Eine mehrsprachige Website zur Grammatik der litauischen Sprache

DAIVA ŠVEIKAUSKIENĖ Instituto da Língua Lituana ARŪNAS RIBIKAUSKAS Universidade Técnica Gediminas de Vilnius VYTAUTAS ŠVEIKAUSKAS Instituto da Língua Lituana Áreas de investigação científica: gramática, linguística computacional. UM SITE MULTILINGUE SOBRE A GRAMÁTICA DA LÍNGUA LITUANA Sistema de informação gramatical da língua lituana multilíngue na Internet ANOTAÇÃO Há um ano, começou-se a trabalhar no Instituto da Língua Lituana num projeto cujo objetivo é disponibilizar gratuitamente ao usuário, na Internet, a apresentação de dados detalhados sobre as propriedades gramaticais das palavras lituanas. Em março de 2017, foi preparada uma versão de demonstração, que inclui apenas palavras com a raiz «bėg» (cf. o verbo «bėgti/correr»). A base de dados é composta por cerca de 25.000 registros. O projeto procura evitar as deficiências de trabalhos já existentes no campo da linguística computacional. Isso diz respeito à abrangência das palavras, à diversidade dos dados gramaticais e à clareza e compreensibilidade da apresentação dos dados, entre outros aspectos. A informação gramatical sobre a palavra inserida pelo usuário é apresentada em três áreas: estrutura da palavra, dados morfológicos e dados morfêmicos. Este é o primeiro site na Lituânia em que são fornecidas ao usuário informações sobre os tipos de morfemas. Para cada palavra incluída na base de dados, é possível obter uma tabela de flexão. Para algumas palavras, também são apresentados exemplos de uso. O site está disponível em sete idiomas: lituano, inglês, alemão, francês, italiano, russo e japonês, para que estrangeiros interessados na língua lituana possam utilizá-lo. 144 Acta Linguistica Lituanica LXXVII Eine mehrsprachige Website zur Grammatik der litauischen Sprache PALAVRAS-CHAVE: gramática, morfologia, morfema, sistema de informação, linguística computacional. ANOTAÇÃO The project was started in the Institute of Lithuanian language in 2016. It aims at presenting detailed data about the grammatical features of Lithuanian words. The goal is to make those data freely accessible to any user on the Internet. The preliminary version covering the words with the root “bėg/run” was published in March 2017. The database contains around 25,000 entries. We are trying to avoid drawbacks that are specific to the words done in the field of computational linguistics. It includes word coverage, grammatical data comprehensiveness, clarity and clearness of presented information etc. Grammatical information about the word in question is presented from three aspects: word structure, morphological data, and morphemic data. It is the first website in Lithuania providing morphemic types. One can get an inflection table for each word the database contains. Usage examples are given for some words. The information on the website is available in seven languages – Lithuanian, English, German, French, Italian, Russian, and Japanese – so foreigners interested in Lithuanian language can use it as well. PALAVRAS-CHAVE: Gramática, Morfologia, Morfêmico, Sistema de informação, Linguística computacional. 1. INTRODUÇÃO: LINGUÍSTICA COMPUTACIONAL Até meados do século XX, todas as gramáticas eram impressas em papel. Após o surgimento dos computadores (em 1942, o primeiro computador do mundo, MARK I, foi construído na Universidade Harvard (Schwanke 1991: 69)), eles começaram a penetrar em todas as áreas da vida. As línguas não foram exceção: logo ficou claro que os computadores podem processar não apenas números, mas também quaisquer símbolos. Consequentemente, também podem processar línguas. Vários linguistas começaram a desenvolver descrições formais das línguas, para que as capacidades dos computadores também pudessem ser aplicadas às línguas (Winograd 1983: 23). No campo da inteligência artificial, o processamento da linguagem tornou-se uma das áreas de aplicação mais importantes (Charis 1989: 71). De 1968 a 1978, a análise gramatical das línguas foi o tema mais importante para os pesquisadores de inteligência artificial (Nirenburg 1987: 26). As línguas, porém, que se submetem tão facilmente aos seres humanos, revelaram-se um osso duro de roer para os computadores (Jensen, Heidorn, Straipsniai / Articles 145 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS Richardson 1993: 2). Deshalb konnten bislang keine guten Ergebnisse auf dem Gebiet der Sprachverarbeitung mit Hilfe von Computern erreicht werden. 1.1. MÉTODOS ESTATÍSTICOS Os métodos estatísticos têm grande importância no processamento da linguagem. As primeiras propostas para utilizá-los foram apresentadas pouco depois do surgimento dos computadores. Isso se aplica especialmente à língua inglesa. David W. Reed discutiu a análise linguística quantitativa (Reed 1949: 236). Waren Weaver foi o primeiro a expressar a ideia de utilizar computadores para traduções. Em 1949, propôs que se usassem métodos estatísticos para esse fim. Mas os cientistas da época abandonaram essa ideia pouco tempo depois, provavelmente devido à quantidade insuficiente de textos legíveis por computador e à capacidade de processamento não muito elevada dos computadores de então. Algumas décadas depois, quando os corpora de textos já haviam sido reunidos e a aplicação de métodos estatísticos no reconhecimento de línguas produzia bons resultados, voltou-se a recorrer aos métodos estatísticos na tradução (Brown at al. 1990: 79). No Canadá, havia condições especialmente favoráveis para isso, porque todo o material do Parlamento era armazenado em duas línguas (inglês e francês) devido às duas línguas oficiais do país. Por isso, foi possível reunir muito rapidamente uma quantidade suficiente de textos paralelos (Al-Onaizan, Curin, Jahr 1999: 1). A estrutura das duas línguas, isto é, do inglês e do francês, é muito semelhante: a ordem das palavras é rígida (o sujeito ocupa a primeira posição e o predicado, a segunda). As semelhanças entre as estruturas das línguas permitiram alcançar bons resultados na tradução com métodos estatísticos. Mas esse não é o caso da língua lituana. Até agora, as traduções do Google, que usam o método estatístico, não fornecem boas traduções para o lituano. Segundo os dados de 2017, os resultados tanto da tradução do inglês para o lituano como da tradução do lituano para o inglês são piores do que os da tradução do inglês para o letão, do letão para o inglês, do inglês para o estónio e do estónio para o inglês (Skadinš 2017: 22). Os métodos estatísticos também penetraram em outras áreas da linguística. Os primeiros trabalhos diziam respeito à fonética (Zipf 1929). Em 1944, foram realizadas pesquisas estatísticas sobre o léxico literário, isto é, quantas palavras foram usadas uma vez, quantas duas vezes, três vezes etc. (Yule 194: 9). 146 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache Desde 1973, a denominação dialetometria é usada para designar a área da linguística que se ocupa da investigação quantitativa das línguas e dos dialetos (Köhler, Altmann, Piotrowski 2005: 498). Também foram aplicados métodos estatísticos no campo da morfologia. Goldsmith descreve assim o algoritmo para identificar os morfemas de uma palavra: „algorithm that takes as input a list of words and provides as output a segmentation of the words into morphemes“ (Goldsmith 2010: 36). No final do século passado, a literatura russa descreve tentativas de realizar uma análise sintática automática de frases com a ajuda de cálculos estatísticos. Cientistas da Rússia propuseram que a estrutura sintática das frases fosse determinada não com base na análise linguística, mas por meio do processamento estatístico dos textos. Afirmam que cada unidade linguística (palavra, categoria sintática da palavra, construção sintática) ocorre no texto com determinada frequência. Por exemplo, segundo os dados do dicionário inglês de frequências de valência, o verbo apresenta 195 padrões diferentes de relações sintáticas. Contudo, apenas os dez padrões mais frequentes correspondem a 86% de todos os casos encontrados nos textos. Regularidades estatísticas também são usadas para a estrutura linear da frase. Cada classe de palavras tem uma frequência própria, que determina a probabilidade de aparecer a certa distância do ponto de partida. O verbo da língua inglesa pode ocupar, com probabilidade de 0,7, a segunda a quinta posição a partir do início da frase. E, com probabilidade de 0,95, aparece entre a segunda e a décima posição (Церкас 1979: 124). Mais tarde, foram usados dados de um corpus de textos para a análise sintática (Köhler 2012: 31). No entanto, até agora, só se obtiveram bons resultados no processamento da língua inglesa. Vidas Daudaravičius, que trabalha na informatização da sintaxe lituana, afirma: „Naivų manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms.“1 (Daudaravičius 2012: 3). Com a ajuda dos métodos estatísticos, é possível criar rapidamente sistemas de alto desempenho, mas sob uma condição: é preciso tolerar um certo número de erros (Link 1). Por isso, o Instituto da Língua Lituana decidiu recorrer o mínimo possível à estatística, pois busca a máxima precisão e fiabilidade dos dados. 1 „É ingénuo pensar que os métodos usados com sucesso para a língua inglesa também são adequados às outras línguas.“ Straipsniai / Articles 147 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAUSKAS 1.2. A SITUAÇÃO NA LITUÂNIA Já foram realizados muitos trabalhos no campo da informatização da gramática lituana. A maioria deles só é compreensível para especialistas em linguística computacional. Alguns também se destinam ao público em geral. No entanto, refletem apenas propriedades e características isoladas das palavras e da gramática. Por exemplo, foi criada em Kaunas, na Universidade Vytautas Magnus, uma base de dados de morfêmica com base num corpus textual. Nela faltam muitas formas de palavras e usam-se muitas abreviaturas que nem todos compreendem. Os morfemas são separados por hífen, e não são fornecidos dados sobre o tipo de morfema. No Instituto de Matemática e Informática de Vilnius, foi criada uma base de dados de derivação e morfêmica. Nela é indicado o tipo de morfema, bem como as palavras-base e as palavras determinantes (Murmulaitytė 2012: 96). Infelizmente, a base de dados não é de acesso livre. Por isso, decidiu-se criar um sistema de informação abrangente, destinado ao público em geral e que possa oferecer ao usuário dados detalhados. É possível observar dois extremos na apresentação de informações gramaticais do lituano na Internet. São eles: a ausência até mesmo de formas de palavras correntes e a apresentação de palavras supérfluas, incompreensíveis até para falantes nativos. No sistema de informação da gramática lituana, procura-se evitar esses dois extremos. Todas as formas de palavras são geradas automaticamente por computador a partir do lema da palavra, obtendo-se assim o conjunto completo de formas flexionadas. Todas as derivações e composições possíveis são inseridas na base de dados. Portanto, deixa de haver formas de palavras em falta. Em seguida, todas as palavras e formas de palavras geradas pelo computador são verificadas manualmente, e as variantes inexistentes são eliminadas. Assim, evita-se a inclusão de palavras supérfluas. 2. OS TRABALHOS DE LINGUÍSTICA COMPUTACIONAL NA LITUÂNIA Na Lituânia, é possível distinguir dois métodos de processamento computacional da língua. Em Kaunas, no Centro de Linguística Computacional, os trabalhos são realizados com base num corpus textual. Em Vilnius, na universidade e no Instituto da Língua Lituana, parte-se sobretudo das propriedades da própria língua lituana. Ambos os métodos têm vantagens e desvantagens. A seguir, isso será demonstrado com alguns exemplos. 148 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache 2.1. TRABALHOS BASEADOS EM CORPUS TEXTUAL Na Universidade Vytautas Magnus, em Kaunas, foi criado um corpus da língua lituana contemporânea. Ele é usado para diversos tipos de processamento linguístico. No campo da gramática, foi criado um dicionário de morfemas (Rimkutė, Kazlauskienė, Rąkinis 2011) e, alguns anos depois, também uma base de dados. São fornecidos ao usuário tanto dados morfêmicos como morfológicos. Esta é a primeira fonte de acesso livre em que a palavra é dividida nos seus morfemas. Infelizmente, o tipo de morfema não é indicado, o que por vezes resulta numa apresentação confusa da estrutura morfêmica da palavra. Isso ocorre quando palavras de estrutura diferente são apresentadas da mesma maneira. A Figura 1 mostra um exemplo. As palavras „per-ei-ti“ (atravessar) e „per-ė-ti“ (chocar) diferem muito pouco na forma. As estruturas morfêmicas das duas palavras aparecem iguais na base de dados de morfemas. No entanto, na primeira palavra, o morfema „per“ é o prefixo e, na segunda, esse mesmo primeiro morfema „per“ é a raiz. FIGURA 1. Palavras com estrutura morfêmica diferente são apresentadas da mesma maneira (Rimkutė, Kazlauskienė, Rąkinis 2011: 8, 35) Como segunda deficiência, pode-se mencionar a ausência até mesmo de formas de palavras correntes. Os particípios têm seis casos na língua lituana. A Tabela 1 mostra a ocorrência das formas de palavra (singular, masculino) do particípio „bėgantis / que corre, que flui“ na base de dados de morfemas. Verifica-se que falta até mesmo o lema (nominativo, singular) desta palavra. Também não se pode considerar raras ou incomuns as outras formas ausentes, por exemplo, o locativo (bėgančiame vandenyje / na água corrente). Portanto, estão presentes apenas 2 formas de palavra de 6 casos. Os estudiosos da segunda língua báltica, o letão, também apontam um número insuficiente de formas de palavras no corpus textual (Paikens, Rituma, Pretkalniņa 2013: 272). Straipsniai / Articles 149 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBIKAS, VYTAUTAS ŠVEIKAUSKAS TABELA 1. A ocorrência no banco de dados (Link 2) das formas do particípio bēgantis / correndo, fluindo no singular, masculino Caso Palavra Banco de dados Nominativo bēgantis ausente Genitivo bēgančio presente Dativo bēgančiam ausente Acusativo bēgantį presente Instrumental bēgančiu falta Locativo bēgančiame falta No total: 6 2 2.2. PONTO DE PARTIDA – A LÍNGUA LITUANA Na Universidade de Vilnius, parte-se das características da língua lituana. O site Morfologija.lt (Link 3) apresenta até mesmo as tabelas de flexão da palavra. Infelizmente, há muitas lacunas, às vezes para todo o paradigma. Também aparecem, por vezes, palavras desconhecidas e incompreensíveis para um lituano, por exemplo, «sutikimoji» (Link 4) e outras semelhantes. No Instituto de Matemática e Informática de Vilnius, foi criada uma base de dados sobre formação de palavras e morfêmica (Murmulaitytė 2012). Ela contém informações muito valiosas (o tipo de morfema, a palavra-base, o determinante, entre outras), mas, infelizmente, os dados não são de acesso livre. 3. O SISTEMA DE INFORMAÇÃO PARA A GRAMÁTICA LITUANA A língua lituana pertence ao grupo das línguas menos informatizadas da Europa (Vaišnienė, Zabarskaitė 2012: 35). Por isso, decidiu-se criar um sistema de informação que contenha dados detalhados sobre as características gramaticais das palavras lituanas. A necessidade de criar mais software para um amplo círculo de usuários é frequentemente enfatizada pelos pesquisadores que se dedicam às línguas bálticas. Nas diretrizes das conferências BSNLP (Balto-Slavic Natural Language Processing) de 2015 e de 2017, lê-se: «submissions 150 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache que descrevam sistemas disponibilizados ao público em geral seriam fortemente incentivadas / seriam especialmente incentivadas as instituições que descrevam sistemas disponibilizados ao público em geral» (Link 5). Por isso, surgiu a ideia de conceber o sistema de informação para a gramática lituana para um amplo círculo de usuários e apresentar os dados da forma mais simples e compreensível possível. Consequentemente, escolheu-se um design web responsivo (RW), para atender da melhor maneira possível às necessidades dos usuários. Assim, as informações gramaticais sobre a palavra são dispostas em blocos (em inglês, tiles) (Link 6). Por isso, também é possível acessar o site pelo celular. 3.1. MÉTODO DE CRIAÇÃO DA BASE DE DADOS O objetivo da informatização da gramática é dispor, em formato eletrônico, de todas as informações gramaticais sobre cada palavra e todas as suas formas. Há duas maneiras de alcançar esse objetivo. A primeira é criar uma descrição formal das regras gramaticais (uma espécie de ferramenta) e, em seguida, deixar que o computador gere as informações necessárias. A segunda é armazenar no computador todas as informações gramaticais sobre todas as formas de todas as palavras e consultá-las quando necessário. Ainda é preciso discutir qual abordagem exige mais trabalho. No Instituto de Matemática e Informática, desenvolveu-se um software para a análise morfológica da língua lituana (Zinkevičius 2000), para o qual foi utilizado o primeiro método. Contudo, não foi possível atingir uma precisão de 100%: há informações incorretas e algumas palavras lituanas não são reconhecidas. Na criação do sistema de informação para a gramática lituana, desistiu-se dessa abordagem pelo seguinte motivo: para que o computador possa processar as palavras por conta própria, é preciso indicar-lhe com muita precisão quais operações deve realizar com cada palavra. Portanto, primeiro é necessário dividir todas as palavras em grupos de modo que as mesmas regularidades se apliquem a todos os membros de cada grupo, isto é, para que se possa utilizar o mesmo método de processamento. Para incluir uma palavra em um grupo ou outro, é preciso identificar muitas características com base nas quais as palavras serão agrupadas. Por exemplo, na análise sintática da língua lituana, utiliza-se a característica semântica [tempo] para determinar a função sintática do acusativo dos substantivos. Na frase «Visą naktį ji Straipsniai / Articles 151 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS skaitė šią knygą / Ela leu este livro a noite inteira.“ e „Visą knygą ji perskaitė šią naktį / Ela leu o livro inteiro nesta noite.“ As duas palavras knygą/livro e naktį/noite não diferem quanto às categorias morfológicas — ambas são femininas, singular, acusativo — e apenas a característica semântica [tempo], que a palavra naktis/noite possui e a palavra knyga/livro não possui, permite ao computador considerar corretamente a palavra naktį/noite como adjunto adverbial de tempo e a palavra knygą/livro como objeto na frase. Algo semelhante também deve ser feito para a morfologia. Um dos erros do software já desenvolvido para a análise morfológica da língua lituana consiste em considerar o morfema -ėj- como sufixo junto a raízes com as quais não pode se combinar. É preciso determinar características para as palavras que permitam ao computador decidir com quais raízes esse sufixo -ėj- pode se combinar. Mas é muito complicado fazer isso. Que característica, por exemplo, as palavras geroė/Bem-estar, žinovas/Especialista e daržovė/Legume têm em comum? O fato de todas terem o sufixo -ov-. E o que as distingue de todas as outras palavras às quais esse sufixo não pode ser acrescentado à raiz (não se pode dizer *kėdovė — derivação com o sufixo -ov- da palavra kėdė/cadeira)? E que característica indica isso? Assim, durante o desenvolvimento do sistema de informação para a gramática lituana, escolheu-se o segundo caminho, isto é, preparou-se um banco de dados que contém informações gramaticais detalhadas sobre todas as formas de todas as palavras da língua lituana. Aqui, não é necessário partir das categorias gramaticais (como ocorre em todas as gramáticas impressas em papel), mas da própria palavra: para cada palavra, todas as informações a ela associadas devem ser disponibilizadas ao usuário. Decidiu-se tomar uma raiz como ponto de partida e desenvolver um software que deveria refletir toda a estrutura da gramática lituana. Como primeiro teste, escolheu-se a raiz bėg (do verbo bėgti/correr). Em seguida, todas as derivações possíveis foram geradas pelo computador e, depois, todas as palavras inexistentes na língua lituana foram eliminadas manualmente. No total, o banco de dados contém cerca de 25.000 entradas. 3.2. CARACTERÍSTICAS DO «LIGIS» O sistema de informação para a gramática da língua lituana (Lietuvių kalbos gramatikos informacinė sistema – LIGIS) (Link 7) tem duas características essenciais. Em primeiro lugar, fornece ao usuário informações mais detalhadas sobre uma palavra específica do que as gramáticas impressas em papel. E 152 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache em segundo lugar, abrange mais palavras do que os dicionários. Nas gramáticas, são apresentadas regras que se aplicam a determinado grupo de palavras. Mas nem todas as palavras às quais essas regras se aplicam são mencionadas. O LIGIS reúne todas as informações associadas à palavra digitada pelo usuário e as apresenta em um site. Os dicionários não registram todas as palavras da língua lituana; neles faltam muitas derivações e palavras compostas. O LIGIS abrange todas as derivações possíveis. Pode-se dar um exemplo para comparação. O banco de dados Morphem contém cerca de 75.000 entradas. Mas elas correspondem a palavras lituanas diferentes. Atualmente, o banco de dados do LIGIS é composto por 25.000 entradas e abrange apenas palavras de uma única raiz: beg-. No banco de dados Morphem, há 118 palavras com essa raiz. 3.3. ESTRUTURA DA PALAVRA Após a inserção da palavra, a estrutura dela é explicada ao usuário: são indicados o lema e a palavra-base, bem como o elemento determinante das derivações e composições. Se a palavra for gramaticalmente ambígua, cada um dos significados recebe um número de lema. Em seguida, os dados morfológicos e morfêmicos são exibidos sob esse número. Um exemplo de palavra ambígua é apresentado no Apêndice A. Outras formas. Esse é o nome do botão (em inglês button) que se encontra no painel da estrutura da palavra. O site de análise morfológica da língua russa (Link 8) apresenta todas as formas da palavra inserida a cada vez. No sistema de informação para a gramática lituana, decidiu-se introduzir um botão e permitir que o usuário acesse as demais formas por meio do link, pois o usuário não precisa de todas as formas de uma palavra todas as vezes. 3.4. DADOS MORFOLÓGICOS A informação morfológica compreende a indicação da classe gramatical e das categorias gramaticais: caso, gênero e número para os substantivos; pessoa, tempo e modo para os verbos etc. As palavras ambíguas recebem uma numeração quando, por exemplo, um substantivo tem várias formas de caso homônimas. Na base de dados de morfemas (Link 2) também há dados morfológicos sobre a palavra. Mas a informação é apresentada apenas por meio de abreviaturas Straipsniai / Articles 153 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS . Um exemplo desse tipo é apresentado na Figura 2. Para os não especialistas, tantas abreviaturas podem muitas vezes ser incompreensíveis. Isso se aplica especialmente aos estrangeiros que estudam ou aprendem a língua lituana: as informações apresentadas dessa maneira podem, por vezes, não ser claras. FIGURA 2. Dados sobre a palavra begčio, apresentados apenas por meio de abreviaturas (Link 2) No sistema de informação da gramática lituana, não se usam abreviaturas. Todas as informações são apresentadas por extenso (Apêndice A). 3.5. DADOS MORFÊMICOS A diferença mais importante em relação às bases de dados que já podem ser consultadas atualmente1 consiste na indicação do tipo de cada morfema. Só assim se alcança a precisão na representação dos morfemas de uma palavra. Caso contrário, por exemplo, não é possível distinguir a segunda raiz de uma palavra composta do sufixo, como ocorre na base de dados de morfêmica. A primeira característica decisiva foi a representação dos morfemas em cores diferentes. Foi atribuída uma cor a cada tipo de morfema (raiz, prefixo, sufixo, desinência). Os prefixos são escritos em azul. Para a raiz, usa-se o vermelho. Os sufixos são representados em verde, e para a desinência escolheu-se o preto. Além disso, a palavra dividida em morfemas é disposta na direção vertical; ao lado, não se escreve apenas a designação do tipo de cada morfema da palavra, mas também se indicam as propriedades do morfema, caso ele as possua, por exemplo, para um sufixo: derivacional ou flexional; para as desinências: reduzidas, pronominais etc. No caso das desinências reduzidas, muito comuns na língua falada, indica-se também ao lado a desinência completa. Como exemplo, podem-se citar as palavras da língua falada: šnekamoje kalboje – desinências completas, šnekamoj kalboj – desinências reduzidas. Se a palavra tem a desinência completa, não se indica nenhuma característica de comprimento, pois a maioria das palavras tem desinências completas e essa informação seria supérflua. Quando 154 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache Se a terminação não for pronominalizada, essa informação também não é indicada. As alterações fonéticas são consideradas uma propriedade da raiz. Podem ser tanto alterações consonânticas como vocálicas. Há ainda outro tipo de alteração fonética que se pode observar na língua lituana: a queda de consoantes no imperativo. Os infixos também fazem parte das alterações fonéticas na raiz de uma palavra. A origem é considerada uma propriedade do prefixo: de origem preposicional, derivado de uma partícula ou de origem internacional. No caso de ambiguidade gramatical das palavras, examinam-se as estruturas morfémicas. Se forem iguais, descreve-se apenas uma estrutura. Se, porém, houver diferenças, indicam-se as estruturas morfémicas para cada significado da palavra (Anexo A). 3.6. TODAS AS FORMAS DA PALAVRA Para cada palavra incluída na base de dados, é possível consultar a tabela de flexão clicando no botão «Outras formas». Nela são apresentados todos os dados do bloco morfológico. No topo da tabela, são indicadas as categorias que a tabela de flexão não contém; por exemplo, os substantivos da língua lituana não são flexionados em género, pelo que o género é indicado no topo da tabela, assim como o lema e a classe gramatical. Os adjetivos e particípios têm três géneros, e uma particularidade da língua lituana é que apenas dois deles (masculino e feminino) têm todos os seis casos. O terceiro género tem apenas uma forma, pelo que esta é indicada sem a designação do caso (Anexo B). Para os verbos, apresentam-se todas as formas temporais em todos os modos (Anexo D). Assim, as classes de conjugação e de declinação tornam-se desnecessárias; por isso, não são fornecidos dados a esse respeito. Para algumas palavras, também são incluídos exemplos de uso na tabela de flexão. Para isso, utiliza-se a informação rápida (em inglês, tooltip). No Anexo C, apresenta-se como exemplo a palavra «bėgis» (acusativo, singular do substantivo bėgis / carril ferroviário, corrida). 3.7. A BASE DE DADOS No desenvolvimento da base de dados, procurou-se alcançar a maior qualidade e fiabilidade possível. Por isso, uma grande parte do trabalho foi feita manualmente Straipsniai / Articles 155 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAUSKAS feito, porque somente com a ajuda do ser humano se pode alcançar uma informação maximamente confiável (Sulger 2013: 53). No Instituto da Língua Lituana foram realizadas pesquisas sobre os prefixos lituanos. Constatou-se que existem cerca de 600 combinações de prefixos na língua lituana (Šveikauskienė 2015: 195). Por «combinações» entendem-se diferentes conjuntos de prefixos que podem aparecer antes da raiz, por exemplo, at-bėgi, nu-bėgi, ne-be-at-bėgti, ne-nu-bėgti, te-be-bė-ti etc. Verificou-se que apenas 220 dessas combinações são usadas com raízes de verbos; as outras, por exemplo, nuo-, são usadas com substantivos: nuo-monė /a opinião. O software foi concebido de modo a combinar automaticamente a raiz com todas as combinações possíveis de prefixos. Em seguida, os resultados fornecidos pelo computador são verificados por pessoas, e as palavras realmente existentes na língua lituana são inseridas na base de dados. Assim, consegue-se evitar dois extremos: tanto o número excessivo de formas geradas pelo computador como a insuficiência da abrangência das palavras. Todos os lemas e as informações gramaticais a eles referentes são inseridos manualmente na base de dados. Como o software desenvolvido no Instituto de Matemática e Informática não comete erros ao gerar as formas das palavras a partir do lema fornecido, confiou-se ao computador a tarefa de formar automaticamente as entradas das demais formas das palavras. É digno de nota que a LIGIS também processa palavras com terminações reduzidas. Essas palavras são muito frequentes na língua falada, e nenhuma das bases de dados já existentes processa essas formas de palavras. Além disso, é preciso salientar que a LIGIS também contém derivações que faltam até mesmo no dicionário da língua lituana em 20 volumes e em sua versão eletrônica (Link 9), por exemplo, neužbėgti/não voltar a subir correndo. Na base de dados, as informações são armazenadas em um formato adequado para computadores, isto é, utiliza-se a codificação em Prage Markup Language (Hana, Štepánek 2012). Esse formato de dados não é apresentado na Internet, pois seria supérfluo para quem não é profissional de linguística computacional. O fato de todas as informações serem armazenadas em uma base de dados torna a LIGIS também uma ferramenta útil para os linguistas que pesquisam a língua lituana. É possível obter informações dos mais variados tipos; por exemplo, pode-se pesquisar palavras com determinada combinação de prefixos e sufixos, entre outras coisas. 156 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache 3.8. MULTILINGUISMO DO WEBSITE O website está disponível em sete idiomas: lituano, inglês, alemão, francês, italiano, russo e japonês. A necessidade de ter um website multilíngue foi causada pela insatisfação com as traduções do lituano feitas pelo Google. A tradução automática da língua lituana não é confiável. Por isso, decidiu-se tornar multilíngue o website sobre a gramática lituana e utilizar apenas textos traduzidos por pessoas. A situação em relação a outros idiomas evidentemente não é muito melhor. Isso é atestado pela carta da Lingvist, de 8 de junho de 2017, na qual se solicita que a tradução da designação LINGUIST seja feita por falantes nativos e que, em hipótese alguma, se use uma tradução automática (LinguiList 2017: 28.252). Ao decidirmos tornar o website multilíngue, tivemos a seguinte ideia: se um estrangeiro, por exemplo, um norueguês, aprende ou estuda a língua lituana e conhece algumas palavras lituanas, mas ainda não outras, poderá escolher um idioma que domine melhor do que o lituano, por exemplo, o alemão, e todas as palavras lituanas que desconhece se tornarão compreensíveis para ele. Para esse fim, chegou-se até a prever o armazenamento da palavra inserida pelo usuário ao mudar de idioma. Assim, quando um usuário escolhe outro idioma, não precisa inserir novamente a palavra. 4. PLANOS PARA O FUTURO Na Universidade de Vilnius, muitos dicionários bilingues estão disponíveis em formato digital. No Instituto da Língua Lituana, foi digitalizado o grande dicionário em 20 volumes, assim como os outros dicionários monolingues: de sinónimos, de antónimos, de fraseologismos, entre outros. Está previsto ligar os dois tipos de dicionários ao sistema de informação da gramática lituana e criar um equivalente do sítio Web alemão CANOONET (Link 10). Como o sistema de informação da gramática da língua lituana contém dados sobre os morfemas, é possível pesquisar palavras com base no modelo morfémico. E é precisamente isso que está previsto para o futuro. Um separador (em inglês, tab) do sítio Web LIGIS é dedicado à teoria e encontra-se atualmente em desenvolvimento. Nele deverão ser apresentados conhecimentos académicos aprofundados sobre a gramática lituana. Straipsniai / Articles 157 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAUSKAS, VYTAUTAS ŠVEIKAUSKAS Na primeira etapa, trabalha-se com a morfologia. Na segunda fase, deverão também ser introduzidos dados sintáticos. 5. Conclusões 1. Esta abordagem também pode ser útil e pertinente para outras línguas com flexão rica. 2. O sistema de informação da gramática lituana pode ser muito útil para alunos, estudantes e estrangeiros que aprendem lituano, bem como para linguistas que investigam a língua lituana. 3. Os dados recolhidos também podem servir de documentação da língua lituana. Literaturverzeichnis Al – Onaizan Yaser, Curin Jan, Jahr Michael, Knight Kevin, Lafferty John, Melamed Dan, Och Franz – Josef, Purdy David, Smith Noah A., Yarowsky David 1999: Statistical Machine Translation. – Final Report JHU Workshop. http://mt-archive.info/JHU-1999-AlOnaizan.pdf (Zugriff am 21.11. 2017). Brown Peter F., Cocke John, Della Pietra Stephen A., Della Pietra Vincent J., Jelinek Frederick, Lafferty John D., Mercer Robert L., Roossin Paul S. 1990: A Statistical Approach to Machine Translation. – Computational Linguistics Volume 16, Number 2, June, 79–85. http://www.aclweb.org/anthology/J90-2002 (Zugriff am 21.11. 2017). Charniak Christopher E. 1989: Artificial Intelligence & Turbo C. Homewood: Dow Jones-Irwin. Daudaravičius Vidas 2012: Teksto skaidymas pastoviųjų junginių segmentais. Daktaro disertacijos santrauka. Kaunas: Vytauto Didžiojo universitetas. Goldsmith John A. 2010: Segmentation and Morphology. The Handbook of Computational Linguistics and Natural Language Processing. Wiley-Blackwell, 364–393. Han Jirka, Štěpánek Jan 2012: Prague Markup Language Framework. Procedings of the 6th Linguistic Annotation Workshop. Jeju, Republic of Korea, 12–13 July, 12–21. Jensen Karen, Heidorn George Emil, Richardson Stephen D. 1993: Natural language processing: The PLNLP Approach. Boston / London: Kluwer Academic Publishers. 158 Acta Linguistica Lithuanica XXVII Eine mehrsprachige Website zur Grammatik der litauischen Sprache Köhler Reinhard 2012: Quantitative Syntax Analysis. De Gruyter Mouton. Köhler Reinhard, Altmann Gabriel, Piotrowski Rajmund G. 2005: Quantitative Linguistik. Berlin / New York: Walter de Gruyter. Linguist List 2017: 28.254, Qs: How do you say the LINGUIST List in your language? 08 Jun 2017. [email protected]. Murmulaitytė Daiva 2012: Lietuvių kalbos morfemikos ir žodžių darybos tyrimų perspektyvos. – Žmogus ir žodis 1(14), 96–102. Nirenburg Sergei 1987: Machine Translation: Theoretical and Methodological Issues. London: Cambridge University Press. Paikens Pēteris, Rūma Laura, Pretkalniņa Lauma 2013: Morphological Analysis with limited resources: Latvian example. Proceedings of the 19th Nordic Conference of Computational Linguistics. (NODALIDA 2013); Linköping Electronic Conference Proceedings #85, 267–277. Reed David W. 1949: A Statistical Approach to Quantitative Linguistic Analysis, WORD, 5:3, 235–247, DOI: 10.1080/00437956.1949.11659355. Rimkutė Erika, Kazlauskienė Asta, Raškinis Gailius 2011: Dažnis lietuvių kalbos žodyne. Kaunas: VDU. Schwanke Martina 1991: Maschinelle Übersetzung: Ein Überblick über Theorie und Praxis. Berlin: Springer-Verlag. Skadiņš Raivis 2017: Neural MT and other Language Technologies at TILDE. http://school.gramaticframework.org/2017/slides/Ravis-Neural_MT_at_Tilde.pdf (zugegriffen 2017.11.21). Sulger Sebastian, Butt Miriam, King Tracy Holloway, Meurer Paul 2013: ParGramBank: The ParGram Parallel Treebank. – Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics, Sofia, Bulgaria, 550–560. http://aclweb.org/anthology/P/P13/P13-1054.pdf (zugegriffen 2017.11.21). Šveikauskienė Daiva 2015: Morphemic structure of the Lithuanian prefixes. – Language: Meaning and Form 6. – Language System and Language Use. Rīga: Latvijas universitāte, 189–197. Vaišnienė Daiva, Zabarskaitė Jolanta 2012: The Lithuanian Language in the Digital Age. – G. Rehm, H. Uszkoreit White Paper Series. Heidelberg / New York / Dordrecht / London: Springer. Winograd Terry 1983: Language as a Cognitive Process 1. Syntax. London: Addison-Wesley Publishing Company. Straipsniai / Articles 159 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAS Yule George Udny 1944: The Statistical Study of Literary Vocabulary. Cambridge MA, Cambridge university press. Zinkevičius Vytautas 2000: Lemoklis – morfologinė analizė. – Darbai ir dienos 24, 245–273. Zipf George Kingsley 1929: Relative frequency as a Determinant of Phonetic Change. – Harvard studies in classical philology 40, 1–95. Сердюков Пётр Иванович 1979: Оптимизация алгоритма поиска синтаксических связей. – Международный семинар по машинному переводу. Москва: ВЦП, 123–125. LINKS Link 1: http://www.digitalgrammars.com/ (Zugriff am 21.11. 2017) Link 2: http://tekstynas.vdu.lt/page.xhtml?id=morfema-db (Zugriff am 21.11. 2017) Link 3: http://morfologija.lt/ (Zugriff am 21.11. 2017) Link 4: http://morfologija.lt/zodzio-formos/sutikimas (Zugriff am 21.11. 2017) Link 5: http://bsnlp-2017.cs.helsinki.fi/cfp.html (Zugriff am 21.11. 2017) Link 6: https://de.wikipedia.org/wiki/Microsoft_Windows_8#Oberfl.C3.A4che (Zugriff am 21.11. 2017) Link 7: http://ligis.lki.lt/ (Zugriff am 21.11. 2017) Link 8: http://goldlit.ru/component/slog (Zugriff am 21.11. 2017) Link 9: http://www.lkz.lt/Visas.asp?zodis (Zugriff am 21.11. 2017) Link 10: http://www.canoo.net/ (Zugriff am 21.11. 2017) 160 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache ANHANG A. GRAMMATISCHE INFORMATION. Beispiel des grammatisch mehrdeutigen Wortes nubəɡti / hinlaufen-hingelaufen. Die grammatische Information wird in der Website in Kacheln ausgelegt. Diese Darstellungsweise ist günstig für responsives Webdesign – RWD. Bemerkung: Die Farben sind im Bild entfernt. Straipsniai / Articles 161 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBOKAS, VYTAUTAS ŠVEIKAUSKAS ANHANG B. FORMENtABELLE FÜR DEKLINATION. Als Beispiel wird die Flexion des Partizips nubėtas / hingelaufene in allen drei Genera und allen Kasus angeführt. NUBĖTASPARTIZIP II, PASSIV, PRÄTERITUMMännlichSingularPluralNominativnubėtasnubėtiGenitivnubėtonubėtųDativnubėtamnubėtiemsAkkusativnubėtąnubėtusInstrumentalnubėtunubėtaisLokativnubė tamenubėtuoseWeiblichSingularPluralNominativnubėtanubėtosGenitivnubėtosnubėtųDativnubėtainubė tomsAkkusativnubėtąnubėtasInstrumentalnubėtanubėtomisLokativnubėtojenubėtoseNeutrumnubėta 162 Acta Linguistica Lithuanica LXXVI Eine mehrsprachige Website zur Grammatik der litauischen Sprache ANHANG C. TOOLTIP FÜR VERWENDUNGSBEISPIELE. Als Beispiel wird die Schnellinfo für die Akkusativ-Singular-Form bėgį des Substantivs bėgis / Lauf, Getriebe, Eisenbahnschiene angeführt. Straipsniai / Articles 163 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAKAS, VYTAUTAS ŠVEIKAS ANANG D. FORMENTABELLE FÜR KONJUGATION. Als Beispiel wird die Flexion des Verbs bėgti / laufen in allen Tempusformen und Modi angeführt. 164 Acta Linguistica Lithuanica LXXVII Eine mehrsprachige Website zur Grammatik der litauischen Sprache Daugakalbė lietuvių kalbos gramatikos informacinė sistema internete SANTRAUKA Lietuvių kalbos kompiuterizavimo darbuose galima pastebėti du pagrindinius trūkumus: trūksta kartais net ir dažnai vartojamų formų ir pateikiami pertekliniai, lietuvių kalboje neegzistuojantys žodžiai. Kuriant Lietuvių kalbos gramatikos informacinę sistemą (LIGIS) stengiamasi išvengti jų abiejų. Visos formos generuojamos kompiuteriu automatiškai ir vėliau gauti rezultatai peržiūrimi žmogaus, kad būtų atmesti lietuvių nesuprantami žodžiai. Lietuvių kalbos gramatikos informacinė sistema apima visus darinius. Šiuo metu duomenų bazę sudaro tik šakn inės beg-žodžiai. Jų yra apie 25 000. Palyginimui galima pateikti tokius duomenis: morfemos duomenų bazę sudaro yra apie 75 000 įrašų, bet jie surinkti iš visos lietuvių kalbos leksikos. Su šaknimi beg- ten yra 118 žodžių. Kuriant Lietuvių kalbos gramatikos informacinę sistemą pagrindinis tikslas buvo pateikti išsamią gramatinę informaciją plačiajai visuomenei. Todėl buvo stengiamasi duomenis atvaizduoti kuo aiškiau ir suprantamiau. Svetainė pritaikyta naudotis ir mobiliuosiuose telefonuose. Vartotojas, pateikęs žodį, gauna trijų tipų informaciją apie jį: žodžio struktūrą (pradinę formą bei pamatinį žodį dariniams), morfologinę informaciją (kalbos dalis bei jos morfologinės kategorijos – linksnis, giminė, skaičius, laikas, laipsnis ir t. t.) ir morfeminiai duomenys – žodis išskaidytas morfemomis, nurodant morfemos tipą bei požymius, jei morfema jų turi, pavyzdžiui, priesaga – darybinė / kaitybinė, galūnė – įvardžiuotinė, sutrumpėjusi ir kt. Kiekviena morfema žymima vis kita spalva. Reikia pabrėžti, kad Lietuvių kalbos gramatikos informacinė sistema yra pirmasis tinklapis Lietuvoje, kur vartotojui pateikiama informacija apie morfemos tipą. Be to, apdorojami ir žodžiai su sutrumpėjusiomis galūnėmis, kurios labai paplitusios, ypač šnekamojoje kalboje. Kiekvienam duomenų bazėje esančiam žodžiui vartotojas gali gauti visą kaitybinę lentelę. Kai kuriems žodžiams pateikiama vartojimo pavyzdžių. Kuriant Lietuvių kalbos gramatikos informacinę sistemą siekiama kuo didesnio tikslumo ir patikimumo. Todėl visos temos (žodžių pradinės formos – vardininkas, bendratis) suvedamos į duomenų bazę rankomis. Kaitybines formas sugeneruoti patikėta kompiuteriui, nes šiame jo darbe nebuvo pastebėta klaidų. Svetainė pateikiama septyniomis kalbomis: lietuvių, anglų, vokiečių, prancūzų, italų, rusų ir japonų. Ateityje planuojama Lietuvių kalbos gramatikos informacinę sistemą jungti su skaitmenintais žodynais ir sukurti vokiečių tinklapio CANOONET analogą. Straipsniai / Articles 165 DAIVA ŠVEIKAUSKIENĖ, ARŪNAS RIBAUSKAS, VYTAUTAS ŠVEIKAUSKAS Įteikta 2017 m. rugsėjo 5 d. DAIVA ŠVEIKAUSKIENĖ Petro Vileišio g. 5, LT-10308 Vilnius, Lietuva [email protected] ARŪNAS RIBAUSKAS Saulėtekio al. 11, LT-10221 Vilnius, Lietuva [email protected] VYTAUTAS ŠVEIKAUSKAS Petro Vileišio g. 5, LT-10308 Vilnius, Lietuva [email protected] 166 Acta Linguistica Lithuanica LXVII