„Dabartinės rašomosios lietuvių kalbos dažninis žodynas“ ir jo bazė

ACTA LINGUISTICA LITHUANICA XLVI (2002), 19 – 37 Frekvensordbok över modern skriven litauiska och dess databas LAIMA GRUMADIENĖ Institutet för litauiska språket Det finns få elektroniska databaser för litauiska. De största är Frekvensordbok över modern skriven litauiska, sammanställd av V. Žilinskienė och L. Grumadienė, och det litauiska språkets korpus vid Kaunas universitet. Den förstnämnda presenteras här i detalj: principerna för dess sammanställning och möjliga användningsområden diskuteras, och den hittills publicerade statistisk-lingvistiska forskning som bygger på den beskrivs kortfattat. De främsta problemen i samband med databaser för modern litauiska är: (1) deras otillräckliga differentiering (de återspeglar endast det skrivna, inte det talade språket), (2) att de inte används optimalt, eftersom den litauiska forskarvärlden saknar den förberedelse som krävs för att arbeta med sådana verktyg, och (3) att de forskare som sammanställer dem får alltför lite offentligt erkännande för sina insatser, som inte värderas som självständiga vetenskapliga prestationer. 1. ELEKTRONISKA DATABASERS ÅLDRANDE OCH ”ONÖDIGHET” Just nu befinner sig den litauiska språkvetenskapen som i ett tigerns språng, frusen i luften: de framstående arbeten som tillkommit främst under strukturalismens inflytande är redan skrivna, men förväntan på nya, minst lika betydande arbeten hänger i luften. För detta krävs inte bara ett annat synsätt på språkfenomen, utan också nya, oprövade metoder och arbetsredskap. I denna informationsteknologiska tid är språkforskarnas nya arbetsredskap ofta förknippade med elektroniska databaser, och dessa med lingvostatistiska publikationer. Det kunde verka självklart att de skiljer sig från varandra, eftersom elektroniska databaser är dynamiska och kan användas självständigt, medan publikationer är statiska och endast utgör en samling data som författarna valt att presentera. Tidigare, och ibland även i dag, har dock sådana databaser och publikationer i Litauen likställts. Det framgår av historien om de baklängesordböcker, även kallade omvända ordböcker. Den första litauiska baklängesordboken, sammanställd av amerikanen David F. Robinson (1976) på grundval av 1954 års upplaga av DLKŽ, omfattade omkring 45 000 ord. Den kanske inte ens hade någon egen elektronisk databas; åtminstone nämner författaren inte någon. Dessutom skulle en sådan elektronisk databas på den tiden knappast ha varit tillgänglig i Litauen, eftersom få ens hade bläddrat i själva ordboken, som hade getts ut i liten upplaga i Amerika. Juozas Korsakas från Šiauliai (1991) sammanställde enligt urvalsprincipen en inversionsordbok över det litauiska språket 20 | LAIMA GRUMADIENĖ ordbok, som omfattade nästan 22 000 ord, byggde också på DLKŽ, men på 1972 års upplaga. Arbetet utfördes med hjälp av en egen sammanställd elektronisk databas, men den senare är inte offentligt tillgänglig (troligen av tekniska skäl), utan finns alltså endast i tryckt bokform. Vidos Žilinskienės Omvänd ordbok över det nutida litauiska språket (1995) är inte bara en avskrift av DLKŽ, eftersom orden presenteras i omvänd ordning och indelade efter ordklass, och en statistisk analys har lagts till. I dag är den i huvudsak också tillgänglig endast i tryckt form, även om det finns en elektronisk version. Den har utnyttjats ganska lite (av arbetsgruppen under E. Jakaitienės ledning vid utarbetandet av en litauisk-norsk ordbok och i Daiva Murmulytės artiklar (1998, 1999 m.fl.)). För övrigt utarbetades den sistnämnda ordboken och analysen med hjälp av en datoriserad version av DLKŽ (1993 års upplaga) och dess statistiska analys, inte, som Rūta Marcinkevičienė (2000a: 16) uppger i sin översikt, med databasen till Frekvensordboken över det nutida skrivna litauiska språket (Grumadienė, Žilinskienė 1997; 1998). Genom gemensamma insatser av forskare vid Institutet för matematik och informatik och Litauiska språkets institut framställdes en elektronisk version av DLKŽ (1993 års upplaga), som trycktes i en liten upplaga (1995), eftersom man helt enkelt inte hade rätt att distribuera publikationer i elektronisk form. Nu har Litauiska språkets institut åter tagit sig an datoriseringen av DLKŽ, denna gång av 2000 års upplaga (projektledare Stasys Keinys), och har fått ekonomiskt stöd från Litauens vetenskapsfond. Som bekant skiljer sig DLKŽ:s upplagor från 1993 och 2000 inte mycket åt, så det finns anledning att uppmärksamma att man beslutat att inte använda den tidigare elektroniska versionen enbart därför att den hade framställts i den redan moraliskt föråldrade DOS-miljön och i FOX-PRO-databasen: man har åter tagit till datorberäkningar för att läsa in den redan befintliga elektroniska texten, som endast behöver små korrigeringar, och därigenom ökat arbetsinsatsen och kostnaderna. Kanske kommer även den statistiska analysen att göras om från början? Men precis som datorversionen av 1993 års upplaga av DLKŽ åldras moraliskt, gör även många andra elektroniska databaser det; därför är det uppenbart att deras underhåll måste tas på allvar. Kan detsamma som hände med den elektroniska versionen av DLKŽ (1993) också drabba den terminologibank som de nämnda instituten sammanställer gemensamt? Lingvostatistiska publikationer värderas alltså fortfarande betydligt högre än de kostsamma elektroniska databaser som erbjuder många nya arbetsmöjligheter. Forskare inom litauiska studier bör komma överens om sådana elektroniska databaser där specialtecken används, till exempel för äldre texter och transkriberade dialekttexter, eftersom man redan nu måste skriva in artiklar med exempel av detta slag på nytt om man av ett eller annat skäl beslutar att skicka dem till någon av redaktionerna för Vilnius universitets publikationer i stället för exempelvis till Institutet för litauiska språkets publikationer. De dialektordböcker och dialekttexter som ges ut i dag är, trots att de finns i elektronisk form, endast ett tecken på tryckeriernas modernisering, eftersom det är omöjligt att använda deras texter som elektroniska databaser. Utan en överenskommelse mellan forskare inom litauiska studier om ett gemensamt kodningssystem (t.ex. UNICODE eller något annat) försvåras den offentliga användningen av elektroniska databanker avsevärt, för att inte tala om att möjligheterna att använda elektronisk teknik och programvara för att analysera dem blir mycket begränsade och ibland obefintliga. Har vi verkligen så många att vi inte längre kan överblicka dem? Problemet är att varken språkforskarna eller de informatikspecialister som bistår dem hittills har förstått att databaser måste vara dynamiska: arbetet med dem måste möjliggöra användning av en mängd nya program och tekniker som ständigt tillkommer, och de måste kunna konverteras till en högre datorversion. Hittills har de flesta elektroniska databaser som skapats i Litauen utformats som om de vore samma slags papperslappar med DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 21 språkdata, utan bara samlade med datorns tangentbord. Snart kan dessa data bli jämförbara med kilskrift inhuggen i sten: på nästa generations datorskärmar kommer endast ”flaggor” och ”fyrkanter” att synas, och framtidens lingvister får försöka dechiffrera dem, nästan som om de läste runor. Diskussionerna i denna fråga har hittills varit fruktlösa, men det finns uppenbarligen ingen anledning att förlora hoppet; det är åter värt att bjuda in till diskussion och överläggningar. För övrigt bör man uppmärksamma termerna: elektronisk FORM, BANK, TEXTKORPUS (KORPUS), ARKIV. Den allra mest fashionabla av dem är TEXTKORPUS (KORPUS). Begreppet definieras på olika sätt, men gemensamt för alla definitioner är att ett TEXTKORPUS betraktas som en samling texter i elektronisk form. Därför har nästan allt som tidigare kallades databaser ofta kommit att kallas textkorpusar (storleken på enskilda texter är ju inte reglerad). Termen BANK förknippas oftast med terminologi: termbanker kallas i regel inte textkorpusar. Numera förknippas termen ARKIV allt oftare med en tidsdimension: en elektronisk samling av äldre data kan kallas ett arkiv eller en bas. Alltså är den mest neutrala termen fortfarande ELEKTRONISK DATABAS, och därför används den oftast här (jfr Kennedy 1998: 3 ff.). 2. ELEKTRONISKA DATABASER FÖR NUTIDA LITAUISKA OCH LINGVOSTATISTISKA PUBLIKATIONER Det råder ingen överflöd av databaser i elektronisk form för nutida litauiska. Följaktligen är även lingvostatistiska publikationer få; lingvostatistiska metoder används något oftare. Här utmärker sig endast fonetiken och den fonologi som bygger på dess resultat. Kanske beror detta på fonetikens egenart, det vill säga på att statistiskt grundade slutsatser ligger nära till hands när samma enheter – språkljud – upprepas ofta, eller kanske på subjektiva faktorer, det vill säga på att det uppstod forskare med ett nytänkande: framför allt Aleksas Girdenis och hans elever, liksom Antanas Pakerys. Hur det än må vara, ledde båda dessa faktorer till ett språng inom litauisk fonetik och fonologi och till och med till ett slags avstånd mellan dessa och andra grenar av språkvetenskapen. Fonetiken är visserligen själv ett mellanområde mellan de exakta vetenskaperna och lingvistiken. Det språkvetenskapliga område som kommer därefter när det gäller frekvensen av återkommande enheter är morfologin. Det vore alltså logiskt att anta att det framför allt inom detta område redan borde finnas ett behov av att arbeta med både lingvostatistiska data och elektroniska databaser. Så har ännu inte skett, även om sådana arbeten och arbetsredskap redan finns. Det första lingvostatistiska arbetet om lexikon och morfologi i Litauen utarbetades med hjälp av en elektronisk räknemaskin av Vida Žilinskienė (1990). Hennes Lietuvių kalbos dažninis žodynas bygger på material från en av de funktionella stilarna – publicistiken – och presenterar en analys av 300 000 ordtokens (det vill säga både förekomster av samma lexem och av olika lexem; de senare var 18 776, eftersom man enligt allmänt vedertagna regler för sammanställning av frekvensordböcker avstod från att undersöka ytterligare 11 956 egennamn). Alla löpande texter, uppdelade i avsnitt (urval) om 1 000 ordtokens, analyserades morfologiskt, försågs med accenttecken, stansades därefter på hålkort och matades in i den numera moraliskt föråldrade och inte längre använda elektroniska räknemaskinen ”Minsk-22”. Det finns en elektronisk databank, men det skulle redan vara mycket svårt att använda den. Tyvärr har den lingvostatistiska analysen av texter från en av nutida litauiskas varieteter – publicistiken – ur lexikologisk, morfologisk och accentologisk synvinkel hittills inte utnyttjats på ett adekvat sätt, vare sig för vetenskapliga eller praktiska syften, särskilt inte för att skriva läroböcker och pedagogiska ordböcker. Ett av de arbeten som utarbetats med elektroniska hjälpmedel (deltagande i det internationella CHILD-programmet) och som undersöker synkron morfologi är exempelvis Ineta Savickienės doktorsavhandling (1999), som behandlar barns språkmorfologi. 22 | LAIMA GRUMADIENĖ Ett exempel på arbeten inom synkron morfologi som utarbetats med elektroniska hjälpmedel (deltagande i det internationella CHILD-programmet) och undersökts kunde vara Ineta Savickienės doktorsavhandling (1999), som handlar om barns språkmorfologi. För övrigt bör det nämnas att arbeten som bygger på lingvostatistiska data inom andra nivåer, stilistik och delvis syntax, där enheternas frekvens är betydligt lägre, framför allt Audronė Bitinienės arbeten (1983, 1997, 1998 m.fl.), började komma redan för ett tiotal år sedan. Det finns också några försök att undersöka det nutida lexikonet med lingvostatistiska data som grund. På senare tid har sådana arbeten oftast utförts med hjälp av databasen för Vytautas Magnus-universitetets korpus för nutida litauiska (cirka 60 000 000 ordtokens), till exempel Rūta Marcinkevičienės kollokationsstudier (2000a; 2000b), Jurgita Mikelionienės doktorsavhandling om neologismer (2000) m.m. Allt fler lexikala arbeten utarbetas med utgångspunkt i små elektroniska databaser, ibland mycket specialiserade, till exempel Astos Ryklienės doktorsavhandling (2000) om det lexikon som används av internetanvändare och hennes arbete, men sådana arbeten är få i allmänhet, och studenterna har i liten utsträckning engagerat sig i denna process (möjligen med undantag för Vytautas Magnus-universitetet). En grupp under ledning av Antanas Pakerys vid Vilnius pedagogiska universitet håller på att färdigställa en elektronisk databas avsedd för lexikal forskning; då kanske även här fler studentarbeten av detta slag kommer att tillkomma. Denna artikel begränsar sig till att beskriva de arbetsredskap som behövs för forskning om nutida skriven litauiska och behandlar därför inte den serie undersökningar av äldre skrifter som redan har inletts och bygger på Litauiska språkets instituts egen elektroniska databas. Tillkomsten av egna elektroniska databaser kommer utan tvekan att ge litauisk dialektologi en ny impuls: vid Litauiska språkets institut förbereder man sig redan på att inrätta ett dialektcentrum, där dialektinspelningar och transkriberade texter som skrivits ut från dem ska sammanställas i elektronisk form. Vid samma institut har arbetet med att skapa elektroniska databaser för onomastik och toponymi inletts. Den elektroniska databasen för den stora Lietuvių kalbos žodyno bör bli en verklig vändpunkt i litauisk lexikografi, och stora förhoppningar knyts också till den elektroniska databasen för Bendrinės lietuvių kalbos žodyno. Lärare vid Vilnius universitet, under ledning av Evalda Jakaitienė, deltar i ett av Europeiska unionens projekt och sammanställer en elektronisk så kallad universell lista över litauiska ord, som bör bana väg för en ny serie tvåspråkiga ordböcker. I viss mån tycks detta konkurrera med förlaget bakom Bendrinės lietuvių kalbos žodyno. Främst med hjälp av Statliga kommissionen för litauiska språkets krafter, och på Europeiska unionens initiativ, har man börjat sammanställa elektroniska så kallade Terminų ar Svetimžodžių portfeliai, det vill säga särskilda listor över de senaste och mycket ofta använda termerna och ordkombinationerna inom olika fackområden. Europeiska unionen sprider dem till alla medlemsländer och kandidatländer så att språken kan anpassa sig och förbereda sig för den kommande vågen av översättningar, liksom för maskinöversättning. En grupp forskare vid Vilnius universitet (ledare Meilutė Ramonienė) har lagt grunden till elektroniska databaser för nutida talat språk, liksom den polska databasen som sammanställs med utgångspunkt i inspelningar av radio- och tv-språk. Vid samma universitet förbereder man sig på att samla en elektronisk databas över slaviska lånord (ledare Vytautas Kardelis), som ska innehålla både ljudinspelningar och exempel som valts ut och transkriberats från dem. Erfarenheten visar att resultat kan förväntas först när man har lärt sig att arbeta med data av detta slag och skaffat sig färdigheter i att använda de nya möjligheterna. För detta behövs laboratorier där man kan lära sig detta, helst redan från unga år. Elektroniska databasers själva natur förutsätter offentlig tillgänglighet; när de har ordnats bör de vara tillgängliga för alla som behöver dem. De största samlingarna av litauiska språkdata finns vid Litauiska språkets insti- DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 23 … och när det moderniseras borde det därför bli det största centrumet för att skapa elektroniska databaser med litauiska språkdata, en källa för allmän användning, ett centrum som drar till sig och sprider arbeten och idéer av detta slag – kanske kommer den litauiska litteraturvetenskapliga central som inrättas vid Litauiska språkets institut att fylla denna roll? De elektroniska databaser som blir tillgängliga på internet kommer att bli ännu öppnare. För övrigt blir platsen där man använder en dator oviktig när det finns möjlighet att ansluta till internet; det enda viktiga är vad som finns på internet. Men detta är framtidsplaner. Hittills har publicering av lingvostatistiska arbeten i elektronisk form inte reglerats i lag i Litauen, och frågan om upphovsrätt har inte lösts. Därför är sådana arbeten fortfarande aktuella även i tryckt form. Elektroniska databaser och lingvostatistiska publikationer skiljer sig dock i grunden åt; de senare är bara toppen av ett isberg. Här behandlas närmare en konkret fråga: förhållandet mellan elektroniska databaser över nutida skriven litauiska och frekvensordböcker. De senare kan inte finnas utan en databas, men databasernas möjligheter begränsar sig ingalunda till att ge ut ordböcker. 3. ELEKTRONISKA DATABASER ÖVER NUTIDA SKRIVEN LITAUISKA OCH FREKVENSORDBÖCKER Det är självklart framför allt den elektroniska formen och den därmed sammanhängande särarten i användningen av datorteknik som skiljer elektroniska språkdatabaser från andra slags samlingar av språkdata. Tillkomsten av elektroniska databaser har gett helt nya möjligheter att undersöka språk, men databaserna i sig bör inte förknippas enbart med moderna elektroniska lagringsmedier. Att i grunden jämförbara resultat – framför allt frekvensbaserade karakteristiker av grammatiska former och lexem – kan erhållas med olika metoder visar att det finns betydande likheter mellan moderna elektroniska databaser och deras mycket äldre motsvarigheter. I Frankrike började förlaget Larousse redan 1956 använda en maskinell ordbokskartotek (baserad på elektroniska räknemaskiner av äldre generation, ESM) vid sammanställningen av ordböcker (Rozencveig 1986: 82). Frågan om hur moderna elektroniska språkdatabaser bör sammanställas uppstod å ena sidan därför att det med den nya tekniken blev möjligt att hantera stora informationsmängder. Då började textmängden som användes för att illustrera ett ord (det vill säga dess kontext) att växa. Därmed uppstod nya möjligheter att undersöka ordets och senare även större språkliga enheters egenskaper och alltså också syntax och semantik. Man började uppskatta allt längre textavsnitt och gick till slut till och med över till hela, avslutade texter, tills kostnaderna för att förvärva upphovsrätten till upphovspersonernas verk satte stopp för detta. Å andra sidan var datorernas tillkomst sannolikt jämförbar i betydelse med Gutenbergs uppfinning, och framför allt spreds de med en aldrig tidigare skådad hastighet. När människors mångsidiga kontakter på avstånd därför ökade geometriskt, både med dem som talade samma språk och med dem som talade andra språk, uppstod en brådskande samhällelig efterfrågan på olika slags statistisk information om språk, för att så många kommunikationsprocesser som möjligt skulle kunna automatiseras: språkundervisning, översättning, igenkänning, informationskomprimering, överföring med mera. Litauisk språkforskning stod inte utanför denna allmänna utveckling, även om den naturligtvis låg betydligt efter i tiden. Under hela 1900-talet, särskilt dess andra hälft, tycktes världen förbereda sig för ett nytt språng. Framför allt handlade det om frekvensordböcker över språk. De första utkom redan under 1800-talets sista år. 24 | LAIMA GRUMADIENĖ … och i början av 1900-talet. Den allra första var en ordbok över tyska, som stenografen F. Kaeding (1898) sammanställde med hjälp av ett kortregister, baserat på hela 11 000 000 ord förekomster. Betydligt senare gav G. Vander Beke (1929) ut en fransk ordbok av samma slag. H. Eaton (1934) sammanställde en jämförande ordbok över de tusen vanligaste orden i fyra språk: engelska, franska, tyska och spanska. Den första frekvensordboken över engelska sammanställdes av E. Thorndike och L. Lorge (1944), och den över spanska av V. Garcia Hoz (1953). Den första frekvensordboken över ryska sammanställdes i Amerika av H. Josselson (1953), medan N. P. Vakar (1966), också i Amerika, gav ut en frekvensordbok över den sovjetiska periodens ryska talspråk, men den bygger i huvudsak endast på dramatik. E. Šteinfeldt (Štejnfel’dt 1963) gav i Tallinn ut en frekvensordbok över Pusjkins språk. L. Lönngren (1993) sammanställde i Uppsala en frekvensordbok över ryska, baserad på en korpus med 1 000 000 ord, till hälften skönlitteratur och till hälften så kallad informationsprosa (publicistik, kanslispråk och vetenskaplig litteratur). De första frekvensordböckerna över inte bara ryska utan också rumänska och italienska sammanställdes likaså i Amerika: A. Juilland, P. M. Edwards och I. Juilland (1965), A. Juilland och V. Traversa (1973) (för övrigt hade A. Juilland och E. Ch. Rodrigues (1964) redan där sammanställt ytterligare en frekvensordbok över spanska; senare sammanställde även J. R. Alameda och F. Cuetos (1995) en sådan). En hel serie frekvensordböcker byggde på Praglingvistiska cirkelns teori om funktionella språkstilar och Boris Larins syn på standardspråket. Den första var, som sig bör, en ordbok över tjeckiska: först över enskilda funktionella stilar och senare en allmän ordbok, författad av en grupp ledd av Marie Těsitelová (J. Jelínek, J. V. Bečka m.fl., se Těsitelová 1983). Letterna var tidigt ute och sammanställde, liksom tjeckerna, först ordböcker över enskilda funktionella stilar och därefter en allmän ordbok i två delar – T. Jakubaite, D. Kristovska, D. Guļevska, V. Ozola, R. Prūse, A. Rubine, N. Sika (1966–1976). V. A. Agrajevas, V. V. Borodins, V. M. Muratovas och E. V. Tisenkos frekvensordbok över nutida ryska, sammanställd under L. N. Zasorinas ledning (1977), byggde på samma metod och grundades på 1 000 000 ord förekomster från fyra funktionella stilar. En frekvensordbok över belarusiska som endast omfattar en funktionell stil – skönlitteratur – sammanställdes av N. S. Mažeika och A. J. Suprunas (Mažeika, Suprun 1976). Även den bulgariska frekvensordboken omfattar endast den publicistiska stilen (Todorova, Pančovska 2001). Den första frekvensordboken över litauiska, sammanställd av V. Žilinskienė (1990), omfattade också endast en funktionell stil – publicistik. Arbetet följde samma tjeckiska metod, och man samarbetade i stor utsträckning med letter. Med tiden uppstod det, även om litauiskan inte kan skryta med detta, många slags frekvensordböcker i världen: över enskilda författares språk, funktionella stilar, regionala språkvarianter, skrivet och talat språk och så vidare. Frekvensordböcker över ”språk i allmänhet” blev oanvändbara, eftersom behovet uppstod att tillgodose konkreta ändamål; orden måste därför väljas ut ur texter från ett visst område och inte ur helheten. Samtidigt kom problemet med att sammanställa frekvensordböcker ”in i en ny dimension” när elektroniska textkorpusar uppstod i amerikanska behavioristers och positivisters sökande efter belägg för språkbruk. Den elektroniska tekniken utvecklades snabbt, vilket gjorde det möjligt att inte bara samla in utan också bearbeta enorma textmängder. Korpuslingvistikens början brukar dateras till 1961, då Nelson Francis och Henry Kučera tillkännagav och började skapa den berömda elektroniska Brown-korpusen över skriven engelska (Brown University), medan John Sinclair började skapa en korpus i samma format, LOB (Lancaster-Oslo/Birmingham), … DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 25 …korpusen; redan 1959 tillkännagav Randolph Quirk en korpus för skrivet och talat språk, SEU (Survey of English Usage), som Jan Svartvik förde vidare genom att vid Lunds universitet börja skapa en korpus för talat språk, LLC (London-Lund Corpus of Spoken English). Omfattningen av alla de nämnda korpusarna var då omkring 1–1,15 miljoner ordtoken; därefter tillkom fler liknande korpusar (se Aijmer, Altenberg 1991: 1ff.). Den andra generationens korpusar omfattar tiotals miljoner ord, den tredje redan hundratals miljoner och miljarder. Problemet med kompatibiliteten mellan datorprogram och enskilda arbetsprogram är fortfarande aktuellt i världen: korpusar av ofantlig omfattning har redan samlats in – hundratals miljoner ord (i grund och botten en elektronisk form av biblioteket) – men hur ska man använda dem på ett bekvämt sätt, hur ska man räkna ut de enklaste frekvenserna, hur ska man undvika att gå vilse i ett ordhav? Och avgör kvantitet alltid kvalitet? Vid sammanställningen av olika frekvensordböcker har man gång på gång konstaterat att hälften av de undersökta orden förekommer endast en gång. Därför bör man varje gång man påbörjar ett arbete noga överväga om de uppställda uppgifterna verkligen kräver att man arbetar med en stor mängd material för att söka efter de ovanligaste orden. Ibland är det, när man undersöker vissa grammatiska eller ordbildningsmässiga regelbundenheter, verkligen irrationellt att avsevärt öka den undersökta mängden; det är fullt rimligt att också bedöma den med statistiska kriterier, eftersom dessa visar sannolikheten för när urvalet är tillräckligt för att dra representativa slutsatser. Särskild uppmärksamhet bör riktas mot vilka texter som ingår i det undersökta materialet, det vill säga hur modellen för undersökningsobjektet konstrueras. Inom litauisk språkvetenskap väcker frågan om vad som ska betraktas som litauiskt standardspråk kanske flest frågor i detta avseende, liksom vilka proportioner de funktionella språkstilarna eller de språklager som urskiljs enligt andra kriterier bör ha där. Den tidigare nämnda korpusen vid Vytautas Magnus-universitetet har sammanställts enligt vissa urvalsprinciper, medan Dabartinės rašomosios lietuvių kalbos dažninio žodyno har sammanställts enligt andra, och därför skiljer sig resultaten också åt. Statistiska uppgifter om exempelvis enskilda ordklasser, hämtade från olika korpusar, måste bedömas mycket noggrant och objektivt. Det har noterats att arbeten av detta slag, både redan publicerade och pågående, inte ägnar tillräcklig uppmärksamhet åt vilka texter som undersökts, samtidigt som generaliseringar görs om ”det nutida litauiska språket”. Att arbeta med siffror kräver precision; annars blir slutsatserna missvisande. Den elektroniska korpusen för Dabartinės rašomosios lietuvių kalbos dažninio žodyno (1,2 miljoner ordtoken) som behandlas i artikeln hör till den första generationens korpusar (av Brown- och LOB-typ), med en omfattning på över en miljon ord. Den har ytterligare en gemensam nämnare med dessa berömda korpusar: liksom få senare korpusar i världen är också vår annoterad. Datortekniken har skapat särskilda förutsättningar för analytiska språk: specialiserade men tämligen spridda program (särskilt känt är Oxforduniversitetets Oxford Concordance Program, samt KWIC, KAYE, CLAN, OCP, WordCruncher m.fl.) gör det möjligt att ganska enkelt sammanställa listor över de vanligaste orden och ta fram konkordanser för dem (Leech 1991: 10; Utka 2000). Forskare vid Vytautas Magnus-universitetet som undersöker korpusen för det nutida litauiska språket använder vanligtvis också sådana program, men då kan man endast analysera ord, det vill säga lexikonet, eftersom kunskapen om ordslut saknas, trots att dessa som bekant är särskilt viktiga i litauiskan. För syntetiska språk är det alltså mer komplicerat: med de beskrivna programmen sammanställs ju listor över ordformer, inte uppslagsord. Det krävs ganska mycket extra arbete innan ordformerna lemmatiseras och blir till uppslagsord. Sådana ordlistor, som också innehåller grammatisk analys, kallas annoterade; det finns inte många sådana i världen, och de värderas högt eftersom de kräver betydande arbetsinsatser och därför är 26 | LAIMA GRUMADIENĖ mycket dyra (V. Žilinskiene och jag har beräknat att det i vårt fall skulle krävas sex års arbete av en person enbart för att välja ut texter, skriva in dem med tangentbord, halvautomatiskt morfologiskt analysera dem (så kallad lemmatisering), korrigera dem och föra in uppgifterna i datorn). Beräkningar och efterföljande korrigeringar kräver ytterligare flera år, eftersom varje inexakthet i matematiska operationer kan leda till absurda resultat. I allmänhet kan man numera sammanställa frekvensordböcker på många olika sätt och av olika slag, särskilt sedan elektroniska korpusar tillkommit – beroende på vad man söker. Den viktigaste anledningen till att nya frekvensordböcker ständigt sammanställs, särskilt sådana som gör anspråk på att vara ordlistor över exempelvis det nutida n språket, är att det grundläggande villkoret för lingvistisk statistik, liksom för statistik i allmänhet, är att urvalet måste vara en representativ modell av den undersökta helheten, eller populationen. Kort sagt ifrågasätter man ständigt om det undersökta urvalet verkligen återspeglar den avsedda helheten. En frekvensordbok över det nutida litauiska språket, sammanställd utifrån korpusen för det nutida litauiska språket vid Vytautas Magnus-universitetet, som omfattar hela 60 miljoner ordtoken, skulle till exempel skilja sig från de redan utgivna ordböckerna av L. Grumadienė och V. Žilinskienė (1997, 1998), eftersom dess resultat skulle återspegla en texthelhet som huvudsakligen består av språk i periodiska publikationer (70%), icke-periodiska publikationer (26%) och översatta publikationer (4%) (Marcinkevičienė 2000a: 16). Texterna i de nämnda utgivna ordböckerna valdes ut enligt helt andra principer: det rör sig om originaltexter, inte översättningar, från fyra funktionella språkstilar – publicistisk, kanslispråklig, skönlitterär och vetenskaplig. Detta gjordes eftersom det litauiska standardspråket, särskilt skriftspråket, fortfarande formas, normeras och kodifieras i Prahaskolans anda (för övrigt bör man uppmärksamma att själva termen STIL numera definieras ganska olika av olika språkvetenskapliga skolor). Man följde principerna hos andra sammanställare av frekvensordböcker, framför allt tjeckiska, ryska och lettiska, som också utgick från den ovan beskrivna uppfattningen om standardspråket som summan av funktionella språkstilar; deras erfarenheter tillämpades. Därför valdes, liksom i deras fall, urval på 300 000 ordtoken från fyra funktionella stilar, eftersom man ansåg att principerna bakom korpusen vid Vytautas Magnus-universitetet (som för övrigt tillkom senare än vår) ännu var för tidiga för litauiskt skriftspråk och låg närmare den amerikanska uppfattningen om standardspråket (eller standardengelskan, som det brukar kallas där). I databasen för Dabartinės rašomosios lietuvių kalbos dažninio žodyno saknas ibland vardagligt ordförråd, eftersom man glömmer att den bygger enbart på offentligt skriftspråk: där finns varken privata brev, dagböcker, vägginskrifter eller liknande. Ändå har också talspråkliga ord kommit med i ordboken, däribland inte bara främmande ord och dialektord utan även exempel på pejorativt ordförråd som inte tolereras i standardspråket, något som ständigt får ordbokens författare att ta emot kritik. Frågan är vad som ska räknas som skönlitteratur: dessa ord förekom i skönlitterära texter (originaltexter tryckta i Litauen i redigerade upplagor med en upplaga på över 100 exemplar), och principen för sammanställningen av en frekvensordbok är att inte utesluta ett enda innehållsord, såvida det inte är ett egennamn, en siffra, en förkortning eller ett korrekturfel. Uppgifterna visar för övrigt att när urval på 300 000 ordtoken togs från var och en av de fyra funktionella stilarna, hittades 284 687 innehållsord i den publicistiska stilen (15 313 så kallade ”skräpord”), 279 505 i den sakprosainriktade stilen (20 495 som av de nämnda skälen inte kom med i ordboken), 278 311 i den vetenskapliga (21 689) och 290 561 i den skönlitterära (9 439). Hjärtat tillät oss inte att stryka egennamnet Lietuva, och därför är det det enda egennamnet som undantagsvis kom med i ordboken (det visar sig vara det 16:e vanligaste ordet, det första substantivet; dess frekvens är 5151 i hela 614 stickprov: här spelade de officiella dokumentens, DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 27 namn på institutioner och liknande, där detta ord ofta förekom i genitiv). Även namn på religiösa och andra högtider kan i viss mån betraktas som egennamn (de används ofta också som appellativ), t.ex. Joninės, Kūčios, Žolinė, eller namn på väderstreck Rytai, Vakarai, Pietūs, Šiaurė. I enlighet med representativitetsprincipen valdes endast sådana texter ur var och en av de nämnda stilkategorierna som hörde till den renodlade stilen: lärobokstexter som betraktades som gränsfall, vetenskaplig journalistik, journalistik avsedd för en begränsad läsekrets, dramatik, poesi och liknande uteslöts. Texterna i journalistisk stil valdes ut av Vida Žilinskienė och bestod av texter från 19 redigerade centrala dagstidningar eller veckotidningar och brett lästa tidskrifter från 1994–1995, vilka representerade fem tematiska grupper: 1) politik, 2) industri och jordbruk, 3) utbildning och juridik, 4) konst och 5) underhållning (sport, horoskop, väderprognoser). Texterna i sakprosa valdes ut av Pranas Kniūkšta och Danutė Vainauskienė ur publikationer och dokument från 1990–1995, enligt sju tematiska grupper: 1) lagar och tillhörande dokument, kommentarer, 2) juridiska dokument, 3) handböcker och dokument inom ekonomi och näringsliv, 4) statsvetenskapliga publikationer och partidokument, 5) standarder och statistiska publikationer, 6) informationskällor (bibliografier, kataloger, ordböcker), 7) dokument inom olika samhällsområden (nationellt försvar, social trygghet, utbildning, kultur m.m.). Texter i vetenskaplig stil valdes ut av Irena Andriukaitienė ur vetenskapliga publikationer utgivna i Litauen 1990–1995 eller arbeten godkända av vetenskapliga institutioner, enligt åtta tematiska grupper (vetenskapsgrenar): 1) agrarvetenskap, 2) naturvetenskap, 3) humaniora, 4) matematik, 5) medicin, 6) samhällsvetenskap, 7) teknik, 8) teologi. Texterna i skönlitterär stil valdes ut av Laima Grumadienė ur prosaverk inom skönlitteraturen, utgivna i Litauen 1985–1990 (med några få undantag), och de sex ”tematiska” grupperna delades in efter författarnas födelseorter: 1) žemaičiai, 2) östliga aukštaičiai, 3) västliga aukštaičiai, 4) sydliga aukštaičiai, 5) stadsbor, 6) emigranter (de senares faktiska födelseorter beaktades inte). Man beslutade att det var just dessa texter som kunde representera det nutida skrivna litauiska språket. Ur dem valdes slumpmässigt (sidor och rader valdes med hjälp av en slumptalstabell) ett avsnitt omfattande 1 000 ordtoken, ett så kallat urval, som skrevs in med datorns tangentbord (ett arbete på ungefär två timmar). Därefter lemmatiserades urvalen, dvs. analyserades morfologiskt med programmet MAN (Morfologinio Analizavimo ir Normalizavimo), utarbetat av Vytautas Zinkevičius. Författaren anpassade det särskilt för detta arbete utifrån sitt eget tidigare utarbetade datorprogram för stavningskontroll av ord; år 2000 förbättrade han det något på uppdrag av Vytautas Magnus-universitetet, uppgraderade det och gav det namnet lemmatiserare (Zinkevičius 2000). Arbetet såg ungefär ut så här: man fick en datorutskrift där onödiga rader skulle ”plockas bort” (min understrykning). Till exempel ser utskriften av ett textavsnitt som redan bearbetats av en människa, inte bara av en maskin (…) manęs visa ši komedija (…) ut så här: FIG. 1. EXEMPEL PÅ LEMMATISERING AV TEXT jag tänka mig pron pers gen sg K mig pron pers gen sg passiv pres particip aktiv obestämda maskulinum singularis V 28 | LAIMA GRUMADIENĖ hela hela įvr mot vns V visa įvr mot vns I visa įvr mot vns Š visa įvr bvr denna detta pronomen, inte pronomen, femininum, singular, nominativ komedi komedi, substantiv, femininum, singular, nominativ komedi, substantiv, femininum, singular, instrumentalis komedi substantiv femininum singularis nominativ På den första raden står det återställda uppslagsordet, på den andra (den återstående, icke strukna) ordformen med grammatiska kännetecken. Att arbeta igenom 1 000 ord på detta sätt tar omkring 4 timmar, men något snabbare sätt att morfologiskt analysera litauiska ord finns nog ännu inte. Därefter söks homonymer och homofoner, urvalen korrigeras med Vytautas Zinkevičius program MAN-K och sammanförs i datorn – allt detta tar ytterligare en timme. Totalt behandlades på detta sätt 1 200 urval med 1 000 ord förekomster vardera. Efter detta omfattande arbete bearbetades uppgifterna vidare med beräkningsprogram som utarbetats av Valentinas Černiauskas och Snieguolė Meškauskienė (båda från Institutet för matematik och informatik): olika frekvenser räknades ut. Tre ordböcker förbereddes för tryckning, två av dem har redan getts ut (Grumadienė, Žilinskienė 1997; 1998), och den tredje kommer förhoppningsvis ut i år. De två första ordböckerna är frekvenslistor över uppslagsord. Den första är ordnad efter fallande frekvens, den andra alfabetiskt. De omfattar 38 337 olika ord vardera. Den tredje – en ordbok över ordformer – är flera gånger större (31 tryckark) och innehåller omkring 150 000 ordformer; den återger bruket av olika ord och samma ord i olika grammatiska former (den bör presenteras både alfabetiskt och i omvänd ordning). Ytterligare flera tiotal frekvensordböcker, ordnade på olika sätt, har utarbetats för elektronisk användning: för alla fyra stilar, alla tematiska grupper inom varje stil osv. (både för uppslagsord och ordformer). En jämförelse av vissa statistiska uppgifter visar redan nu att det litauiska skriftspråket innehåller flest olika substantiv – hela 45,25% av alla olika ord är substantiv; verb och verbformer är också talrika – 32,65%; adjektiv utgör en betydande andel – 15,31%; olika adverb uppgår till 5,03%. Övriga ordklasser utgör inte ens en halv procent vardera (sammanlagt endast 0,88%). Detta betyder dock inte att fördelningen i texten ser likadan ut. En annan indikator – frekvensen av samma ord i texten – visar att andelarna för de viktigaste ordklasserna och adverben minskar betydligt till förmån för oböjliga ordklasser och pronomen, eftersom dessa redan utgör mer än en fjärdedel av texterna – 26,71%. Uppmärksamhet bör riktas inte bara mot frekvensmåttet utan också mot antalet förekomster av ett ord eller en ordform i de enskilda urvalen: på så sätt kan man avgöra om ett ords frekvens beror på att en enskild text råkat komma med och innehåller många upprepningar av ordet, eller om frekvensen inte är tillfällig, eftersom ordets spridning är jämn i olika urval. DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 29 Lexikalisk variation bedöms med iterationskoefficienten (förhållandet mellan antal ordförekomster och antal uppslagsord), som i den nämnda ordboken är 20,06 (ju lägre detta värde är, desto fler olika ord har alltså påträffats). De ordböcker över uppslagsord och ordformer för var och en av de fyra funktionella stilarna som har räknats fram men inte publicerats (V. Žilinskienė har redan skrivit om några lingvostatistiska särdrag som observerats i dem (1998, 2001, under utgivning m.m.)) visar att exempelvis den skönlitterära vokabulären är dubbelt så varierad som vokabulären i sakprosatexter (iterationskoefficienterna är 9,53 respektive 20,78). Det mest intressanta är att iterationskoefficienten för alla fyra stilar tillsammans skiljer sig ganska lite från sakprosastilens, men mycket från den skönlitterära stilens (för publicistisk stil är den 10,51 och för vetenskaplig stil 12,63). Dessa mått utgör ett tungt vägande argument vid beslut om exempelvis principerna för utarbetandet av en ordbok över standardspråket: i vilka proportioner de funktionella stilarna bör företrädas; om man över huvud taget bör fortsätta praktiken att förknippa standardspråket med funktionella stilar; och, om så är fallet, att de statistiska måtten för de funktionella stilarna måste beaktas osv. Intressanta uppgifter framkom vid en jämförelse med listan över de vanligaste orden som sammanställts utifrån Vytautas Magnus-universitetets korpus (där orden registrerades och räknades i de former de förekommer i texten, utan att återställas till uppslagsform, till skillnad från Dabartinės rašomosios lietuvių kalbos dažniniame žodyne). En jämförelse mellan de 50 vanligaste oböjliga orden och böjda ordformerna i en litauisk korpus med 60 miljoner ord (Utka 2000: 278) och de första 50 uppslagsorden i Dažninio žodyno (Grumadienė, Žilinskienė 1997: 3) visar tydligt att listorna i grunden överensstämmer. Den första frekvenslistan innehåller bara något färre olika ord, eftersom den tar upp olika former av samma ord, exempelvis buvo, būti; jis, jo, jų, jos, jie, medan dessa i den andra listan, det vill säga ordboken, representeras av būti och jis. I Dažninį žodyną togs inga förkortningar med, i enlighet med principerna för sammanställning av denna typ av ordbok. Jämförelsen mellan uppgifterna i Dažninio žodyno visar ändå att de två första av förkortningarna m, d, a som förekom i den nämnda listan över de vanligaste orden – det vill säga metai, diena, amžius – också är vanliga i ordboken, på plats 30 respektive 57 efter frekvens, det vill säga rang (ord med samma frekvens anses ha samma rang), medan amžius först förekommer bland de 300 främsta. För övrigt används både förkortningen och hela ordet ganska ofta, också med något olika betydelser. Som erfarenheten från sammanställningen av frekvensordböcker för många syntetiska språk har visat, är de allra vanligaste orden i Dabartinės rašomosios lietuvių kalbos dažniniame žodyne vissa konjunktioner (ir, kad, o, kaip, ar, bet, bei, kai m.fl.), prepositioner (į, iš, su, nuo, apie, po, už, dėl, per, prie m.fl.), pronomen (jis, tas, aš, kuris, šis, visas, kitas, savas, toks, kas, tu m.fl.), och partiklar (ir, ne, tik m.fl.). De vanligaste verben är būti, galėti, turėti, nebūti, reikėti, žinoti, nustatyti m.fl., och substantiven Lietuva, darbas, žmogus, metai m.fl. De vanligaste räkneorden är vienas, pirmas, du, och bland adjektiven som ingår bland de hundra vanligaste orden finns dideli, naujas, aukštas, įvairus, svarbus, pagrindinis. För övrigt visar även data från analytiska språk att exempelvis pronomenet I, konjunktionen and och artikeln the utgör 10% av texterna på engelska (Hillerich www: eduplace.com). Frågan om internationella ord är också viktig – hur många av dem och vilka bör tas med i en ordbok över standardspråket? Det kan vara nyttigt att känna till att exempelvis 27,52% internationella ord påträffades i listan över uppslagsord i Dabartinės rašomosios lietuvių kalbos dažninio žodyno (1998, XXXIV–XXXVI), och att de upptog 13,34% av textutrymmet; även själva ordlistorna kan vara till nytta. 30 | LAIMA GRUMADIENĖ När man förbereder sig för att skriva en ny grammatik över det litauiska språket är det viktigt att också känna till statistiken över ordformer: vilka typer av ord som böjs på vilka sätt, varför, och varför den grammatiska formvariationen är stor för vissa ord men inte för andra. Sådana uppgifter finns det gott om i den ordbok över ordformer som håller på att färdigställas för tryckning. V. Žilinskienė (2001) har redan publicerat intressanta uppgifter om enbart den publicistiska stilen. Det visar sig att tre kasusformer av substantiv utgör 82,29% av alla förekomster av substantiv (gen. – 38,91%, nom. – 26,62%, ack. – 16,76%; det faktum att dat. exempelvis används i endast 3,88% av fallen kanske redan visar tendenser till ökad analytisk struktur?). Adjektiv används för övrigt oftast i nominativ – i 36,93% av fallen. Man har konstaterat att singularis dominerar bland substantiven – 68,86% av alla förekomster. I publicistiska texter återfanns jämförelsevis få gerundier (2,34%) och halva particip (1,84%), men hela 24,46% particip; infinitiv användes i 15,85% av fallen. Intressanta och ovanliga resultat, särskilt för pedagoger och specialister som utarbetar läroböcker, undervisningsplaner och ordböcker, erhölls genom att granska de tre minimiordböckerna i litauiska–ryska för kvalifikationskategorierna i statlig språkkunskap som utarbetats och getts ut av V. Žilinskienė och L. Grumadienė (1998; 1999a; 1999b), liksom ytterligare sex motsvarande ordböcker i litauiska–engelska och litauiska–polska som utarbetats men ännu inte getts ut. Här bör man återigen uppmärksamma att urvalen gjordes från texter på skriven litauiska, vilket innebär att man här kan sakna ord från talspråket. Dessa ordlistor är inriktade på inlärning av skriftspråket, eftersom kvalifikationskraven för kunskaper i statsspråket gäller användningen av statsspråket offentligt, framför allt i officiella sammanhang och särskilt vid statliga institutioner. Därför behövs här inte vardagligt språkbruk utan snarare neutralt och fackspråkligt ordförråd: man förväntas kunna läsa och skriva facktexter och förstå medietexter. I framtiden bör även minimiordböcker över talspråket utarbetas. I Litauen har Vytautas Šernas (1994) lärobok Hur man lär sig språk mer rationellt getts ut; den innehåller också en minimal tvåspråkig engelsk–litauisk ordbok: en översättning av det berömda Basic English, publicerat av Ch. K. Ogden 1942 och bestående av 850 ord (det återfinns för övrigt också i volym 3 av Encyclopaedia Britannica). Med tiden blir vissa ord föråldrade och andra tillkommer, och därför kan listan med dessa 850 ord ändras i motsvarande mån. När kraven för de tre kvalifikationskategorierna i kunskaper i litauiska som statsspråk fastställdes beaktades också uppfattningen hos författarna till Frekvensordboken över nutida skriven litauiska om minimiordböckernas omfattning: man beslutade att kunskaper i omkring 800 ord skulle motsvara kraven för kategori I, omkring 1 200 ord för kategori II och omkring 2 500 ord för kategori III. Man utgick både från Ogdens allmänt accepterade tes om 850 ord, från resultaten av frekvensstudier i det egna och andra språk och från motsvarande praxis i andra länder. Att dessa beräkningar inte är gripna ur luften framgår också av de tre tabellerna i bilagan, där man tydligt ser hur stor andel av texterna som täcks av de 800, 1 200 respektive 2 500 vanligaste orden i skriven litauiska: 56,66%, 65,70% respektive 78,04%. Det blir allt vanligare att alla stora ordböcker numera anger vilka ord i språket som är vanligast. I COBUILD:s engelska ordbok (www.antimoon.com) markeras till exempel de 680 vanligaste orden med 1–4 romber. I Longmans engelska ordbok är de 3 000 vanligaste orden märkta med S1, S2 (S – spoken English), W1, W2 (W – written English). I Macmillans engelska ordbok trycks de vanligaste orden i rött, medan frekvensen för övriga markeras med 1–3 stjärnor. Tiden närmar sig då även den litauiska lexikografin sannolikt måste ta sig an detta. DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 31 4. SLUTSATSER Det finns inte många elektroniska databaser över nutida litauiska; de största är V. Žilinskienės och L. Grumadienės Frekvensordboken över nutida skriven litauiska (morfologiskt annoterad och statistiskt bearbetad, 1 200 000 ordförekomster) och Vytautas Magnus-universitetets Litauiska språkets textkorpus (oannoterad, omkring 60 000 000 ordförekomster). Inom litauistiken finns ännu ingen lämplig praxis för att använda vare sig elektroniska databaser över nutida språk eller lingvostatistiska publikationer. Framför allt får man vid Litauens högskolor alltför lite övning i att arbeta på detta sätt, men det finns också en annan sida av saken: det finns alltför få offentligt tillgängliga elektroniska databaser över litauiska. En av orsakerna till eftersläpningen är också att elektroniska databaser inte erkänns som upphovsmannaverk. Ett av de mest aktuella problemen i Litauen när det gäller elektroniska databaser är svagheten i koncepten för hur de utformas: ofta är tanken att databaserna bara ska användas som texter i elektronisk form, utan att man planerar att tillämpa datorteknik för att bearbeta uppgifterna. 32 | LAIMA GRUMADIENĖ TABELL 1: FREKVENS FÖR ORD I SPRÅKDELARNA OCH TOTALFREKVENS I KVALIFIKATIONSKATEGORIERNA FÖR KUNSKAPER I STATSLITAUISKA Rang Frekvens subst verb adj adv pron övr. 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 LINGVOSTATISTISK ANALYS AV MINIMIORDFÖRRÅDET FÖR KATEGORIERNA: övr. part. halvpart. gerund. inf.; infinitiv Summa – 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 Frekvens subst verb adj adv pron 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% Den minimala ordboken för statligt kvalifikationsprov i litauiska, nivå I (cirka 800 TABELL 2: ORDFREKVENS FÖR ORDKLASSERNA OCH TOTALT ORDFÖRRÅD PÅ NIVÅ II I STATLIGT KVALIFIKATIONSPROV I LITAUISKA Rang Frekvens subst verb adj adv pron 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% Den minimala ordboken för statligt kvalifikationsprov i litauiska, nivå II (cirka 1200 TABELL 3: ORDFREKVENS FÖR ORDKLASSERNA OCH TOTALT ORDFÖRRÅD PÅ NIVÅ III I STATLIGT KVALIFIKATIONSPROV I LITAUISKA Rang Frekvens subst verb adj adv pron 601–650 105-56 45751 20328 12145 5822 433 52,31% 23,25% 13,88% 6,66% 0,50% Den minimala ordboken för statligt kvalifikationsprov i litauiska, nivå III (cirka 2500 DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 35 skt prl jng dll išt; jst Summa 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% ord) täcker 56,66% av texten (urval ur 1,2 miljoner ordförekomster). 56,66% LINGVOSTATISTISK ANALYS AV MINIMALORDFÖRRÅDETS KATEGORIER: skt prl jng dll išt; jst Summa 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% ord) täcker 65,70% av texten (urval ur 1,2 miljoner ordförekomster). 9,04% Totalt: (=65,70%) LINGVOSTATISTISK ANALYS AV MINIMALORDFÖRRÅDETS KATEGORIER: skt prl jng dll išt; jst Summa 460 341 372 1697 102 87446 0,52% 0,40% 0,42% 1,94% 0,12% 7,29% ord) täcker 78,04% av texten (urval ur 1,2 miljoner ordförekomster). 7,29% Totalt: (=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