tohoto i dalších důvodů je pro terminografy velmi důležité identifikovat termíny, vyhledávat je v autentických textech a popisovat je. Právě proto nabývají na významu korpusy a software, který usnadňuje práci s nimi. Zaměření na skutečné užívání vede terminology spíše k deskriptivnímu než normativnímu přístupu, zatímco předěl mezi preskriptivismem a deskriptivismem rozděluje terminografii na tradiční a moderní.

Proč korpus

Korpus jako zdroj termínů je terminografům užitečný z mnoha důvodů. Autoři, kteří prosazují jeho tvorbu a používání, uvádějí ty nejdůležitější. Snad nejdůležitější je, že z jednoho a téhož korpusu lze najednou získat tři věci potřebné pro terminografy: samotné termíny, jejich definice, tj. odborné informace o samotném pojmu, a příklady užití, a tedy i frekvenci užívání, kolokabilitu termínů apod. (Sager 1990, Meyer et al. 1996, Pearson 1998). Korpus samozřejmě mohou využívat i výzkumníci, kteří již mají předběžný seznam termínů. V takovém případě z korpusu získávají odborné a jazykové informace. Pokud se však termíny získávají z korpusu, mají jednu velkou výhodu – jsou systematické a vzájemně propojené, neboť jednotlivé texty obsahují soubory termínů užívaných jednotlivými autory a v každém z nich jsou termíny dobře promyšlené a navzájem harmonicky sladěné. Právě z tohoto důvodu – aby získané termíny odrážely jednotlivé systémy – musí korpus obsahovat celé texty, nikoli jejich výňatky, tj. vzorky (Meyer et al. 1996: 268). Korpus tvořený úplnými texty je nezbytný také kvůli odborným informacím, o které bychom při spokojení se samotnými částmi textů přišli.

Terminografy vytvořené korpusy se dnes stále používají především ke shromažďování informací o termínech, které byly známy již dříve. Sleduje se,

7

zda se stále užívají, a pokud ano, jakým způsobem, zda se nezměnily zvláštnosti jejich užívání, a spolu s nimi i jejich význam, zda se s příchodem nových termínů nezměnil rozsah pojmů, které označují. Korpus je však mnohem potřebnější pro získávání nových termínů; možná proto je identifikace termínů a jejich automatické či poloautomatické získávání dnes jedním z nejpopulárnějších témat v elektronické terminografii. V tomto ohledu se terminograf liší od lexikografa. Ten si neklade otázku, co je slovo, nýbrž pouze jaká slova zařadit do kterých slovníků, kdežto terminograf si poměrně často klade otázku, co je termín. Nové termíny získané z korpusu a uchovávané i spravované ve specializovaných databázích se vyznačují ještě jednou vlastností – mají velmi přesně uvedeny a datovány zdroje, z nichž lze usuzovat na vznik, rozšíření a zánik termínů.

Představíme-li si konečný výsledek práce terminografa jako elektronickou databázi (DB) nebo tištěný slovník vytvořený na jejím základě, pak bude korpus důležitý ve všech fázích přípravy této DB. Počítače pokrývají celý pracovní cyklus terminografa: od počítačových korpusů přes speciální programy pro vyhledávání a identifikaci termínů až po tvorbu terminologických databází, popis termínů a jejich šíření v elektronické podobě či tradičně jako knihu (Ahmad et al. 1994: 267).

Pracovní cyklus terminografa vypadá takto. V první fázi se podle určitých zásad vytvoří korpus z archivu elektronických textů; z něj se následně získávají termíny, přenášejí se do DB a popisují, tj. do jednotlivých polí DB se vkládají příklady jejich typického užití převzaté z konkordance a definice získané z téhož zdroje. Poté se na základě jazykových a odborných informací získaných z korpusu uvádějí slova související s popisovaným termínem: synonyma, antonyma, hyponyma, hyperonyma, doplňují se křížové odkazy na jejich hesla, příslušnost termínu k oboru a jeho místo v obecném systému pojmů. Uvádějí se také gramatické a pragmatické vlastnosti, omezení kolokability či jiného užití, informace o doporučenosti termínu a, je-li to zamýšleno, ekvivalenty v překladu (o charakteristikách terminografického popisu podrobněji viz Sager 1990: 142–163). Korpus je tedy nepostradatelný od samého počátku, tj. od seznámení se samotným

8

vědním oborem až po závěrečnou fázi – hotové slovníkové heslo. Dnešní terminologové se stavějí velmi skepticky ke komputerizaci již existujících tištěných slovníků, které nebyly vytvořeny na základě korpusů, tj. k jejich převádění do databází (Sager 1990: 141).

Dalším důvodem, proč pro terminografy vytvářet specializované korpusy, je skutečnost, že autentické jazykové příklady jsou pro terminografii ještě důležitější než pro lexikografii. Jsou mnohem důležitější než introspekce, protože terminograf na rozdíl od lexikografa není odborníkem, který vytváří texty v jazykové varietě, již popisuje. Když se setká s problematickým případem, nemůže se zeptat: jak bych toto slovo použil já, nýbrž pouze: co toto slovo znamená pro odborníka v daném oboru, jak by je užíval vědec, technolog či expert. Vzhledem k omezené použitelnosti jazykového citu jsou tedy terminografové na korpusu mnohem závislejší než lexikografové. Atkins et al. rozdělují všechny uživatele korpusů do tří skupin: a) na ty, kteří se zajímají o jazyk textů, b) na ty, které zajímá obsah textů, a c) na ty, kteří se zajímají o texty jako texty, tj. o jejich strukturu, tvorbu apod. (citováno podle Meyer et al. 1996: 269). Lexikografové patří do první skupiny, terminografové pak do prvních dvou, protože pro ně jsou důležité znalosti jazyka i samotného oboru. Jakmile si uvědomíme význam korpusu pro terminologii a možnosti, které nabízí, je třeba vymezit, jaký by měl terminografův korpus být.

Jaký korpus

Jak již bylo uvedeno, terminograf potřebuje z korpusu dva stejně důležité druhy informací: jazykové a oborové, proto je důležité, aby z něj bylo možné získat obojí. Z jazykového hlediska musí být korpus takový, aby v něm byly termíny uvedeny jasně, správně a pokud možno s definicemi. Je žádoucí, aby termínů bylo co nejvíce a aby byly co nejrozmanitější, v ideálním případě všechny, které dané jazykové společenství vytvořilo a užívá. Důležité také je, aby se termíny používaly v četných a rozmanitých kontextech. Z oborového hlediska je třeba do korpusu zařazovat takové texty, z nichž by vyplýval obsah pojmů označovaných termíny, jejich vzájemné vztahy a závislosti. Je velmi důležité, aby byly termíny v těchto textech definovány.

9

Z uvedených důvodů odborníci doporučují zahrnout do korpusů celou škálu možných textů z hlediska komunikativního a pragmatického, od nejjednodušších až po nejsložitější. Pearson rozděluje texty odborného jazyka podle pravděpodobnosti výskytu termínů do čtyř skupin: a) texty, v nichž je adresátem odborníka partner se znalostmi na stejné úrovni, tedy jiný odborník, tj. články v recenzovaných vědeckých časopisech a monografie; v těchto textech je hustota termínů nejvyšší; b) texty, které odborník adresuje specialistovi stejného oboru, jehož úroveň je však nižší, například různé návody a učebnice; termínů je zde o něco méně; c) populárně-vědecké texty psané pro lidi, kteří daný obor neznají. V nich se autoři záměrně vyhýbají složitým či jakýmkoli termínům, raději vysvětlují, vyjadřují věci jinými slovy, používají analogie a přirovnání; autor se tedy při dostatečné snaze může obejít zcela bez termínů; d) texty odpovídající komunikaci mezi učitelem a žákem: učebnice a učební pomůcky. Termíny se v nich vyskytují, používají se však poněkud odlišně. Důležitým rysem těchto textů jsou vysvětlené termíny (Pearson 1998: 36–40).

Popsat texty terminografického korpusu pouze z komunikativního a pragmatického hlediska nestačí. Pro kvalitu korpusu a jeho reprezentativnost jsou neméně důležité i další parametry a proporce textů. Na otázku, kolik textů je třeba shromáždit, aby bylo možné spoléhat na údaje z korpusu sestaveného z těchto textů, odpovídají odborníci takto: „Na rozdíl od korpusů obecného zaměření je zde kvalita mnohem důležitější než kvantita“ (Meyer et al. 1996: 268). Specializované korpusy jsou z pochopitelných důvodů obvykle menší než korpusy obecného zaměření. Přestože jsou menší, tvoří je celé, nezkrácené texty. Kromě toho musí zahrnovat celé reprezentované odvětví se všemi jeho pododvětvími, které terminografové předem vybrali. Často je obtížné vytyčit jasnou hranici mezi jednotlivými vědními obory, zejména pokud daný obor souvisí s obecnými tématy a sestavovatelé korpusu jsou v pokušení proniknout hlouběji, tj. zahrnout více textů napsaných odborníky pro odborníky, které do daného oboru nepochybně patří. Terminologům se proto doporučuje obrátit se na odborníky z popisované oblasti, aby jim poradili, které texty zařadit, a sestavit tak korpus reprezentativní ve všech ohledech, aby spolu s nezařazenými texty nebyly opomenuty

10

systematicky důležité pojmy a termíny, které je označují, a především aby nepřevažovaly priority jednoho sestavovatele (Ahmad 1993: 60). V případě terminografického korpusu se vůbec nehodí zásada někdy uplatňovaná lexikografy při sestavování obecných korpusů: „Co mám, to tam dám“.

S ohledem na typologii korpusů a jejich nejdůležitější typy z hlediska kontinuity – uzavřený, průběžně rozšiřovaný a monitorovací – se doporučuje vytvářet terminografický korpus jako soubor textů druhého, nebo ještě lépe posledního typu. Korpus se pak bude průběžně doplňovat o nové texty, zatímco staré se buď ponechají (v případě průběžně rozšiřovaného korpusu), nebo se přesunou do archivu, jde-li o monitorovací korpus. Průběžně rozšiřovaný korpus by se neustále zvětšoval a jeho předem zvolené strukturální zásady by nemusely být zachovány, protože změny v publikačních trendech by mohly způsobit, že nové texty získají převahu jedním či druhým směrem. Proporce monitorovacího korpusu by zůstaly nezměněné a nové texty by zabíraly pouze tolik místa, kolik bylo od počátku vyhrazeno textům daného typu. V každém případě je nezbytné korpus průběžně aktualizovat, protože termíny zastarávají mnohem rychleji než slova každodenního jazyka.

Po zvážení obecných otázek týkajících se velikosti a povahy korpusu i oborových hranic a po přijetí rozhodnutí je třeba dále určit, které konkrétní texty do korpusu zařadit, aby byl reprezentativní a vyvážený. V každém jednotlivém případě je třeba zohlednit žánr textu, dobu jeho vzniku, autora i jazykový status a usilovat o co největší rozmanitost. Právě žánrová rozmanitost a široká škála textů od odborných až po populární umožňují vybrat jak vědecké, formální termíny, mezi nimiž je mnoho autorských neologismů, tak populární termíny, které jsou mnohem rozšířenější a zakořeněné v hovorovém jazyce.

Při posuzování stáří textů se dává přednost novějším, avšak cenné se mohou ukázat i texty starší, zejména budeme-li přihlížet k oborovému hledisku. Také zastoupení autorů by mělo být velmi rozmanité, aby nepřevážily stylistické zvláštnosti jednoho či druhého nadměrně zastoupeného autora. Ačkoli stylistická rozmanitost vědeckých textů není příliš velká, srovnáme-li je například s krásnou literaturou, autorský styl je důležitý nejen z hlediska užívání jazykových jednotek, ale i jejich výběru. Není proto divu, že různí vědci, zejména pokud patří k různým školám vědeckého myšlení, používají r-

11

takové termíny. Pro účely standardizace a normování termínů, stejně jako při vyhledávání neologismů, je velmi důležitá co největší rozmanitost termínů v korpusu. Posledním, avšak neméně důležitým hlediskem je jazykový status textů. Přednost se dává původním textům, nikoli překladům, napsaným rodilými mluvčími a následně také recenzovaným a redigovaným.

Nástroje korpusové analýzy pro terminografy

Během posledního desetiletí vznikl rozmanitý software, který lexikografům usnadňuje vyhledávání slov a další korpusovou analýzu. Ačkoli se práce lexikografů a terminografů zpravidla liší, využívají téměř stejné softwarové možnosti, tj. a) frekvenční seznamy slov; b) konkordance, tj. všechny výskyty zkoumaného slova v kontextu určitého rozsahu, obvykle jednoho řádku; a c) statistiky kolokačních partnerů (Meyer et al. 1996: 274). Tyto nástroje pomáhají zkoumat korpus z jazykového hlediska.

Vedle jazykových softwarových nástrojů, které lexikografové používají společně, postupně vznikají také specializované programy určené pouze terminografům. Od obecných programů se neliší jazykovým, nýbrž oborovým zaměřením, neboť jsou určeny k analýze informací obsažených v korpusu. Korpus se v tomto případě již nechápe jako soubor kontextů užití termínů, ale jako zdroj odborných znalostí z určité oblasti či vědního oboru. Lze uvést několik skupin těchto programů: a) programy určené k analýze textu z hlediska informací v něm obsažených – například k vyhledávání významových slov a informačně bohatých částí textu, v nichž jsou vyjádřeny vzájemné vztahy a závislosti mezi pojmy; b) programy, které vybírají místa v korpusu potřebná terminografovi, například definice termínů; c) programy pomáhající analyzovat pojmy označené termíny a usnadňující organizaci znalostí získaných z korpusu (knowledge acquisition systems). Této poslední skupině, přestože je zcela nová a velmi perspektivní, se v odborné literatuře dosud věnuje příliš málo pozornosti. Mnohem více se psalo o možnosti poloautomatického získávání definic termínů obsažených v korpusu (Pearson 1998: 121–204).

12

Ke shromažďování definic i víceslovných termínů je nezbytný morfologicky anotovaný korpus, tj. korpus, v němž jsou všechna slova označena podle slovních druhů. Počáteční fázi práce musí provést sám lexikograf: čte texty a shromažďuje definované termíny. Na základě těchto informací pak sestavuje morfologické modely definic – všechny kombinace posloupností slovních druhů, které se vyskytují při definování. Poté počítač vyhledává takové slovní kombinace v celém korpusu. Výsledkem není seznam termínů a jejich definic, nýbrž seznam kandidátů na definované termíny. Ten se předkládá odborníkovi v daném oboru k posouzení, aby vyškrtl nepotřebné věty. Pro omezení počtu nadbytečných, náhodně se shodujících morfologických kombinací se počítači zadávají lexikální jednotky, které se v definicích vyskytují nejčastěji – častá slova definic. Podobným způsobem lze z korpusu získat také víceslovné termíny; na tomto principu fungovaly programy první generace pro automatickou identifikaci termínů LEXTER (Bourigault 1995) a TERMINO (Lauriston 1994).

Při takovém zpracování korpusu samozřejmě vznikají určité problémy. Především zdaleka ne všechna vybraná slovní spojení jsou termíny. Tento problém se řeší vytvořením a zadáním seznamu nežádoucích slov (stop-list), která se do seznamů kandidátů na termíny nezařazují. Často navíc není jasné, která slova patří přímo k víceslovnému termínu a která tvoří pouze jeho okolí. Tyto záležitosti však nejsou vždy jasné ani při ručním shromažďování termínů.

Poloautomatický způsob výběru termínů

Abychom ilustrovali možnosti, které terminografovi nabízejí nejjednodušší softwarové nástroje, zvolili jsme k analýze elektronickou verzi knihy V. Labutise „Syntaxe“ (T.I, V., 1994) a text jsme zkoumali pomocí balíku lingvistických nástrojů pro lingvisty Mika Scotta WordSmith Tools, version 2.0 (Oxford, 1997). Cílem statistické analýzy bylo získat několik seznamů slov nebo slovních spojení, z nichž by později bylo možné vybrat kandidáty na termíny i samotné termíny.

Statistické ukazatele analyzovaného textu jsou následující: celý text obsahuje 37 319 slov a slovních tvarů; po odstranění opakujících se položek zbývá

13

9 249 slov a jejich tvarů. Koeficient lexikální bohatosti (type/token ratio) činí 24,78. Celý text obsahuje 2 364 vět, průměrná délka věty je 15,78 slova.

Nejprve byl proveden nejjednodušší úkon – sestaven frekvenční seznam všech slov v textu, který umožňuje očekávat, že mezi nejčastěji užívanými slovy najdeme termíny. Jak je patrné z uvedeného úryvku seznamu, text tvoří slova a slovní tvary seřazené podle četnosti. Protože text neobsahuje gramatické značky, které by označovaly příslušnost každého slovního tvaru k jednotlivým slovním druhům, seznam není lemmatizován, a proto jsou samostatně uvedeny různé gramatické tvary téhož slova. Pro stručnost se budou v dalším textu jak neohebná slova, tak různé tvary ohebných slov označovat jednoduše jako slova.

Tabulka 1. 20 nejčastějších slov a slovních tvarů v textu

Č.

Slovo a slovní tvar

Četnost v analyzovaném textu

Podíl na textu (%)

1.

IR

1,319

3.53

2.

SU

479

1.28

3.

AR

390

1.05

4.

VĚTY

288

0.77

5.

TO

284

0.76

6.

SLOV

258

0.69

7.

MŮŽE

243

0.65

8.

O

229

0.61

9.

IŠ

206

0.55

10.

VĚTY

196

0.53

11.

Į

194

0.52

12.

JE

194

0.52

13.

JAKO

187

0.50

14.

NE

182

0.49

15.

POUZE

171

0.46

16.

PODLE

170

0.46

17.

BÝT

155

0.42

18.

JŲ

143

0.38

19.

VĚT

143

0.38

20.

SPOJENÍ

141

0.38

14

Jak je obvyklé, text se skládá z poměrně malého počtu slov, která se používají mnohokrát, a z mnoha slov používaných zřídka. Slova použitá pouze jednou představují 62% všech výskytů slov. Obvykle tvoří polovinu textu; po lemmatizaci seznamu by jich zřejmě tolik zůstalo, protože odvozené slovní formy by se sloučily pod základní tvary. Jednorázová a vzácná slova, tj. slova s 2 až 10 výskyty, terminologa nezajímají, neboť pravděpodobnost, že se zde najdou termíny, je malá. Zbývá poměrně krátká část seznamu, pouhých 6% často užívaných slov textu, z nichž už stojí za to vybírat jednoslovné termíny.

Diagram

Rozložení slov textu a jejich tvarů podle četnosti užití (počtu výskytů)

Slova a jejich tvary použité více než 10krát 6%

Slova a jejich tvary použité 2 až 10krát 32%

Slova a jejich tvary použité jednou 62%

Pokud by tyto údaje o užívání byly uvedeny v podobě křivky, nikoli diagramu, ukázalo by se, že deset výskytů představuje velmi zřetelnou hranici, práh, za nímž se slova užívají mnohem častěji než před ním. Podrobnější analýza ukázala, že z 599 slov použitých desetkrát a více je dokonce 239 jednoslovnými termíny nebo částmi víceslovných termínů, jinými slovy slovy důležitými pro terminografa. Patří sem názvy slovních druhů, pádů, jazykových jevů, jednotek a jazykovědných oborů.

Výhodou obecného frekvenčního seznamu slov je již zmíněná velmi zřetelná hranice četnosti užívání, nevýhod je však hned několik. Jednou z nich je, že seznam tvoří jednotlivá slova, zatímco jednoslovných termínů, jak známo, není tolik. Na druhou stranu, většina nových termínů, které se nedostaly do slovníků, a proto terminology mimořádně zajímají, je právě víceslo-

15

… slov. Druhou nevýhodou je, že velkou část seznamu tvoří velmi častá funkční slova, která jsou pro terminology rovněž málo informativní. Tuto nevýhodu lze odstranit sestavením poněkud odlišného seznamu významových slov. Významová slova se z textu získávají poněkud složitěji, a to porovnáním zkoumaného textu s mnohem rozsáhlejším korpusem, v našem případě s počítačovým korpusem Univerzity Vytautase Magnuse o rozsahu 55 milionů slov. Pokud se nějaké slovo ve zkoumaném textu vyskytuje relativně častěji než v rozsáhlém korpusu v průměru, považuje se za významové slovo daného textu. Jednoduše řečeno, píše-li se o kině, bude se toto slovo v textu vyskytovat mnohem častěji, a proto se dostane na seznam významových slov. Jak je vidět z tabulky, je zde mnohem méně funkčních slov, protože jejich četnost v textu a korpusu je přibližně stejná. Na první místo se tak dostávají jedinečnější slova zkoumaného textu, v případě odborného textu termíny. Bohužel jsou v tomto seznamu, stejně jako v prvním, uvedena jednotlivě, nikoli ve spojeních.

Tabulka 2. 20 nejčastějších významových slov a slovních tvarů

Č. | Slovo a slovní tvar | Četnost ve zkoumaném textu | Četnost v korpusu | Koeficient významovosti 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

Třetí možností softwaru založeného na statistických metodách je vybrat ze zkoumaného textu taková slovní spojení, která se v textu vyskytují v totožné podobě dvakrát nebo vícekrát. Program dokáže detekovat řetězce dlouhé až osm slov. Je pochopitelné, že takto dlouhých útvarů se v textu mnoho nevyskytuje. Mnohem více je ustálených čtyřslovných, tříslovných a zejména dvojslovných spojení. Ve zkoumaném textu V. Labutise se vyskytují 2 osmislovná spojení použitá alespoň dvakrát, 6 sedmislovných, 23 šestislovných, 65 pětislovných, 211 čtyřslovných, 756 tříslovných a dokonce 2695 dvojslovných spojení. Níže jsou uvedeny slovní řetězce různé délky; tučněji jsou zvýrazněna ta spojení, jejichž části lze považovat za víceslovné termíny, a vedle nich je uveden počet výskytů daného řetězce v textu.

OSM SLOV

TVŮŘÍ JE NEJMÉNĚ DVĚ SAMOSTATNÁ SLOVA 2

TVARY NEJMÉNĚ DVOU SAMOSTATNÝCH SLOV 2

SEDM SLOV

TVŮŘÍ JE NEJMÉNĚ DVĚ SAMOSTATNÁ 2

NEJMÉNĚ TVARY DVOU SAMOSTATNÝCH SLOV 2

TVŮŘÍ JE NEJMÉNĚ DVĚ SAMOSTATNÁ SLOVA 2

UŽITÍ SLOVNÍCH TVARŮ U JINÝCH SLOVNÍCH TVARŮ 2

ŠEST SLOV

NE MÉNĚ NEŽ DVĚ SAMOSTATNÁ SLOVA 4

SLOVESNÉ A PŘÍSUDKOVÉ SLOVNÍ TVARY 3

V AKADEMICKÉ GRAMATICE LITEVŠTINY LKG III 2

DVA NEBO NĚKOLIK SAMOSTATNÝCH SLOVNÍCH TVARŮ 2

UŽITÍ TVARŮ U JINÝCH SLOVNÍCH TVARŮ 2

A S NĚKTERÝMI PŘEDLOŽKOVÝMI KONSTRUKCEMI 2

VĚTNÝ ČLEN NEBO ČÁST SOUVĚTÍ 2

S JINÝMI PÁDY A PŘEDLOŽKOVÝMI KONSTRUKCEMI 2

S PÁDY A PŘEDLOŽKOVÝMI KONSTRUKCEMI 2

SLOVNÍ TVAR JAKOŽTO UŽITÝ U 2

UŽITÍ SLOVNÍCH TVARŮ U JINÝCH SLOV 2

PĚT SLOV

MÉNĚ NEŽ DVĚ SAMOSTATNÁ SLOVA 4

SLOVESA A SLOVA VE FUNKCI PŘÍSUDKU 4

17

PÁDY A PŘEDLOŽKOVÉ KONSTRUKCE 3

PREDIKATIVNÍ STRUKTURY TVOŘÍCÍ SOUVĚTÍ 3

NEBO NĚKOLIK TVARŮ SAMOSTATNÝCH SLOV 2

SAMOSTATNÉ SDĚLENÍ O SITUACI VE SKUTEČNOSTI 2

ČÁST NEBO VĚTNÝ ČLEN SOUVĚTÍ 2

PLNÍ FUNKCI ZÁVISLÉHO ČLENU SUBSTANTIVNÍ SKUPINY 2

TVARY POUŽÍVANÉ S JINÝMI SLOVY 2

MŮŽE BÝT I SOUČÁSTÍ SOUVĚTÍ 2

A MEZI PREDIKATIVNÍMI STRUKTURAMI SOUVĚTÍ 2

A TVARY SLOV VYJADŘUJÍCÍCH PODMĚT 2

JAKO TVARY DVOU SAMOSTATNÝCH SLOV 2

V JINÝCH PÁDECH A PŘEDLOŽKOVÝCH KONSTRUKCÍCH 2

PÁDU NEBO PÁDU S PŘEDLOŽKOU 2

VZTAH KE GRAMATICKÉ KATEGORII OSOBY 2

SYNTAKTICKÉ VZTAHY A SLOVNÍ SPOJENÍ 2

TŘÍDĚNÍ BYLO NEJEDNOU KRITIZOVÁNO 2

S VEDLEJŠÍ VĚTOU DRUHÉHO STUPNĚ 2

S KTERÝMI PŘEDLOŽKOVÝMI KONSTRUKCEMI 2

S JINÝMI PÁDY A PŘEDLOŽKOVÝMI VAZBAMI 2

S DATIVEM A INSTRUMENTÁLEM 2

S VEDLEJŠÍ VĚTOU CELÉHO SOUVĚTÍ 2

JDE PŘEVÁŽNĚ O SLOVESNÁ SPOJENÍ S 2

POUŽITÍ U JINÝCH SLOVNÍCH TVARŮ 2

VEDLEJŠÍ VĚTY TÉHOŽ STUPNĚ 2

MAJÍ SPOLEČNÝ VĚTNÝ ČLEN DRUHÉ ÚROVNĚ 2

FUNKCE VZHLEDEM K CELÉ VĚTĚ SOUŘADNĚ SOUVĚTNÉ 2

SLOVNÍ TVAR SE VŠAK POUŽÍVÁ 2

POUŽITÍ SLOVNÍCH TVARŮ U JINÝCH 2

SLOVNÍ SPOJENÍ NEBO JINÁ KONSTRUKCE 2

ČTYŘI SLOVA

A S PŘEDLOŽKOVÝMI KONSTRUKCEMI 5

A SLOV S FUNKCÍ PŘÍSUDKU 4

JEJICHŽ ZÁKLADNÍ ČÁSTÍ JE 4

MÉNĚ NEŽ DVĚ SAMOSTATNÁ 4

NE MÉNĚ NEŽ DVĚ 4

TVAR SLOVA VE FUNKCI PODMĚTU 4

SLOV S FUNKCÍ PODMĚTU A PŘÍSUDKU 4

TVARY DVOU SAMOSTATNÝCH SLOV 3

SOUŘADICÍ A PODŘADICÍ 3

PÁDY A S PŘEDLOŽKOVÝMI 3

SLOVA VE FUNKCI ZÁKLADNÍCH ČLENŮ 3

PREDIKATIVNÍ STRUKTURY TVOŘÍCÍ VĚTU 3

S GRAMATICKOU KATEGORIÍ OSOBY 3

ZPŮSOB VYJADŘOVÁNÍ VZTAHŮ MEZI SLOVY 3

VEDLEJŠÍ VĚTOU DRUHÉHO STUPNĚ 2

O TĚCHTO POJMECH VIZ 2

18

O TOM PŘI CVIČENÍCH 2

NEBO ČÁST SOUVĚTÍ 2

ODHALUJE JINÝ PREDIKATIVNÍ ČLEN 2

SPOLEČNÝ VĚTNÝ ČLEN 2

ZPŮSOBU, KVALITY A KVANTITY 2

PŘÍDAVNÉ JMÉNO TVOŘÍ SPOJENÍ S 2

ZÁVISLÝM ČLENEM SUBSTANTIVNÍHO SPOJENÍ 2

TRYS ŽODŽIAI

MŮŽE BÝT 14

S PŘEDLOŽKOVÝMI KONSTRUKCEMI 11

VÍCE ČI MÉNĚ 10

LITEVSKÉ SYNTAXE 9

VĚTY MOHOU BÝT 9

SLOVESNÁ SPOJENÍ S 8

ČÁSTI MOHOU BÝT 7

JEJICHŽ HLAVNÍ ČÁST 7

PODSTATNÁ JMÉNA SE SPOJENÍM S 6

NE MÉNĚ NEŽ 6

PŘIPOJENÍ A SPOJENÍ 6

VĚT MŮŽE BÝT 6

TVARY SAMOSTATNÝCH SLOV 6

SLOVESNÝM TVAREM A PŘÍSUDKEM 6

DVOU SAMOSTATNÝCH SLOV 5

VZTAH OBOUSTRANNÉ SOUVISLOSTI 5

DVA SLOVA

MŮŽE BÝT 118

A TAK DÁLE 41

LITEVŠTINY 36

TVARŮ SLOV 35

TAKÉ 34

SOUVĚTÍ 32

VĚTNÝCH ČLENŮ 31

TVARY SLOV 31

NEJEN 29

SLOVNÍCH SPOJENÍ 26

SPOJENÍ S 25

PREDIKATIVNÍCH ČLENŮ 24

MŮŽE MÍT 23

PŘESTO 23

HLAVNÍCH SLOŽEK 21

PREDIKATICKÉ CENTRUM 20

PREDIKATICKÉ SLOŽKY 20

JAKO BY 18

SOUVĚTÍ 18

19

MŮŽE TVOŘIT 17

HLAVNÍ SLOŽKA 17

PŘEDLOŽKOVÝMI KONSTRUKCEMI 17

S GENITIVEM 17

JAKO I 16

JAZYKOVÉHO SYSTÉMU 16

ZÁVISLÉ SLOŽKY 16

SOUVĚTÍ 16

KROMĚ TOHO 15

I PODLE 15

SLOVNÍHO SPOJENÍ 15

Jak je patrné z uvedených příkladů, delší slovní spojení připomínají spíše rčení či fráze, kratší pak syntaktická slovní spojení. Jejich míra ustálenosti se liší.

Liší se také míra jejich ustálenosti, která se projevuje počtem výskytů; například některá dvouslovná spojení se i v takto krátkém textu vyskytují 118krát. Kromě toho se některé slovní řetězce zcela shodují se složenými termíny, např.: vedlejší věta druhého stupně, vztah obousměrného propojení, jazykový systém, zatímco z jiných je třeba tyto termíny vybrat, např.: odhaluje jiný predikativní člen, tvar slova se nějak přizpůsobuje slovu ve funkci hlavního členu aj. Ačkoli je třeba je zkracovat, jsou svým způsobem informativní, neboť predikativní slova (v příkladech jsou rozvolněna), která nepatří k samotnému termínu, nýbrž k jeho okolí, poskytují důležité informace o valenci a zvláštnostech užití.

Poslední seznam, stejně jako předchozí, není lematizován, a proto se tentýž víceslovný termín opakuje v různých gramatických tvarech. Mimo jiné se opakuje i v řetězcích slovních řetězců různé délky – od nejdelšího po nejkratší: tvoří je nejméně dva samostatné slovní tvary, nejméně dva samostatné slovní tvary, samostatné slovní tvary, slovní tvary. Ať je tomu jakkoli, častá opakování nebrání tomu, ale naopak pomáhají všimnout si nejdůležitějších a nejčastěji užívaných složených termínů. I když uvedené poloautomatické softwarové nástroje nevyberou všechny termíny zkoumaného textu, přesto umožňují rozpoznat ty nejdůležitější; skutečnost, že seznamy vytvořené počítačem čte a upravuje terminograf, zaručuje kvalitu konečného výsledku.

20

Závěr

Současná terminologie, jejímž cílem je shromažďovat, popisovat a standardizovat termíny různých vědních oborů, se neobejde bez počítačového korpusu a dalších fází přípravy počítačové terminologické databáze, které s ním souvisejí: softwaru obecného nebo speciálního určení, lexikální databáze atd. Korpus musí být sestaven tak, aby zahrnoval co největší rozmanitost textů a reprezentoval tak jazyk popisovaného vědního oboru. I s využitím softwaru obecného určení určeného lexikografům lze automaticky získat seznamy slov a slovních spojení – kandidátů na termíny, z nichž se vybírají známé i nové termíny.

Přijato 21. 6. 1999

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 9^th 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