ACTA LINGUISTICA LITHUANICA

XLVI (2002), 19 – 37

Dictionnaire de fréquence du lituanien écrit contemporain et sa base

LAIMA GRUMADIENĖ

Institut de la langue lituanienne

Il existe peu de bases de données électroniques pour le lituanien. Les plus importantes sont le Dictionnaire de fréquence du lituanien écrit contemporain, compilé par V. Žilinskienė et L. Grumadienė, et le Corpus de la langue lituanienne de l’université de Kaunas. Le premier est présenté ici en détail: les principes de sa compilation et ses usages possibles sont examinés, et les travaux publiés jusqu’à présent en linguistique statistique qui s’appuient sur lui sont brièvement caractérisés. Les principaux problèmes liés aux bases de données du lituanien contemporain sont les suivants: (1) leur différenciation insuffisante (elles ne reflètent que la langue écrite, et non la langue parlée), (2) leur utilisation non optimale, la communauté scientifique lituanienne ne disposant pas de la formation nécessaire pour travailler avec de tels outils, et (3) le fait que les efforts des chercheurs qui les compilent reçoivent trop peu de reconnaissance publique et ne sont pas valorisés comme des réalisations scientifiques originales.

1. VIEILLISSEMENT ET « INUTILITÉ » DES BASES DE DONNÉES ÉLECTRONIQUES

C’est précisément maintenant que la linguistique lituanienne semble figée au milieu du bond d’un tigre: les travaux remarquables nés de l’élan, principalement issu du structuralisme, sont déjà écrits, mais l’attente de nouveaux travaux tout aussi importants est palpable. Cela exige non seulement une autre approche des phénomènes linguistiques, mais aussi des méthodes et des outils de travail nouveaux, encore jamais éprouvés. À l’ère des technologies de l’information, les nouveaux outils de travail des linguistes sont souvent liés aux bases de données électroniques, et celles-ci aux publications de linguistique statistique. Il semblerait aller de soi que les unes et les autres diffèrent: les bases électroniques sont dynamiques, on peut y travailler de manière autonome, tandis que les publications sont statiques et ne sont qu’un ensemble de données présentées selon les souhaits des auteurs. Pourtant, autrefois, et parfois encore aujourd’hui, en Lituanie, ces bases et ces publications étaient ou sont confondues. L’histoire des dictionnaires régressifs (également appelés inversés) en témoigne. Le premier dictionnaire régressif lituanien, préparé par l’Américain David F. Robinson (1976) à partir de l’édition de 1954 du DLKŽ, couvrait environ 45 000 mots; il se peut même qu’il n’ait pas eu de base électronique, du moins l’auteur n’en fait-il pas mention. De plus, à l’époque, une telle base électronique aurait été inaccessible en Lituanie, car peu de gens avaient même feuilleté le dictionnaire, publié à faible tirage en Amérique. Juozas Korsakas, de Šiauliai (1991), a préparé selon un principe de sélection le Dictionnaire inverse de la langue lituanienne

20 |

LAIMA GRUMADIENĖ

d’une langue lituanienne, qui comprenait près de 22 000 mots; lui aussi était fondé sur le DLKŽ, mais sur l’édition de 1972. Le travail s’effectuait à l’aide d’une base de données électronique constituée par l’auteur, mais celle-ci n’est pas accessible au public (probablement pour des raisons techniques); l’ouvrage n’est donc disponible que sous forme imprimée. Le Dictionnaire régressif du lituanien contemporain de Vida Žilinskienė (1995) n’est pas une simple transcription du DLKŽ: les mots, présentés dans l’ordre inverse, sont répartis selon les parties du discours et une analyse statistique est ajoutée. Aujourd’hui, il n’est pour l’essentiel accessible que sous forme imprimée, bien qu’une version électronique existe également. Celle-ci a été assez peu utilisée (par le groupe de travail dirigé par E. Jakaitienė lors de la rédaction d’un dictionnaire lituanien-norvégien, ainsi que dans les articles de Daiva Murmulaitýtė (1998, 1999, etc.)). À propos, ce dernier dictionnaire et l’analyse ont été préparés à partir de la version informatisée du DLKŽ (édition de 1993) et de son analyse statistique, et non, comme l’indique Rūta Marcinkevičienė (2000a: 16) dans son compte rendu, à partir de la base du Dictionnaire de fréquence du lituanien écrit contemporain (Grumadienė, Žilinskienė 1997; 1998). Grâce aux efforts conjoints des chercheurs de l’Institut de mathématiques et d’informatique et de l’Institut de la langue lituanienne, une version électronique du DLKŽ (édition de 1993) a été préparée et diffusée à faible tirage (1995), car les droits de diffusion des publications sous forme électronique n’avaient tout simplement pas été obtenus. L’Institut de la langue lituanienne a maintenant entrepris à nouveau l’informatisation du DLKŽ, cette fois à partir de l’édition de 2000 (sous la direction de Stasys Keinys), et a reçu une aide financière du Fonds scientifique lituanien. On sait que les éditions de 1993 et de 2000 du DLKŽ diffèrent peu; il est donc légitime de s’interroger sur le fait qu’on ait décidé de ne pas utiliser la version électronique antérieure, au seul motif qu’elle avait été réalisée dans l’environnement DOS et la base FOX-PRO, désormais moralement dépassés: on a de nouveau entrepris de scanner à l’aide d’un ordinateur le texte électronique déjà disponible, qui ne nécessitait que de légères corrections, augmentant ainsi le volume de travail et les dépenses. Peut-être l’analyse statistique sera-t-elle elle aussi recommencée?

Mais, comme la version informatisée de l’édition de 1993 du DLKŽ, de nombreuses bases de données électroniques vieillissent elles aussi moralement; il est donc évident qu’il faut se préoccuper de leur maintenance. Le même sort que la version électronique du DLKŽ (1993) ne risque-t-il pas d’attendre la Banque terminologique, élaborée grâce aux efforts conjoints des instituts mentionnés? Ainsi, les publications de linguistique statistique continuent d’être bien davantage valorisées que les bases de données électroniques, coûteuses et porteuses de nombreuses possibilités de travail novatrices.

Les spécialistes des études lituaniennes devraient s’entendre sur les bases de données électroniques qui utilisent des signes spécifiques, par exemple celles qui contiennent des textes anciens ou des textes dialectaux transcrits; en effet, il faut déjà recomposer les articles comportant ce type d’exemples lorsque, pour une raison ou une autre, on décide de les soumettre non pas, par exemple, aux éditions de l’Institut de la langue lituanienne, mais à l’une des rédactions des publications de l’université de Vilnius. Les dictionnaires dialectaux et les textes dialectaux publiés actuellement, bien qu’ils soient sous forme électronique, ne sont que le signe de la modernisation de l’imprimerie, car il est impossible d’utiliser leurs textes comme une base de données électronique. Ainsi, en l’absence d’accord entre les spécialistes des études lituaniennes sur un système commun de codage (par exemple UNICODE ou un autre), l’accès public aux banques de données électroniques est fortement entravé, sans parler du fait que l’utilisation des technologies et des programmes électroniques pour leur analyse devient très limitée, voire impossible. En avons-nous donc tant que nous ne sommes plus capables de les maîtriser? Le problème est que ni les linguistes ni les spécialistes en informatique qui les assistent ne comprennent encore correctement que les bases de données doivent être dynamiques: le travail avec celles-ci doit permettre d’appliquer la multitude de nouveaux programmes et technologies qui apparaissent sans cesse, et elles doivent offrir la possibilité d’être converties vers une version informatique plus récente. Jusqu’à présent, la plupart des bases de données électroniques créées en Lituanie sont constituées comme s’il s’agissait de ces mêmes fiches avec

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 21

des données linguistiques, mais seulement recueillies au clavier d’un ordinateur. Bientôt, ces données pourraient être comparables à une inscription cunéiforme gravée dans la pierre: sur les écrans des ordinateurs de nouvelle génération, on ne verrait plus que des « petits drapeaux » et des « petits carrés », que les linguistes du futur pourraient entreprendre de déchiffrer comme des runes. Les discussions menées jusqu’à présent sur cette question n’ont rien donné, mais il ne faut sans doute pas perdre espoir: il vaut la peine de relancer le débat et de chercher un accord.

À propos, il convient de prêter attention aux termes employés: BASE, BANQUE, CORPUS (COLLECTION DE TEXTES), ARCHIVE, sous forme électronique. Le plus à la mode est CORPUS (COLLECTION DE TEXTES). Il est défini de diverses façons, mais tous les définitions ont en commun de considérer comme CORPUS une collection de textes sous forme électronique; c’est pourquoi presque tout ce qui était auparavant appelé base de données a souvent été rebaptisé corpus (la taille des textes individuels n’étant pas réglementée). Le terme BANQUE est le plus souvent associé à la terminologie: les banques de termes ne sont généralement pas appelées corpus. Aujourd’hui, le terme ARCHIVE est de plus en plus associé à la dimension temporelle: une accumulation électronique de données anciennes peut être appelée archive ou base. Ainsi, le terme le plus neutre reste BASE DE DONNÉES ÉLECTRONIQUE; c’est pourquoi il est le plus souvent utilisé ici (cf. Kennedy 1998: 3 et suiv.).

2. BASES DE DONNÉES ÉLECTRONIQUES DU LITUANIEN CONTEMPORAIN ET PUBLICATIONS LINGUOSTATISTIQUES

Les bases de données électroniques du lituanien contemporain ne sont pas légion. Les publications linguostatistiques sont tout aussi peu nombreuses; ce sont seulement les méthodes linguostatistiques qui sont un peu plus fréquemment utilisées. La phonétique, ainsi que la phonologie qui s’appuie sur ses résultats, se distinguent comme les seules disciplines. Cela tient peut-être à la nature même de la phonétique, c’est-à-dire au fait que la répétition fréquente des mêmes unités — les sons — appelle tout simplement des conclusions fondées sur la statistique; ou peut-être à des facteurs subjectifs, à savoir l’apparition de chercheurs à la pensée novatrice: avant tout Aleksas Girdenis et ses élèves, ainsi qu’Antanas Pakerys. Quoi qu’il en soit, ces deux facteurs ont entraîné un essor de la phonétique et de la phonologie lituaniennes, ainsi qu’un certain décalage par rapport aux autres branches de la linguistique. Il est vrai que la phonétique est elle-même un domaine intermédiaire entre les sciences exactes et la linguistique.

La morphologie est la discipline linguistique qui vient ensuite quant à la fréquence de répétition de ses unités. Il serait donc logique de penser que c’est dans ce domaine, en premier lieu, que devrait déjà se faire sentir le besoin de recourir à la fois aux données linguostatistiques et aux bases de données électroniques. Cela ne s’est pas encore produit, bien que de tels travaux et outils existent déjà. Le premier travail linguostatistique consacré au lexique et à la morphologie en Lituanie a été réalisé par Vida Žilinskienė (1990), à l’aide d’un ordinateur électronique. Son Lietuvių kalbos dažninis žodynas s’appuie sur les données d’un des styles fonctionnels — le journalisme — et présente l’analyse de 300 000 occurrences de mots (c’est-à-dire aussi bien des occurrences des mêmes lexèmes que de lexèmes différents, au nombre de 18 776; conformément aux règles généralement admises pour l’élaboration des dictionnaires de fréquence, l’étude de 11 956 noms propres a été abandonnée). Tous les textes intégraux, divisés en échantillons de 1 000 occurrences de mots, ont fait l’objet d’une analyse morphologique et ont été accentués; ils ont ensuite été perforés et chargés dans l’ordinateur électronique « Minsk-22 », désormais moralement dépassé et hors d’usage. La banque de données électroniques existe, mais il serait aujourd’hui très difficile de l’exploiter. Malheureusement, l’analyse linguostatistique des textes journalistiques — l’une des variétés du lituanien contemporain — sur les plans lexical, morphologique et accentologique n’a toujours pas été utilisée comme il se doit, ni à des fins scientifiques ni à des fins pratiques, notamment pour la rédaction de manuels et de dictionnaires pédagogiques. Parmi les travaux réalisés à l’aide de moyens électroniques (avec une participation au programme international CHILD) et consacrés à la morphologie synchronique, on peut citer la thèse de doctorat d’Ineta Savickienė (1999), consacrée à la morphologie du langage enfantin.

22 |

LAIMA GRUMADIENĖ

Un exemple de travaux consacrés à la morphologie synchronique (avec une participation au programme international CHILD) pourrait être la thèse de doctorat d’Ineta Savickienė (1999), consacrée à la morphologie du langage enfantin.

Il convient également de mentionner que, pour d’autres niveaux — la stylistique et, en partie, la syntaxe, dont les unités sont beaucoup moins fréquentes — des travaux fondés sur des données linguostatistiques, notamment ceux d’Audronė Bitinienė (1983, 1997, 1998 et autres), ont vu le jour il y a déjà une quinzaine d’années. On compte aussi déjà quelques tentatives d’étude du lexique contemporain fondées sur des données linguostatistiques. Ces derniers temps, ces travaux sont le plus souvent menés à partir de la base du Corpus du lituanien contemporain de l’Université Vytautas Magnus (environ 60 000 000 occurrences de mots); citons, par exemple, les recherches sur les collocations menées par Rūta Marcinkevičienė (2000a; 2000b), la thèse de doctorat de Jurgita Mikelionienė (2000) sur les néologismes, etc. De plus en plus de travaux lexicaux sont réalisés à partir de petites bases de données électroniques, parfois sur des sujets assez spécifiques, par exemple la thèse de doctorat d’Asta Ryklienė (2000) sur le lexique employé par les internautes et son travail dans ce domaine. Dans l’ensemble, toutefois, ces travaux restent peu nombreux et les étudiants participent assez peu à ce processus (à l’exception peut-être de l’Université Vytautas Magnus). Un groupe dirigé par Antanas Pakerys à l’Université pédagogique de Vilnius achève la préparation d’une base électronique destinée à l’étude du lexique; cela pourrait alors aussi entraîner une augmentation des travaux étudiants de ce type.

Le présent article se limite à décrire les outils nécessaires à l’étude du lituanien écrit contemporain; il n’aborde donc pas la série déjà lancée d’études sur les écrits anciens, qui s’appuient sur la propre base de données électronique de l’Institut de la langue lituanienne. L’apparition de bases de données électroniques propres donnera sans aucun doute un nouvel élan à la dialectologie lituanienne: l’Institut de la langue lituanienne se prépare déjà à créer un Centre des dialectes, où les enregistrements dialectaux et les textes transcrits à partir de ces enregistrements seraient préparés sous forme électronique. Le même institut a commencé à créer des bases de données électroniques d’onomastique et de toponymie. La base de données électronique du grand Lietuvių kalbos žodyno, en cours d’élaboration, devrait marquer un véritable tournant dans la lexicographie lituanienne; de grands espoirs sont également placés dans la base électronique du Bendrinės lietuvių kalbos žodyno. Des enseignants de l’Université de Vilnius, sous la direction d’Evalda Jakaitienė, participent à l’un des projets de l’Union européenne et élaborent une liste électronique dite universelle des mots lituaniens, qui devrait donner lieu à une nouvelle série de dictionnaires bilingues. Dans une certaine mesure, il s’agit d’un projet qui entre en concurrence avec la maison d’édition du Bendrinės lietuvių kalbos žodyno. Sous l’impulsion de l’Union européenne et grâce principalement aux efforts de la Commission d’État de la langue lituanienne, on a commencé à élaborer des portefeuilles électroniques dits Terminų ar Svetimžodžių portfeliai, c’est-à-dire des listes de termes et d’expressions de différents domaines, récents et très fréquemment utilisés. Diffusées par l’Union européenne à tous ses États membres et pays candidats, elles doivent permettre aux langues de s’adapter et de se préparer à la vague de traductions à venir, ainsi qu’à la traduction automatique. Un groupe de chercheurs de l’Université de Vilnius (dirigé par Meilutė Ramonienė) a entrepris de constituer des bases de données électroniques du lituanien parlé contemporain, à l’instar des bases polonaises fondées sur des enregistrements de la langue des émissions radiophoniques et télévisées. La même université prévoit de constituer une base électronique des slavismes (sous la direction de Vytautas Kardelis), qui devrait comprendre à la fois des enregistrements audio et des exemples sélectionnés et transcrits à partir de ceux-ci.

L’expérience montre que l’on ne pourra espérer obtenir des résultats qu’après avoir appris à travailler avec ce type de données et acquis les compétences nécessaires pour exploiter les nouvelles possibilités. À cette fin, il faut des laboratoires où l’on puisse se former, de préférence dès le plus jeune âge. La nature même des bases de données électroniques implique qu’elles soient publiques; une fois organisées, elles devraient être accessibles à tous ceux qui en ont besoin. Les plus grandes collections de données sur la langue lituanienne se trouvent à l’Institut de la langue lituanienne…

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 23

…tution; ainsi, en se modernisant, il devrait précisément devenir le principal centre de préparation de bases de données électroniques sur la langue lituanienne, une source d’accès public, un centre d’attraction et de rayonnement pour les travaux et les idées de ce type — peut-être ce rôle sera-t-il assumé par le Centre de lituanistique créé au sein de l’Institut de langue lituanienne? Les bases de données électroniques qui seront mises en ligne deviendront encore plus accessibles. D’ailleurs, dès lors qu’il est possible de se connecter à Internet, l’endroit où l’on utilise un ordinateur n’a plus d’importance; seul compte ce qui est disponible sur Internet. Mais ce sont là des projets d’avenir.

À ce jour, la publication de travaux lingvostatistiques sous forme électronique n’est pas encore autorisée en Lituanie et la question des droits d’auteur n’a pas été réglée; les publications imprimées de ce type restent donc d’actualité. Toutefois, les bases de données électroniques et les publications lingvostatistiques diffèrent essentiellement: ces dernières ne sont que la partie émergée de l’iceberg.

Nous examinerons ici une question précise: les rapports entre les bases de données électroniques sur le lituanien écrit contemporain et les dictionnaires de fréquences. Ces derniers ne peuvent exister sans base de données, mais les possibilités offertes par celle-ci sont loin de se limiter à la publication de dictionnaires.

3. BASES DE DONNÉES ÉLECTRONIQUES SUR LE LITUANIEN ÉCRIT CONTEMPORAIN ET DICTIONNAIRES DE FRÉQUENCES

Il va de soi que ce qui distingue avant tout les bases de données linguistiques électroniques des autres ensembles de données linguistiques, c’est leur forme électronique et les spécificités de l’utilisation des technologies informatiques qui en découle. L’apparition des bases de données électroniques a ouvert de nouvelles possibilités pour l’étude de la langue, mais celles-ci ne sont pas liées uniquement à l’avènement des supports électroniques modernes. Le fait que des moyens différents permettent d’obtenir des résultats essentiellement analogues — en premier lieu les caractéristiques de fréquence des formes grammaticales et des lexèmes — montre qu’il existe une grande continuité entre les bases de données électroniques contemporaines et leurs analogues bien plus anciens. En France, la maison d’édition Larousse a commencé dès 1956 à utiliser, pour la préparation de dictionnaires, un fichier de dictionnaire mécanographique (sur des machines électroniques de calcul de l’ancienne génération, ou ESM) (Rozencveig 1986: 82).

La question de la manière dont les bases de données linguistiques électroniques modernes doivent être constituées s’est posée, d’une part, parce que les nouvelles technologies ont rendu possible le traitement d’une grande quantité d’informations; la quantité de texte destinée à illustrer un mot (c’est-à-dire son contexte) s’est alors accrue. De nouvelles possibilités sont ainsi apparues pour étudier les présuppositions du mot, puis celles d’unités linguistiques plus larges, et donc la syntaxe et la sémantique. On s’est passionné pour des extraits de texte de plus en plus longs, jusqu’à passer finalement à des textes entiers et complets, avant que le coût d’acquisition des droits d’auteur ne mette un frein à cette tendance. D’autre part, l’apparition des ordinateurs a sans doute eu un impact comparable à celui de l’invention de Gutenberg; surtout, leur diffusion à une vitesse inédite a fait croître selon une progression géométrique les échanges à distance entre les personnes, tant avec celles qui parlent la même langue qu’avec celles qui en parlent une autre. Il en a résulté une demande sociale urgente d’informations statistiques variées sur la langue, afin d’automatiser autant que possible les processus de communication: l’enseignement des langues, la traduction, la reconnaissance, la compression et la transmission de l’information, entre autres.

La linguistique lituanienne n’est pas restée à l’écart de ce processus général, même si, bien entendu, elle a pris beaucoup de retard. Tout au long du XXe siècle, et particulièrement pendant sa seconde moitié, le monde semblait déjà se préparer à un nouveau bond en avant. Il s’agissait avant tout de dictionnaires de fréquences des langues. Les premiers parurent dès le XIXe siècle.

24 |

LAIMA GRUMADIENĖ

…à la fin du XIXe siècle et au début du XXe siècle. Le tout premier fut celui de la langue allemande, préparé par le sténographe F. Kaeding (1898) à partir de 11 000 000 occurrences de mots, au moyen d’un fichier sur fiches. Bien plus tard, G. Vander Beke (1929) publia un dictionnaire du même type pour le français. H. Eaton (1934) établit un dictionnaire comparatif des mille premiers mots les plus fréquents dans quatre langues: l’anglais, le français, l’allemand et l’espagnol. Le premier dictionnaire de fréquences de l’anglais fut préparé par E. Thorndike et L. Lorge (1944), et celui de l’espagnol par V. Garcia Hoz (1953). Le premier dictionnaire de fréquences du russe fut préparé en Amérique par H. Josselson (1953), tandis que N. P. Vacar (1966), également en Amérique, publia un dictionnaire de fréquences du russe parlé à l’époque soviétique, fondé en réalité uniquement sur la langue des œuvres dramatiques. E. Šteinfeldt (Štejnfel’dt 1963) publia à Tallinn un dictionnaire de fréquences de la langue de Pouchkine. À partir d’un corpus d’un million de mots, constitué pour moitié de littérature et pour moitié de prose dite informative (articles de presse, documents administratifs et littérature scientifique), L. Lönngren (1993) établit à Uppsala un dictionnaire de fréquences du russe. Les premiers dictionnaires de fréquences, non seulement du russe, mais aussi du roumain et de l’italien, furent eux aussi préparés en Amérique: A. Juilland, P. M. Edwards et I. Juilland (1965), puis A. Juilland et V. Traversa (1973) (à noter qu’A. Juilland et E. Ch. Rodrigues (1964) y avaient déjà préparé un autre dictionnaire de fréquences de l’espagnol, auquel J. R. Alameda et F. Cuetos (1995) en ajoutèrent un autre par la suite). Toute une série de dictionnaires de fréquences s’appuyait sur la conception des styles fonctionnels de la langue élaborée par le Cercle linguistique de Prague, ainsi que sur la conception de la langue commune de Boris Larin. Le premier fut, comme il se doit, celui du tchèque: d’abord consacré à des styles fonctionnels distincts, puis sous forme générale; ces dictionnaires furent rédigés par une équipe dirigée par Marie Těsitelová (J. Jelínek, J. V. Bečka et autres, voir Těsitelová 1983). Les Lettons se mirent rapidement à l’ouvrage, comme les Tchèques: ils élaborèrent d’abord des dictionnaires portant sur des styles fonctionnels distincts, puis un dictionnaire général en deux volumes — T. Jakubaite, D. Kristovska, D. Guļevska, V. Ozola, R. Prūse, A. Rubine, N. Sika (1966–1976). La même méthode fut également suivie par V. A. Agrajevas, V. V. Borodinas, V. M. Muratovas et E. V. Tisenko, sous la direction de L. N. Zasorina (1977), pour établir un dictionnaire de fréquences du russe contemporain fondé sur un million d’occurrences de mots tirées de quatre styles fonctionnels. Le dictionnaire de fréquences du biélorusse préparé par N. S. Mažeika et A. J. Suprunas (Mažeika, Suprun 1976) ne couvre qu’un seul style fonctionnel, celui de la littérature. Le dictionnaire de fréquences du bulgare ne porte lui aussi que sur le style journalistique (Todorova, Pančovska 2001). Le premier dictionnaire de fréquences du lituanien, préparé par V. Žilinskienė (1990), ne couvrait également qu’un seul style fonctionnel, le style journalistique; sa préparation s’appuyait sur la même méthode tchèque et s’effectuait en étroite collaboration avec les Lettons.

Avec le temps, malgré le fait que le lituanien ne puisse s’en prévaloir, toutes sortes de dictionnaires de fréquences sont apparus dans le monde: dictionnaires portant sur la langue d’auteurs particuliers, les styles fonctionnels, les variétés régionales, la langue écrite ou parlée, etc. Les dictionnaires de fréquences portant sur « une langue n en général » sont devenus inopérants, car les besoins concernaient des objectifs précis; il fallait donc sélectionner les mots dans des textes relevant d’un domaine particulier, et non dans leur ensemble. Par ailleurs, la question de la constitution des dictionnaires de fréquences « a changé de dimension » lorsque, à la recherche d’exemples d’usage, les béhavioristes et les positivistes américains ont fait émerger les corpus électroniques: les technologies électroniques se développaient rapidement, permettant non seulement d’accumuler, mais aussi de traiter d’immenses ensembles de textes.

Les débuts de la linguistique de corpus remontent à 1961, lorsque Nelson Francis et Henry Kučera annoncèrent la création du célèbre corpus électronique de langue écrite Brown (Brown university), et entreprirent de le constituer; John Sinclair, lui, créa le corpus LOB (Lancaster-Oslo/Birmingham), de même format…

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 25

… corpus; dès 1959, Randolph Quirk annonçait le corpus de langue écrite et parlée SEU (Survey of English Usage), que Jan Svartvik poursuivit en entreprenant, à l’université de Lund, la création d’un corpus de langue parlée, LLC (London-Lund Corpus of Spoken English). La taille de tous les corpus mentionnés était alors d’environ 1 à 1,15 million d’occurrences de mots; d’autres corpus similaires ont ensuite vu le jour (voir Aijmer, Altenberg 1991: 1 sqq.). La taille des corpus de deuxième génération se compte en dizaines de millions, celle des corpus de troisième génération, déjà en centaines de millions et en milliards. Dans le monde, le problème de la compatibilité des logiciels informatiques et des programmes de travail demeure d’actualité: on a déjà constitué des corpus d’une ampleur considérable — des centaines de millions de mots (il s’agit essentiellement de bibliothèques sous forme électronique) —, mais comment les exploiter commodément, comment calculer les fréquences les plus élémentaires, comment ne pas se perdre dans un océan de mots? Après tout, la quantité est-elle toujours gage de qualité? La confection de divers dictionnaires de fréquence a maintes fois permis de constater que la moitié des mots étudiés n’apparaissent qu’une seule fois. Il faut donc, chaque fois que l’on entreprend un travail, bien réfléchir à la nécessité réelle de disposer d’une masse considérable de données pour atteindre les objectifs fixés et rechercher les mots les plus rares. Parfois, lorsqu’on étudie certaines régularités grammaticales ou dérivationnelles, il est véritablement irrationnel d’augmenter excessivement la taille de l’échantillon étudié; il convient tout à fait de l’évaluer également à l’aide de critères statistiques, car ceux-ci indiqueront la probabilité que l’échantillon soit suffisant pour tirer des conclusions représentatives. Il faut notamment prêter attention aux textes qui composent l’échantillon étudié, c’est-à-dire à la manière dont est construit le modèle de l’objet de recherche. En linguistique lituanienne, la question qui suscite sans doute le plus d’interrogations à cet égard est aujourd’hui celle de ce qu’il faut considérer comme le lituanien standard et de la part qui devrait revenir, en son sein, aux styles fonctionnels ou aux couches linguistiques distinguées selon d’autres critères. Ainsi, le corpus de l’université Vytautas Magnus mentionné plus haut a été constitué selon certains principes d’échantillonnage, tandis que le Dabartinės rašomosios lietuvių kalbos dažninio žodyno l’a été selon d’autres; les résultats obtenus diffèrent donc eux aussi. Il faut évaluer avec beaucoup de soin et d’objectivité les données statistiques portant, par exemple, sur des parties du discours particulières, lorsqu’elles proviennent de corpus différents. On a constaté que, dans les travaux de ce type déjà achevés ou en cours, l’attention portée aux textes étudiés est insuffisante et que des généralisations sont faites au sujet du « lituanien contemporain ». Le travail sur les chiffres exige de la précision, faute de quoi les conclusions sont trompeuses.

Le corpus électronique du Dabartinės rašomosios lietuvių kalbos dažninio žodyno dont il est question dans cet article (1,2 million d’occurrences de mots) relève des corpus de première génération (de type Brown, LOB), d’une taille supérieure à un million de mots. Il partage une autre caractéristique avec ces célèbres corpus: comme peu de corpus plus récents dans le monde, le nôtre est annoté. Les technologies informatiques ont offert des conditions exceptionnelles aux langues analytiques: des programmes spécialisés, mais assez largement répandus (notamment le célèbre Oxford Concordance Program de l’université d’Oxford, ainsi que KWIC, KAYE, CLAN, OCP, WordCruncher et autres) permettent d’établir assez facilement des listes des mots les plus fréquents et d’en fournir les concordances (Leech 1991: 10; Utka 2000). Les chercheurs du corpus de langue lituanienne contemporaine de l’université Vytautas Magnus utilisent généralement des programmes de ce type; toutefois, ils ne permettent d’analyser que les mots, c’est-à-dire le lexique, car ils ne fournissent pas d’informations sur la terminaison des mots, pourtant particulièrement importante en lituanien. Les choses sont donc plus compliquées pour les langues synthétiques: avec les programmes décrits, on établit des listes de formes de mots, et non de lemmes. Il faut beaucoup de travail supplémentaire pour lemmatiser les formes et en faire de simples lemmes. Ces listes de mots, qui comportent aussi une analyse grammaticale, sont dites annotées; elles sont peu nombreuses dans le monde et très prisées, car elles exigent un investissement considérable en travail. Elles sont donc

26 |

LAIMA GRUMADIENĖ

très coûteuses (V. Žilinskienė et moi-même avons calculé que, dans notre cas, la sélection des textes, leur saisie au clavier, leur analyse morphologique semi-automatisée — le « lemmatisation » —, leur correction et l’intégration des données dans l’ordinateur représenteraient, pour une seule personne, six années de travail). Les calculs et les corrections ultérieures nécessitent encore plusieurs années, car toute imprécision dans les opérations mathématiques peut aboutir à l’absurde.

De manière générale, surtout depuis l’apparition des corpus électroniques, on peut désormais constituer des dictionnaires de fréquence de toutes sortes, selon des méthodes diverses — tout dépend de ce que l’on cherche. La principale raison pour laquelle on élabore sans cesse de nouveaux dictionnaires de fréquence, notamment ceux qui prétendent, par exemple, être des dictionnaires du n contemporain, tient à une exigence fondamentale de la statistique linguistique, comme de la statistique en général: l’échantillon doit constituer un modèle représentatif de la population étudiée, ou de l’ensemble. En somme, on se demande continuellement si l’échantillon étudié reflète réellement la population visée. Ainsi, un dictionnaire de fréquence du lituanien contemporain établi à partir du corpus de langue lituanienne contemporaine de l’université Vytautas Magnus, qui compte jusqu’à 60 millions d’occurrences, serait différent de ceux déjà publiés par L. Grumadienė et V. Žilinskienė (1997, 1998), car ses résultats refléteraient un ensemble de textes composé principalement de 70% de périodiques, de 26% de publications non périodiques et de 4% de textes de publications traduites (Marcinkevičienė 2000a: 16). Les textes des dictionnaires susmentionnés ont été sélectionnés sur une tout autre base: il s’agit de textes originaux, non traduits, relevant de quatre styles fonctionnels — journalistique, administratif, littéraire et scientifique. Ce choix s’explique par le fait que le lituanien standard, et tout particulièrement sa forme écrite, continue d’être élaboré, normalisé et codifié dans l’esprit des idées du Cercle linguistique de Prague (il convient d’ailleurs de noter que le terme même de STYLE reçoit aujourd’hui des définitions très différentes selon les écoles linguistiques). Les principes retenus sont ceux d’autres compilateurs de dictionnaires de fréquence, avant tout tchèques, russes et lettons, qui adhéraient eux aussi à la conception du lituanien standard exposée plus haut, comme somme des styles fonctionnels, et dont l’expérience a été mise à profit. Ainsi, comme eux, on a choisi des échantillons de 300 000 occurrences de mots tirés de quatre styles fonctionnels, estimant que les principes de constitution du corpus de l’université Vytautas Magnus (qui, au demeurant, est apparu après le nôtre), plus proches de la conception américaine de la langue commune (ou standard, comme on dit là-bas), étaient encore prématurés pour le lituanien écrit. Dans la base de données du Dabartinės rašomosios lietuvių kalbos dažninio žodyno, on regrette parfois l’absence de vocabulaire familier, car on oublie qu’elle repose uniquement sur la langue écrite publique: elle ne comprend ni lettres privées, ni journaux intimes, ni inscriptions murales ou autres textes de ce genre. Pourtant, des mots de la langue parlée sont également entrés dans le dictionnaire, parmi lesquels figurent non seulement des mots étrangers et dialectaux, mais aussi des exemples de lexique péjoratif inacceptable dans la langue standard, ce qui vaut constamment aux auteures du dictionnaire des reproches. La question se pose de savoir ce qu’il faut considérer comme de la littérature: ces mots figuraient dans des textes littéraires (textes originaux édités et imprimés en Lituanie à plus de 100 exemplaires), et le principe de la confection d’un dictionnaire de fréquence est de ne supprimer aucun mot lexical, à moins qu’il ne s’agisse d’un nom propre, d’un chiffre, d’une abréviation ou d’une coquille. Les données montrent d’ailleurs que, parmi les échantillons de 300 000 occurrences de mots prélevés dans chacun des quatre styles fonctionnels, on a recensé 284 687 mots lexicaux dans le style journalistique (15 313 « déchets » au sens technique du terme), 279 505 dans le style administratif (20 495 exclus du dictionnaire pour les raisons mentionnées), 278 311 dans le style scientifique (21 689) et 290 561 dans le style littéraire (9 439). Mon cœur ne m’a pas permis d’écarter le nom propre Lietuva; il est donc, à titre d’exception, le seul nom propre à avoir été inclus dans le dictionnaire (il se trouve, semble-t-il, au 16e rang des mots par fréquence, premier parmi les noms, avec une fréquence de 5151 dans 614 échantillons: cela s’explique par la présence de documents officiels,

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 27

les noms d’institutions, etc., dans lesquels ce mot apparaissait souvent au génitif). On peut considérer, par convention, que les noms de fêtes religieuses et autres (souvent employés aussi comme noms communs) sont également des noms propres, par exemple, Joninės, Kūčios, Žolinė, ou les noms des points cardinaux Rytai, Vakarai, Pietūs, Šiaurė.

Conformément au principe de représentativité, seuls ont été retenus, pour chacun des styles mentionnés, des textes relevant du style pur: les textes de manuels considérés comme marginaux, les articles de vulgarisation scientifique, ceux destinés à un cercle restreint de lecteurs, le théâtre, la poésie, etc., ont été écartés. Les textes journalistiques ont été sélectionnés par Vida Žilinskienė; ils se composaient de textes publiés en 1994–1995 dans 19 quotidiens ou hebdomadaires nationaux sous la direction desquels elle travaillait, ainsi que dans des magazines à grand tirage, et représentaient cinq groupes thématiques: 1) la politique, 2) l’industrie et l’agriculture, 3) l’éducation et le droit, 4) les arts et 5) les loisirs (sport, horoscopes, prévisions météorologiques). Les textes de style administratif et technique ont été sélectionnés par Pranas Kniūkšta et Danutė Vainauskienė dans des publications et documents de 1990–1995, selon sept groupes thématiques: 1) lois et documents d’accompagnement, commentaires, 2) documents juridiques, 3) ouvrages de référence et documents économiques et commerciaux, 4) publications de science politique et documents de partis, 5) normes et publications statistiques, 6) sources d’information (bibliographies, catalogues, dictionnaires), 7) documents de différents secteurs sociaux (défense nationale, sécurité sociale, éducation, culture, etc.). Les textes de style scientifique ont été sélectionnés par Irena Andriukaitienė parmi des publications scientifiques parues en Lituanie entre 1990 et 1995 ou des travaux approuvés par des institutions scientifiques, selon huit groupes thématiques (domaines scientifiques): 1) sciences agronomiques, 2) sciences naturelles, 3) sciences humaines, 4) mathématiques, 5) médecine, 6) sciences sociales, 7) sciences techniques, 8) théologie. Les textes de style littéraire ont été sélectionnés par Laima Grumadienė parmi des œuvres de fiction en prose publiées en Lituanie entre 1985 et 1990 (à quelques exceptions près); leurs six groupes « thématiques » ont été établis en fonction du lieu de naissance des écrivains: 1) Samogitiens, 2) Hauts-Lituaniens de l’Est, 3) Hauts-Lituaniens de l’Ouest, 4) Hauts-Lituaniens du Sud, 5) citadins, 6) émigrés (sans tenir compte de leur véritable lieu de naissance).

Il a été décidé que ces textes étaient précisément ceux qui pouvaient représenter le lituanien écrit contemporain. On en prélevait au hasard (les pages et les lignes étaient choisies à l’aide d’une table de nombres aléatoires) un segment de 1 000 occurrences de mots, appelé échantillon, puis on le saisissait au clavier (environ deux heures de travail). Les échantillons étaient ensuite lemmatisés, c’est-à-dire soumis à une analyse morphologique au moyen du programme MAN (Morfologinio Analizavimo ir Normalizavimo) conçu par Vytautas Zinkevičius. Pour ce travail, l’auteur l’avait spécialement adapté à partir de son propre programme de correction orthographique des mots par ordinateur, élaboré antérieurement; en 2000, à la demande de l’université Vytautas-Magnus, il l’améliora quelque peu, le porta à une version supérieure et le baptisa lemmatiseur (Zinkevičius 2000).

Le travail se présentait à peu près ainsi: on recevait une sortie informatique dont il fallait « jeter » les lignes superflues (souligné par moi). Par exemple, voici la sortie d’un segment de texte déjà traité non seulement par la machine, mais aussi par un humain (…) manęs visa ši komedija (…):

FIG. 1. EXEMPLE DE LEMMATISATION D’UN TEXTE

moi penser de moi-même pronom personnel 1re personne du singulier accusatif moi-même verbe participe passé actif forme de base indéclinable masculin singulier nominatif

28 |

LAIMA GRUMADIENĖ

tout

visa įvr mot vns V

visa įvr mot vns I

visa įvr mot vns Š

visa įvr bvr

celui-ci

celle-ci pronom démonstratif pronom indéfini féminin singulier nominatif

comédie

comédie nom féminin singulier nominatif

comédie nom féminin singulier instrumental

comédie nom fém sing N

Dans la première ligne figure le lemme reconstitué; dans la deuxième (la partie restante non barrée), la forme du mot accompagnée de ses caractéristiques grammaticales. Un tel travail sur 1 000 mots prend environ 4 heures, mais il n’existe probablement pas encore de méthode plus rapide pour analyser morphologiquement les mots lituaniens. On recherche ensuite les homonymes et les homophones; les échantillons sont corrigés à l’aide du programme MAN-K de Vytautas Zinkevičius, puis fusionnés dans l’ordinateur — tout cela prend encore une heure. Au total, 1 200 échantillons de 1 000 occurrences de mots chacun ont ainsi été traités.

Une fois ce travail considérable achevé, les données ont ensuite été traitées à l’aide des programmes de calcul préparés par Valentina Černiauskas et Snieguolė Meškauskienė (tous deux de l’Institut de mathématiques et d’informatique): divers indices de fréquence ont été calculés. Trois dictionnaires ont été préparés pour publication; deux ont déjà paru (Grumadienė, Žilinskienė 1997; 1998), et le troisième devrait, espérons-le, voir le jour cette année. Les deux premiers dictionnaires sont des listes de fréquence des lemmes. Le premier est classé par fréquence décroissante, le second par ordre alphabétique. Ils comptent respectivement 38 337 mots différents. Le troisième, dictionnaire des formes de mots, est plusieurs fois plus volumineux (31 a. l.); il contient environ 150 000 formes de mots et rend compte de l’emploi de mots différents ou identiques sous diverses formes grammaticales (il devrait être présenté par ordre alphabétique et en ordre inverse). Plusieurs dizaines d’autres dictionnaires de fréquence, organisés de diverses manières, ont également été préparés pour une consultation électronique: pour les quatre styles, pour les groupes thématiques de chaque style, etc. (tant pour les lemmes que pour les formes de mots).

La comparaison de certaines données statistiques montre déjà que, dans la langue écrite lituanienne, les noms sont les mots différents les plus nombreux: parmi tous les mots différents, 45,25% sont des noms; les verbes et les formes verbales sont également nombreux (32,65%), tandis que les adjectifs représentent une part importante (15,31%); les adverbes différents constituent 5,03%. Les autres parties du discours ne dépassent chacune pas un demi-pour cent (elles ne représentent que 0,88% au total). Cela ne signifie toutefois pas que leur répartition dans les textes soit identique. Un autre indicateur, la fréquence des mêmes mots dans les textes, montre que la proportion des principales parties du discours et des adverbes diminue considérablement au profit des mots grammaticaux et des pronoms, ces derniers représentant déjà plus d’un quart des textes (26,71%). Il convient de prêter attention non seulement à l’indice de fréquence, mais aussi au nombre d’échantillons distincts dans lesquels apparaît un mot ou une forme de mot: cela permet de déterminer si la fréquence d’un mot a été due à la présence fortuite d’un texte où ce mot se répète de nombreuses fois, ou si, au contraire, sa fréquence n’est pas fortuite, parce que sa dispersion est uniforme dans les différents échantillons.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 29

La diversité lexicale s’évalue au moyen du coefficient d’itération (rapport entre le nombre d’occurrences de mots et le nombre de lemmes), qui est égal à 20,06 dans le dictionnaire mentionné (plus cette valeur est faible, plus le nombre de mots différents relevés est élevé). Les dictionnaires de lemmes et de formes de mots, calculés mais non publiés, pour chacun des quatre styles fonctionnels (V. Žilinskienė a déjà écrit sur certaines particularités lingvostatistiques qu’ils révèlent (1998, 2001, sous presse, etc.)) montrent que, par exemple, le lexique de la littérature de fiction est deux fois plus diversifié que celui des textes de style administratif (les coefficients d’itération sont respectivement de 9,53 et de 20,78). Le plus intéressant est que, tous les quatre styles réunis, le coefficient d’itération diffère assez peu de celui du style administratif, mais beaucoup de celui de la littérature de fiction (il est de 10,51 pour le journalisme et de 12,63 pour les textes scientifiques). Ces indicateurs constituent un argument de poids pour déterminer, par exemple, les principes de composition d’un dictionnaire de la langue standard: dans quelles proportions les styles fonctionnels devraient-ils y être représentés? Faut-il poursuivre la pratique qui consiste à associer la langue standard aux styles fonctionnels? Si oui, il est nécessaire de tenir compte des indicateurs statistiques des styles fonctionnels, etc.

La comparaison de la liste des mots les plus fréquents établie à partir du corpus de l’Université Vytautas Magnus a fourni des données intéressantes (les mots y ont été relevés et comptabilisés sous les formes qu’ils prennent dans les textes, sans lemmatisation, contrairement au Dabartinės rašomosios lietuvių kalbos dažniniame žodyne). La comparaison des 50 mots invariables et formes fléchies les plus fréquents dans un corpus lituanien de 60 millions de mots (Utka 2000: 278) avec les 50 premiers lemmes du Dažninio žodyno (Grumadienė, Žilinskienė 1997: 3) permet de constater clairement qu’ils coïncident pour l’essentiel. La première liste de fréquence contient simplement un peu moins de mots différents, car elle recense diverses formes d’un même mot, par exemple buvo, būti; jis, jo, jų, jos, jie, tandis que, dans la seconde liste, c’est-à-dire dans le dictionnaire, elles sont respectivement représentées par būti et jis. Conformément aux principes de composition de ce type de dictionnaire, les abréviations n’ont pas été incluses dans le Dažninį žodyną; néanmoins, parmi celles qui figuraient dans la liste des mots les plus fréquents mentionnée plus haut, m, d, a — respectivement metai, diena, amžius —, la comparaison avec les données du Dažninio žodyno montre que les deux premiers mots sont également fréquents dans le dictionnaire, où ils occupent les rangs 30 et 57 (des mots de même rang sont ceux qui ont la même fréquence), tandis que amžius ne figure que dans le troisième cent. À noter que l’abréviation et le mot développé sont tous deux assez fréquents, et qu’ils s’emploient avec des sens légèrement différents. Comme le confirme la pratique de l’élaboration de dictionnaires de fréquence pour de nombreuses langues synthétiques, les mots les plus fréquents du Dabartinės rašomosios lietuvių kalbos dažniniame žodyne sont certaines conjonctions (ir, kad, o, kaip, ar, bet, bei, kai, etc.), des prépositions (į, iš, su, nuo, apie, po, už, dėl, per, prie, etc.), des pronoms (jis, tas, aš, kuris, šis, visas, kitas, savas, toks, kas, tu, etc.) et des particules (ir, ne, tik, etc.); les verbes les plus courants sont būti, galėti, turėti, nebūti, reikėti, žinoti, nustatyti, etc., et les noms, Lietuva, darbas, žmogus, metai, etc. Parmi les numéraux, les plus fréquents sont vienas, pirmas, du; parmi les adjectifs figurant dans le premier cent des mots les plus fréquents, on trouve dideli, naujas, aukštas, įvairus, svarbus, pagrindinis. À noter également que les données relatives aux langues analytiques montrent, par exemple, que, dans les textes anglais, le pronom I, la conjonction and et l’article the représentent 10% des textes (Hillerich www: eduplace.com).

La question des mots internationaux est également importante: combien d’entre eux, et lesquels, faudrait-il intégrer au dictionnaire de la langue standard? Il peut être utile de savoir que, par exemple, dans la liste des lemmes du Dabartinės rašomosios lietuvių kalbos dažninio žodyno (1998, XXXIV–XXXVI), 27,52% sont des mots internationaux et qu’ils occupent 13,34% des textes; les listes de ces mots elles-mêmes peuvent également être utiles.

30 |

LAIMA GRUMADIENĖ

Lorsqu’on se prépare à rédiger une nouvelle grammaire de la langue lituanienne, il est important de connaître également les statistiques des formes des mots: quels types de mots se déclinent et comment, pourquoi, et pourquoi la variété des formes grammaticales est grande pour certains mots et non pour d’autres. Le dictionnaire des formes de mots en cours de préparation pour publication regorge de telles données. V. Žilinskienė (2001) a déjà publié des données intéressantes sur le seul style journalistique. Il apparaît que trois cas des noms représentent 82,29% de toutes leurs occurrences (gén. – 38,91%, nom. – 26,62%, acc. – 16,76%; le fait que, par exemple, le datif ne soit utilisé que dans 3,88% des cas indique-t-il déjà une tendance à l’analytisation?). Les adjectifs, soit dit en passant, sont le plus souvent employés au nominatif – dans 36,93% des cas. Il a été établi que le singulier des noms prédomine – 68,86% de toutes les occurrences. Dans les textes journalistiques, on a trouvé relativement peu de gérondifs (2,34%) et de participes circonstanciels (1,84%), mais les participes représentent jusqu’à 24,46%; l’infinitif a été employé dans 15,85% des cas.

Des résultats intéressants et inhabituels, en particulier pour les enseignants et les spécialistes qui élaborent des manuels, des programmes d’enseignement et des dictionnaires, ont été obtenus en examinant les trois dictionnaires minimaux lituanien-russe des catégories de qualification de maîtrise de la langue officielle préparés et publiés par V. Žilinskienė et L. Grumadienė (1998; 1999a; 1999b), ainsi que les six autres dictionnaires analogues lituanien-anglais et lituanien-polonais, préparés mais pas encore publiés. Il convient ici de rappeler une fois de plus que les échantillons ont été recueillis à partir de textes en lituanien écrit; on peut donc regretter l’absence des mots de la langue parlée. Ces petits dictionnaires sont destinés à l’apprentissage de la langue écrite, car les exigences de qualification en matière de maîtrise de la langue officielle sont liées à son usage public, avant tout dans des situations officielles, notamment dans les institutions publiques; le lexique nécessaire est donc plutôt neutre et spécialisé que familier: il faut être capable de lire et de rédiger des documents professionnels et de comprendre les textes des médias. À l’avenir, des dictionnaires minimaux de la langue parlée seront également élaborés. En Lituanie a été publié le manuel de Vytautas Šernas (1994) Comment apprendre les langues de façon plus rationnelle, qui comprend aussi un dictionnaire minimal bilingue anglais-lituanien: il s’agit de la traduction du célèbre Basic English publié en 1942 par Ch. K. Ogden, composé de 850 mots (on le trouve d’ailleurs aussi dans le volume 3 de l’Encyclopaedia Britannica). Avec le temps, certains mots vieillissent et d’autres apparaissent; la liste de ces 850 mots peut donc évoluer en conséquence. Lors de la définition des exigences relatives aux trois catégories de qualification de maîtrise du lituanien comme langue officielle, l’avis des auteurs du Dictionnaire de fréquence du lituanien écrit contemporain concernant le volume des dictionnaires minimaux a également été pris en compte: il a été décidé que les exigences de la catégorie I correspondraient à la maîtrise d’environ 800 mots, celles de la catégorie II à environ 1 200 mots, et celles de la catégorie III à environ 2 500 mots. On s’est appuyé à la fois sur le postulat d’Ogden, généralement admis, des 850 mots, sur les résultats des recherches de fréquence portant sur la langue lituanienne et d’autres langues, ainsi que sur les pratiques analogues d’autres pays. Le fait que ces calculs ne soient pas arbitraires ressort également des trois tableaux présentés en annexe, qui montrent clairement la part des textes couverte respectivement par les 800, 1 200 et 2 500 mots les plus fréquents du lituanien écrit: 56,66%, 65,70% et 78,04%.

Il devient désormais habituel que tous les grands dictionnaires indiquent les mots les plus fréquents d’une langue. Par exemple, dans le dictionnaire anglais COBUILD (www.antimoon.com), les 680 mots les plus fréquents sont signalés par un à quatre losanges. Dans le dictionnaire d’anglais Longman, les 3 000 mots les plus fréquents sont marqués respectivement S1, S2 (S – spoken English), W1, W2 (W – written English). Dans le dictionnaire d’anglais Macmillan, les mots les plus fréquents sont imprimés en rouge; la fréquence des autres est indiquée par une à trois étoiles. Le moment approche où, semble-t-il, la lexicographie lituanienne devra elle aussi s’en occuper.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 31

4. CONCLUSIONS

Il existe peu de bases de données électroniques consacrées au lituanien contemporain; les plus importantes sont le Dictionnaire de fréquence du lituanien écrit contemporain de V. Žilinskienė et L. Grumadienė (annoté morphologiquement et traité statistiquement, 1 200 000 occurrences) et le Corpus de la langue lituanienne de l’Université Vytautas Magnus (non annoté, environ 60 000 000 occurrences). En lituanistique, il n’existe pas encore de pratique appropriée en matière d’utilisation des bases de données électroniques sur la langue contemporaine et des publications de linguistique statistique. Tout d’abord, les établissements d’enseignement supérieur lituaniens n’encouragent pas suffisamment cette façon de travailler; mais l’envers du problème est aussi le nombre trop faible de bases de données électroniques lituaniennes accessibles au public. Le retard s’explique notamment par le fait que les bases de données électroniques ne sont pas reconnues comme des œuvres de création. L’une des questions les plus urgentes en Lituanie concernant les bases de données électroniques est la faiblesse de leur conception: souvent, on prévoit de les utiliser uniquement comme des textes présentés sous forme électronique, sans envisager l’application de technologies informatiques au traitement des données.

32 |

LAIMA GRUMADIENĖ

TABLEAU 1: FRÉQUENCE DES MOTS PAR CATÉGORIES LINGUISTIQUES ET TOTAL, DANS LE VOCABULAIRE MINIMAL REQUIS POUR LA MAÎTRISE DU LITUANIEN COMME LANGUE OFFICIELLE

Rang Fréquence nom verbe adj adv autres 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

ANALYSE LINGUISTIQUE STATISTIQUE DU DICTIONNAIRE MINIMAL DES CATÉGORIES:

skt prl jng dll išt; ist Total – 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 Fréquence nom verbe 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%

Vocabulaire minimal de la catégorie de qualification I en langue lituanienne standard (environ 800

TABLEAU 2: FRÉQUENCE DES PARTIES DU DISCOURS ET FRÉQUENCE GÉNÉRALE DES MOTS POUR LE NIVEAU DE COMPÉTENCE LINGUISTIQUE II EN LITUANIEN STANDARD

Rang Fréquence nom verbe 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%

Vocabulaire minimal de la catégorie de qualification II en langue lituanienne standard (environ 1200

TABLEAU 3: FRÉQUENCE DES PARTIES DU DISCOURS ET FRÉQUENCE GÉNÉRALE DES MOTS POUR LE NIVEAU DE COMPÉTENCE LINGUISTIQUE III EN LITUANIEN STANDARD

Rang Fréquence nom verbe adj adv pron 601–650 105-56 45751 20328 12145 5822 433 52,31% 23,25% 13,88% 6,66% 0,50%

Vocabulaire minimal de la catégorie de qualification III en langue lituanienne standard (environ 2500

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 35

skt prl jng dll išt; jst Total 426 – – 812 – 36194 1,17% 2,24% 3,02% – – 1407 2043 – 34886 4,03% 5,87% 2,91% 276 – 272 1118 – 33489 0,82% 0,81% 3,34% 2,79% 255 224 210 700 – 40857 0,62% 0,55% 0,51% 1,71% – 3,40% mots) couvrent 56,66% du texte (échantillon de 1,2 million d’occurrences de mots). 56,66%

ANALYSE LINGUO-STATISTIQUE DU VOCABULAIRE MINIMAL DES CATÉGORIES:

skt prl jng dll išt; jst Total 530 342 177 795 371 47891 1,11% 0,71% 0,37% 1,66% 0,78% 3,99% 520 275 132 713 109 60571 0,86% 0,45% 0,22% 1,18% 0,18% 5,05% mots) couvrent 65,70% du texte (échantillon de 1,2 million d’occurrences de mots). 9,04% Au total: (=65,70%)

ANALYSE LINGUO-STATISTIQUE DU VOCABULAIRE MINIMAL DES CATÉGORIES:

skt prl jng dll išt; jst Total 460 341 372 1697 102 87446 0,52% 0,40% 0,42% 1,94% 0,12% 7,29% mots) couvrent 78,04% du texte (échantillon de 1,2 million d’occurrences de mots). 7,29% Au total: (=78,04%)

36 |

LAIMA GRUMADIENĖ

LITERATŪRA

AJMER, K., ALTENBERG, B. 1991: Introduction. Ajmer, K., Altenberg, B., eds., English Corpus Linguistics. Studies in Honour of Jan Svartvik, London–New York: Longman.

ALAMEDA, J. R., CUETOS, F. 1995: Diccionario de frecuencias de las unidades lingüísticas del castellano, Universidad de Oviedo.

BITINIENĖ, A. 1983: Mokslinis stilius, Vilnius: Aukštojo ir specialiojo mokslo ministerija.

BITINIENĖ, A. 1997: Funkciniai stiliai: sakinio ilgis ir struktūra, Vilnius: Vilniaus pedagoginio universiteto leidykla.

BITINIENĖ, A. 1998: Administracinis stilius ir jo sakinio ilgis. Kalbotyra 47 (1), 17–28.

EATON, H. 1934: Comparative frequency list on the first thousand words in English, French, German and Spanish. Coleman, A., ed., Experiments and Studies in Modern Language Teaching, Chicago.

GARCIA HOZ, V. 1953: Vocabulario usual, comun y fundamental. Madrid: Consejo Superior de Investigaciones Cientificas – Instituto „San José de Calasanz“.

GRUMADIENĖ, L., ŽILINSKIENĖ, V. 1997: Dabartinės rašomosios lietuvių kalbos dažninis žodynas (mažėjančio dažnio tvarka), Vilnius: Matematikos ir informatikos institutas, Lietuvių kalbos institutas.

GRUMADIENĖ, L., ŽILINSKIENĖ, V. 1998: Dabartinės rašomosios lietuvių kalbos dažninis žodynas (abėcėlės tvarka), Vilnius: Matematikos ir informatikos institutas, Lietuvių kalbos institutas.

HILLERICH, R., www: eduplace. com: High-frequency words and vocabulary.

JAKUBAITĖ, T. e.a. 1966–1976: Latviešu valodas biežuma vārdnīca, 1.–4. sējumi, Rīga: Zinātne.

JOSSELSON, H. 1953: The Russian Word Count and Frequency Analysis of Grammatical Categories of Standard Literary Russian, Detroit: Periodical Service Co.

JUILLAND, A., RODRIGUES, E. Ch. 1964: Frequency Dictionary of Spanish words, The Hague: Mouton.

JUILLAND, A., EDWARDS, P. M., JUILLAND, I. 1965: Frequency Dictionary of Roumanian Words, The Hague: Mouton.

JUILLAND, A., TRAVERSA, V. 1973: Frequency Dictionary of Italian Words, The Hague: Mouton.

KAEDING, F. 1898: Häufigkeitswörterbuch der deutschen Sprache, Steigliz bei Berlin (Selbstverlag).

KEINYS, S., red. 1993: Dabartinės lietuvių kalbos žodynas, Vilnius: Mokslo ir enciklopedijų leidykla.

KEINYS, S., red. 2000: Dabartinės lietuvių kalbos žodynas, Vilnius: Mokslo ir enciklopedijų leidykla.

KENNEDY, G. 1998: An Introduction to Corpus Linguistics, London–New York: Longman.

KORSAKAS, J. 1991: Lietuvių kalbos inversinis žodynas, Kaunas: Šviesa.

KRUOPAS, J., red. 1954: Dabartinės lietuvių kalbos žodynas, Vilnius: Valstybinė politinės ir mokslinės literatūros leidykla.

KRUOPAS, J., red., 1972: Dabartinės lietuvių kalbos žodynas, Vilnius: Mintis.

LEECH, G. 1991: The state of the art in corpus linguistics, Ajmer, K., Altenberg, B., eds., English Corpus Linguistics. Studies in Honour of Jan Svartvik, London–New York: Longman.

LÖNGREN, L. 1993: Частотный словарь современного русского языка. Uppsala. (Acta Universitatis Upsaliensis, Studia Slavica Upsaliensia 32.)

MARCINKEVIČIENĖ, R. 2000a: Tekstynų lingvistika (teorija ir praktika). Darbai ir dienos 24, 7–64.

MARCINKEVIČIENĖ, R. 2000b: Patterns of word usage in corpus linguistics. Kalbotyra 49 (3), 71–80.

MAŽEJKA, N. S. (Мажэйка, Н. С.), SUPRUN, A. Ja. 1976: Частотны слоўнік беларускай мовы (мастацкая проза), Мінск: Выдавецтва БДУ імя У. Леніна.

MIKELIONIENĖ, J. 2000: Naujoji lietuvių kalbos leksika (1991–1996 m. kompiuterinio periodikos tekstyno pagrindu). Daktaro disertacija, Kaunas: Vytauto Didžiojo universitetas.

MURMULAITYTĖ, D. 1998: Žodžių sąsajos žymėjimas „Dabartinės lietuvių kalbos žodyne“ (santrumpos žr. vartojimas). Lietuvių kalbotyros klausimai 39, 240–247.

MURMULAITYTĖ, D. 1999: „Bendrinės lietuvių kalbos žodyno“ kompiuterizavimo klausimu. Lituanistica 2 (38), 92–98.

RYKLIENĖ, A. 2000: Bendravimas internetu: kalbėjimas rašant. Darbai ir dienos 24, 99–107.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 37

ROBINSON, D. F. 1976: Lithuanian Reverse Dictionary, Michigan: Slavica Publishers Inc.

ROZENCVEJG, V. Ju. 1986: Опыт создания национальных лексикографических служб за рубежом. Караулов Ю. Н., ред., Машинный фонд русского языка: идеи и суждения, Москва: Наука, 75–83.

SAVICKIENĖ, I. 1999: Lietuvio vaiko daiktavardžio morfologija. Daktaro disertacija, Kaunas: Vytauto Didžiojo universitetas.

ŠERNAS, V. 1994: Kaip racionaliau mokytis kalbų (Basic English), Vilnius: Žodynas.

ŠTEJNFEL’DT, E. A. 1963: Частотный словарь современного русского литературного языка, Таллин.

TĚŠITELOVÁ, M. e.a. 1983: Frekvenční slovník češtiny věcného stylu, Praha: Academia–Nakladatelství Československé Akademie Věd.

THORNDIKE, E., LORGE, L. 1944: A Teacher’s Word Book of the Twenty Thousand Words Found Most Frequently and Widely in General Reading for Children and Young People, New York: Appleton-Century Crofts.

TODOROVA, E., PANČOVSKA, R. 2001: Честотен речник на българската публицистика (1944–1989), София: Пенсофт.

UTKA, A. 2000: Kalbinė įranga ir jos galimybės. Darbai ir dienos 24, 275–285.

VACAR, N. P. 1966: A Word Count of Spoken Russian. The Soviet Usage, Ohio: Ohio State University Press.

VANDER BEKE, G. 1929: French Word Book, New York: Macmillan.

ZASORINA, L. N., ред., 1977: Частотный словарь русского языка, Москва: Издательство «Русский язык».

ZINKEVIČIUS, V. 2000: Lemiuoklis – morfologinei analizei. Darbai ir dienos 24, 246–273.

ŽILINSKIENĖ, V. 1990: Lietuvių kalbos dažninis žodynas, Vilnius: Mokslas.

ŽILINSKIENĖ, V. 1995: Atgalinis dabartinės lietuvių kalbos žodynas, Vilnius: Matematikos ir informatikos institutas.

ŽILINSKIENĖ, V. 1998: Dažninis dabartinės rašomosios lietuvių kalbos žodynas (pirmieji tyrimo rezultatai). Lietuvių kalbotyros klausimai 39, 219–227.

ŽILINSKIENĖ, V., GRUMADIENĖ, L. 1998: Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimalusis žodynas (pirmoji kvalifikacinė kategorija), Kaunas: Šviesa.

ŽILINSKIENĖ, V., GRUMADIENĖ, L. 1999a: Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimalusis žodynas (antroji kvalifikacinė kategorija), Vilnius: UAB „Nacionalinių tyrimų centro“ leidykla.

ŽILINSKIENĖ, V., GRUMADIENĖ, L. 1999b: Valstybinės kalbos mokėjimo kvalifikacinių kategorijų lietuvių–rusų kalbų minimalusis žodynas (trečioji kvalifikacinė kategorija), Vilnius: UAB „Nacionalinių tyrimų centro“ leidykla.

ŽILINSKIENĖ, V. 2001: Lietuvių ir latvių kalbų publicistikos leksikos ir morfologijos raida statistiniu požiūriu. Linguistica Lettica 9, 155–168.

ŽILINSKIENĖ, V. spausd.: Lietuvių kalbos dalykinio stiliaus morfologijos statistinės charakteristikos ir jų lyginimas su atitinkamomis publicistikos charakteristikomis. Lituanistica.

Laima Grumadienė

Lietuvių kalbos institutas

P. Vileišio g. 5, LT–2055 Vilnius, Lietuva

[email protected]

Gauta 2002 04 19