„Dabartinės rašomosios lietuvių kalbos dažninis žodynas“ ir jo bazė

ACTA LINGUISTICA LITHUANICA XLVI (2002), 19 – 37 A mai litván írott nyelv gyakorisági szótára és annak adatbázisa LAIMA GRUMADIENĖ Litván Nyelvi Intézet Kevés elektronikus adatbázis létezik a litván nyelvhez. A legnagyobbak a V. Žilinskienė és L. Grumadienė által összeállított A mai írott litván nyelv gyakorisági szótára, valamint a Kaunasi Egyetem Litván Nyelvi Korpusza. Az előbbit itt részletesen bemutatjuk: ismertetjük összeállításának elveit és lehetséges felhasználási módjait, továbbá röviden jellemezzük a rajta alapuló, eddig megjelent statisztikai nyelvészeti munkákat. A modern litván nyelv adatbázisaival kapcsolatos fő problémák a következők: (1) elégtelen differenciáltságuk (csak az írott nyelvet tükrözik, a beszéltet nem), (2) nem optimális felhasználásuk, mivel a litván tudományos közösség nem rendelkezik az ilyen eszközökkel való munkához szükséges felkészültséggel, valamint (3) az a tény, hogy az összeállításukon dolgozó kutatók erőfeszítései túl kevés nyilvános elismerésben részesülnek, és azokat nem értékelik önálló tudományos eredményként. 1. AZ ELEKTRONIKUS ADATBÁZISOK ELAVULÁSA ÉS „SZÜKSÉGTELENSÉGE” A litván nyelvtudomány éppen most mintha egy tigris ugrása közben dermedne meg: a főként a strukturalizmusból merített impulzus nyomán született kiemelkedő munkák már elkészültek, a levegőben azonban ott lebeg az új, nem kevésbé jelentős munkák iránti várakozás. Ehhez nemcsak a nyelvi jelenségek másfajta megközelítése szükséges, hanem új, még ki nem próbált módszerekre és munkaeszközökre is szükség van. Az információs technológia korában a nyelvészek új munkaeszközei gyakran elektronikus adatbázisokhoz, azok pedig lingvisztikai-statisztikai kiadványokhoz kapcsolódnak. Magától értetődőnek tűnhet, hogy különböznek egymástól, hiszen az elektronikus adatbázisok dinamikusak, önállóan lehet velük dolgozni, a kiadványok viszont statikusak, és csupán a szerzők szándéka szerint közölt adatok gyűjteményei. Korábban azonban, sőt néha még ma is, Litvániában az ilyen adatbázisokat és kiadványokat azonosnak tekintették, illetve tekintik. Ezt mutatja a visszafelé rendezett (más néven fordított) szótárak története. Az első litván visszafelé rendezett szótár, amelyet az amerikai David F. Robinson készített az 1954-es DLKŽ-kiadás alapján (1976), mintegy 45 000 szót tartalmazott; talán még elektronikus adatbázisa sem volt, legalábbis a szerző nem említi. Ráadásul abban az időben ilyen elektronikus adatbázis Litvániában hozzáférhetetlen lett volna, hiszen magát a szótárt is alig forgatta valaki, mivel kis példányszámban adták ki Amerikában. A šiauliaii Juozas Korsakas (1991) válogatási elv alapján készítette el a Litván nyelv inverz 20 | LAIMA GRUMADIENĖ szótárat, amely közel 22 000 szót tartalmazott; alapjául szintén a DLKŽ szolgált, de már annak 1972-es kiadása. A munka a saját összeállítású elektronikus adatbázis felhasználásával folyt, de ez utóbbi nem nyilvános használatú (valószínűleg technikai okokból), ezért csak nyomtatott könyv formájában hozzáférhető. Vida Žilinskienė A mai litván nyelv visszafelé rendezett szótára (1995) nem egyszerűen a DLKŽ átírása, hiszen a szavak fordított sorrendben, szófajok szerint csoportosítva szerepelnek benne, és statisztikai elemzést is tartalmaz. Jelenleg lényegében ez is csak nyomtatott formában hozzáférhető, noha elektronikus változata is létezik. Ezt meglehetősen korlátozottan használták fel (E. Jakaitienė munkacsoportja a litván–norvég szótár írásakor, valamint Daiva Murmulytė tanulmányaiban (1998, 1999 stb.)). Egyébként ez utóbbi szótár és az elemzés a DLKŽ (1993-as) számítógépes változata és annak statisztikai elemzése alapján készült, nem pedig – ahogyan Rūta Marcinkevičienė (2000a: 16) áttekintésében állítja – a A mai írott litván nyelv gyakorisági szótára (Grumadienė, Žilinskienė 1997; 1998) adatbázisa alapján. A Matematikai és Informatikai Intézet, valamint a Litván Nyelvi Intézet kutatóinak közös erőfeszítésével készült DLKŽ (az 1993-as kiadás) elektronikus változata kis példányszámban jelent meg (1995), mivel nem volt engedély az elektronikus formájú kiadványok terjesztésére. A Litván Nyelvi Intézet most ismét a DLKŽ számítógépesítésébe kezdett, ezúttal a 2000-es kiadás alapján (a projekt vezetője Stasys Keinys), és támogatást kapott a Litván Tudományos Alaptól. Mint ismeretes, az 1993-as és a 2000-es DLKŽ-kiadás között alig van különbség, ezért elgondolkodtató, hogy úgy döntöttek, nem használják fel a korábbi elektronikus változatot, pusztán azért, mert az erkölcsileg már elavult DOS-környezetben és FOX-PRO-adatbázisban készült: ismét számítógépes szkennerekkel olvassák be a már meglévő elektronikus szöveget, amely csak kisebb javításokat igényel, ezzel növelve a munkaigényt és a költségeket. Talán még a statisztikai elemzést is újra elvégzik? Csakhogy nemcsak az 1993-as DLKŽ-kiadás számítógépes változata avul el erkölcsileg, hanem számos más elektronikus adatbázis is, ezért nyilvánvaló, hogy gondoskodni kell a karbantartásukról. Nem történik-e meg az említett intézetek közös erőfeszítésével készülő Terminológiai Bankkal is az, ami a DLKŽ (1993) elektronikus változatával történt? A lingvisztikai-statisztikai kiadványokat tehát még mindig sokkal nagyobbra értékelik, mint a költséges, ugyanakkor számos új munkalehetőséget kínáló elektronikus adatbázisokat. A litván filológusoknak meg kellene állapodniuk az olyan elektronikus adatbázisokról, amelyekben speciális jeleket használnak, például régi szövegek vagy átírt nyelvjárási szövegek esetében, hiszen már most újra kell gépelni az ilyen példákat tartalmazó tanulmányokat, ha valamilyen okból úgy döntenek, hogy nem például a Litván Nyelvi Intézet kiadványaihoz, hanem a Vilniusi Egyetem valamelyik kiadói szerkesztőségéhez nyújtják be őket. A most kiadott nyelvjárási szótárak és nyelvjárási szövegek – bár elektronikus formában is megvannak – csupán a nyomdászat modernizálódásának jelei, mert szövegeik elektronikus adatbázisként nem használhatók. A közös kódolási rendszerrel (például UNICODE-dal vagy más rendszerrel) kapcsolatos filológusi megállapodás hiányában tehát az elektronikus adatbankok nyilvános használata jelentősen megnehezül, nem is beszélve arról, hogy elemzésükhöz az elektronikus technológiák és programok alkalmazása erősen korlátozottá, olykor lehetetlenné válik. Tényleg olyan sok van belőlük, hogy már nem tudjuk áttekinteni őket? A probléma az, hogy sem a nyelvészek, sem az őket segítő informatikus szakemberek nem értik még megfelelően, hogy az adatbázisoknak dinamikusnak kell lenniük; a velük végzett munka során lehetővé kell tenni az egyre újabb programok és technológiák sokaságának alkalmazását, továbbá biztosítani kell a magasabb számítógépes verzióra való konvertálást. Litvániában az eddig létrehozott elektronikus adatbázisok többségét úgy alakítják ki, mintha ugyanazok a cédulák volnának, amelyek DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 21 nyelvi adatok, csupán számítógép-billentyűzettel rögzítve. Hamarosan ezek az adatok felérhetnek a kőbe vésett ékírással: az új generációs számítógépek képernyőin már csak „zászlócskák” és „négyzetecskék” lesznek láthatók, amelyek megfejtéséhez – mintha csak rúnákat olvasnának – a jövő nyelvészei foghatnak hozzá. Az eddig e kérdésben tartott viták eredménytelenek voltak, de úgy tűnik, nem szabad elveszítenünk a reményt; érdemes ismét vitára és egyeztetésre hívni. Egyébként érdemes felfigyelni a terminusokra: elektronikus formájú ADATBÁZIS, BANK, SZÖVEGKORPUSZ (KORPUSZ), ARCHÍVUM. Közülük a legdivatosabb a SZÖVEGKORPUSZ (KORPUSZ). Meghatározása sokféle, de valamennyi definícióban közös, hogy SZÖVEGKORPUSZNAK az elektronikus formájú szöveggyűjteményt tekintik; ezért gyakran szinte mindent, amit korábban adatbázisnak neveztek, korpusznak kezdtek hívni (hiszen az egyes szövegek mérete nincs szabályozva). A BANK terminus leginkább a terminológiához kapcsolódik: a terminológiai bankokat rendszerint nem nevezik korpuszoknak. Manapság az ARCHÍVUM terminusa egyre inkább az idődimenzióhoz kötődik: a régi adatok elektronikus gyűjteményét archívumnak vagy adatbázisnak is nevezhetik. Tehát a legsemlegesebb terminus továbbra is az ELEKTRONIKUS ADATBÁZIS, ezért itt is leggyakrabban ezt használjuk (vö. Kennedy 1998: 3. és köv.). 2. A MAI LITVÁN NYELV ELEKTRONIKUS ADATBÁZISAI ÉS NYELVSTATISZTIKAI KIADVÁNYAI A mai litván nyelv elektronikus formájú adatbázisaiból nincs túl sok. Ennek megfelelően a nyelvstatisztikai kiadványok sem bőségesek; valamivel gyakrabban csak nyelvstatisztikai módszereket alkalmaznak. E téren egyedül a fonetika és az eredményeire épülő fonológia emelkedik ki. Talán a fonetika sajátos természetéből adódik ez, vagyis abból, hogy ugyanazon egységek – a hangok – gyakori ismétlődése szinte magától kínálja a statisztikán alapuló következtetéseket; de az is lehet, hogy szubjektív tényezők játszottak szerepet, azaz megjelentek az új szemléletű kutatók: mindenekelőtt Aleksas Girdenis és tanítványai, valamint Antanas Pakerys. Akárhogy is, e két tényező eredményezte a litván fonetika és fonológia fellendülését, sőt bizonyos fokú előnyét a nyelvtudomány más ágaihoz képest. Igaz, maga a fonetika a természettudományok és a nyelvészet közötti határterület. Az ismétlődő egységek gyakorisága alapján következő nyelvtudományi terület a morfológia. Logikus volna tehát azt feltételezni, hogy mindenekelőtt ezen a területen kellene már igény mutatkozzon a nyelvstatisztikai adatokkal és az elektronikus adatbázisokkal való munkára. Ez mindeddig nem történt meg, noha ilyen munkák és munkaeszközök már léteznek. Az első, a lexikára és a morfológiára irányuló nyelvstatisztikai munkát Litvániában, ESM felhasználásával, Vida Žilinskienė készítette (1990). Az Lietuvių kalbos dažninis žodynas az egyik funkcionális stílus, a publicisztika adataira épül; 300 000 szóelőfordulás elemzését tartalmazza (azaz azonos és különböző lexémákét egyaránt; utóbbiak száma 18 776 volt, miután a gyakorisági szótárak összeállításának általánosan elfogadott szabályai miatt 11 956 tulajdonnévi szó további vizsgálatáról lemondtak). A 1000 szóelőfordulásnyi szakaszokból (mintákból) álló, teljes szövegeket morfológiailag elemezték és ékezettel látták el, majd lyukkártyára vitték, végül betáplálták a mára már elavult, használaton kívüli „Minsk-22” ESM-be. Az elektronikus adatbank létezik, de ma már nagyon nehéz volna használni. Sajnálatos módon a mai litván nyelv egyik változata, a publicisztika szövegeinek sem lexikológiai, sem morfológiai, sem akcentológiai nyelvstatisztikai elemzését nem hasznosították mindmáig megfelelően sem tudományos, sem gyakorlati célokra, különösen tankönyvek és tanulói szótárak írásához. Az elektronikus eszközökkel készített (amelyben részt vettek a 22 | LAIMA GRUMADIENĖ nemzetközi CHILD programban) és vizsgált szinkrón morfológiai munkák egyik példája lehet Ineta Savickienė (1999) doktori disszertációja, amely a gyermeknyelv morfológiájával foglalkozik. Egyébként meg kell említeni, hogy a nyelv más szintjeire, a stilisztikára és részben a szintaxisra vonatkozó, a nyelvstatisztikai adatokra épülő munkák – amelyek egységeinek gyakorisága jóval alacsonyabb – már több mint egy évtizede születnek, mindenekelőtt Audronė Bitinienė (1983, 1997, 1998 és mások) munkásságának köszönhetően. A mai lexika nyelvstatisztikai adatok alapján történő vizsgálatára is született már egy-két kísérlet. Az utóbbi időben az ilyen munkák leggyakrabban a Vytautas Magnus Egyetem mai litván nyelvi szövegkorpuszának (mintegy 60 000 000 szóelőfordulás) adatbázisán alapulnak (például Rūta Marcinkevičienė kollokációkutatásai (2000a; 2000b), Jurgita Mikelionienė (2000) neologizmusokról szóló doktori disszertációja stb.). Egyre több lexikai munka készül kisebb elektronikus adatbázisok alapján, néha meglehetősen speciális témákról; ilyen például Asta Ryklienė (2000) doktori disszertációja az internetezők által használt lexikáról és saját munkája is. Összességében azonban kevés ilyen munka van, és a hallgatók csak csekély mértékben kapcsolódnak be ebbe a folyamatba (talán a Vytautas Magnus Egyetem kivételével). A Vilniusi Pedagógiai Egyetemen Antanas Pakerys vezette csoport befejezés előtt áll a lexika vizsgálatára szolgáló elektronikus adatbázis összeállításával; ezután talán itt is megszaporodnak az ilyen témájú hallgatói munkák. Ez a cikk a mai írott litván nyelv kutatásához szükséges munkaeszközök bemutatására szorítkozik, ezért nem tárgyalja a régi írásos emlékek kutatásainak már megindult sorozatát, amely a Litván Nyelvi Intézet saját elektronikus adatbázisára támaszkodik. A saját elektronikus adatbázisok létrejötte kétségkívül új lendületet ad a litván dialektológiának: a Litván Nyelvi Intézetben már készülnek egy Dialektusközpont létrehozására, ahol elektronikus formában rögzítenék a nyelvjárási felvételeket, valamint az azokból megfejtett és átírt szövegeket. Ugyanebben az intézetben megkezdték az elektronikus onomasztikai és helynévtani adatbázis létrehozását. A nagyszabású Lietuvių kalbos žodyno elektronikus adatbázisa, amelynek összeállítása már folyik, valódi fordulatot hozhat a litván lexikográfiában; sokat várnak a Bendrinės lietuvių kalbos žodyno elektronikus adatbázisától is. Az Evalda Jakaitienė vezette Vilniusi Egyetem oktatói bekapcsolódtak az Európai Unió egyik projektjébe, és egy elektronikus, úgynevezett univerzális litván szólistát készítenek, amely megalapozhatja a kétnyelvű szótárak új sorozatának elindítását. Bizonyos mértékig ez mintha versenyezne a Bendrinės lietuvių kalbos žodyno szerkesztőségével. Főként az Állami Litván Nyelvi Bizottság erőfeszítéseinek köszönhetően, az Európai Unió ösztönzésére megkezdték az elektronikus, úgynevezett Terminų ar Svetimžodžių portfeliai (Terminológiai vagy Idegen Szavak Portfóliók) összeállítását; ezek a legújabb és igen gyakran használt, különböző szakterületekhez tartozó terminusok és szókapcsolatok jegyzékei, amelyeket az Európai Unió valamennyi tagállamának és tagjelölt országának eljuttat, hogy a nyelvek alkalmazkodhassanak, és felkészülhessenek a fordítások várható hullámára, valamint a gépi fordításra. A mai beszélt litván nyelv elektronikus adatbázisának összeállítását – a lengyelhez hasonlóan rádió- és televízióműsorok nyelvi felvételeire alapozva – a Vilniusi Egyetem kutatóinak egy csoportja (vezetője Meilutė Ramonienė) már megkezdte. Ugyanitt készülnek egy elektronikus szlavizmus-adatbázis létrehozására (vezetője Vytautas Kardelis), amely hangfelvételeket, valamint azokból kiválasztott és átírt példákat is tartalmaz majd. A tapasztalat azt mutatja, hogy eredményekre csak akkor lehet számítani, ha megtanulunk ilyen típusú adatokkal dolgozni, és jártasságot szerzünk az új lehetőségek kihasználásában. Ehhez laboratóriumokra van szükség, ahol ezt elsajátíthatják, lehetőleg már fiatal kortól. Az elektronikus adatbázisok természetüknél fogva nyilvánosak; rendszerezésük után mindenki számára hozzáférhetővé kell tenni őket, akinek szüksége van rájuk. A legnagyobb litván nyelvi adatgyűjtemények a Litván Nyelvi Intézetben DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 23 … ezért a modernizáció során éppen ennek kellene a legnagyobb elektronikus litván nyelvi adatbázisok létrehozására szolgáló központtá, nyilvános használatuk forrásává, az ilyen jellegű munkák és elképzelések vonzás- és kisugárzási központjává válnia – vajon ezt a szerepet tölti majd be a Litván Nyelvi Intézet adatbázisában létrehozandó Lituanisztikai Központ? Az internetre kerülő elektronikus adatbázisok még nyitottabbá válnak. Egyébként az internethez való csatlakozás lehetőségével a számítógép használatának helye lényegtelenné válik; csak az számít, mi került fel az internetre. De ezek a jövő tervei. Litvániában mindmáig nincs jogilag rendezve a lingvisztikai-statisztikai munkák elektronikus formában történő kiadása, a szerzői jogok kérdése sincs tisztázva, ezért az ilyen munkák nyomtatott kiadása továbbra is aktuális. Az elektronikus adatbázisok és a lingvisztikai-statisztikai kiadványok azonban lényegükben különböznek: az utóbbiak csupán a jéghegy csúcsát jelentik. A továbbiakban egy konkrét kérdést tárgyalunk: a mai írott litván nyelv elektronikus adatbázisainak és a gyakorisági szótáraknak a viszonyát. Ez utóbbiak adatbázis nélkül nem létezhetnek, az adatbázisok nyújtotta lehetőségek azonban korántsem korlátozódnak csupán szótárak kiadására. 3. A MAI ÍROTT LITVÁN NYELV ELEKTRONIKUS ADATBÁZISAI ÉS A GYAKORISÁGI SZÓTÁRAK A nyelvi adatbázisokat magától értetődően mindenekelőtt elektronikus formájuk, valamint az ehhez kapcsolódó számítógépes technológiák használatának sajátosságai különböztetik meg a nyelvi adatok egyéb gyűjteményeitől. Az elektronikus adatbázisok megjelenése teljesen új lehetőségeket nyitott a nyelv kutatására, ám maguk az adatbázisok nem köthetők kizárólag a modern elektronikus adathordozók megjelenéséhez. Az, hogy különböző eszközökkel lényegében hasonló eredmények érhetők el – mindenekelőtt a grammatikai alakok és lexémák gyakorisági jellemzői –, azt mutatja, hogy a modern elektronikus adatbázisok és jóval régebbi megfelelőik között jelentős közös vonások vannak. Franciaországban a Larousse kiadó már 1956-tól gépi (az elektronikus számítógépek korábbi generációját képviselő ESM) szótári cédulakatalógust használt a szótárak összeállításához (Rozencveig 1986: 82). A modern elektronikus nyelvi adatbázisok összeállításának kérdése egyrészt azért merült fel, mert az új technológiák megjelenésével lehetővé vált nagy mennyiségű információ feldolgozása; ennek nyomán növekedni kezdett az egy-egy szó illusztrálására szánt szöveg (vagyis a kontextus) terjedelme. Így új lehetőségek nyíltak a szó, majd később a nagyobb nyelvi egységek előfordulási mintázatainak, s ennélfogva a szintaxisnak és a szemantikának a vizsgálatára. Egyre nagyobb szövegrészletek iránt támadt érdeklődés, végül pedig eljutottak a teljes, lezárt szövegekig is, mígnem ennek gátat szabtak az alkotói művek felhasználási jogainak megszerzési költségei. Másrészt a számítógépek megjelenésének hatása talán Gutenberg találmányáéhoz mérhető; mindenekelőtt pedig a számítógépek példátlanul gyors elterjedése következtében, ahogy az emberek távolságon átívelő kapcsolatai geometriai haladvány szerint megsokszorozódtak – mind az azonos nyelvet beszélők, mind a más nyelven beszélők között –, sürgető társadalmi igény támadt a nyelvvel kapcsolatos sokrétű statisztikai információk iránt, hogy a kommunikáció minél több folyamatát automatizálni lehessen: a nyelvtanítást, a fordítást, a felismerést, az információtömörítést, a továbbítást stb. A litván nyelvtudomány sem maradt ki ebből az általános folyamatból, bár természetesen jelentős időbeli lemaradással követte azt. A világban a XX. század során, különösen annak második felében, mintha már egy újabb ugrásra készültek volna. Mindenekelőtt a nyelvek gyakorisági szótárairól volt szó. Az elsők már a XIX. században megjelentek. 24 | LAIMA GRUMADIENĖ … végén – a XX. század elején. A legelső a német nyelv gyakorisági szótára volt, amelyet F. Kaeding gyorsíró (1898) cédulakatalógus segítségével, nem kevesebb mint 11 000 000 szóelőfordulás alapján állított össze. Jóval később G. Vander Beke (1929) adott ki hasonló francia szótárt. H. Eaton (1934) négy nyelv – az angol, a francia, a német és a spanyol – első ezer leggyakoribb szavának összehasonlító szótárát állította össze. Az első angol gyakorisági szótárt E. Thorndike és L. Lorge (1944), a spanyolt V. Garcia Hoz (1953) készítette. Az első orosz gyakorisági szótárt Amerikában H. Josselson (1953) állította össze; N. P. Vacar (1966) szintén Amerikában adta ki a szovjet korszak orosz beszélt nyelvének gyakorisági szótárát, de az lényegében csak drámai művek nyelvén alapul. E. Šteinfeldt (Štejnfel’dt 1963) Tallinnban adta ki Puskin nyelvének gyakorisági szótárát. Az egymillió szavas, fele részben szépirodalmi, fele részben úgynevezett információs prózából (publicisztikából, hivatalos iratokból és szakirodalomból) álló korpusz alapján L. Lönngren (1993) Uppsalában állította össze az orosz nyelv gyakorisági szótárát. Nemcsak az orosz, hanem a román és az olasz nyelv első gyakorisági szótárai is Amerikában készültek – A. Juilland, P. M. Edwards és I. Juilland (1965), illetve A. Juilland és V. Traversa (1973) munkájaként (egyébként A. Juilland és E. Ch. Rodrigues (1964) ugyanott már egy újabb spanyol gyakorisági szótárt is készített, később pedig J. R. Alameda és F. Cuetos (1995) is összeállított egyet). A gyakorisági szótárak egész sorozata a Prágai Nyelvészeti Kör funkcionális nyelvi stílusokról alkotott koncepciójára, valamint Borisz Larin köznyelvfelfogására épült: az első – ahogy illik – a cseh nyelv szótára volt, kezdetben az egyes funkcionális stílusok külön szótárai, később pedig az általános szótár; ezeket Marie Těsitelová irányításával szerzői kollektíva írta (J. Jelínek, J. V. Bečka és mások; lásd Těsitelová 1983). A lettek korán nekiláttak: a csehekhez hasonlóan először az egyes funkcionális stílusok, később pedig egy kétkötetes általános szótár készült el – T. Jakubaite, D. Kristovska, D. Guļevska, V. Ozola, R. Prūse, A. Rubine, N. Sika (1966–1976). Ugyanezt a módszertant követte V. A. Agrajevas, V. V. Borodinas, V. M. Muratova és E. V. Tisenko, L. N. Zasorina vezetésével (1977), amikor a mai orosz nyelv gyakorisági szótárát állították össze négy funkcionális stílus egymillió szóelőfordulása alapján. Csak egyetlen funkcionális stílust, a szépirodalom nyelvét képviseli a gyakorisági belarusz szótár, amelyet N. S. Mažeika és A. J. Suprunas készített (Mažeika, Suprun 1976). A bolgár nyelv gyakorisági szótára is kizárólag a publicisztikai stílust képviseli (Todorova, Pančovska 2001). V. Žilinskienė első litván gyakorisági szótára (1990) szintén csak egy funkcionális stílusra, a publicisztikára terjedt ki; munkája során ugyanazt a cseh módszertant alkalmazta, és szorosan együttműködött a lettekkel. Idővel világszerte – bár a litván nyelv ezen a téren nem büszkélkedhet eredményekkel – sokféle gyakorisági szótár született: egyes szerzők nyelvhasználatáról, funkcionális stílusokról, regionális nyelvváltozatokról, írott és beszélt nyelvről stb. Az „általában vett n nyelv” gyakorisági szótárai elvesztették gyakorlati hasznukat, mert konkrét célok kielégítésére volt szükség, így a szavakat valamely szakterület szövegeiből kellett kiválasztani, nem pedig az összes szövegből. Másrészt a gyakorisági szótárak összeállításának problémája „más dimenzióba került”, amikor az amerikai behavioristák és pozitivisták használati példákat keresve elektronikus korpuszokat kezdtek létrehozni: az elektronikus technológiák gyors fejlődése lehetővé tette, hogy ne csak gyűjtsék, hanem fel is dolgozzák a hatalmas szövegállományokat. A korpusznyelvészet kezdetének 1961-et tekintik, amikor Nelson Francis és Henry Kučera bejelentette és megkezdte a híres, írott nyelvi Brown-korpusz (Brown university) létrehozását, John Sinclair pedig az azonos formátumú LOB (Lancaster-Oslo/Birmingham) korpusz… DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 25 …szövegkorpusz; Randolph Quirk már 1959-ben bejelentette a SEU (Survey of English Usage) írott és beszélt nyelvi korpuszt, amelynek munkáját Jan Svartvik folytatta, aki a Lundi Egyetemen hozzáfogott a beszélt nyelvi LLC (London-Lund Corpus of Spoken English) korpusz létrehozásához. Az említett korpuszok mindegyikének terjedelme akkoriban körülbelül 1–1,15 millió szóelőfordulás volt; ezt követően több hasonló korpusz is létrejött (lásd Aijmer, Altenberg 1991: 1kk.). A második generációs korpuszok terjedelmét már tízmilliókban, a harmadik generációsokét pedig több százmillióban és milliárdokban mérik. A számítógépes szoftverek és az egyes munkaprogramok kompatibilitásának problémája világszerte továbbra is aktuális: rendkívül nagy terjedelmű korpuszokat gyűjtöttek össze – több százmillió szóval (ez lényegében egy könyvtár elektronikus formája) –, de hogyan lehet ezeket kényelmesen használni, hogyan lehet megszámolni a legelemibb gyakoriságokat, és hogyan lehet eligazodni a szavak óceánjában? Végső soron a mennyiség mindig minőséget jelent? A különféle gyakorisági szótárak összeállítása során számtalanszor bebizonyosodott, hogy a vizsgált szavak fele mindössze egyszer fordul elő. Ezért minden alkalommal, amikor munkához látunk, alaposan meg kell fontolni, hogy a kitűzött célok valóban megkövetelik-e a hatalmas mennyiségű anyag feldolgozását, a legritkább szavak felkutatását. Amikor például bizonyos nyelvtani vagy szóalkotási szabályszerűségeket vizsgálunk, valóban irracionális lehet a vizsgált halmaz méretének rendkívüli növelése; a megfelelőséget statisztikai kritériumokkal is értékelni kell, hiszen ezek mutatják meg, mekkora a valószínűsége annak, hogy a minta elegendő a reprezentatív következtetések levonásához. Különösen fontos figyelmet fordítani arra, hogy milyen szövegekből állítják össze a vizsgált halmazt, vagyis hogyan modellezik a vizsgálat tárgyát. A litván nyelvtudományban e tekintetben most talán az veti fel a legtöbb kérdést, hogy mit tekintsünk irodalmi litván nyelvnek, illetve milyen arányban kellene képviseltetni benne a nyelv funkcionális stílusait vagy az egyéb szempontok alapján elkülönített nyelvi rétegeket. Íme, a Vytauto Didžiojo Egyetem említett korpusza az egyik mintavételi elv szerint készült, a A mai írott litván nyelv gyakorisági szótára pedig más elvek szerint, ezért az eredmények is eltérőek. Nagy körültekintéssel és objektíven kell értékelni a különböző korpuszokból nyert statisztikai adatokat, például az egyes szófajokra vonatkozókat. Megfigyelték, hogy az ilyen jellegű, már elkészült vagy készülő munkákban nem fordítanak kellő figyelmet arra, hogy milyen szövegeket vizsgáltak, mégis általánosításokat tesznek a „mai litván nyelvről”. A számokkal végzett munka precizitást igényel, máskülönben félrevezető következtetések születnek. A cikkben tárgyalt A mai írott litván nyelv gyakorisági szótára elektronikus korpusza (1,2 millió szóelőfordulás) az első generációs korpuszok közé sorolható (Brown, LOB típusúak) – terjedelme meghaladja az egymillió szót. Ezekkel a híres korpuszokkal még egy közös vonás fűzi össze: a világ későbbi korpuszai közül kevéshez hasonlóan a miénk is annotált. A számítógépes technológia különleges lehetőségeket teremtett az analitikus nyelvek számára: a speciális, de meglehetősen széles körben elterjedt programok (különösen az Oxfordi Egyetem jól ismert Oxford Concordance Program, valamint a KWIC, KAYE, CLAN, OCP, WordCruncher stb.) viszonylag könnyen lehetővé teszik a leggyakoribb szavak listájának elkészítését és konkordanciáik megadását (Leech 1991: 10; Utka 2000). A Vytauto Didžiojo Egyetem Mai Litván Nyelvi Korpuszának kutatói is rendszerint ilyen programokat használnak, ám ekkor csak szavakat, vagyis lexikát lehet elemezni, mivel hiányoznak a szóvégekre vonatkozó ismeretek, azok pedig, mint tudjuk, különösen fontosak a litván nyelvben. A szintetikus nyelvek esetében tehát nehezebb a helyzet: az ismertetett programokkal ugyanis szóalakok, nem pedig címszavak jegyzékei készülnek. Jelentős kiegészítő munkára van szükség ahhoz, hogy a szóalakokat közös címszó alá rendezzék, és csak címszavak maradjanak. Az ilyen szólistákat, ha nyelvtani elemzést is tartalmaznak, már annotáltnak nevezik; a világon kevés van belőlük, nagyra értékelik őket, mivel elkészítésük jelentős munkaráfordítást igényel, ezért igen drágák, tehát 26 | LAIMA GRUMADIENĖ nagyon drágák (V. Žilinskienėvel ketten kiszámítottuk, hogy a mi esetünkben pusztán a szövegek kiválasztása, számítógépes billentyűzettel történő begépelése, félautomatikus morfológiai elemzése (az úgynevezett LEMMÁZÁS), javítása és adatainak számítógépbe bevitele egyetlen embertől hat évnyi munkát igényelne). A számításokhoz és a későbbi javításokhoz ismét több évre van szükség, mert a matematikai műveletek során elkövetett bármilyen pontatlanság képtelenséghez vezethet. Általában a gyakorisági szótárak, különösen az elektronikus korpuszok megjelenése óta, sokféleképpen és sokféle célra állíthatók össze – attól függően, hogy mit keresünk. A legfőbb oka annak, hogy újabb és újabb gyakorisági szótárak készülnek – különösen azok, amelyek például a mai n nyelv szótárainak nevezik magukat –, az, hogy a nyelvstatisztika, akárcsak általában a statisztika alapvető feltétele: a mintának a vizsgált teljes sokaság, vagyis halmaz reprezentatív modelljének kell lennie. Röviden: újra és újra felmerül a kétely, hogy a vizsgált minta valóban tükrözi-e a feltételezett teljes sokaságot. Például a Vytauto Didžiojo Egyetem Mai Litván Nyelvi Korpuszából – amely nem kevesebb mint 60 millió szóelőfordulást tartalmaz – összeállított mai litván nyelvi gyakorisági szótár más lenne, mint L. Grumadienė és V. Žilinskienė már megjelent szótárai (1997, 1998), mivel az eredményei olyan szövegegyüttest tükröznének, amelynek alapját 70%-ban időszaki, 26%-ban nem időszaki, 4%-ban pedig fordításban megjelent kiadványok nyelve alkotja (Marcinkevičienė 2000a: 16). Az említett, megjelent szótárak szövegeit egészen más elvek alapján válogatták ki: eredeti, nem fordításból származó szövegek ezek a négy funkcionális nyelvi stílusból – publicisztikai, hivatali, szépirodalmi és tudományos. Azért jártak el így, mert a litván köznyelv, különösen az írott nyelv, mindmáig a Prágai Nyelvészeti Kör eszméinek szellemében formálódik, normálódik és kodifikálódik (egyébként érdemes megjegyezni, hogy a STÍLUS terminust ma a különféle nyelvészeti iskolák meglehetősen eltérően határozzák meg). Más gyakorisági szótárak összeállítóinak elveit követték, mindenekelőtt a cseh, orosz és lett szerkesztőkét, akik szintén a korábban kifejtett, funkcionális stílusok összességeként értelmezett köznyelvfelfogást vallották, és alkalmazták tapasztalataikat. Ezért – hozzájuk hasonlóan – a négy funkcionális stílusból kiválasztott, 300 000 szóelőfordulásnyi mintát használtak, mivel úgy vélték, hogy a Vytauto Didžiojo Egyetem korpuszának összeállítási elvei (amely egyébként később jött létre, mint a miénk), az amerikai köznyelv- (vagy az ott szokásos elnevezéssel: standard nyelv-) felfogáshoz közelebb állók, az írott litván nyelv számára még koraiak. A A mai írott litván nyelv gyakorisági szótára adatbázisából olykor hiányzik a hétköznapi szókincs, mert megfeledkeznek arról, hogy kizárólag a nyilvános írott nyelv alapján állították össze: nincsenek benne magánlevelek, naplók, falfeliratok és hasonlók. A szótárba azonban így is bekerültek beszélt nyelvi szavak, köztük nemcsak idegen szavak és tájnyelvi alakok, hanem a köznyelvben nem elfogadható pejoratív szókincs példái is, amiért a szótár szerzőit folyamatosan bírálják. Felmerül a kérdés, mit tekintsünk szépirodalomnak: ezek a szavak szépirodalmi szövegekben fordultak elő (Litvániában nyomtatott, 100 példánynál nagyobb példányszámban megjelent, szerkesztett eredeti szövegekben), a gyakorisági szótár összeállításának alapelve pedig az, hogy egyetlen tartalmas szót sem szabad kihagyni, kivéve, ha tulajdonnév, szám, rövidítés vagy sajtóhiba. Egyébként az adatok azt mutatják, hogy amikor mind a négy funkcionális stílusból 300 000 szóelőfordulásnyi mintát választottak, a publicisztikai stílusban 284 687 tartalmas szót találtak (15 313 úgynevezett „szemetet”), a szakmai stílusban 279 505-öt (a fent említett okok miatt a szótárból kimaradt 20 495), a tudományos stílusban 278 311-et (21 689), a szépirodalmi stílusban pedig 290 561-et (9 439). A szívem nem vitt rá, hogy kihagyjam a Lietuva tulajdonnevet, ezért kivételként egyedüli tulajdonnévként bekerült a szótárba (mint kiderült, gyakoriság szerint a 16. szó, az első főnév, gyakorisága 614 mintában 5151: ebben a hivatalos dokumentumoknak… DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 27 intézmények és hasonlók elnevezései, amelyekben ez a szó gyakran birtokos esetben szerepelt). Feltételesen tulajdonnévnek tekinthetők a vallási és egyéb ünnepek megnevezései is (amelyeket gyakran köznévként is használnak), például Joninės, Kūčios, Žolinė, illetve a világtájak nevei: Rytai, Vakarai, Pietūs, Šiaurė. A reprezentativitás elvét követve az említett stílusok mindegyikéből csak olyan szövegeket válogattak ki, amelyek a tiszta stílushoz tartoznak: elhagyták a határesetnek tekintett tankönyvi szövegeket, a tudományos publicisztikát, a szűk olvasóközönségnek szánt publicisztikát, a drámát, a költészetet és hasonlókat. A publicisztikai szövegeket Vida Žilinskienė válogatta; az 1994–1995-ben szerkesztett 19 országos napilap és hetilap, valamint széles körben olvasott folyóiratok szövegeiből állította össze őket. Ezek öt tematikus csoportot képviseltek: 1) politika, 2) ipar és mezőgazdaság, 3) oktatás és jog, 4) művészet, 5) szórakozás (sport, horoszkópok, időjárás-előrejelzések). A szakmai stílusú szövegeket Pranas Kniūkšta és Danutė Vainauskienė válogatta az 1990–1995 között megjelent kiadványokból és dokumentumokból, hét tematikus csoport szerint: 1) törvények és az azokat kísérő dokumentumok, kommentárok, 2) jogi dokumentumok, 3) gazdasági és üzleti kézikönyvek és dokumentumok, 4) politológiai kiadványok, pártdokumentumok, 5) szabványok és statisztikai kiadványok, 6) információforrások (bibliográfiák, katalógusok, szótárak), 7) egyes társadalmi területek (honvédelem, szociális biztonság, oktatás, kultúra stb.) dokumentumai. A tudományos stílusú szövegeket Irena Andriukaitienė válogatta az 1990–1995-ben Litvániában megjelent tudományos kiadványokból, illetve tudományos intézmények által jóváhagyott munkákból, nyolc tematikus csoport (tudományterület) szerint: 1) agrártudományok, 2) természettudományok, 3) bölcsészettudományok, 4) matematika, 5) orvostudomány, 6) társadalomtudományok, 7) műszaki tudományok, 8) teológia. A szépirodalmi stílusú szövegeket Laima Grumadienė válogatta az 1985–1990 között (néhány kisebb kivételtől eltekintve) Litvániában megjelent szépirodalmi prózai művekből; hat „tematikus” csoportjukat az írók szülőhelye szerint osztották fel: 1) žemaitiaiak, 2) kelet-aukštaitiaiak, 3) nyugat-aukštaitiaiak, 4) dél-aukštaitiaiak, 5) városiak, 6) kivándorlók (az utóbbiak tényleges szülőhelyét nem vették figyelembe). Úgy döntöttek, hogy éppen ezek a szövegek képviselhetik a mai írott litván nyelvet. Ezekből véletlenszerűen (az oldalakat és sorokat véletlenszám-táblázat alapján választották ki) egy-egy 1000 szóelőfordulásnyi szakaszt, az úgynevezett mintát választottak ki, majd számítógép-billentyűzettel rögzítették (ez nagyjából kétórás munka volt). Ezután a mintákat lemmatizálták, vagyis morfológiailag elemezték Vytautas Zinkevičius MAN (Morfologinio Analizavimo ir Normalizavimo) nevű programjával. A szerző ezt a munkához saját, korábban készített számítógépes helyesírás-ellenőrző programjából alakította át; 2000-ben a Vytautas Magnus Egyetem megbízásából kissé továbbfejlesztette, magasabb verzióra emelte, és lemmatizálónak nevezte el (Zinkevičius 2000). A munka nagyjából így nézett ki: kaptunk egy számítógépes kinyomtatást, amelyből „ki kellett dobálni” a fölösleges (az én aláhúzásom) sorokat. Például egy olyan szövegrészlet kinyomtatása, amelyet már nemcsak a gép, hanem egy ember is feldolgozott (…) manęs visa ši komedija (…), így nézett ki: 1. ÁBRA. PÉLDA A SZÖVEG LEMMATIZÁLÁSÁRA én gondolni engem névmás egyes szám K engem ige részes főnévi igenév cselekvő mód kijelentő mód nem ragozható hímnem egyes szám V 28 | LAIMA GRUMADIENĖ egész egész névmás nőnem egyes szám V egész névmás nőnem egyes szám I egész névmás nőnem egyes szám Š egész névmás határozatlan ez ez névmás határozatlan nőnem egyes szám V komédia komédia főnév nőnem egyes szám V komédia főnév nőnem egyes szám I komédia főnév, nőnem, egyes szám, alanyeset Az első sorban a helyreállított címszó marad, a másodikban pedig a (ki nem húzott) szóalak a grammatikai jellemzőkkel. Ezer szó ilyen feldolgozása körülbelül 4 órát vesz igénybe, de valószínűleg még nincs gyorsabb módszer a litván szavak morfológiai elemzésére. Ezután megkeresik a homonimákat és homofónokat, a mintákat Vytautas Zinkevičius MAN-K programjával korrigálják, majd számítógépre viszik őket – mindez további egy órát vesz igénybe. Összesen 1200, egyenként 1000 szóelőfordulást tartalmazó mintát dolgoztak fel ily módon. E hatalmas munka elvégzése után az adatokat Valentin Černiauskas és Snieguolė Meškauskienė (mindketten a Matematikai és Informatikai Intézet munkatársai) által készített számítógépes programokkal dolgozták fel tovább: különféle gyakoriságokat számoltak ki. Három szótárt készítettek elő kiadásra, közülük kettő már megjelent (Grumadienė, Žilinskienė 1997; 1998), a harmadik pedig remélhetőleg még idén napvilágot lát. Az első két szótár címszavak gyakorisági jegyzéke. Az első csökkenő gyakoriság szerint, a második ábécérendben sorolja fel őket. Ezekbe rendre 38 337 különböző szó került be. A harmadik, a szóalakok szótára, többszörösen terjedelmesebb (31 nyomdai ív), mintegy 150 000 szóalakot tartalmaz, és a különböző szavak, illetve ugyanazon szavak eltérő grammatikai alakokban való használatát tükrözi (ábécérendben és fordított sorrendben egyaránt meg kellene jelennie). Elektronikus használatra még több tucat, különféleképpen rendezett gyakorisági szótár készült: mind a négy stílusról, az egyes stílusok valamennyi tematikus csoportjáról stb. (címszavakról és szóalakokról egyaránt). Néhány statisztikai adat összevetéséből már most látható, hogy a litván írott nyelvben a különböző főnevek fordulnak elő a legnagyobb számban: az összes különböző szó 45,25%-a főnév, sok az ige és az igei alak – 32,65% –, a melléknevek aránya is jelentős – 15,31% –, a különböző határozószók aránya pedig 5,03%. A többi szófaj aránya egyenként a fél százalékot sem éri el (összesen mindössze 0,88%). Ez azonban még nem jelenti azt, hogy a szövegben is éppen ilyen az eloszlásuk. Ha az egyes szavak szövegbeli előfordulási gyakoriságát vizsgáljuk, kiderül, hogy az alapvető szófajok és a határozószók aránya jelentősen csökken a funkciószók és a névmások javára, mivel utóbbiak a szövegekben már több mint egynegyedet, 26,71%-ot tesznek ki. Nemcsak a gyakorisági mutatóra érdemes figyelni, hanem arra is, hogy a szó vagy szóalak hány különböző mintában fordul elő: ez alapján megállapítható, hogy egy szó gyakoriságát egyetlen, véletlenül bekerült szöveg okozta-e, amelyben a szó sokszor ismétlődik, vagy a gyakorisága nem véletlenszerű, mert a különböző mintákban való eloszlása egyenletes. DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 29 A lexikai változatosságot az iterációs együtthatóval (a szóelőfordulások és a címszavak arányával) mérik; ez az említett szótárban 20,06 (minél kisebb ez az érték, annál több különböző szót találtak). A négy funkcionális stílus mindegyikére kiszámított, de ki nem adott címszó- és szóalakszótárakból (az ezekben megfigyelt lingvisztikai-statisztikai sajátosságokról V. Žilinskienė már írt (1998, 2001, megjelenés alatt stb.)) kiderül, hogy például a szépirodalom szókészlete kétszer olyan változatos, mint a szakmai stílusú szövegeké (az iterációs együtthatók rendre 9,53 és 20,78). A legérdekesebb az, hogy mind a négy stílust együttvéve az iterációs együttható alig tér el a szakmai stílusétól, a szépirodalmi stílusétól viszont nagyon is (a publicisztikai stílusé 10,51, a tudományosé 12,63). Ezek az adatok nyomós érvet jelentenek például a köznyelvi szótár összeállítási elveinek meghatározásakor: milyen arányban kellene képviseltetni a funkcionális stílusokat; folytatni kell-e egyáltalán azt a gyakorlatot, amely a köznyelvet funkcionális stílusokhoz köti; ha igen, figyelembe kell venni a funkcionális stílusok statisztikai mutatóit stb. Érdekes adatokat kaptak a Vytautas Magnus Egyetem korpusza alapján összeállított leggyakoribb szavak jegyzékének összevetésével (ebben a szavakat olyan alakjukban rögzítették és számolták meg, ahogyan a szövegben előfordulnak, nem állították vissza a szótári alakjukat, ellentétben a Dabartinės rašomosios lietuvių kalbos dažniniame žodyne). Ha a 60 millió szavas litván korpusz 50 leggyakoribb változatlan szavát és ragozott szóalakját (Utka 2000: 278) összevetjük a Dažninio žodyno (Grumadienė, Žilinskienė 1997: 3) első 50 címszavával, egyértelműen látható, hogy lényegében megegyeznek. Az első gyakorisági jegyzékben csak valamivel kevesebb különböző szó van, mert ott ugyanannak a szónak a különféle alakjai is szerepelnek, például buvo, būti; jis, jo, jų, jos, jie, míg a második jegyzékben, vagyis a szótárban ezeknek rendre a būti és a jis felel meg. A Dažninis žodynas az ilyen típusú szótárak összeállítási elveinek megfelelően nem tartalmaz rövidítéseket, de a leggyakoribb szavak említett jegyzékében szereplő rövidítések közül a m, d, a – rendre a metai, diena, amžius – összevetése a Dažninio žodyno adataival azt mutatja, hogy az első két szó a szótárban is gyakori: gyakoriság szerint a 30., illetve az 57. helyen áll (azonos rangúnak az azonos gyakoriságú szavak számítanak), az amžius viszont csak a harmadik százba kerül. Egyébként a rövidítést és a teljes szót meglehetősen gyakran, némileg eltérő jelentésben is használják. Amint azt a flektáló nyelvek gyakorisági szótárainak összeállítási gyakorlata is megerősíti, a Dabartinės rašomosios lietuvių kalbos dažniniame žodyne a leggyakoribbak bizonyos kötőszók (ir, kad, o, kaip, ar, bet, bei, kai stb.), elöljárószók (į, iš, su, nuo, apie, po, už, dėl, per, prie stb.), névmások (jis, tas, aš, kuris, šis, visas, kitas, savas, toks, kas, tu stb.), partikula (ir, ne, tik stb.); a leggyakoribb igék a būti, galėti, turėti, nebūti, reikėti, žinoti, nustatyti stb., a főnevek pedig a Lietuva, darbas, žmogus, metai stb. A számnevek közül a leggyakoribb a vienas, pirmas, du, a leggyakoribb százba bekerülő melléknevek pedig a dideli, naujas, aukštas, įvairus, svarbus, pagrindinis. Egyébként az analitikus nyelvek adatai is azt mutatják, hogy például az angol szövegekben az I névmás, az and kötőszó és a the névelő a szövegek 10%-át teszi ki (Hillerich www: eduplace.com). A nemzetközi szavak kérdése is fontos: mennyi kerüljön belőlük, és melyeket kellene felvenni a köznyelvi szótárba? Hasznos lehet annak ismerete, hogy például a Dabartinės rašomosios lietuvių kalbos dažninio žodyno (1998, XXXIV–XXXVI) címszólistájában a szavak 27,52%-a nemzetközi szó, és a szövegekben ezek a terjedelem 13,34%-át foglalják el; maguk a szólisták is hasznosak lehetnek. 30 | LAIMA GRUMADIENĖ Az új litván nyelvtan megírására készülve fontos ismerni a szóalakok statisztikáját is: mely típusú szavak hogyan ragozódnak, miért, és mely szavak grammatikai alakjainak nagy a változatossága, másokénak pedig miért nem. Ilyen adatok bőségesen találhatók az előkészületben lévő szóalak-szótárban. V. Žilinskienė (2001) már érdekes adatokat közölt a publicisztikai stílusról. Kiderült, hogy a főnevek három esete az összes főnévi előfordulás 82,29%-át teszi ki (birtokos – 38,91%, alanyeset – 26,62%, tárgyeset – 16,76%; az pedig, hogy például a részes eset csak az esetek 3,88%-ában fordul elő, talán már az analitikusabbá válás tendenciáira utal?). A melléknevek egyébként leggyakrabban alanyesetben szerepelnek – az esetek 36,93%-ában. Megállapították, hogy a főnevek egyes száma dominál – az összes előfordulás 68,86%-a. A publicisztikai szövegekben viszonylag kevés határozói igenév (2,34%) és féligenév (1,84%) fordult elő, az igenevek aránya viszont elérte a 24,46%-ot; a főnévi igenév az esetek 15,85%-ában szerepelt. Érdekes és szokatlan eredményeket kaptak – különösen a tankönyveket, tanterveket és szótárakat készítő pedagógusok és szakemberek számára – V. Žilinskienė és L. Grumadienė (1998; 1999a; 1999b) által összeállított és kiadott három Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimaliuosius žodynus, valamint további hat, elkészült, de még kiadatlan, hasonló litván–angol és litván–lengyel szótár vizsgálatakor. Itt ismét fel kell hívni a figyelmet arra, hogy a mintákat az írott litván nyelv szövegeiből gyűjtötték, így a beszélt nyelv szavai hiányozhatnak belőlük. Ezek a kisszótárak az írott nyelv elsajátítását szolgálják, mivel az államnyelv-ismereti képesítési követelmények az államnyelv nyilvános használatához, mindenekelőtt hivatalos helyzetekhez, különösen állami intézményekben való használatához kapcsolódnak. Ezért itt nem a hétköznapi, hanem a semleges és szakmai szókincsre van inkább szükség: elvárás, hogy a használó képes legyen hivatalos iratokat elolvasni és megírni, valamint megérteni a média szövegeit. A jövőben a beszélt nyelv minimális szótárait is össze kell állítani. Litvániában megjelent Vytautas Šernas (1994) tankönyve, a Kaip racionaliau mokytis kalbų, amely egy minimális, kétnyelvű angol–litván szótárt is tartalmaz: a híres, Ch. K. Ogden által 1942-ben kiadott Basic English fordítását, amely 850 szóból áll (egyébként az Encyclopaedia Britannica 3. kötetében is megtalálható). Az idő múlásával egyes szavak elavulnak, mások megjelennek, ezért ez a 850 szóból álló lista ennek megfelelően változhat. A litván államnyelv-ismeret három képesítési kategóriájára vonatkozó követelmények meghatározásakor figyelembe vették a Dartinės rašomosios lietuvių kalbos dažninio žodyno szerzőinek véleményét is a minimális szótárak terjedelméről: úgy döntöttek, hogy az I. kategória követelményeihez körülbelül 800, a II. kategóriáéhoz körülbelül 1200, a III. kategóriáéhoz pedig körülbelül 2500 szó ismerete szükséges. A döntésnél figyelembe vették az Ogden 850 szóra vonatkozó, széles körben elfogadott posztulátumát, az anyanyelvi és más nyelvek gyakoriságvizsgálatainak eredményeit, valamint más országok hasonló gyakorlatát. Hogy ezek a számítások nem légből kapottak, azt a függelékben szereplő három táblázat is mutatja: világosan látható, hogy az írott litván nyelv 800, 1200, illetve 2500 leggyakoribb szava a szövegek mekkora részét teszi ki: 56,66%, 65,70% és 78,04%. Mára megszokottá vált, hogy minden nagy szótár feltünteti a nyelv leggyakoribb szavait. Például az angol COBUILD szótárban (www.antimoon.com) a 680 leggyakoribb szót 1–4 rombusz jelöli. A Longman angol szótárában a 3000 leggyakoribb szó jelölése: S1, S2 (S – spoken English), W1, W2 (W – written English). A Macmillan angol szótárában a leggyakoribb szavakat piros színnel nyomtatják, a többi szó gyakoriságát pedig 1–3 csillaggal jelölik. Úgy tűnik, közeleg az idő, amikor a litván lexikográfiának is foglalkoznia kell ezzel. DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 31 4. KÖVETKEZTETÉSEK A mai litván nyelv elektronikus adatbázisai közül kevés van; a legnagyobbak V. Žilinskienė és L. Grumadienė Dabartinės rašomosios lietuvių kalbos dažninio žodyno című adatbázisa (morfológiailag annotált és statisztikailag feldolgozott, 1 200 000 szóelőfordulás), valamint a Vytautas Magnus Egyetem Lietuvių kalbos tekstynas nevű korpusza (annotálatlan, körülbelül 60 000 000 szóelőfordulás). A litván nyelvtudományban még nincs megfelelő gyakorlat az elektronikus, mai nyelvi adatbázisok és a lingvisztikai-statisztikai kiadványok használatára. Mindenekelőtt a litván felsőoktatási intézményekben nem ösztönöznek eléggé az ilyen munkamódszerre, de az éremnek van egy másik oldala is: túl kevés a nyilvánosan hozzáférhető elektronikus litván nyelvi adatbázis. A lemaradás egyik oka az is, hogy az elektronikus adatbázisokat nem ismerik el szerzői alkotásként. Az elektronikus adatbázisokkal kapcsolatos egyik legsürgetőbb probléma Litvániában az összeállításuk koncepciójának gyengesége: gyakran úgy tervezik az elektronikus adatbázisok használatát, mintha azok csupán elektronikus formában megjelenített szövegek lennének, és nem számolnak azzal, hogy számítógépes technológiákkal dolgozzák fel az adatokat. 32 | LAIMA GRUMADIENĖ 1. TÁBLÁZAT: AZ ÁLLAMI LITVÁN NYELV TUDÁSÁNAK KÉPESÍTÉSI KATEGÓRIÁIHOZ TARTOZÓ NYELVI RÉSZEK ÉS A SZAVAK ÖSSZESÍTETT GYAKORISÁGA Rangsor Gyakoriság főnév ige melléknév határozószó egyéb 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 A MINIMÁLIS SZÓTÁR KATEGÓRIÁINAK LINGVISZTIKAI-STATISZTIKAI ELEMZÉSE: határozói igenév melléknévi igenév vonzatkiegészítő toldalék egyéb Összesen – 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 Rang Gyakoriság főnév ige melléknév határozószó névmás 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% Az állami litván nyelvi I. képesítési kategória minimális szókincse (körülbelül 800 2. TÁBLÁZAT: AZ ÁLLAMI LITVÁN NYELVTUDÁS II. KÉPESÍTÉSI KATEGÓRIÁJÁNAK SZÓFAJAI ÉS AZ ÁLTALÁNOS SZÓGYAKORISÁG Rang Gyakoriság főnév ige melléknév határozószó névmás 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% Az állami litván nyelvi II. képesítési kategória minimális szókincse (körülbelül 1200 3. TÁBLÁZAT: AZ ÁLLAMI LITVÁN NYELVTUDÁS III. KÉPESÍTÉSI KATEGÓRIÁJÁNAK SZÓFAJAI ÉS AZ ÁLTALÁNOS SZÓGYAKORISÁG Rang Gyakoriság főnév ige melléknév határozószó névmás 601–650 105-56 45751 20328 12145 5822 433 52,31% 23,25% 13,88% 6,66% 0,50% Az állami litván nyelvi III. képesítési kategória minimális szókincse (körülbelül 2500 DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 35 rövid röv. egyes szám részes eset; egyes szám összesen 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% szó) a szöveg 56,66%-át fedi le (válogatás 1,2 millió szóelőfordulásból). 56,66% A MINIMÁLIS SZÓKÉSZLET KATEGÓRIÁINAK LINGVOSTATISZTIKAI ELEMZÉSE: rövid röv. egyes szám részes eset; egyes szám összesen 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% szó) a szöveg 65,70%-át fedi le (válogatás 1,2 millió szóelőfordulásból). 9,04% Összesen: (=65,70%) A MINIMÁLIS SZÓKÉSZLET KATEGÓRIÁINAK LINGVOSTATISZTIKAI ELEMZÉSE: rövid röv. egyes szám részes eset; egyes szám összesen 460 341 372 1697 102 87446 0,52% 0,40% 0,42% 1,94% 0,12% 7,29% szó) a szöveg 78,04%-át fedi le (válogatás 1,2 millió szóelőfordulásból). 7,29% Összesen: (=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