„Dabartinės rašomosios lietuvių kalbos dažninis žodynas“ ir jo bazė

ACTA LINGUISTICA LITHUANICA XLVI (2002), 19 – 37 Frekvenční slovník současné psané litevštiny a jeho databáze LAIMA GRUMADIENĖ Institut litevského jazyka Elektronických databází pro litevštinu je málo. Největší jsou Frekvenční slovník současné psané litevštiny, který sestavily V. Žilinskienė a L. Grumadienė, a Korpus litevského jazyka Kaunaské univerzity. První z nich je zde podrobně představen: jsou probrány zásady jeho sestavení a možné způsoby využití a stručně je charakterizována dosud publikovaná statistickolingvistická práce, která z něj vychází. Hlavní problémy související s databázemi moderní litevštiny jsou: (1) jejich nedostatečná diferenciace (zachycují pouze psaný, nikoli mluvený jazyk), (2) jejich nedostatečné využívání, protože litevská vědecká obec není dostatečně připravena k práci s takovými nástroji, a (3) skutečnost, že úsilí vědců, kteří je sestavují, se dostává příliš malého veřejného uznání a není oceňováno jako původní vědecký přínos. 1. STÁRNUTÍ ELEKTRONICKÝCH DATABÁZÍ A JEJICH „ZBYTEČNOST“ Právě nyní je litevská jazykověda jako by zamrzla uprostřed tygřího skoku: výrazné práce, které vznikly převážně podnětem strukturalismu, už byly napsány, avšak ve vzduchu visí očekávání nových, neméně významných prací. K tomu je třeba nejen jiného pohledu na jazykové jevy, ale i nových, dosud nevyzkoušených metod a pracovních nástrojů. V době informačních technologií jsou nové pracovní nástroje lingvistů často spojeny s elektronickými databázemi a ty zase s lingvostatistickými publikacemi. Zdálo by se samozřejmé, že se od sebe liší: elektronické databáze jsou dynamické a lze s nimi samostatně pracovat, zatímco publikace jsou statické a představují pouze soubor údajů předložených podle přání autorů. Dříve, a někdy i dnes, však byly či jsou v Litvě takové databáze a publikace ztotožňovány. Dokládá to historie zpětných (nazývaných také reverzní) slovníků. První litevský zpětný slovník, který na základě vydání DLKŽ z roku 1954 sestavil Američan David F. Robinson (1976), zahrnoval přibližně 45 000 slov; možná ani neměl vlastní elektronickou databázi, alespoň se o ní autor nezmiňuje. Navíc by tehdy taková elektronická databáze v Litvě nebyla ani dostupná, protože samotný slovník viděl málokdo, jelikož vyšel v Americe v malém nákladu. Juozas Korsakas ze Šiauliai (1991) sestavil výběrovou metodou Inverzní slovník litevského jazyka 20 | LAIMA GRUMADIENĖ slovník, který zahrnoval téměř 22 000 slov, vycházel rovněž z DLKŽ, tentokrát však z vydání z roku 1972. Pracovalo se s vlastní vytvořenou elektronickou databází, ta však není veřejně přístupná (pravděpodobně z technických důvodů), a je tedy dostupná pouze v podobě tištěné knihy. Reverzní slovník současné litevštiny Vidos Žilinskienė (1995) není pouhým přepisem DLKŽ, protože slova jsou uvedena v obráceném pořadí a rozdělena podle slovních druhů; navíc je doplněna statistická analýza. V současnosti je v zásadě dostupný rovněž pouze v tištěné podobě, ačkoli existuje i elektronická verze. Ta byla využita jen poměrně málo (pracovní skupinou vedenou E. Jakaitienė při tvorbě litevsko-norského slovníku a v článcích Daivy Murmulaitė (1998, 1999 aj.)). Mimochodem, zmíněný slovník i analýza byly připraveny s využitím počítačové verze DLKŽ (vydání z roku 1993) a její statistické analýzy, nikoli, jak ve svém přehledu uvádí Rūta Marcinkevičienė (2000a: 16), na základě Frekvenčního slovníku současné psané litevštiny (Grumadienė, Žilinskienė 1997; 1998). Elektronická verze DLKŽ (vydání z roku 1993), připravená společným úsilím vědců z Ústavu matematiky a informatiky a Ústavu litevského jazyka, byla vydána v malém nákladu (1995), protože jednoduše nebylo možné distribuovat publikace v elektronické podobě. Nyní se Ústav litevského jazyka znovu pustil do digitalizace DLKŽ, tentokrát však vydání z roku 2000 (vedoucí Stasys Keinys), a získal na ni finanční podporu od Litevského vědeckého fondu. Jak známo, vydání DLKŽ z let 1993 a 2000 se od sebe příliš neliší, a proto stojí za pozornost skutečnost, že bylo rozhodnuto předchozí elektronickou verzi nepoužít jen proto, že byla připravena v již morálně zastaralém prostředí DOS a v databázi FOX-PRO: znovu byly nasazeny počítače, aby naskenovaly již existující elektronický text, který vyžadoval jen drobné opravy, čímž se zvýšily pracovní náklady i výdaje. Možná bude znovu provedena i statistická analýza? Jenže stejně jako počítačová verze vydání DLKŽ z roku 1993 morálně zastarává i mnoho dalších elektronických databází, a je proto zřejmé, že je třeba věnovat pozornost jejich údržbě. Nečeká podobný osud jako elektronickou verzi DLKŽ (1993) také Terminologickou banku, kterou společně připravují zmíněné instituty? Lingvostatistické publikace jsou tedy stále oceňovány mnohem více než nákladné elektronické databáze, které nabízejí mnoho nových pracovních možností. Lituanisté by se měli dohodnout na elektronických databázích, které využívají specifické znaky, například na databázích starých textů a přepsaných nářečních textů. Už nyní je totiž třeba znovu přepisovat články s takovými příklady, pokud se z toho či onoho důvodu rozhodne, že nebudou předloženy například vydavatelstvím Institutu litevského jazyka, ale některé z redakcí vydavatelství Vilniuské univerzity. Nyní vydávané nářeční slovníky a nářeční texty jsou, přestože mají elektronickou podobu, pouze známkou modernizace tiskáren, protože jejich texty nelze používat jako elektronickou databázi. Bez dohody lituanistů o společném kódovacím systému (například UNICODE nebo jiném) je tedy veřejné používání elektronických datových bank značně ztíženo; nemluvě o tom, že možnosti využití elektronických technologií a programů k jejich analýze jsou velmi omezené, a někdy dokonce žádné. Máme jich snad tolik, že už je nedokážeme obsáhnout? Problém spočívá v tom, že ani lingvisté, ani informatici, kteří jim pomáhají, dosud náležitě nepochopili, že databáze musí být dynamické: práce s nimi musí umožňovat využívání množství stále vznikajících nových programů a technologií a databáze musí umožňovat převod do novější počítačové verze. Většina elektronických databází vytvářených v Litvě je dosud sestavována, jako by šlo o tytéž kartičky s DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 21 jazyková data, pouze shromážděná pomocí počítačové klávesnice. Brzy se tato data mohou vyrovnat nápisu vytesanému do kamene: na obrazovkách počítačů nové generace budou vidět jen „praporky“ a „čtverečky“, jejichž rozluštění, podobně jako čtení run, bude úkolem budoucích lingvistů. Dosavadní diskuse na toto téma byly bezvýsledné, ale zřejmě není třeba ztrácet naději; stojí za to znovu svolat diskusi a poradit se. Mimochodem, pozornost zasluhují pojmy: elektronická forma DATABÁZE, BANKA, TEXTOVÝ KORPUS (KORPUS), ARCHIV. Nejmódnějším z nich je TEXTOVÝ KORPUS (KORPUS). Je definován různými způsoby, společné všem definicím však je, že TEXTOVÝM KORPUSEM se rozumí soubor textů v elektronické podobě, a proto se často téměř všemu, co se dříve nazývalo databázemi, začalo říkat textové korpusy (vždyť velikost jednotlivých textů není nijak stanovena). Pojem BANKA se nejčastěji spojuje s terminologií: terminologické banky se zpravidla nenazývají textovými korpusy. V současnosti se pojem ARCHIV stále častěji spojuje s časovou dimenzí: elektronické úložiště starých dat lze nazvat archivem nebo databází. Nejneutrálnějším pojmem tak zůstává ELEKTRONICKÁ DATABÁZE, a proto se zde používá nejčastěji (srov. Kennedy 1998: 3 a násl.). 2. ELEKTRONICKÉ DATABÁZE SOUČASNÉ LITEVŠTINY A LINGVOSTATISTICKÉ PUBLIKACE Elektronických databází současné litevštiny není nadbytek. Tomu odpovídá i nedostatek lingvostatistických publikací; poněkud častěji se využívají pouze lingvostatistické metody. Zde vyniká jedině fonetika a fonologie, která z jejích výsledků vychází. Možná se tak stalo kvůli samotné povaze fonetiky, tedy proto, že při častém opakování stejných jednotek – hlásek – se přímo nabízejí závěry založené na statistice, anebo kvůli subjektivním faktorům, tedy proto, že se objevili badatelé s novátorským myšlením: především Aleksas Girdenis a jeho žáci, stejně jako Antanas Pakerys. Ať tak či onak, oba tyto faktory vedly k rozmachu litevské fonetiky a fonologie a dokonce k určitému odstupu od ostatních lingvistických oborů. Pravda, fonetika sama je přechodnou oblastí mezi exaktními vědami a lingvistikou. Dalším lingvistickým oborem podle četnosti opakujících se jednotek je morfologie. Bylo by tedy logické předpokládat, že právě v tomto oboru by měla jako první vzniknout potřeba pracovat jak s lingvostatistickými údaji, tak s elektronickými databázemi. Zatím k tomu nedošlo, přestože takové práce i pracovní nástroje již existují. První lingvostatistickou práci z oblasti lexikologie a morfologie připravila v Litvě s využitím samočinného počítače Vida Žilinskienė (1990). Její Lietuvių kalbos dažninis žodynas vychází z údajů jednoho z funkčních stylů – publicistiky – a obsahuje analýzu 300 000 výskytů slov (tj. jak stejných lexémů, tak i různých; těch bylo 18 776, neboť v souladu s obecně přijímanými pravidly pro sestavování frekvenčních slovníků bylo od dalšího zkoumání upuštěno u 11 956 vlastních jmen). Všechny souvislé texty, sestávající z úseků (vzorků) po 1000 výskytech slov, byly morfologicky analyzovány, opatřeny přízvuky, poté byly děrně štítkovány a vloženy do dnes již morálně zastaralého a nepoužívaného samočinného počítače „Minsk-22“. Elektronická databáze existuje, ale dnes by bylo velmi obtížné ji využívat. Je škoda, že lingvostatistická analýza textů jednoho z útvarů současné litevštiny – publicistiky – nebyla dosud náležitě využita k vědeckým ani praktickým účelům, zejména při psaní učebnic a výukových slovníků, a to ani z hlediska lexikologie, ani morfologie, ani akcentologie. Jedním z prací připravovaných elektronickými prostředky (účastnili se mezinárodního programu CHILD) a věnovaných synchronní morfologii by mohla být doktorská disertace Inety Savickienė (1999), zaměřená na morfologii dětské řeči. 22 | LAIMA GRUMADIENĖ Jedním z příkladů prací věnovaných synchronní morfologii a zkoumaných elektronickými prostředky (účastnili se mezinárodního programu CHILD) může být doktorská disertace Inety Savickienė (1999), zaměřená na morfologii dětské řeči. Mimochodem, je třeba zmínit, že práce opírající se o lingvostatistické údaje z jiných rovin, ze stylistiky a zčásti ze syntaxe, jejichž jednotky mají mnohem nižší frekvenci, se objevily již před několika desítkami let; především jde o práce Audronė Bitinienė (1983, 1997, 1998 aj.). Existuje také několik pokusů zkoumat současnou slovní zásobu na základě lingvostatistických údajů. V poslední době se takové práce nejčastěji zpracovávají na bázi korpusu současné litevštiny Vytautas Magnusovy univerzity (přibližně 60 000 000 výskytů slov), například výzkumy kolokací, které provedla Rūta Marcinkevičienė (2000a; 2000b), doktorská disertace Jurgity Mikelionienė (2000) o neologismech aj. Na základě menších elektronických databází vzniká stále více lexikologických prací, někdy velmi specifických, například doktorská disertace Asty Ryklienė (2000) o slovní zásobě užívané uživateli internetu a její další práce; celkově je však takových prací málo a studenti se do tohoto procesu zapojují jen v malé míře (snad s výjimkou Vytautas Magnusovy univerzity). Skupina vedená Antanasem Pakerisem na Vilniuské pedagogické univerzitě dokončuje databázi určenou ke zkoumání lexika; snad pak i zde přibude studentských prací tohoto druhu. Tento článek se omezuje na popis pracovních nástrojů potřebných k výzkumu současné psané litevštiny, a proto se nezabývá již rozběhnutou řadou výzkumů starých písemných památek, které vycházejí z vlastní elektronické databáze Institutu litevského jazyka. Vznik vlastních elektronických databází bezpochyby poskytne nový impuls litevské dialektologii: Institut litevského jazyka se již připravuje na zřízení Centra dialektů, kde by se elektronicky pořizovaly nahrávky dialektů a z nich rozluštěné a přepsané texty. V témže institutu byly zahájeny práce na tvorbě elektronických databází onomastiky a toponomastiky. Připravovaná elektronická databáze rozsáhlého Lietuvių kalbos žodyno by se měla stát skutečným zlomem v litevské lexikografii; mnoho se očekává také od elektronické databáze Bendrinės lietuvių kalbos žodyno. Vyučující Vilniuské univerzity pod vedením Evaldy Jakaitienė se zapojili do jednoho z projektů Evropské unie a připravují elektronický takzvaný univerzální seznam litevských slov, na jehož základě by měla odstartovat nová řada dvojjazyčných slovníků. V jistém smyslu jde o projekt konkurující redakci Bendrinės lietuvių kalbos žodyno. Především díky úsilí Státní komise pro litevský jazyk, podnícené Evropskou unií, se začaly připravovat elektronické takzvané Terminų ar Svetimžodžių portfeliai, tedy specifické seznamy nejnovějších a velmi často užívaných termínů a slovních spojení z různých oborů, které Evropská unie šíří mezi všechny své členské i kandidátské země, aby se jazyky mohly přizpůsobit a připravit na blížící se vlnu překladů, jakož i na strojový překlad. Skupina vědců Vilniuské univerzity (vedoucí Meilutė Ramonienė) zahájila přípravu elektronických databází současného mluveného jazyka, podobně jako v případě polštiny založených na nahrávkách rozhlasového a televizního jazyka. Na téže univerzitě se připravuje shromažďování elektronické databáze slavismů (vedoucí Vytautas Kardelis), která má obsahovat jak zvukové nahrávky, tak příklady z nich vybrané a přepsané. Zkušenosti ukazují, že výsledky lze očekávat teprve poté, co se člověk naučí s takovými údaji pracovat a osvojí si dovednosti využívat nové možnosti. K tomu jsou zapotřebí laboratoře, kde by se lidé této práci učili, nejlépe už od mládí. Samotná povaha elektronických databází předpokládá jejich veřejnou dostupnost; po uspořádání by měly být přístupné všem, kdo je potřebují. Největší soubory jazykových dat litevštiny se nacházejí v Institutu litevského jazyka- DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 23 … proto by se modernizací měl stát právě on největším centrem pro vytváření elektronických databází litevského jazyka, zdrojem jejich veřejného využívání, centrem přitažlivosti a šíření prací a myšlenek tohoto druhu – snad tuto úlohu bude plnit Lituanistické centrum zřizované v databázi Litevského jazykového ústavu? Elektronické databáze, které se dostanou na internet, budou ještě otevřenější. Mimochodem, místo, kde lze používat počítač, přestává být důležité, jakmile se objeví možnost připojení k internetu; důležité je pouze to, co se na internet dostalo. To jsou však plány do budoucna. V Litvě dosud není právně upraveno vydávání lingvostatistických prací v elektronické podobě a otázka autorských práv není vyřešena, proto zůstávají aktuální i takové práce tištěné na papíře. Elektronické databáze a lingvostatistické publikace se však zásadně liší; ty druhé jsou pouze špičkou ledovce. Dále se zde probírá konkrétní otázka: vztah mezi elektronickými databázemi současné psané litevštiny a lingvostatistickými slovníky. Ty druhé nemohou existovat bez databáze, možnosti, které databáze nabízejí, se však zdaleka neomezují pouze na vydávání slovníků. 3. ELEKTRONICKÉ DATABÁZE SOUČASNÉ PSANÉ LITEVŠTINY A FREKVENČNÍ SLOVNÍKY Elektronické jazykové databáze se samozřejmě od jiných souborů jazykových dat odlišují především svou elektronickou podobou a specifiky používání souvisejících počítačových technologií. Vznik elektronických databází přinesl zcela nové možnosti zkoumání jazyka, tyto možnosti však nelze spojovat pouze s nástupem současných elektronických nosičů. To, že se různými prostředky dosahuje v zásadě obdobných výsledků, především charakteristik četnosti gramatických tvarů a lexémů, ukazuje, že mezi současnými elektronickými databázemi a jejich mnohem staršími obdobami existuje značná podobnost. Ve Francii začalo nakladatelství Larousse již v roce 1956 při přípravě slovníků používat strojový (kartotéku slovníků na elektronických počítačích starší generace) systém (Rozencveig 1986: 82). Otázka, jak vytvářet současné elektronické jazykové databáze, vyvstala jednak proto, že nové technologie umožnily zvládnout velké objemy informací; následně se zvětšil rozsah textu, který sloužil k ilustraci jednoho slova (tj. jeho kontextu). Tak vznikly nové možnosti zkoumat předpoklady užití slova a později i větších jazykových jednotek, a tedy také syntaxi a sémantiku. Začaly se vyhledávat stále delší úseky textů a nakonec se přešlo i k celým uceleným textům, dokud tomu neučinily přítrž náklady na získání autorských práv. Na druhé straně se nástup počítačů pravděpodobně vyrovnal dopadu Gutenbergova vynálezu; především se však počítače šířily nevídanou rychlostí. S geometrickým růstem rozmanitých mezilidských kontaktů na dálku, a to jak mezi mluvčími téhož jazyka, tak mezi mluvčími různých jazyků, proto vznikla naléhavá společenská poptávka po rozmanitých statistických informacích souvisejících s jazykem, které by umožnily automatizovat co nejvíce komunikačních procesů: výuku jazyků, překlad, rozpoznávání, kompresi a přenos informací atd. Litevská jazykověda nezůstala stranou tohoto obecného procesu, jenže samozřejmě značně zaostala. Ve světě se během celého 20. století, zejména v jeho druhé polovině, jako by již připravoval nový skok. Především šlo o frekvenční slovníky jazyků. První se objevily již v 19. století. 24 | LAIMA GRUMADIENĖ na konci – na začátku 20. století. Úplně první byl slovník němčiny, který stenograf F. Kaeding (1898) připravil na základě kartotéky lístků obsahující celkem 11 000 000 výskytů slov. Mnohem později vydal G. Vander Beke (1929) slovník tohoto typu pro francouzštinu. H. Eaton (1934) sestavil srovnávací slovník tisíce nejčastějších slov ve čtyřech jazycích – angličtině, francouzštině, němčině a španělštině. První frekvenční slovník angličtiny sestavili E. Thorndike a L. Lorge (1944), španělštiny V. Garcia Hoz (1953). První frekvenční slovník ruštiny v Americe sestavil H. Josselson (1953), zatímco N. P. Vakar (1966), rovněž v Americe, vydal frekvenční slovník mluvené ruštiny sovětského období, který však vychází v zásadě pouze z jazyka dramatických děl. E. Šteinfeldt (Štejnfel’dt 1963) vydal v Tallinnu frekvenční slovník Puškinova jazyka. Frekvenční slovník ruštiny na základě korpusu o 1 000 000 slovech, sestaveného z poloviny z krásné literatury a z poloviny z takzvané informativní prózy (publicistiky, úředních dokumentů a odborné literatury), připravil v Uppsale L. Lönngren (1993). První frekvenční slovníky nejen ruštiny, ale také rumunštiny a italštiny byly rovněž sestaveny v Americe – A. Juillandem, P. M. Edwardsem a I. Juillandem (1965), A. Juillandem a V. Traversou (1973) (mimochodem, A. Juilland a E. Ch. Rodrigues (1964) tam již dříve připravili další frekvenční slovník španělštiny; později takový slovník sestavili také J. R. Alameda a F. Cuetos (1995)). Celá řada frekvenčních slovníků vycházela z koncepce funkčních jazykových stylů Pražského lingvistického kroužku a rovněž z pojetí spisovného jazyka Borise Larina: prvním byl, jak se sluší, slovník češtiny, nejprve jednotlivých funkčních stylů a později i souhrnný, které napsal autorský kolektiv vedený Marií Těsitelovou (J. Jelínek, J. V. Bečka aj., viz Těsitelová 1983). Brzy se do toho pustili Lotyši; stejně jako Češi nejprve připravili slovníky jednotlivých funkčních stylů a poté souhrnný slovník ve dvou svazcích – T. Jakubaite, D. Kristovska, D. Guļevska, V. Ozola, R. Prūse, A. Rubine, N. Sika (1966–1976). Stejnou metodiku použili při sestavování frekvenčního slovníku současné ruštiny na základě 1 000 000 výskytů slov ze čtyř funkčních stylů také V. A. Agrajeva, V. V. Borodin, V. M. Muratova a E. V. Tisenko pod vedením L. N. Zasoriny (1977). Frekvenční slovník běloruštiny N. S. Mažeiky a A. J. Supruna (Mažeika, Suprun 1976) zahrnuje pouze jediný funkční styl – krásnou literaturu. Pouze publicistický styl zahrnuje také frekvenční slovník bulharštiny (Todorova, Pančovska 2001). První frekvenční slovník litevštiny, který sestavila V. Žilinskienė (1990), zahrnoval rovněž jen jediný funkční styl – publicistiku; při práci se vycházelo ze stejné české metodiky a úzce se spolupracovalo s Lotyši. Postupem času se ve světě, ačkoli se tím litevština chlubit nemůže, objevily nejrůznější frekvenční slovníky: jazyka jednotlivých autorů, funkčních stylů, regionálních jazykových variant, psaného i mluveného jazyka atd. Frekvenční slovníky „jazyka obecně, n“ přestaly být funkční, protože je bylo třeba vytvářet pro konkrétní účely; výběr slov se tedy musel provádět z textů určité oblasti, nikoli z jejich celku. Na druhé straně se problém sestavování frekvenčních slovníků „přenesl do jiné dimenze“, když při hledání dokladů užití začali američtí behavioristé a pozitivisté vytvářet elektronické korpusy: elektronické technologie se rychle rozvíjely, a bylo proto možné nejen shromažďovat, ale také zpracovávat rozsáhlé soubory textů. Za počátek korpusové lingvistiky se považuje rok 1961, kdy Nelson Francis a Henry Kučera oznámili vznik a začali budovat slavný elektronický korpus psané angličtiny Brown (Brown university), John Sinclair pak korpus LOB (Lancaster-Oslo/Birmingham) stejného formátu… DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 25 …textový korpus; už v roce 1959 Randolph Quirk oznámil korpus psaného a mluveného jazyka SEU (Survey of English Usage), v jehož práci pokračoval Jan Svartvik, který se na Lundské univerzitě začal zabývat tvorbou korpusu mluveného jazyka LLC (London-Lund Corpus of Spoken English). Rozsah všech zmíněných korpusů tehdy činil přibližně 1–1,15 milionu výskytů slov, poté vznikaly další podobné korpusy (viz Aijmer, Altenberg 1991: 1nn.). Rozsah korpusů druhé generace se počítá v desítkách milionů, u třetí generace již ve stovkách milionů a miliardách. Ve světě zůstává aktuálním problémem kompatibilita počítačového softwaru a jednotlivých pracovních programů: nashromáždily se již korpusy nesmírného rozsahu – stovek milionů slov (což je v podstatě elektronická podoba knihoven), ale jak je pohodlně využívat, jak spočítat i ty nejzákladnější frekvence, jak se neztratit v oceánu slov? A konečně, znamená kvantita vždy také kvalitu? Při sestavování nejrůznějších frekvenčních slovníků bylo mnohokrát zjištěno, že polovina zkoumaných slov se vyskytla pouze jednou. Proto je třeba při každém zahájení práce dobře zvážit, zda stanovené úkoly skutečně vyžadují práci s velkým množstvím materiálu při hledání nejvzácnějších slov. Někdy, při zkoumání určitých gramatických nebo slovotvorných pravidelností, je skutečně neracionální rozsah zkoumaného souboru výrazně zvětšovat; vhodné je posoudit jej také statistickými kritérii, neboť ta ukážou pravděpodobnost, kdy je výběr dostatečný k vyvození reprezentativních závěrů. Zvláštní pozornost je třeba věnovat tomu, z jakých textů je zkoumaný soubor vytvořen, tedy jak je sestaven model zkoumaného objektu. V litevské lingvistice nyní snad nejvíce otázek v tomto ohledu vyvolává problém, co považovat za spisovnou litevštinu a v jakém zastoupení by v ní měly být funkční jazykové styly nebo jazykové vrstvy vymezené podle jiných kritérií. Například výše zmíněný korpus Univerzity Vytautase Velkého byl sestaven podle jedněch výběrových zásad, zatímco Frekvenční slovník současné psané litevštiny podle jiných, a proto se výsledky liší. Statistické údaje o jednotlivých slovních druzích získané například z různých korpusů je třeba posuzovat velmi pečlivě a objektivně. Bylo zjištěno, že v již dokončených nebo právě vznikajících pracích tohoto druhu se nevěnuje dostatečná pozornost tomu, jaké texty byly zkoumány, a přesto se vyvozují obecné závěry o „současné litevštině“. Práce s čísly vyžaduje přesnost, jinak vedou výsledky k zavádějícím závěrům. Elektronický korpus Frekvenčního slovníku současné psané litevštiny, o němž pojednává tento článek (1,2 milionu výskytů slov), patří ke korpusům první generace (typu Brown, LOB) s rozsahem přes milion slov. S těmito proslulými korpusy jej pojí ještě jedna společná vlastnost – stejně jako málokterý pozdější korpus ve světě je i náš korpus anotovaný. Počítačové technologie poskytly analytickým jazykům mimořádné možnosti: specializované, ale poměrně rozšířené programy (známý je zejména program Oxfordské univerzity – Oxford Concordance Program, stejně jako KWIC, KAYE, CLAN, OCP, WordCruncher aj.) umožňují poměrně snadno připravit seznamy nejčastějších slov a jejich konkordance (Leech 1991: 10; Utka 2000). Programy tohoto typu obvykle používají také výzkumníci korpusu současné litevštiny na Univerzitě Vytautase Velkého, lze jimi však analyzovat pouze slova, tj. lexikum, protože chybějí informace o koncovce slova, která je, jak známo, pro litevštinu mimořádně důležitá. U syntetických jazyků je to tedy složitější: při použití popsaných programů se totiž vytvářejí seznamy slovních tvarů, nikoli heslových slov. Než se slovní tvary sjednotí na úroveň hesel, vyžaduje to značnou dodatečnou práci. Takové seznamy slov doplněné gramatickou analýzou se již nazývají anotované; ve světě jich není mnoho a jsou vysoce ceněné, neboť jejich tvorba vyžaduje značné pracovní úsilí, a proto jsou 26 | LAIMA GRUMADIENĖ velmi nákladné (spolu s V. Žilinskiene jsme vypočítaly, že v našem případě by samotný výběr textů, jejich pořízení pomocí počítačové klávesnice, poloautomatická morfologická analýza (tzv. LEMATIZACE), korektury a vložení dat do počítače zabraly jednomu člověku šest pracovních let). Výpočty a následné korektury vyžadují dalších několik let, protože jakákoli nepřesnost při matematických operacích může vést k absurditě. Obecně lze dnes frekvenční slovníky, zejména díky elektronickým korpusům, sestavovat různými způsoby a v různých podobách – podle toho, co hledáme. Hlavním důvodem, proč vznikají stále nové frekvenční slovníky, zejména ty, které si činí nárok být například slovníky současného n jazyka, je skutečnost, že základním předpokladem lingvistické statistiky, stejně jako statistiky obecně, je to, že výběr musí být reprezentativním modelem zkoumaného celku neboli souboru. Zkrátka se neustále znovu klade otázka, zda zkoumaný výběr skutečně odráží zamýšlený celek. Například frekvenční slovník současné litevštiny sestavený z korpusu současné litevštiny Univerzity Vytautase Velkého, který obsahuje dokonce 60 milionů výskytů slov, by se lišil od již vydaných slovníků L. Grumadienė a V. Žilinskienė (1997, 1998), protože jeho výsledky by odrážely soubor textů, jehož základ tvoří jazyk 70% periodických, 26% neperiodických a 4% překladových publikací (Marcinkevičienė 2000a: 16). Texty pro zmíněné vydané slovníky byly vybírány na zcela jiném základě: jde o původní, nikoli překladové texty čtyř funkčních jazykových stylů – publicistického, úředního, krásného a odborného. Takový postup byl zvolen proto, že litevský spisovný, zejména psaný jazyk, se dosud utváří, normuje a kodifikuje v duchu myšlenek Pražského lingvistického kroužku (mimochodem je třeba upozornit, že samotný pojem STYL je dnes různými lingvistickými školami definován značně odlišně). Vycházelo se ze zásad sestavovatelů jiných frekvenčních slovníků, především českých, ruských a lotyšských, kteří rovněž přijali výše uvedené pojetí spisovného jazyka jako souhrnu funkčních jazykových stylů; uplatnily se jejich zkušenosti, a proto se, stejně jako v jejich případě, zvolily výběry po 300 000 výskytech slov ze čtyř funkčních stylů. Předpokládalo se totiž, že zásady, na nichž je založen korpus Univerzity Vytautase Velkého (ten ostatně vznikl později než náš), bližší americkému pojetí spisovného (či standardního, jak je tam zvykem) jazyka, jsou pro psanou litevštinu ještě předčasné. V databázi Frekvenčního slovníku současné psané litevštiny někdy postrádáme hovorovou slovní zásobu, protože se zapomíná, že byl vytvořen pouze na základě veřejného písemného jazyka: nejsou v něm soukromé dopisy, deníky, nápisy na zdech apod. Přesto se do slovníku dostala i slova z hovorového jazyka, mezi nimi nejen cizí a nářeční výrazy, ale také příklady pejorativní slovní zásoby, které jsou ve spisovném jazyce nepřípustné; za to autorky slovníku neustále čelí výtkám. Nabízí se otázka, co považovat za krásnou literaturu: tato slova se vyskytovala v textech krásné literatury (v původních textech vydaných v Litvě v nákladu přes 100 výtisků a redigovaných), přičemž zásadou sestavování frekvenčního slovníku je nevyřadit žádné významové slovo, pokud nejde o vlastní jméno, číslo, zkratku nebo korektorskou chybu. Mimochodem, údaje ukazují, že ve výběrech po 300 000 výskytech slov pro každý ze čtyř funkčních stylů bylo v publicistickém stylu nalezeno 284 687 významových slov (15 313 takzvaných „odpadků“), ve věcném stylu 279 505 (z důvodů uvedených výše se do slovníku nedostalo 20 495), v odborném stylu 278 311 (21 689) a v krásné literatuře 290 561 (9 439). Srdce nedovolilo vyřadit vlastní jméno Lietuva, a proto se jako jediná výjimka dostalo do slovníku; ukázalo se, že je to 16. nejčastější slovo, první podstatné jméno v pořadí, s frekvencí 5151 v 614 vzorcích: zde sehrály roli úřední dokumenty, DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 27 názvy institucí apod., v nichž se toto slovo často vyskytovalo v genitivu). Za vlastní jména lze podmíněně považovat i názvy náboženských a jiných svátků (často užívané také jako obecná podstatná jména), např. Joninės, Kūčios, Žolinė, nebo názvy světových stran Rytai, Vakarai, Pietūs, Šiaurė. V souladu se zásadou reprezentativnosti byly z každého z uvedených stylů vybírány pouze texty náležející k čistému stylu: byly vyřazeny texty z učebnic považované za okrajové, odborná publicistika, publicistika určená úzkému okruhu čtenářů, drama, poezie apod. Texty publicistického stylu vybrala Vida Žilinskienė; tvořily je texty z 19 redigovaných celostátních deníků či týdeníků a široce čtených časopisů z let 1994–1995, reprezentující pět tematických skupin: 1) politika, 2) průmysl a zemědělství, 3) školství a právo, 4) umění a 5) zábava (sport, horoskopy, předpovědi počasí). Texty odborného stylu vybrali Pranas Kniūkšta a Danutė Vainauskienė z publikací a dokumentů z let 1990–1995 podle sedmi tematických skupin: 1) zákony a související dokumenty, komentáře, 2) právní dokumenty, 3) ekonomické a podnikatelské příručky a dokumenty, 4) politologické publikace, dokumenty politických stran, 5) normy a statistické publikace, 6) informační zdroje (bibliografie, katalogy, slovníky), 7) dokumenty z jednotlivých společenských oblastí (národní obrana, sociální zabezpečení, školství, kultura aj.). Texty vědeckého stylu vybrala Irena Andriukaitienė z vědeckých publikací vydaných v Litvě v letech 1990–1995 nebo z prací schválených vědeckými institucemi, a to podle osmi tematických skupin (vědních oborů): 1) zemědělské vědy, 2) přírodní vědy, 3) humanitní vědy, 4) matematika, 5) lékařské vědy, 6) společenské vědy, 7) technické vědy, 8) teologie. Texty beletristického stylu vybrala Laima Grumadienė z prozaických děl krásné literatury vydaných v Litvě v letech 1985–1990 (s drobnými výjimkami); jejich šest „tematických“ skupin bylo rozděleno podle rodišť spisovatelů: 1) Žemaité, 2) východní Aukštaité, 3) západní Aukštaité, 4) jižní Aukštaité, 5) obyvatelé měst, 6) emigranti (k jejich skutečnému rodišti se nepřihlíželo). Bylo rozhodnuto, že právě tyto texty mohou reprezentovat současnou psanou litevštinu. Z nich se náhodným výběrem (stránky a řádky se vybíraly podle tabulky náhodných čísel) vybíral vždy jeden úsek o rozsahu 1000 výskytů slov, takzvaný vzorek, a ten se přepisoval na klávesnici počítače (práce přibližně na dvě hodiny). Poté se vzorky lemmatizovaly, tj. morfologicky analyzovaly programem MAN (Morfologinio Analizavimo ir Normalizavimo), který připravil Vytautas Zinkevičius. Autor jej pro tuto práci speciálně upravil ze svého dříve vytvořeného kompiuterinės žodžių rašybos koregavimo programos; v roce 2000 jej na objednávku Univerzity Vytautase Velikého mírně zdokonalil, převedl na vyšší verzi a pojmenoval lemuokliu (Zinkevičius 2000). Práce vypadala zhruba takto: dostali jsme počítačový výpis, z něhož bylo třeba „vyházet“ nepotřebné (podtrhla jsem já) řádky. Například výpis z úseku textu, který už zpracoval člověk, nejen stroj (…) manęs visa ši komedija (…) vypadal takto: OBR. 1. PŘÍKLAD LEMATIZACE TEXTU já myslet mě zájmeno osobní jednotné číslo akuzativ mě sloveso činné příčestí přítomné činné infinitiv neznámý mužský rod jednotné číslo nominativ 28 | LAIMA GRUMADIENĖ celý celá zájmeno ženský rod jednotné číslo nominativ celou zájmeno ženský rod jednotné číslo instrumentál celé zájmeno ženský rod jednotné číslo genitiv celé zájmeno příslovce tento tato zájmeno ukazovací zájmeno ženský rod jednotné číslo nominativ komedie komedie podstatné jméno ženský rod jednotné číslo nominativ komedii podstatné jméno ženský rod jednotné číslo instrumentál komedie podst. jm. jedn. nom. V prvním řádku zůstává obnovené heslo, ve druhém (v dosud nevyškrtnutém) tvar slova s gramatickými charakteristikami. Taková práce s 1000 slovy trvá asi 4 hodiny, rychlejší způsob morfologické analýzy litevských slov však pravděpodobně dosud neexistuje. Poté se hledají homonyma a homofony, vzorky se upravují programem MAN-K Vytautase Zinkevičiuse a slučují se v počítači – to vše trvá ještě hodinu. Celkem tak bylo zpracováno 1 200 vzorků po 1000 výskytech slov. Po vykonání této obrovské práce byla data dále zpracována pomocí výpočetních programů, které připravili Valentinas Černiauskas a Snieguolė Meškauskienė (oba z Ústavu matematiky a informatiky): byly vypočítány různé frekvence. Pro tisk byly připraveny tři slovníky, dva z nich již vyšly (Grumadienė, Žilinskienė 1997; 1998) a třetí spatří světlo světa, doufejme, ještě letos. První dva slovníky jsou frekvenční seznamy hesel. První je řazen sestupně podle frekvence, druhý abecedně. Bylo do nich zařazeno 38 337 různých slov. Třetí slovník – slovník slovních tvarů – je několikanásobně větší (31 tiskových archů), obsahuje přibližně 150 000 slovních tvarů a zachycuje užívání různých i stejných slov v různých gramatických tvarech (měl by být uspořádán abecedně i pozpátku). Byly připraveny ještě desítky různě uspořádaných frekvenčních slovníků určených k elektronickému používání: pro všechny čtyři styly, všechny tematické skupiny každého stylu atd. (jak pro hesla, tak pro slovní tvary). Při porovnání některých statistických údajů je již nyní patrné, že se v litevském psaném jazyce nejčastěji užívají různá podstatná jména – ze všech různých slov tvoří podstatná jména celých 45,25%, mnoho je sloves a slovesných tvarů – 32,65%, významný je i podíl přídavných jmen – 15,31%, různých příslovcí bylo zjištěno 5,03%. Ostatních slovních druhů není ani půl procenta (celkem jich je pouhých 0,88%). To však ještě neznamená, že je jejich zastoupení v textu právě takové. Jiný ukazatel – frekvence výskytu stejných slov v textu – ukazuje, že podíl hlavních slovních druhů a příslovcí výrazně klesá na úkor funkčních slovních druhů a zájmen, neboť ty v textech tvoří již více než čtvrtinu – 26,71%. Je třeba věnovat pozornost nejen ukazateli frekvence, ale také počtu výskytů slova nebo slovního tvaru v jednotlivých vzorcích: tak lze zjistit, zda byla četnost nějakého slova způsobena náhodným zařazením jediného textu, v němž se slovo mnohokrát opakuje, nebo zda jeho četnost není náhodná, protože jeho rozložení je v různých vzorcích rovnoměrné. DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 29 Lexikální rozmanitost se hodnotí koeficientem iterace (poměrem počtu výskytů slov k počtu hesel), který v uvedeném slovníku činí 20,06 (čím je tato hodnota nižší, tím více různých slov bylo nalezeno). Z vypočítaných, avšak nepublikovaných slovníků hesel a slovních tvarů pro každý ze čtyř funkčních stylů (o některých lingvostatistických zvláštnostech, které v nich byly zaznamenány, již psala V. Žilinskienė (1998, 2001, v tisku aj.)) vyplývá, že například lexikum krásné literatury je dokonce dvakrát rozmanitější než lexikum textů odborného stylu (koeficienty iterace činí 9,53, respektive 20,78). Nejzajímavější je, že koeficient iterace všech čtyř stylů dohromady se od odborného stylu liší jen málo, zato velmi výrazně od stylu krásné literatury (publicistika má hodnotu 10,51, vědecký styl 12,63). Tyto ukazatele jsou závažným argumentem při rozhodování například o zásadách tvorby slovníku spisovného jazyka: jakým podílem by měly být zastoupeny funkční styly jazyka; zda vůbec pokračovat v praxi spojovat spisovný jazyk s funkčními styly; a pokud ano, je nutné přihlížet ke statistickým ukazatelům funkčních stylů atd. Zajímavé údaje vyplynuly z porovnání seznamu nejčastějších slov sestaveného na základě korpusu Vytautasovy univerzity (slova jsou v něm zaznamenána a počítána v podobách, v nichž se v textu vyskytují, bez obnovení jejich základních tvarů, na rozdíl od Frekvenčního slovníku současné psané litevštiny). Porovnáme-li 50 nejčastějších neohebných slov a ohebných slovních tvarů v litevském korpusu o 60 milionech slov (Utka 2000: 278) s prvními 50 hesly v Frekvenčním slovníku (Grumadienė, Žilinskienė 1997: 3), lze se snadno přesvědčit, že se v zásadě shodují. Jen v prvním frekvenčním seznamu je poněkud méně různých slov, protože jsou v něm uvedeny různé tvary téhož slova, například buvo, būti; jis, jo, jų, jos, jie, zatímco ve druhém seznamu, tedy ve slovníku, je zastupují būti a jis. Do Frekvenčního slovníku se podle zásad sestavování slovníků tohoto typu nedostaly zkratky, přesto však srovnání s údaji Frekvenčního slovníku ukazuje, že zkratky uvedené v zmíněném seznamu nejčastějších slov m, d, a – tedy metai, diena, amžius – odpovídají slovům, z nichž první dvě jsou ve slovníku také častá: jsou na 30. a 57. místě podle frekvence, tj. pořadí (za slova stejného pořadí se považují slova se stejnou četností), zatímco amžius se nachází až ve třetí stovce. Mimochodem, zkratka i celé slovo se poměrně často užívají také s poněkud odlišnými významy. Jak potvrzují zkušenosti se sestavováním frekvenčních slovníků mnoha syntetických jazyků, nejčastějšími slovy v Frekvenčním slovníku současné psané litevštiny jsou některé spojky (ir, kad, o, kaip, ar, bet, bei, kai aj.), předložky (į, iš, su, nuo, apie, po, už, dėl, per, prie aj.), zájmena (jis, tas, aš, kuris, šis, visas, kitas, savas, toks, kas, tu aj.), částice (ir, ne, tik aj.), nejoblíbenější slovesa jsou būti, galėti, turėti, nebūti, reikėti, žinoti, nustatyti aj. a podstatná jména Lietuva, darbas, žmogus, metai aj. Z číslovek jsou nejčastější vienas, pirmas, du a z přídavných jmen, která se dostala do první stovky nejčastějších slov, dideli, naujas, aukštas, įvairus, svarbus, pagrindinis. Mimochodem, údaje z analytických jazyků rovněž ukazují, že například v anglických textech tvoří zájmeno I, spojka and a člen the 10% textu (Hillerich www: eduplace.com). Důležitá je také otázka slov cizího původu – kolik jich a která by měla být zařazena do slovníku spisovného jazyka? Užitečné může být i zjištění, že například v seznamu hesel Frekvenčního slovníku současné psané litevštiny (1998, XXXIV–XXXVI) bylo nalezeno 27,52% slov cizího původu a že v textech zaujímala 13,34% prostoru; užitečné mohou být také samotné seznamy těchto slov. 30 | LAIMA GRUMADIENĖ Při přípravě nové gramatiky litevského jazyka je důležité znát také statistiku slovních tvarů: které typy slov se jak skloňují či časují a proč, u kterých slov je rozmanitost gramatických tvarů velká a u kterých nikoli. Takových údajů je hojně v připravovaném slovníku slovních tvarů. V. Žilinskienė (2001) již zveřejnila zajímavé údaje o publicistickém stylu. Ukazuje se, že tři pády podstatných jmen tvoří 82,29% všech výskytů podstatných jmen (gen. – 38,91%, nom. – 26,62%, akuz. – 16,76%; a skutečnost, že se například dativ užívá jen v 3,88% případů, už možná naznačuje tendenci k analytizaci?). Přídavná jména se mimochodem nejčastěji užívají v nominativu – v 36,93% případů. Bylo zjištěno, že převládá jednotné číslo podstatných jmen – 68,86% všech výskytů. V publicistických textech bylo nalezeno poměrně málo transgresivů (2,34%) a polopříčestí (1,84%), zato příčestí tvořila 24,46% a infinitiv se užíval v 15,85% případů. Zajímavých a neobvyklých výsledků, zejména pro pedagogy a odborníky připravující učebnice, výukové programy a slovníky, bylo dosaženo nahlédnutím do tří minimálních litevsko-ruských slovníků Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimaliuosius žodynus, které připravily a vydaly V. Žilinskienė a L. Grumadienė (1998; 1999a; 1999b), a také do dalších šesti obdobných litevsko-anglických a litevsko-polských slovníků, které byly připraveny, ale dosud nevydány. Zde je třeba znovu upozornit na to, že vzorky byly získány z textů psané litevštiny, takže v nich mohou chybět slova mluveného jazyka. Tyto slovníčky jsou určeny k výuce psaného jazyka, protože kvalifikační požadavky na znalost státního jazyka se vztahují k jeho veřejnému užívání, především v oficiálních situacích, zejména ve státních institucích, a proto je zde potřebnější nikoli hovorová, nýbrž neutrální a odborná slovní zásoba: vyžaduje se schopnost číst a psát úřední dokumenty a rozumět textům médií. V budoucnu se mají připravovat také minimální slovníky mluveného jazyka. V Litvě vyšla učebnice Vytautase Šernase (1994) Kaip racionaliau mokytis kalbų, která obsahuje i minimální dvojjazyčný anglicko-litevský slovník: je v ní přeloženo slavné Basic English Ch. K. Ogdena, vydané v roce 1942, Basic English, sestávající z 850 slov (lze jej mimochodem najít i ve 3. svazku Encyclopaedia Britannica). Postupem času některá slova zastarávají a jiná přibývají, takže seznam těchto 850 slov se může odpovídajícím způsobem měnit. Při stanovení požadavků na tři kvalifikační kategorie znalosti státní litevštiny se přihlíželo také k názoru autorů Dartinės rašomosios lietuvių kalbos dažninio žodyno na rozsah minimálních slovníků: bylo rozhodnuto, že požadavkům I. kategorie bude odpovídat znalost přibližně 800 slov, II. kategorie přibližně 1 200 slov a III. kategorie přibližně 2 500 slov. Vycházelo se jak z obecně přijímaného Ogdenova postulátu o 850 slovech, tak z výsledků výzkumu frekvence slov ve vlastním i dalších jazycích, stejně jako z obdobné praxe v jiných zemích. Že tyto výpočty nejsou vycucané z prstu, ukazují i tři tabulky v příloze, které jasně znázorňují, jakou část textů tvoří 800, 1 200 a 2 500 nejfrekventovanějších slov psané litevštiny: 56,66%, 65,70% a 78,04%. Stává se běžným, že všechny velké slovníky dnes uvádějí informace o nejfrekventovanějších slovech jazyka. Například v anglickém slovníku COBUILD (www.antimoon.com) se 680 nejfrekventovanějších slov označuje jedním až čtyřmi kosočtverci. V anglickém slovníku Longman je 3 000 nejfrekventovanějších slov označeno příslušně jako S1, S2 (S – spoken English), W1, W2 (W – written English). V anglickém slovníku Macmillan se nejfrekventovanější slova tisknou červeně a frekvence ostatních se označuje jednou až třemi hvězdičkami. Blíží se doba, kdy se tomu zřejmě bude muset věnovat i litevská lexikografie. DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 31 4. ZÁVĚRY Elektronických databází současné litevštiny není mnoho; největší z nich jsou Dabartinės rašomosios lietuvių kalbos dažninio žodyno od V. Žilinskienė a L. Grumadienė (morfologicky anotovaný a statisticky zpracovaný, 1 200 000 výskytů slov) a Lietuvių kalbos tekstynas Vytautas Magnus University (neanotovaný, přibližně 60 000 000 výskytů slov). V litevské filologii zatím neexistuje odpovídající praxe využívání elektronických databází současného jazyka ani lingvostatistických publikací. Především se na takovou práci příliš málo zvyká na litevských vysokých školách, ale je tu i druhá stránka věci – veřejně přístupných elektronických databází litevštiny je příliš málo. Jednou z příčin zaostávání je také to, že elektronické databáze nejsou uznávány jako autorská díla. Jedním z nejaktuálnějších problémů Litvy v souvislosti s elektronickými databázemi je slabá koncepce jejich tvorby: často se počítá s tím, že elektronické databáze budou sloužit pouze jako text v elektronické podobě, aniž by se předpokládalo využití počítačových technologií ke zpracování dat. 32 | LAIMA GRUMADIENĖ TABULKA 1: FREKVENCE SLOV PODLE JAZYKOVÝCH KATEGORIÍ A CELKEM V POŽADAVCÍCH NA ZNALOST STÁTNÍ LITEVŠTINY Pořadí Frekvence subst adj adv zájmeno jiné 1–10 39582-7001 – 21262 – – 52221 14,38% 35,31% 11–20 6877-4274 – 10582 – – 21221 19,96% 40,02% 21–30 4113-2989 10763 – – – 11048 28,95% 29,71% 31–40 2950-2637 – – – 5619 – 20,35% 41–50 2631-2053 – 6843 2053 4782 2113 30,50% 9,15% 21,32% 9,42% 51–60 2015-1781 9284 – – 3867 – 45,22% 18,83% 61–70 1754-1557 10014 1739 – – 1593 60,41% 10,49% 9,62% 71–80 1548-1461 6036 3046 1507 3009 – 40,04% 20,20% 10,00% 19,96% 81–90 1460-1373 1422 2828 1373 2888 2792 10,03% 19,94% 9,68% 20,36% 19,68% 91–100 1351-1148 7421 1305 – 1232 1159 54,63% 9,61% 9,07% 8,53% 101–150 1442-905 23551 12523 7419 3116 943 43,03% 22,88% 13,55% 5,69% 1,72% 151–200 900-706 22744 10742 870 4203 1583 52,48% 24,79% 2,01% 9,70% 3,65% 201–250 702-564 14059 6315 4906 3178 3148 42,09% 18,90% 14,69% 9,51% 9,42% 251–300 562-462 17325 7962 1451 3605 1041 49,59% 22,79% 4,15% 10,32% 2,98% DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 33 LINGVOSTATISTICKÁ ANALÝZA MINIMÁLNÍHO SLOVNÍKU KVALIFIKAČNÍCH KATEGORIÍ: skt prl jng dll išt; ist Součet – 25050 49371 – – 147904 16,93% 33,38% 12,33% – – 16902 4320 – 53025 31,87% 8,15% 4,42% – 7156 4102 4113 – 37182 19,25% 11,03% 11,06% 3,10% 2641 8282 8281 2791 – 27614 9,56% 29,99% 29,99% 10,11% 2,30% 2116 4526 – – – 22433 9,43% 20,18% 1,87% – 3589 3793 – – 20533 17,48% 18,47% 1,71% 1557 1673 – – – 16576 9,39% 10,09% 1,38% – – 1478 – – 15076 9,80% 1,26% – 1427 – 1454 – 14184 10,06% 10,25% 1,18% – – 1237 1230 – 13584 9,11% 9,05% 1,13% 1007 2164 2986 1028 – 54737 1,84% 3,95% 5,46% 1,88% 4,56% 738 – 900 1557 – 43337 1,70% 2,08% 3,59% 3,61% – – 574 1225 – 33405 1,72% 3,67% 2,78% – 1035 512 2007 – 34938 2,96% 1,47% 5,74% 2,91% 34 | LAIMA GRUMADIENĖ Pořadí Frekvence podst. sl. příd. jm. přísl. zájmeno 301–350 460-374 19646 10424 2420 2073 393 54,28% 28,80% 6,69% 5,73% 1,09% 351–400 373-313 18504 7550 3381 1347 654 53,04% 21,64% 9,69% 3,86% 1,87% 401–450 312-260 19156 7865 3976 522 304 57,20% 23,49% 11,87% 1,56% 0,91% 451–500 259-205 21718 9987 4806 2486 471 53,17% 24,45% 11,76% 6,08% 1,15% Minimální slovník I. kvalifikační kategorie znalosti státního litevského jazyka (asi 800 TABULKA 2: FREKVENCE SLOVNÍCH DRUHŮ A CELKOVÁ FREKVENCE SLOV PRO II. KVALIFIKAČNÍ KATEGORII ZNALOSTI STÁTNÍHO LITEVSKÉHO JAZYKA Pořadí Frekvence podst. sl. příd. jm. přísl. zájmeno 501–550 204-155 22494 13153 7023 2481 525 46,97% 27,46% 14,66% 5,18% 1,10% 551–600 154-106 30834 17197 6221 4419 151 50,91% 28,39% 10,27% 7,29% 0,25% Minimální slovník II. kvalifikační kategorie znalosti státního litevského jazyka (asi 1200 TABULKA 3: FREKVENCE SLOVNÍCH DRUHŮ A CELKOVÁ FREKVENCE SLOV PRO III. KVALIFIKAČNÍ KATEGORII ZNALOSTI STÁTNÍHO LITEVSKÉHO JAZYKA Pořadí Frekvence podst. sl. příd. jm. přísl. zájmeno 601–650 105-56 45751 20328 12145 5822 433 52,31% 23,25% 13,88% 6,66% 0,50% Minimální slovník III. kvalifikační kategorie znalosti státního litevského jazyka (asi 2500 DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 35 zkr zkr zkr zkr výsk.; celkem 426 – – 812 – 36194 1,17% 2,24% 3,02% – – 1407 2043 – 34886 4,03% 5,87% 2,91% 276 – 272 1118 – 33489 0,82% 0,81% 3,34% 2,79% 255 224 210 700 – 40857 0,62% 0,55% 0,51% 1,71% – 3,40% slov) pokrývá 56,66% textu (výběr z 1,2 mil. výskytů slov). 56,66% LINGVOSTATISTICKÁ ANALÝZA MINIMÁLNÍHO SLOVNÍKU KATEGORIE: zkr zkr zkr zkr výsk.; celkem 530 342 177 795 371 47891 1,11% 0,71% 0,37% 1,66% 0,78% 3,99% 520 275 132 713 109 60571 0,86% 0,45% 0,22% 1,18% 0,18% 5,05% slov) pokrývá 65,70% textu (výběr z 1,2 mil. výskytů slov). 9,04% Celkem: (=65,70%) LINGVOSTATISTICKÁ ANALÝZA MINIMÁLNÍHO SLOVNÍKU KATEGORIE: zkr zkr zkr zkr výsk.; celkem 460 341 372 1697 102 87446 0,52% 0,40% 0,42% 1,94% 0,12% 7,29% slov) pokrývá 78,04% textu (výběr z 1,2 mil. výskytů slov). 7,29% Celkem: (=78,04%) 36 | LAIMA GRUMADIENĖ LITERATŪRA AJMER, K., ALTENBERG, B. 1991: Introduction. Ajmer, K., Altenberg, B., eds., English Corpus Linguistics. Studies in Honour of Jan Svartvik, London–New York: Longman. ALAMEDA, J. R., CUETOS, F. 1995: Diccionario de frecuencias de las unidades lingüísticas del castellano, Universidad de Oviedo. BITINIENĖ, A. 1983: Mokslinis stilius, Vilnius: Aukštojo ir specialiojo mokslo ministerija. BITINIENĖ, A. 1997: Funkciniai stiliai: sakinio ilgis ir struktūra, Vilnius: Vilniaus pedagoginio universiteto leidykla. BITINIENĖ, A. 1998: Administracinis stilius ir jo sakinio ilgis. Kalbotyra 47 (1), 17–28. EATON, H. 1934: Comparative frequency list on the first thousand words in English, French, German and Spanish. Coleman, A., ed., Experiments and Studies in Modern Language Teaching, Chicago. GARCIA HOZ, V. 1953: Vocabulario usual, comun y fundamental. Madrid: Consejo Superior de Investigaciones Cientificas – Instituto „San José de Calasanz“. GRUMADIENĖ, L., ŽILINSKIENĖ, V. 1997: Dabartinės rašomosios lietuvių kalbos dažninis žodynas (mažėjančio dažnio tvarka), Vilnius: Matematikos ir informatikos institutas, Lietuvių kalbos institutas. GRUMADIENĖ, L., ŽILINSKIENĖ, V. 1998: Dabartinės rašomosios lietuvių kalbos dažninis žodynas (abėcėlės tvarka), Vilnius: Matematikos ir informatikos institutas, Lietuvių kalbos institutas. HILLERICH, R., www: eduplace. com: High-frequency words and vocabulary. JAKUBAITĖ, T. e.a. 1966–1976: Latviešu valodas biežuma vārdnīca, 1.–4. sējumi, Rīga: Zinātne. JOSSELSON, H. 1953: The Russian Word Count and Frequency Analysis of Grammatical Categories of Standard Literary Russian, Detroit: Periodical Service Co. JUILLAND, A., RODRIGUES, E. Ch. 1964: Frequency Dictionary of Spanish words, The Hague: Mouton. JUILLAND, A., EDWARDS, P. M., JUILLAND, I. 1965: Frequency Dictionary of Roumanian Words, The Hague: Mouton. JUILLAND, A., TRAVERSA, V. 1973: Frequency Dictionary of Italian Words, The Hague: Mouton. KAEDING, F. 1898: Häufigkeitswörterbuch der deutschen Sprache, Steigliz bei Berlin (Selbstverlag). KEINYS, S., red. 1993: Dabartinės lietuvių kalbos žodynas, Vilnius: Mokslo ir enciklopedijų leidykla. KEINYS, S., red. 2000: Dabartinės lietuvių kalbos žodynas, Vilnius: Mokslo ir enciklopedijų leidykla. KENNEDY, G. 1998: An Introduction to Corpus Linguistics, London–New York: Longman. KORSAKAS, J. 1991: Lietuvių kalbos inversinis žodynas, Kaunas: Šviesa. KRUOPAS, J., red. 1954: Dabartinės lietuvių kalbos žodynas, Vilnius: Valstybinė politinės ir mokslinės literatūros leidykla. KRUOPAS, J., red., 1972: Dabartinės lietuvių kalbos žodynas, Vilnius: Mintis. LEECH, G. 1991: The state of the art in corpus linguistics, Ajmer, K., Altenberg, B., eds., English Corpus Linguistics. Studies in Honour of Jan Svartvik, London–New York: Longman. LÖNGREN, L. 1993: Частотный словарь современного русского языка. Uppsala. (Acta Universitatis Upsaliensis, Studia Slavica Upsaliensia 32.) MARCINKEVIČIENĖ, R. 2000a: Tekstynų lingvistika (teorija ir praktika). Darbai ir dienos 24, 7–64. MARCINKEVIČIENĖ, R. 2000b: Patterns of word usage in corpus linguistics. Kalbotyra 49 (3), 71–80. MAŽEJKA, N. S. (Мажэйка, Н. С.), SUPRUN, A. Ja. 1976: Частотны слоўнік беларускай мовы (мастацкая проза), Мінск: Выдавецтва БДУ імя У. Леніна. MIKELIONIENĖ, J. 2000: Naujoji lietuvių kalbos leksika (1991–1996 m. kompiuterinio periodikos tekstyno pagrindu). Daktaro disertacija, Kaunas: Vytauto Didžiojo universitetas. MURMULAITYTĖ, D. 1998: Žodžių sąsajos žymėjimas „Dabartinės lietuvių kalbos žodyne“ (santrumpos žr. vartojimas). Lietuvių kalbotyros klausimai 39, 240–247. MURMULAITYTĖ, D. 1999: „Bendrinės lietuvių kalbos žodyno“ kompiuterizavimo klausimu. Lituanistica 2 (38), 92–98. RYKLIENĖ, A. 2000: Bendravimas internetu: kalbėjimas rašant. Darbai ir dienos 24, 99–107. DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 37 ROBINSON, D. F. 1976: Lithuanian Reverse Dictionary, Michigan: Slavica Publishers Inc. ROZENCVEJG, V. Ju. 1986: Опыт создания национальных лексикографических служб за рубежом. Караулов Ю. Н., ред., Машинный фонд русского языка: идеи и суждения, Москва: Наука, 75–83. SAVICKIENĖ, I. 1999: Lietuvio vaiko daiktavardžio morfologija. Daktaro disertacija, Kaunas: Vytauto Didžiojo universitetas. ŠERNAS, V. 1994: Kaip racionaliau mokytis kalbų (Basic English), Vilnius: Žodynas. ŠTEJNFEL’DT, E. A. 1963: Частотный словарь современного русского литературного языка, Таллин. TĚŠITELOVÁ, M. e.a. 1983: Frekvenční slovník češtiny věcného stylu, Praha: Academia–Nakladatelství Československé Akademie Věd. THORNDIKE, E., LORGE, L. 1944: A Teacher’s Word Book of the Twenty Thousand Words Found Most Frequently and Widely in General Reading for Children and Young People, New York: Appleton-Century Crofts. TODOROVA, E., PANČOVSKA, R. 2001: Честотен речник на българската публицистика (1944–1989), София: Пенсофт. UTKA, A. 2000: Kalbinė įranga ir jos galimybės. Darbai ir dienos 24, 275–285. VACAR, N. P. 1966: A Word Count of Spoken Russian. The Soviet Usage, Ohio: Ohio State University Press. VANDER BEKE, G. 1929: French Word Book, New York: Macmillan. ZASORINA, L. N., ред., 1977: Частотный словарь русского языка, Москва: Издательство «Русский язык». ZINKEVIČIUS, V. 2000: Lemiuoklis – morfologinei analizei. Darbai ir dienos 24, 246–273. ŽILINSKIENĖ, V. 1990: Lietuvių kalbos dažninis žodynas, Vilnius: Mokslas. ŽILINSKIENĖ, V. 1995: Atgalinis dabartinės lietuvių kalbos žodynas, Vilnius: Matematikos ir informatikos institutas. ŽILINSKIENĖ, V. 1998: Dažninis dabartinės rašomosios lietuvių kalbos žodynas (pirmieji tyrimo rezultatai). Lietuvių kalbotyros klausimai 39, 219–227. ŽILINSKIENĖ, V., GRUMADIENĖ, L. 1998: Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimalusis žodynas (pirmoji kvalifikacinė kategorija), Kaunas: Šviesa. ŽILINSKIENĖ, V., GRUMADIENĖ, L. 1999a: Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimalusis žodynas (antroji kvalifikacinė kategorija), Vilnius: UAB „Nacionalinių tyrimų centro“ leidykla. ŽILINSKIENĖ, V., GRUMADIENĖ, L. 1999b: Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimalusis žodynas (trečioji kvalifikacinė kategorija), Vilnius: UAB „Nacionalinių tyrimų centro“ leidykla. ŽILINSKIENĖ, V. 2001: Lietuvių ir latvių kalbų publicistikos leksikos ir morfologijos raida statistiniu požiūriu. Linguistica Lettica 9, 155–168. ŽILINSKIENĖ, V. spausd.: Lietuvių kalbos dalykinio stiliaus morfologijos statistinės charakteristikos ir jų lyginimas su atitinkamomis publicistikos charakteristikomis. Lituanistica. Laima Grumadienė Lietuvių kalbos institutas P. Vileišio g. 5, LT–2055 Vilnius, Lietuva [email protected] Gauta 2002 04 19