„Dabartinės rašomosios lietuvių kalbos dažninis žodynas“ ir jo bazė

ACTA LINGUISTICA LITHUANICA XLVI (2002), 19 – 37 Diccionario de frecuencias del lituano escrito actual y su base de datos LAIMA GRUMADIENĖ Instituto de la Lengua Lituana Hay pocas bases de datos electrónicas para el lituano. Las más grandes son el Diccionario de frecuencias del lituano escrito moderno, compilado por V. Žilinskienė y L. Grumadienė, y el Corpus de la Lengua Lituana de la Universidad de Kaunas. El primero se presenta aquí detalladamente: se examinan los principios de su compilación y sus posibles usos, y se caracteriza brevemente el trabajo publicado hasta la fecha en lingüística estadística basado en él. Los principales problemas relacionados con las bases de datos del lituano moderno son: (1) su insuficiente diferenciación (reflejan únicamente la lengua escrita, no la hablada); (2) su uso no óptimo, ya que la comunidad académica lituana carece de la preparación necesaria para trabajar con estas herramientas; y (3) el hecho de que los esfuerzos de los investigadores que las compilan reciben demasiado poco reconocimiento público y no se valoran como logros académicos originales. 1. EL ENVEJECIMIENTO Y LA «INUTILIDAD» DE LAS BASES DE DATOS ELECTRÓNICAS Precisamente ahora, la lingüística lituana parece estar congelada en pleno salto de tigre: los trabajos destacados que surgieron gracias, sobre todo, al impulso del estructuralismo ya se han escrito, pero en el aire flota una intensa expectativa de nuevos trabajos no menos importantes. Para ello se necesita no solo otro enfoque de los fenómenos lingüísticos, sino también métodos y herramientas de trabajo nuevos, aún no probados. En esta era de las tecnologías de la información, las nuevas herramientas de trabajo de los lingüistas suelen estar relacionadas con las bases de datos electrónicas, y estas, con las publicaciones de lingüística estadística. Parecería evidente que unas y otras son diferentes, pues las bases electrónicas son dinámicas y permiten trabajar con ellas de manera independiente, mientras que las publicaciones son estáticas y no son más que una recopilación de datos presentados a discreción de sus autores. Sin embargo, antes, y a veces incluso hoy, en Lituania estas bases y publicaciones se han identificado o se identifican entre sí. Así lo demuestra la historia de los diccionarios inversos (también llamados retrógrados). El primer diccionario inverso lituano, preparado por el estadounidense David F. Robinson (1976) sobre la base de la edición de 1954 del DLKŽ, abarcaba unos 45 000 vocablos; quizá ni siquiera tenía una base de datos electrónica propia, al menos el autor no la menciona. Además, en aquella época una base electrónica de ese tipo ni siquiera habría estado disponible en Lituania, pues muy pocos habían consultado el propio diccionario, dado que se publicó en Estados Unidos en una tirada reducida. Juozas Korsakas, originario de Šiauliai (1991), preparó por selección un Inverso de la lengua lituana 20 | LAIMA GRUMADIENĖ diccionario, que abarcaba casi 22 000 vocablos. También se basaba en el DLKŽ, pero ya en la edición de 1972. El trabajo se llevó a cabo utilizando una base de datos electrónica creada por el propio autor, pero esta no está disponible para el uso público (probablemente por razones técnicas), por lo que solo se puede consultar en forma de libro impreso. El Diccionario inverso del lituano actual de Vida Žilinskienė (1995) no es simplemente una transcripción del DLKŽ, pues las palabras se presentan en orden inverso y clasificadas por partes de la oración, y se añade un análisis estadístico. Hoy en día, en esencia, también está disponible únicamente en forma impresa, aunque existe una versión electrónica. Esta se utilizó bastante poco (por el grupo de trabajo dirigido por E. Jakaitienė al redactar el diccionario lituano-noruego y en los artículos de Daiva Murmulaitė (1998, 1999 y otros)). Por cierto, este último diccionario y el análisis se prepararon utilizando la versión informática del DLKŽ (1993) y su análisis estadístico, y no, como señala Rūta Marcinkevičienė (2000a: 16) en su reseña, la base del Diccionario de frecuencias del lituano escrito actual (Grumadienė, Žilinskienė 1997; 1998). La versión electrónica del DLKŽ (edición de 1993), preparada gracias a los esfuerzos conjuntos de investigadores del Instituto de Matemáticas e Informática y del Instituto de la Lengua Lituana, se publicó en una tirada reducida (1995), porque simplemente no se tenía derecho a distribuir publicaciones en formato electrónico. Ahora el Instituto de la Lengua Lituana ha vuelto a emprender la informatización del DLKŽ, esta vez de la edición de 2000 (director: Stasys Keinys), y ha recibido apoyo financiero del Fondo Lituano para la Ciencia. Como es sabido, las ediciones del DLKŽ de 1993 y 2000 apenas difieren, por lo que llama la atención que se haya decidido no utilizar la versión electrónica anterior únicamente porque se había preparado en el ya moralmente obsoleto entorno DOS y en una base FOX-PRO: se ha vuelto a poner a los especialistas en informática a escanear el texto electrónico ya existente, que solo requería pequeñas correcciones, aumentando así el trabajo y los gastos. ¿Acaso se volverá a realizar también el análisis estadístico? Pero, al igual que la versión informática de la edición de 1993 del DLKŽ, muchas otras bases de datos electrónicas quedan obsoletas, por lo que es evidente que hay que preocuparse por su mantenimiento. ¿No podría ocurrirle algo parecido al Banco de Terminología que preparan conjuntamente los institutos mencionados, como le ocurrió a la versión electrónica del DLKŽ (1993)? Así pues, las publicaciones de lingüística estadística siguen valorándose mucho más que las costosas bases de datos electrónicas, que ofrecen muchas posibilidades de trabajo innovador. Los especialistas en lengua y cultura lituanas deberían ponerse de acuerdo sobre las bases de datos electrónicas que utilizan caracteres específicos, por ejemplo, las de textos antiguos y textos de dialectos transcritos, pues ya ahora hay que volver a mecanografiar artículos con ejemplos de este tipo cuando, por una u otra razón, se decide presentarlos no, por ejemplo, a las publicaciones del Instituto de la Lengua Lituana, sino a alguna de las redacciones de publicaciones de la Universidad de Vilna. Los diccionarios dialectales y los textos dialectales que se publican actualmente, aunque estén en formato electrónico, son solo una señal de la modernización de las imprentas, pues es imposible utilizar sus textos como una base de datos electrónica. Así pues, mientras los especialistas en lituano no acuerden un sistema común de codificación (por ejemplo, UNICODE u otro), se dificulta mucho el uso público de los bancos de datos electrónicos, por no hablar de que el uso de tecnologías y programas electrónicos para analizarlos queda muy limitado y, a veces, resulta imposible. ¿Acaso tenemos tantos que ya no somos capaces de abarcarlos? El problema es que ni los lingüistas ni los especialistas en informática que los asisten comprenden aún debidamente que las bases de datos deben ser dinámicas: al trabajar con ellas, debe ser posible aplicar la multitud de nuevos programas y tecnologías que van apareciendo, y deben permitir la conversión a una versión informática superior. Hasta ahora, la mayoría de las bases de datos electrónicas creadas en Lituania se elaboran como si fueran las mismas fichas con DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 21 datos lingüísticos, solo recopilados mediante el teclado del ordenador. Pronto esos datos podrían equipararse a una inscripción cuneiforme grabada en piedra: en las pantallas de los ordenadores de nueva generación solo se verán «banderitas» y «cuadraditos», cuya interpretación, como si se tratara de leer runas, podrán emprender los lingüistas del futuro. Hasta ahora, los debates celebrados sobre esta cuestión han sido infructuosos, pero, al parecer, no hay que perder la esperanza: merece la pena volver a convocar debates y deliberar. Por cierto, conviene prestar atención a los términos: BASE, BANCO, CORPUS (CORPUS LINGÜÍSTICO), ARCHIVO, en formato electrónico. El más de moda es CORPUS (CORPUS LINGÜÍSTICO). Se define de diversas maneras, pero todos los enfoques coinciden en que se considera CORPUS una colección de textos en formato electrónico; por eso, no pocas veces casi todo lo que antes se llamaba base de datos ha pasado a denominarse corpus (al fin y al cabo, el tamaño de los textos individuales no está reglamentado). El término BANCO suele asociarse a la terminología: por lo general, los bancos de términos no se llaman corpus. Hoy en día, el término ARCHIVO se asocia cada vez más con la dimensión temporal: una acumulación electrónica de datos antiguos puede denominarse archivo o base. Así pues, el término más neutral sigue siendo BASE DE DATOS ELECTRÓNICA, por lo que aquí es el que se utiliza con mayor frecuencia (cf. Kennedy 1998: 3 y ss.). 2. BASES DE DATOS ELECTRÓNICAS DEL LITUANO ACTUAL Y PUBLICACIONES LINGÜÍSTICO-ESTADÍSTICAS No hay un exceso de bases de datos en formato electrónico sobre el lituano actual. En consecuencia, tampoco abundan las publicaciones lingüístico-estadísticas; solo se recurre algo más a los métodos lingüístico-estadísticos. Aquí destacan la fonética, como única disciplina, y la fonología, que se basa en sus resultados. Quizá se deba a la propia naturaleza de la fonética, es decir, a que la repetición frecuente de las mismas unidades —los sonidos— lleva directamente a conclusiones basadas en la estadística; o quizá a factores subjetivos, esto es, a la aparición de investigadores con una mentalidad novedosa: ante todo, Aleksas Girdenis y sus discípulos, así como Antanas Pakerys. En cualquier caso, ambos factores impulsaron la fonética y la fonología lituanas y las distanciaron, en cierto modo, de otras ramas de la lingüística. Ciertamente, la fonética es en sí una disciplina intermedia entre las ciencias exactas y la lingüística. La morfología es la siguiente rama de la lingüística en cuanto a la frecuencia de las unidades recurrentes. Por tanto, sería lógico pensar que esta disciplina debería ser la primera en necesitar trabajar tanto con datos lingüístico-estadísticos como con bases de datos electrónicas. Hasta ahora no ha sido así, aunque ya existen trabajos y herramientas de trabajo de este tipo. El primer trabajo lingüístico-estadístico sobre léxico y morfología en Lituania lo preparó Vida Žilinskienė (1990), utilizando una computadora electrónica. Su Lietuvių kalbos dažninis žodynas se basa en datos de uno de los estilos funcionales —el periodístico— y presenta el análisis de 300 000 apariciones de palabras (es decir, tanto de los mismos lexemas como de lexemas distintos; estos últimos eran 18 776, pues, de acuerdo con las normas universalmente aceptadas para elaborar diccionarios de frecuencias, se renunció a seguir estudiando 11 956 nombres propios). Todos los textos completos, compuestos por segmentos (muestras) de 1000 apariciones de palabras, fueron analizados morfológicamente y acentuados; después, se perforaron y se introdujeron en la computadora electrónica «Minsk-22», hoy ya obsoleta y en desuso. Existe un banco electrónico de datos, pero ya sería muy difícil utilizarlo. Es lamentable que hasta hoy el análisis lingüístico-estadístico de textos periodísticos —una de las variedades del lituano actual— desde las perspectivas léxica, morfológica y acentológica no se haya aprovechado adecuadamente con fines científicos ni prácticos, en particular para redactar libros de texto y diccionarios pedagógicos. Uno de los trabajos preparados con medios electrónicos (con participación en el programa internacional CHILD) y dedicados al estudio de la morfología sincrónica podría ser la tesis doctoral de Ineta Savickienė (1999), dedicada a la morfología del lenguaje infantil. 22 | LAIMA GRUMADIENĖ Un ejemplo de los trabajos de morfología sincrónica estudiados (con participación en el programa internacional CHILD) podría ser la tesis doctoral de Ineta Savickienė (1999), dedicada a la morfología del lenguaje infantil. Por cierto, cabe mencionar que hace ya varias décadas comenzaron a aparecer trabajos basados en datos lingüístico-estadísticos sobre otros niveles, la estilística y, en parte, la sintaxis, cuyas unidades son mucho menos frecuentes; destacan, ante todo, los de Audronė Bitinienė (1983, 1997, 1998, entre otros). También existen ya algunos intentos de estudiar el léxico actual basándose en datos lingüístico-estadísticos. Últimamente, este tipo de trabajos se realiza sobre todo a partir del corpus del lituano actual de la Universidad Vytautas Magnus (aproximadamente 60 000 000 apariciones de palabras); por ejemplo, los estudios de colocaciones de Rūta Marcinkevičienė (2000a; 2000b), la tesis doctoral de Jurgita Mikelionienė (2000) sobre neologismos, entre otros. Cada vez se preparan más trabajos léxicos basados en pequeñas bases de datos electrónicas, a veces bastante especializados; por ejemplo, la tesis doctoral de Asta Ryklienė (2000) sobre el léxico que utilizan los internautas y su trabajo. Sin embargo, en general, este tipo de estudios es escaso y los estudiantes apenas se han incorporado a este proceso (salvo, quizá, los de la Universidad Vytautas Magnus). Un grupo dirigido por Antanas Pakerys está terminando de preparar en la Universidad Pedagógica de Vilna una base electrónica dedicada al estudio del léxico; tal vez entonces también aumente aquí el número de trabajos estudiantiles de este tipo. Este artículo se limita a describir las herramientas de trabajo necesarias para estudiar el lituano escrito actual y, por ello, no aborda la ya proliferante serie de investigaciones sobre escritos antiguos, basadas en la propia base de datos electrónica del Instituto de la Lengua Lituana. La aparición de bases de datos electrónicas propias dará, sin duda, un nuevo impulso a la dialectología lituana: en el Instituto de la Lengua Lituana ya se está preparando la creación de un Centro de Dialectos, donde se recopilarían electrónicamente grabaciones de dialectos y textos transcritos a partir de ellas. En el mismo instituto han comenzado los trabajos para crear bases de datos electrónicas de onomástica y toponimia. La base de datos electrónica del gran Lietuvių kalbos žodyno, que ya se está preparando, debería marcar un verdadero punto de inflexión en la lexicografía lituana; también se tienen grandes expectativas de la base de datos electrónica del Bendrinės lietuvių kalbos žodyno. Docentes de la Universidad de Vilna, dirigidos por Evalda Jakaitienė, participan en uno de los proyectos de la Unión Europea y preparan una lista electrónica denominada «universal» de palabras lituanas, que debería dar lugar a una nueva serie de diccionarios bilingües. En cierto modo, parece competir con la editorial del Bendrinės lietuvių kalbos žodyno. Principalmente gracias a los esfuerzos de la Comisión Estatal de la Lengua Lituana y al impulso de la Unión Europea, se ha comenzado a preparar en formato electrónico los llamados Terminų ar Svetimžodžių portfeliai, listas de combinaciones de términos y palabras de distintos ámbitos, de reciente aparición y uso muy frecuente. La Unión Europea las distribuye entre todos sus miembros y candidatos para que sus lenguas puedan adaptarse y prepararse para la creciente oleada de traducciones, así como para la traducción automática. Un grupo de investigadores de la Universidad de Vilna (dirigido por Meilutė Ramonienė) ya ha iniciado la elaboración de bases de datos electrónicas del lituano hablado actual, al igual que en Polonia, a partir de grabaciones de lengua radiofónica y televisiva. En la misma universidad se prevé recopilar una base electrónica de eslavismos (dirigida por Vytautas Kardelis), que debería incluir tanto grabaciones de audio como ejemplos seleccionados y transcritos a partir de ellas. La experiencia demuestra que solo podrán esperarse resultados cuando se aprenda a trabajar con datos de este tipo y se adquieran destrezas para aprovechar las nuevas posibilidades. Para ello hacen falta laboratorios donde se pueda aprender, preferiblemente desde joven. La propia naturaleza de las bases de datos electrónicas presupone que sean públicas; una vez organizadas, deberían estar al alcance de todas las personas que las necesiten. Las mayores acumulaciones de datos sobre la lengua lituana se encuentran en el Instituto de la Lengua Lituana- DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 23 ...tuto, por lo que, al modernizarse, debería convertirse precisamente en el mayor centro de elaboración de bases de datos electrónicas de la lengua lituana, en una fuente de acceso público y en un centro de atracción y difusión de trabajos e ideas de este tipo; ¿quizá desempeñe este papel el Centro de Lituanística que se está creando en la base del Instituto de la Lengua Lituana? Las bases de datos electrónicas que lleguen a Internet serán aún más abiertas. Por cierto, cuando existe la posibilidad de conectarse a Internet, el lugar donde se usa el ordenador deja de ser importante; lo único que importa es lo que se encuentra en Internet. Pero esos son planes para el futuro. Hasta ahora, en Lituania no se ha autorizado la publicación de trabajos lingualestadísticos en formato electrónico, ni se ha resuelto la cuestión de los derechos de autor; por ello, tales trabajos siguen siendo pertinentes también en su edición impresa. Sin embargo, las bases de datos electrónicas y las publicaciones lingualestadísticas difieren esencialmente: estas últimas no son más que la punta del iceberg. A continuación se aborda una cuestión concreta: la relación entre las bases de datos electrónicas de la lengua lituana escrita actual y los diccionarios de frecuencias. Estos últimos no pueden existir sin una base de datos, pero las posibilidades que esta ofrece distan mucho de limitarse a la publicación de diccionarios. 3. BASES DE DATOS ELECTRÓNICAS DE LA LENGUA LITUANA ESCRITA ACTUAL Y DICCIONARIOS DE FRECUENCIAS Es evidente que las bases de datos lingüísticos electrónicas se distinguen de otros tipos de acervos de datos lingüísticos, ante todo, por su formato electrónico y por las particularidades del uso de las tecnologías informáticas asociadas a este. La aparición de las bases de datos electrónicas abrió posibilidades completamente nuevas para estudiar la lengua, pero estas no deben vincularse exclusivamente a la aparición de los soportes electrónicos modernos. El hecho de que con distintos medios se obtengan resultados esencialmente análogos —en particular, las características de frecuencia de las formas gramaticales y los lexemas— muestra que existe bastante en común entre las bases de datos electrónicas actuales y sus análogos mucho más antiguos. En Francia, la editorial Larousse empezó a utilizar ya en 1956, para la elaboración de diccionarios, un fichero de fichas léxicas mecanizado (de máquinas electrónicas de cálculo de la antigua generación, ESM) (Rozencveig 1986: 82). La cuestión de cómo debían elaborarse las bases de datos lingüísticos electrónicas modernas surgió, por una parte, porque la aparición de nuevas tecnologías ya permitía gestionar grandes cantidades de información, lo que a su vez llevó a ampliar el texto destinado a ilustrar una palabra (es decir, su contexto). Así surgieron nuevas posibilidades para estudiar las presuposiciones de la palabra y, más adelante, de unidades lingüísticas mayores, y, por tanto, la sintaxis y la semántica. Empezaron a fascinar fragmentos de texto cada vez más extensos y, finalmente, se pasó incluso a textos completos y cerrados, hasta que los costes de adquisición de los derechos de autor de las obras pusieron freno a esa tendencia. Por otra parte, probablemente la aparición de los ordenadores tuvo un impacto comparable al de la invención de Gutenberg y, sobre todo, su difusión a una velocidad sin precedentes; de ahí que, con el crecimiento geométrico de las comunicaciones humanas a distancia —tanto entre quienes hablan la misma lengua como entre hablantes de distintas lenguas—, surgiera una urgente demanda social de obtener información estadística diversa relacionada con la lengua, a fin de automatizar tantos procesos de comunicación como fuera posible: la enseñanza de idiomas, la traducción, el reconocimiento, la compresión de la información, su transmisión, etc. La lingüística lituana no quedó al margen de este proceso general, aunque, por supuesto, se retrasó considerablemente. A lo largo del siglo XX, y especialmente en su segunda mitad, el mundo parecía estar preparándose para un nuevo salto. Ante todo, se trataba de diccionarios de frecuencias de las lenguas. Los primeros aparecieron ya a finales del siglo XIX. 24 | LAIMA GRUMADIENĖ ...y comienzos del siglo XX. El primero de todos fue el diccionario de frecuencias del alemán, que el taquígrafo F. Kaeding (1898) elaboró sobre la base de nada menos que 11 000 000 de ocurrencias, utilizando un fichero de fichas. Mucho más tarde, G. Vander Beke (1929) publicó un diccionario de este tipo para el francés. H. Eaton (1934) preparó un diccionario comparativo de las mil palabras más frecuentes en cuatro lenguas: inglés, francés, alemán y español. El primer diccionario de frecuencias del inglés fue elaborado por E. Thorndike y L. Lorge (1944), y el del español, por V. Garcia Hoz (1953). El primer diccionario de frecuencias del ruso en América fue elaborado por H. Josselson (1953), mientras que N. P. Vakar (1966), también en América, publicó un diccionario de frecuencias del ruso hablado de la época soviética, aunque, en esencia, se basa únicamente en la lengua de las obras dramáticas. E. Šteinfeldt (Štejnfel’dt 1963) publicó en Tallin un diccionario de frecuencias de la lengua de Pushkin. Basándose en un corpus de 1 000 000 de palabras, compuesto a partes iguales por literatura de ficción y la llamada prosa informativa (periodismo, documentos administrativos y literatura científica), L. Lönngren (1993) elaboró en Upsala un diccionario de frecuencias del ruso. Los primeros diccionarios de frecuencias no solo del ruso, sino también del rumano y del italiano se prepararon asimismo en América: A. Juilland, P. M. Edwards, I. Juilland (1965), A. Juilland, V. Traversa (1973) (por cierto, A. Juilland y E. Ch. Rodrigues (1964) ya habían preparado allí otro diccionario de frecuencias del español, y más tarde J. R. Alameda y F. Cuetos (1995) elaboraron otro más). Toda una serie de diccionarios de frecuencias se basó en la concepción de los estilos funcionales de la lengua del Círculo Lingüístico de Praga, así como en la idea de lengua estándar de Boris Larin: el primero, como era de esperar, fue el del checo, primero para estilos funcionales individuales y después también el general, redactado por un equipo de autores dirigido por Marie Těsitelová (J. Jelínek, J. V. Bečka y otros; véase Těsitelová 1983). Los letones se apresuraron pronto; al igual que los checos, primero prepararon diccionarios de estilos funcionales separados y después un diccionario general en dos volúmenes: T. Jakubaite, D. Kristovska, D. Guļevska, V. Ozola, R. Prūse, A. Rubine, N. Sika (1966–1976). V. A. Agrajevas, V. V. Borodinas, V. M. Muratova y E. V. Tisenko, bajo la dirección de L. N. Zasorina (1977), también siguieron esta misma metodología al elaborar un diccionario de frecuencias del ruso actual sobre la base de 1 000 000 de ocurrencias de cuatro estilos funcionales. El diccionario de frecuencias del bielorruso preparado por N. S. Mažeika y A. J. Suprunas (Mažeika, Suprun 1976) corresponde a un solo estilo funcional: el de la literatura de ficción. El diccionario de frecuencias del búlgaro (Todorova, Pančovska 2001) también se limita al estilo periodístico. El primer diccionario de frecuencias de la lengua lituana, preparado por V. Žilinskienė (1990), abarcaba asimismo un solo estilo funcional: el periodístico; en su elaboración se empleó la misma metodología checa y se colaboró ampliamente con los letones. Con el tiempo, aunque la lengua lituana no pueda presumir de ello, en el mundo surgieron diccionarios de frecuencias de todo tipo: de la lengua de autores concretos, de estilos funcionales, de variedades lingüísticas regionales, de lengua escrita y hablada, etc. Los diccionarios de frecuencias de «n palabras de una lengua en general» dejaron de ser funcionales, pues se necesitaban para satisfacer objetivos concretos; por tanto, la selección de palabras debía hacerse a partir de textos de algún ámbito, y no del conjunto de textos. Por otra parte, el problema de elaborar diccionarios de frecuencias «pasó a otra dimensión» cuando, al buscar ejemplos de uso, los conductistas y positivistas estadounidenses dieron origen a los corpus electrónicos: el desarrollo de las tecnologías electrónicas fue rápido, de modo que se hizo posible no solo acumular, sino también procesar enormes masas de textos. Se considera que la lingüística de corpus comenzó en 1961, cuando Nelson Francis y Henry Kučera anunciaron y empezaron a crear el célebre corpus electrónico de lengua escrita Brown (Brown university), y John Sinclair, un corpus LOB (Lancaster-Oslo/Birmingham) del mismo formato, tex- DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 25 corpus; ya en 1959 Randolph Quirk anunció un corpus de lengua escrita y hablada, el SEU (Survey of English Usage), cuya labor continuó Jan Svartvik, quien en la Universidad de Lund emprendió la creación de un corpus de lengua hablada, el LLC (London-Lund Corpus of Spoken English). La extensión de todos los corpus mencionados era entonces de aproximadamente 1–1,15 millones de ocurrencias de palabras; después aparecieron más corpus similares (véase Aijmer, Altenberg 1991: 1ss.). La extensión de los corpus de segunda generación se cuenta en decenas de millones, y la de los de tercera generación, ya en cientos de millones e incluso miles de millones. En el mundo sigue siendo actual el problema de la compatibilidad del software informático y de los distintos programas de trabajo: ya se han acumulado corpus de una extensión extraordinariamente grande —cientos de millones de palabras (en esencia, una forma electrónica de biblioteca)—, pero ¿cómo utilizarlos cómodamente?, ¿cómo calcular las frecuencias más elementales?, ¿cómo no perderse en un océano de palabras? Y, al fin y al cabo, ¿la cantidad siempre determina la calidad? Al elaborar diversos diccionarios de frecuencias se ha comprobado muchas veces que la mitad de las palabras estudiadas aparece apenas una vez. Por eso, cada vez que se emprende este trabajo, hay que sopesar bien si los objetivos planteados realmente exigen trabajar con una gran cantidad de material para buscar las palabras más raras. A veces, cuando se estudian ciertas regularidades gramaticales o de formación de palabras, resulta verdaderamente irracional aumentar en exceso el tamaño del conjunto estudiado; además, conviene evaluarlo también con criterios estadísticos, pues estos mostrarán la probabilidad de que la muestra sea suficiente para extraer conclusiones representativas. Hay que prestar especial atención a los textos con los que se forma el conjunto de estudio, es decir, a cómo se construye el modelo del objeto investigado. En la lingüística lituana, actualmente la cuestión que quizá plantea más interrogantes a este respecto es qué debe considerarse lengua lituana estándar y en qué proporción deberían estar representados en ella los estilos funcionales de la lengua o los estratos lingüísticos distinguidos según otros criterios. Así, el corpus de la Universidad Vytautas Magnus mencionado anteriormente se elaboró de acuerdo con unos principios de selección, mientras que el Dabartinės rašomosios lietuvių kalbos dažninio žodyno, de acuerdo con otros; por ello, los resultados también son diferentes. Hay que evaluar con mucho cuidado y objetividad los datos estadísticos sobre, por ejemplo, partes del discurso concretas, obtenidos de distintos corpus. Se ha observado que en trabajos de este tipo ya publicados o en curso no se presta suficiente atención a qué textos se estudiaron, y se hacen generalizaciones sobre la «lengua lituana actual». Trabajar con cifras exige precisión; de lo contrario, se obtienen conclusiones engañosas. El corpus electrónico del Dabartinės rašomosios lietuvių kalbos dažninio žodyno que se analiza en este artículo (1,2 millones de ocurrencias de palabras) pertenece a los corpus de primera generación (del tipo Brown, LOB), de más de un millón de palabras. Lo vincula con esos célebres corpus otra característica común: como pocos corpus posteriores del mundo, el nuestro también está anotado. Las tecnologías informáticas han ofrecido condiciones excepcionales a las lenguas analíticas: programas especiales, aunque bastante difundidos (en particular, es conocido el de la Universidad de Oxford: Oxford Concordance Program, así como KWIC, KAYE, CLAN, OCP, WordCruncher y otros), permiten elaborar con bastante facilidad listas de las palabras más frecuentes y presentar sus concordancias (Leech 1991: 10; Utka 2000). Los investigadores del Corpus de la lengua lituana actual de la Universidad Vytautas Magnus también suelen utilizar programas de este tipo, pero entonces solo es posible analizar palabras, es decir, el léxico, porque faltan datos sobre las terminaciones de las palabras, que, como es sabido, son especialmente importantes en lituano. Así pues, la tarea es más compleja con las lenguas sintéticas: los programas descritos generan listas de formas de palabras, no de lemas. Se necesita bastante trabajo adicional para unificar las formas de las palabras en lemas y convertirlas en entradas léxicas. Las listas de palabras de este tipo, que incluyen también análisis gramatical, ya se denominan anotadas; no hay muchas en el mundo y se valoran mucho, pues requieren un considerable esfuerzo laboral y, por tanto, son 26 | LAIMA GRUMADIENĖ muy costosos (V. Žilinskienė y yo hemos calculado que, en nuestro caso, solo la selección de los textos, su transcripción mediante teclado, su análisis morfológico semiautomatizado —el llamado LEMATIZACIÓN—, su corrección y la introducción de los datos en el ordenador exigirían seis años de trabajo de una persona). Para los cálculos y las correcciones posteriores se necesitan de nuevo varios años, pues cualquier imprecisión al realizar operaciones matemáticas puede desembocar en un absurdo. En general, ahora es posible elaborar diccionarios de frecuencias de muchas maneras y de diversos tipos, especialmente con la aparición de los corpus electrónicos: depende de lo que se busque. La razón principal por la que se siguen elaborando nuevos diccionarios de frecuencias, en particular los que aspiran a llamarse, por ejemplo, diccionarios de la lengua n actual, es que el requisito fundamental de la lingüística estadística, como de la estadística en general, es que la muestra debe ser un modelo representativo del universo estudiado o conjunto. En otras palabras, se duda continuamente de si la muestra estudiada realmente refleja el universo previsto. Por ejemplo, un diccionario de frecuencias de la lengua lituana actual elaborado a partir del Corpus de la lengua lituana actual de la Universidad Vytautas Magnus, que consta incluso de 60 millones de ocurrencias de palabras, sería distinto de los ya publicados por L. Grumadienė y V. Žilinskienė (1997, 1998), porque sus resultados reflejarían un universo textual compuesto principalmente por textos de publicaciones periódicas (70%), no periódicas (26%) y traducidas (4%) (Marcinkevičienė 2000a: 16). Los textos de los diccionarios mencionados ya publicados se seleccionaron con un criterio completamente distinto: son textos originales, no traducidos, de cuatro estilos funcionales de la lengua: periodístico, administrativo, literario y científico. Se procedió así porque la lengua lituana estándar, en especial la escrita, sigue formándose, regulándose y codificándose hasta hoy conforme al espíritu de las ideas del Círculo Lingüístico de Praga (por cierto, cabe señalar que actualmente el propio término ESTILO recibe definiciones muy distintas según las diversas escuelas lingüísticas). Se siguieron los principios de otros compiladores de diccionarios de frecuencias, ante todo checos, rusos y letones, quienes también adoptaron la concepción de la lengua estándar —la suma de los estilos funcionales de la lengua— expuesta anteriormente, y se aplicó su experiencia. Por ello, al igual que ellos, se seleccionaron muestras de 300 000 ocurrencias de palabras de cuatro estilos funcionales, pues se consideró que los principios de elaboración del corpus de la Universidad Vytautas Magnus (que, por cierto, apareció más tarde que el nuestro) eran aún prematuros para la lengua lituana escrita y más cercanos a la concepción estadounidense de la lengua estándar (o normalizada, como se acostumbra allí). En la base de datos del Dabartinės rašomosios lietuvių kalbos dažninio žodyno a veces se echa en falta el léxico coloquial, pues se olvida que se ha formado únicamente sobre la base de la lengua escrita pública: no incluye cartas privadas, diarios, inscripciones en paredes ni materiales similares. Sin embargo, incluso ahora el diccionario contiene palabras de la lengua hablada, entre ellas no solo extranjerismos y dialectalismos, sino también ejemplos de léxico peyorativo inadmisible en la lengua estándar, por lo que las autoras del diccionario reciben constantes críticas. Surge la pregunta de qué debe considerarse literatura de ficción: esas palabras aparecían en textos literarios (textos originales editados e impresos en Lituania en tiradas de más de 100 ejemplares), y el postulado de la elaboración de un diccionario de frecuencias es no excluir ninguna palabra léxica, siempre que no sea un nombre propio, un número, una abreviatura o un error de corrección. Por cierto, los datos muestran que, al seleccionar muestras de 300 000 ocurrencias de palabras para cada uno de los cuatro estilos funcionales, en el estilo periodístico se encontraron 284 687 palabras léxicas (15 313 de las llamadas «basuras»), en el estilo administrativo, 279 505 (20 495 que no se incluyeron en el diccionario por las razones mencionadas), en el científico, 278 311 (21 689) y en el literario, 290 561 (9 439). No tuve corazón para excluir el nombre propio Lietuva, por lo que fue el único nombre propio que, como excepción, se incluyó en el diccionario (resulta que ocupa el puesto 16 por frecuencia, es el primero de los sustantivos y su frecuencia es de 5151 en un total de 614 muestras: aquí influyeron los documentos oficiales, DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 27 nombres de instituciones y similares, en los que esta palabra aparecía con frecuencia en caso genitivo). También pueden considerarse nombres propios en sentido convencional los nombres de fiestas religiosas y otras celebraciones (a menudo usados también como nombres comunes), por ejemplo, Joninės, Kūčios, Žolinė, o los nombres de los puntos cardinales Rytai, Vakarai, Pietūs, Šiaurė. Siguiendo el principio de representatividad, de cada uno de los estilos mencionados se seleccionaron únicamente textos pertenecientes al estilo puro: se descartaron los textos de manuales considerados limítrofes, el periodismo científico, el periodismo dirigido a un círculo reducido de lectores, el drama, la poesía y similares. Los textos periodísticos fueron seleccionados por Vida Žilinskienė y consistían en textos de 19 diarios y semanarios centrales editados, así como de revistas de amplia lectura, publicados entre 1994 y 1995, que representaban cinco grupos temáticos: 1) política, 2) industria y agricultura, 3) educación y derecho, 4) arte y 5) entretenimiento (deportes, horóscopos y pronósticos del tiempo). Los textos del estilo administrativo fueron seleccionados por Pranas Kniūkšta y Danutė Vainauskienė a partir de publicaciones y documentos de 1990–1995, de acuerdo con siete grupos temáticos: 1) leyes y documentos complementarios, comentarios; 2) documentos jurídicos; 3) manuales y documentos de economía y negocios; 4) publicaciones de ciencias políticas y documentos de partidos; 5) normas y publicaciones estadísticas; 6) fuentes de información (bibliografías, catálogos, diccionarios); 7) documentos de distintos ámbitos sociales (defensa nacional, seguridad social, educación, cultura, etc.). Los textos de estilo científico fueron seleccionados por Irena Andriukaitienė entre publicaciones científicas editadas en Lituania entre 1990 y 1995 o trabajos aprobados por instituciones científicas, según ocho grupos temáticos (áreas de conocimiento): 1) ciencias agrarias, 2) ciencias naturales, 3) humanidades, 4) matemáticas, 5) medicina, 6) ciencias sociales, 7) ingeniería y tecnología, 8) teología. Los textos literarios fueron seleccionados por Laima Grumadienė de obras de prosa de ficción publicadas en Lituania entre 1985 y 1990 (con algunas excepciones), y sus seis grupos «temáticos» se clasificaron según los lugares de nacimiento de los escritores: 1) samogitios, 2) aukštaitianos orientales, 3) aukštaitianos occidentales, 4) dzūkianos, 5) habitantes de ciudades, 6) emigrantes (sin tener en cuenta el lugar de nacimiento real de estos últimos). Se decidió que precisamente estos textos podían representar el lituano escrito contemporáneo. De ellos se seleccionaba al azar (las páginas y líneas se elegían según una tabla de números aleatorios) un fragmento de 1000 ocurrencias de palabras, denominado muestra, que luego se transcribía mediante el teclado de una computadora (un trabajo de aproximadamente dos horas). Después, las muestras se lematizaban, es decir, se analizaban morfológicamente con el programa MAN (Morfologinio Analizavimo ir Normalizavimo), desarrollado por Vytautas Zinkevičius. El autor lo adaptó específicamente para este trabajo a partir de su propio programa informático de corrección ortográfica de palabras, que en 2000 mejoró ligeramente por encargo de la Universidad Vytautas Magnus, trasladó a una versión superior y denominó lematizador (Zinkevičius 2000). El trabajo se veía más o menos así: se recibía una impresión de computadora de la que había que «eliminar» las líneas innecesarias (subrayado mío). Por ejemplo, el fragmento de texto que ya había sido procesado por una persona, y no solo por la máquina (…) manęs visa ši komedija (…) aparecía impreso así: FIG. 1. EJEMPLO DE LEMATIZACIÓN DE TEXTO yo pensar me pron pers gen sing sust masc sing nom 28 | LAIMA GRUMADIENĖ todo todo pron indef fem sing nom todo pron indef fem sing ins todo pron indef fem sing loc todo pron indef adv este esta pron dem fem sing nom comedia comedia sust fem sing nom comedia sust fem sing ins comedia sustantivo femenino singular Š En la primera línea queda la palabra lema restituida; en la segunda (la restante, no tachada), la forma de la palabra con sus características gramaticales. Trabajar así con 1000 palabras lleva unas 4 horas, pero probablemente aún no existe una manera más rápida de analizar morfológicamente las palabras lituanas. Después se buscan homónimos y homófonos, las muestras se corrigen con el programa MAN-K de Vytautas Zinkevičius y se incorporan al ordenador: todo ello lleva otra hora. En total, se procesaron así 1 200 muestras de 1000 apariciones de palabras cada una. Una vez realizado este enorme trabajo, los datos se procesaron posteriormente mediante programas de cálculo preparados por Valentinas Černiauskas y Snieguolė Meškauskienė (ambos del Instituto de Matemáticas e Informática): se calcularon diversas frecuencias. Se prepararon para su publicación tres diccionarios; dos de ellos ya han aparecido (Grumadienė, Žilinskienė 1997; 1998), y esperamos que el tercero vea la luz este año. Los dos primeros diccionarios son listas de frecuencia de lemas. El primero está ordenado por frecuencia decreciente y el segundo, alfabéticamente. En ellos se incluyeron, respectivamente, 38 337 palabras diferentes. El tercero, un diccionario de formas de palabras, es varias veces más extenso (31 pliegos de imprenta), contiene aproximadamente 150 000 formas de palabras y refleja el uso de palabras diferentes y de las mismas palabras en diversas formas gramaticales (debería presentarse tanto en orden alfabético como inverso). Se han preparado varias decenas más de diccionarios de frecuencia con distintas ordenaciones, destinados al uso en formato electrónico: de los cuatro estilos, de los grupos temáticos de cada estilo, etc. (tanto de lemas como de formas de palabras). Al comparar algunos datos estadísticos, ya se observa que en la lengua escrita lituana se emplean más sustantivos diferentes: de todas las palabras distintas, hasta un 45,25% son sustantivos; abundan los verbos y las formas verbales (32,65%), y también es considerable la proporción de adjetivos (15,31%); se han encontrado un 5,03% de adverbios diferentes. Las demás clases de palabras no alcanzan siquiera el medio por ciento cada una (en total, apenas representan un 0,88%). Sin embargo, esto no significa que su distribución en los textos sea exactamente la misma. Otro indicador —la frecuencia de las mismas palabras en los textos— muestra que el porcentaje de las principales clases de palabras y de los adverbios disminuye considerablemente a expensas de las clases funcionales y de los pronombres, pues estos últimos ya representan más de una cuarta parte de los textos: un 26,71%. Conviene prestar atención no solo al indicador de frecuencia, sino también al número de muestras independientes en que aparece una palabra o una forma de palabra: así puede determinarse si la frecuencia de una palabra se debe a la inclusión fortuita de un solo texto en el que aparece repetida muchas veces, o si, por el contrario, su frecuencia no es casual, pues su dispersión es uniforme entre las distintas muestras. DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 29 La diversidad léxica se evalúa mediante el coeficiente de iteración (la relación entre las apariciones de palabras y los lemas), que en el diccionario mencionado es de 20,06 (cuanto menor es este valor, más palabras diferentes se han encontrado). De los diccionarios de lemas y de formas de palabras de cada uno de los cuatro estilos funcionales, calculados pero no publicados (sobre algunas características lingüístico-estadísticas observadas en ellos ya escribió V. Žilinskienė (1998, 2001, en prensa, etc.)), se desprende que, por ejemplo, el léxico de la literatura de ficción es dos veces más diverso que el de los textos de estilo administrativo (los coeficientes de iteración son, respectivamente, 9,53 y 20,78). Lo más interesante es que, al considerar conjuntamente los cuatro estilos, el coeficiente de iteración difiere poco del correspondiente al estilo administrativo, pero mucho del de la literatura de ficción (el de los textos periodísticos es 10,51 y el de los científicos, 12,63). Estos indicadores constituyen un argumento de peso al decidir, por ejemplo, los principios de elaboración de un diccionario de la lengua estándar: qué proporción debería corresponder a cada estilo funcional; si conviene seguir vinculando la lengua estándar a los estilos funcionales; y, en caso afirmativo, la necesidad de tener en cuenta los indicadores estadísticos de los estilos funcionales, entre otras cosas. Se obtuvieron datos interesantes al comparar la lista de las palabras más frecuentes elaborada a partir del corpus de la Universidad Vytautas Magnus (en ella, las palabras se registraron y contabilizaron en las formas en que aparecen en los textos, sin restituir sus formas lema, a diferencia del Diccionario de frecuencias de la lengua escrita lituana contemporánea). Al comparar las 50 palabras invariables y formas flexionadas más frecuentes del corpus lituano de 60 millones de palabras (Utka 2000: 278) con los primeros 50 lemas del Diccionario de frecuencias (Grumadienė, Žilinskienė 1997: 3), se comprueba claramente que coinciden en lo esencial. La primera lista de frecuencias contiene simplemente algo menos de palabras distintas, porque incluye diversas formas de una misma palabra, por ejemplo, buvo, būti; jis, jo, jų, jos, jie, mientras que en la segunda lista, es decir, en el diccionario, están representadas respectivamente por būti y jis. Conforme a los principios de elaboración de este tipo de diccionarios, las abreviaturas no se incluyeron en el Diccionario de frecuencias; aun así, la comparación de las abreviaturas m, d, a que figuraban en la mencionada lista de palabras más frecuentes —metai, diena, amžius, respectivamente— con los datos del Diccionario de frecuencias muestra que las dos primeras palabras también son frecuentes en el diccionario: ocupan los puestos 30 y 57, respectivamente, por frecuencia o rango (se consideran del mismo rango las palabras que tienen la misma frecuencia), mientras que amžius aparece únicamente en el tercer centenar. Por cierto, tanto la abreviatura como la palabra completa se usan con bastante frecuencia y con significados algo distintos. Como confirma la práctica de elaboración de diccionarios de frecuencias de muchas lenguas sintéticas, las palabras más frecuentes del Diccionario de frecuencias de la lengua escrita lituana contemporánea son algunos enlaces (ir, kad, o, kaip, ar, bet, bei, kai, etc.), preposiciones (į, iš, su, nuo, apie, po, už, dėl, per, prie, etc.), pronombres (jis, tas, aš, kuris, šis, visas, kitas, savas, toks, kas, tu, etc.), partículas (ir, ne, tik, etc.); los verbos más frecuentes son būti, galėti, turėti, nebūti, reikėti, žinoti, nustatyti, etc., y los sustantivos, Lietuva, darbas, žmogus, metai, etc. Entre los numerales, los más frecuentes son vienas, pirmas, du; entre los adjetivos que figuran en el primer centenar de palabras más frecuentes están dideli, naujas, aukštas, įvairus, svarbus, pagrindinis. Por cierto, los datos de las lenguas analíticas también muestran que, por ejemplo, en los textos ingleses el pronombre I, la conjunción and y el artículo the representan el 10% de los textos (Hillerich www: eduplace.com). También es importante la cuestión de las palabras internacionales: ¿cuántas y cuáles deberían incluirse en el diccionario de la lengua estándar? Puede ser útil tener en cuenta que, por ejemplo, en la lista de lemas del Diccionario de frecuencias de la lengua escrita lituana contemporánea (1998, XXXIV–XXXVI) se encontró un 27,52% de palabras internacionales y que estas ocupaban un 13,34% del espacio en los textos; también pueden resultar útiles las propias listas de esas palabras. 30 | LAIMA GRUMADIENĖ Al prepararse para escribir una nueva gramática de la lengua lituana, es importante conocer también las estadísticas de las formas de las palabras: qué tipos de palabras se declinan y cómo, por qué, y qué palabras presentan una gran variedad de formas gramaticales y cuáles no. En el diccionario de formas de palabras que se está preparando para su publicación abundan estos datos. V. Žilinskienė (2001) ya ha publicado datos interesantes sobre el estilo periodístico. Resulta que tres casos de los sustantivos representan el 82,29% de todos los usos de sustantivos (gen. — 38,91%, nom. — 26,62%, ac. — 16,76%; ¿y el hecho de que, por ejemplo, el dat. se use en solo el 3,88% de los casos quizá ya indique una tendencia hacia la analitización?). Por cierto, los adjetivos se usan con mayor frecuencia en caso nom.: en el 36,93% de los casos. Se ha determinado que predomina el singular de los sustantivos: el 68,86% de todos los usos. En los textos periodísticos se encontraron relativamente pocos gerundios (2,34%) y participios adverbiales (1,84%), pero nada menos que un 24,46% de participios; el infinitivo se empleó en el 15,85% de los casos. Se obtuvieron resultados interesantes e insólitos, especialmente para los docentes y especialistas que preparan libros de texto, programas de enseñanza y diccionarios, al examinar los tres diccionarios mínimos de lituano-ruso de las categorías de cualificación del dominio de la lengua estatal, preparados y publicados por V. Žilinskienė y L. Grumadienė (1998; 1999a; 1999b) Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimaliuosius žodynus, así como otros seis diccionarios análogos de lituano-inglés y lituano-polaco, preparados pero aún no publicados. Una vez más, cabe señalar que las muestras se recopilaron de textos de la lengua lituana escrita, por lo que es posible que aquí se eche en falta vocabulario de la lengua hablada. Estos glosarios están orientados al aprendizaje de la lengua escrita, ya que los requisitos de cualificación del dominio de la lengua estatal se relacionan con el uso público de dicha lengua, ante todo en situaciones oficiales, especialmente en instituciones estatales; por ello, aquí se necesita más el léxico neutro y especializado que el coloquial: se exige poder leer y redactar documentos profesionales y comprender textos de los medios de comunicación. En el futuro se prepararán también diccionarios mínimos de la lengua hablada. En Lituania se ha publicado el manual de Vytautas Šernas (1994) Kaip racionaliau mokytis kalbų, que incluye además un diccionario mínimo bilingüe inglés-lituano: una traducción del célebre Basic English, publicado por Ch. K. Ogden en 1942 y compuesto por 850 palabras (por cierto, también puede encontrarse en el volumen 3 de Encyclopaedia Britannica). Con el paso del tiempo, algunas palabras caen en desuso y aparecen otras, por lo que la lista de esas 850 palabras puede cambiar en consecuencia. Al establecer los requisitos de las tres categorías de cualificación para el dominio de la lengua lituana estatal, también se tuvo en cuenta la opinión de los autores del Dartinės rašomosios lietuvių kalbos dažninio žodyno sobre la extensión de los diccionarios mínimos: se decidió que el dominio de unas 800 palabras correspondería a los requisitos de la categoría I, el de unas 1200, a los de la categoría II, y el de unas 2500, a los de la categoría III. Se tuvo en cuenta tanto el postulado de Ogden, generalmente aceptado, de las 850 palabras, como los resultados de estudios de frecuencia de la propia lengua y de otras lenguas, así como la práctica análoga de otros países. Que estos cálculos no son arbitrarios se aprecia también en las tres tablas del apéndice, donde se ve claramente qué proporción de los textos representan, respectivamente, las 800, 1200 y 2500 palabras más frecuentes de la lengua lituana escrita: 56,66%, 65,70% y 78,04%. Ya es habitual que todos los diccionarios grandes incluyan indicaciones sobre las palabras más frecuentes de una lengua. Por ejemplo, en el diccionario COBUILD de inglés (www.antimoon.com), las 680 palabras más frecuentes se señalan con entre uno y cuatro rombos, respectivamente. En el diccionario de inglés Longman, las 3000 palabras más frecuentes se marcan, respectivamente, como S1, S2 (S — spoken English), W1, W2 (W — written English). En el diccionario de inglés Macmillan, las palabras más frecuentes se imprimen en rojo y la frecuencia de las demás se indica con entre una y tres estrellas, respectivamente. Probablemente se acerca el momento en que la lexicografía lituana también tendrá que ocuparse de ello. DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 31 4. CONCLUSIONES No hay muchas bases de datos electrónicas de la lengua lituana actual; las mayores son el Dabartinės rašomosios lietuvių kalbos dažninio žodyno de V. Žilinskienė y L. Grumadienė (morfosintácticamente anotado y procesado estadísticamente, con 1 200 000 usos de palabras) y el Lietuvių kalbos tekstynas de la Universidad Vytautas Magnus (sin anotar, con unos 60 000 000 de usos de palabras). En los estudios lituanos aún no existe una práctica adecuada de uso tanto de las bases de datos electrónicas de la lengua actual como de las publicaciones lingüístico-estadísticas. Ante todo, en las instituciones de educación superior de Lituania se fomenta demasiado poco este tipo de trabajo, pero existe también la otra cara de la moneda: hay muy pocas bases de datos electrónicas lituanas de acceso público. Una de las razones de este atraso es que las bases de datos electrónicas no se reconocen como trabajos de autoría. Uno de los problemas más acuciantes de Lituania relacionados con las bases de datos electrónicas es la debilidad de la concepción que guía su elaboración: a menudo se prevé utilizar las bases de datos electrónicas únicamente como textos presentados en formato electrónico, sin contemplar la aplicación de tecnologías informáticas para procesar los datos. 32 | LAIMA GRUMADIENĖ TABLA 1: FRECUENCIA DE LAS PARTES DE LA ORACIÓN Y DE LAS PALABRAS EN GENERAL PARA LAS CATEGORÍAS DE DOMINIO DE LA LENGUA LITUANA ESTATAL Rango Frecuencia sustantivo verbo adjetivo adverbio varios 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 ANÁLISIS LINGÜÍSTICO-ESTADÍSTICO DEL DICCIONARIO MÍNIMO POR CATEGORÍAS: skt prl jng dll išt; ist Suma – 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 Rango Frecuencia sustantivo verbo adjetivo adverbio pronombre 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% Vocabulario mínimo de la categoría de cualificación I de dominio del lituano estatal (unas 800 TABLA 2: FRECUENCIA DE LAS PARTES DE LA ORACIÓN Y GENERAL DE LAS PALABRAS PARA LA CATEGORÍA DE CUALIFICACIÓN II DE DOMINIO DEL LITUANO ESTATAL Rango Frecuencia sustantivo verbo adjetivo adverbio pronombre 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% Vocabulario mínimo de la categoría de cualificación II de dominio del lituano estatal (unas 1200 TABLA 3: FRECUENCIA DE LAS PARTES DE LA ORACIÓN Y GENERAL DE LAS PALABRAS PARA LA CATEGORÍA DE CUALIFICACIÓN III DE DOMINIO DEL LITUANO ESTATAL Rango Frecuencia sustantivo verbo adjetivo adverbio pronombre 601–650 105-56 45751 20328 12145 5822 433 52,31% 23,25% 13,88% 6,66% 0,50% Vocabulario mínimo de la categoría de cualificación III de dominio del lituano estatal (unas 2500 DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 35 skt prl jng dll išt; jst Total 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% palabras) cubre el 56,66% del texto (muestra de 1,2 millones de usos de palabras). 56,66% ANÁLISIS LINGÜÍSTICO-ESTADÍSTICO DEL VOCABULARIO MÍNIMO POR CATEGORÍAS: skt prl jng dll išt; jst Total 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% palabras) cubre el 65,70% del texto (muestra de 1,2 millones de usos de palabras). 9,04% Total: (=65,70%) ANÁLISIS LINGÜÍSTICO-ESTADÍSTICO DEL VOCABULARIO MÍNIMO POR CATEGORÍAS: skt prl jng dll išt; jst Total 460 341 372 1697 102 87446 0,52% 0,40% 0,42% 1,94% 0,12% 7,29% palabras) cubre el 78,04% del texto (muestra de 1,2 millones de usos de palabras). 7,29% Total: (=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