ACTA LINGUISTICA LITHUANICA

XLVI (2002), 19 – 37

Frequentiewoordenboek van het hedendaagse geschreven Litouws en zijn database

LAIMA GRUMADIENĖ

Instituut voor de Litouwse taal

Er zijn maar weinig elektronische databases voor het Litouws. De grootste zijn het Frequentiewoordenboek van het hedendaagse geschreven Litouws, samengesteld door V. Žilinskienė en L. Grumadienė, en het Corpus van de Litouwse taal van de Universiteit van Kaunas. Het eerstgenoemde wordt hier uitvoerig voorgesteld: de uitgangspunten van de samenstelling en de mogelijke toepassingen ervan worden besproken, en het tot dusver gepubliceerde statistisch-linguïstische onderzoek dat erop is gebaseerd, wordt beknopt gekarakteriseerd. De belangrijkste problemen in verband met databases voor het moderne Litouws zijn: (1) hun onvoldoende differentiatie (ze weerspiegelen alleen de schrijftaal, niet de gesproken taal), (2) het feit dat ze niet optimaal worden benut, omdat de Litouwse wetenschappelijke gemeenschap onvoldoende is toegerust om met dergelijke hulpmiddelen te werken, en (3) het feit dat de inspanningen van de wetenschappers die ze samenstellen te weinig publieke erkenning krijgen en niet worden gewaardeerd als oorspronkelijke wetenschappelijke prestaties.

1. DE VEROUDERING EN ‘OVERBODIGHEID’ VAN ELEKTRONISCHE DATABASES

Juist nu lijkt de Litouwse taalkunde midden in een tijgersprong te zijn verstard: de opmerkelijke werken die voortkwamen uit een impuls die vooral aan het structuralisme was ontleend, zijn al geschreven, maar in de lucht hangt de verwachting van nieuwe, niet minder indrukwekkende werken. Daarvoor zijn niet alleen een andere kijk op taalverschijnselen nodig, maar ook nieuwe, nog niet beproefde methoden en werkinstrumenten. In dit tijdperk van informatietechnologie houden nieuwe werkinstrumenten voor taalkundigen vaak verband met elektronische databases, en deze weer met publicaties in de linguïstische statistiek. Het lijkt vanzelfsprekend dat deze van elkaar verschillen: elektronische databases zijn dynamisch en kunnen zelfstandig worden gebruikt, terwijl publicaties statisch zijn en slechts een verzameling gegevens vormen die op verzoek van de auteurs is opgenomen. Toch werden en worden dergelijke databases en publicaties in Litouwen vroeger, en soms ook nu, met elkaar vereenzelvigd. Dat blijkt uit de geschiedenis van de terugwaartse (ook omgekeerde genoemde) woordenboeken. Het eerste Litouwse terugwaartse woordenboek, samengesteld door de Amerikaan David F. Robinson (1976) op basis van de uitgave van 1954 van het DLKŽ, omvatte ongeveer 45.000 woorden; mogelijk had het zelfs geen eigen elektronische database, althans de auteur vermeldt die niet. Bovendien zou een dergelijke elektronische database in die tijd in Litouwen sowieso niet toegankelijk zijn geweest, want maar weinig mensen hadden zelfs het woordenboek zelf ingezien, aangezien het in Amerika in een kleine oplage was verschenen. Juozas Korsakas uit Šiauliai (1991) stelde volgens het selectieprincipe het Inversiewoordenboek van het Litouws

20 |

LAIMA GRUMADIENĖ

woordenboek samen, dat bijna 22.000 woorden omvatte; ook dit was gebaseerd op het DLKŽ, maar dan op de uitgave van 1972. Er werd gewerkt met een zelf samengestelde elektronische database, maar die is niet openbaar toegankelijk (waarschijnlijk om technische redenen) en is dus alleen beschikbaar in de vorm van een gedrukt boek. Vida Žilinskienės Terugwaarts woordenboek van het hedendaagse Litouws (1995) is niet slechts een kopie van het DLKŽ, omdat de woorden in omgekeerde volgorde naar woordsoort zijn ingedeeld en er een statistische analyse is toegevoegd. Tegenwoordig is het in wezen eveneens alleen in gedrukte vorm beschikbaar, hoewel er ook een elektronische versie bestaat. Daarvan is vrij weinig gebruikgemaakt (door de werkgroep onder leiding van E. Jakaitienė bij het samenstellen van een Litouws-Noors woordenboek, en voor de artikelen van Daiva Murmulaitė (1998, 1999 e.a.)). Overigens zijn laatstgenoemd woordenboek en de analyse samengesteld met behulp van de computerversie van het DLKŽ (1993) en de statistische analyse daarvan, en niet, zoals Rūta Marcinkevičienė (2000a: 16) in haar overzicht vermeldt, op basis van het Frequentiewoordenboek van het hedendaagse geschreven Litouws (Grumadienė, Žilinskienė 1997; 1998). Dankzij de gezamenlijke inspanningen van onderzoekers van het Instituut voor Wiskunde en Informatica en het Instituut voor de Litouwse taal werd een elektronische versie van het DLKŽ (uitgave van 1993) samengesteld; daarvan verscheen in 1995 een kleine oplage, omdat er eenvoudigweg geen toestemming was om publicaties in elektronische vorm te verspreiden. Het Instituut voor de Litouwse taal is nu opnieuw begonnen met de computerisering van het DLKŽ, maar ditmaal van de uitgave van 2000 (projectleider Stasys Keinys), en heeft daarvoor financiële steun ontvangen van het Litouwse Wetenschapsfonds. Zoals bekend verschillen de uitgaven van het DLKŽ uit 1993 en 2000 maar weinig van elkaar. Daarom is het opmerkelijk dat is besloten de eerdere elektronische versie niet te gebruiken, uitsluitend omdat die was gemaakt in de inmiddels moreel verouderde DOS-omgeving en met de FOX-PRO-database: opnieuw werd computerpersoneel ingezet om de reeds bestaande elektronische tekst te digitaliseren, terwijl slechts kleine correcties nodig waren, waardoor de arbeidsinspanningen en kosten toenamen. Misschien zal zelfs de statistische analyse opnieuw worden uitgevoerd?

Maar de elektronische versie van de uitgave van het DLKŽ uit 1993 is niet de enige elektronische database die moreel veroudert; het spreekt dus vanzelf dat het onderhoud ervan aandacht verdient. Zal het Terminologiebank-project, dat dankzij de gezamenlijke inspanningen van de genoemde instituten wordt opgezet, niet hetzelfde lot treffen als de elektronische versie van het DLKŽ (1993)? Publicaties in de linguïstische statistiek worden dus nog altijd veel hoger gewaardeerd dan kostbare elektronische databases, die veel mogelijkheden bieden voor vernieuwend werk.

Litouwse filologen zouden overeenstemming moeten bereiken over elektronische databases met specifieke tekens, bijvoorbeeld databases met teksten uit oude geschriften en getranscribeerde dialectteksten. Nu moeten artikelen met voorbeelden van dit type al opnieuw worden gezet wanneer om de een of andere reden wordt besloten ze niet bij de uitgeverijen van het Instituut voor de Litouwse taal, maar bij een van de uitgeversredacties van de Universiteit van Vilnius in te dienen. De tegenwoordig gepubliceerde dialectwoordenboeken en dialectteksten zijn, hoewel ze in elektronische vorm bestaan, slechts een teken van de modernisering van de drukkerij, want het is onmogelijk hun teksten als elektronische database te gebruiken. Zonder overeenstemming tussen Litouwse filologen over een gemeenschappelijk coderingssysteem (bijvoorbeeld UNICODE of een ander systeem) wordt openbaar gebruik van elektronische databanken dus sterk bemoeilijkt, om nog maar te zwijgen van het feit dat het gebruik van elektronische technologieën en programma’s voor de analyse ervan zeer beperkt, en soms zelfs onmogelijk, wordt. Hebben we er soms zo veel dat we ze niet meer kunnen overzien? Het probleem is dat noch taalkundigen, noch de informatici die hen ondersteunen tot dusver goed beseffen dat databases dynamisch moeten zijn: het gebruik ervan moet de toepassing mogelijk maken van de vele nieuwe programma’s en technologieën die voortdurend verschijnen, en ze moeten naar een hogere computerversie kunnen worden geconverteerd. Tot dusver worden de meeste elektronische databases die in Litouwen worden gemaakt samengesteld alsof het om dezelfde kaartjes gaat met

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 21

taalgegevens, alleen met een computertoetsenbord verzameld. Binnenkort kunnen die gegevens even moeilijk te ontcijferen zijn als in steen gehouwen spijkerschrift: op de schermen van computers van de nieuwe generatie zullen alleen nog ‘vlaggetjes’ en ‘vierkantjes’ te zien zijn, waarvan toekomstige taalkundigen de betekenis zullen moeten ontcijferen, alsof ze runen lezen. De tot dusver gevoerde discussies hierover hebben niets opgeleverd, maar het is kennelijk niet nodig de hoop op te geven; het is opnieuw de moeite waard om mensen uit te nodigen voor discussie en overleg.

Overigens verdient de terminologie aandacht: ELEKTRONISCHE VORM, BASIS, BANK, TEKSTENCORPUS (CORPUS), ARCHIEF. De meest modieuze term daarvan is TEKSTENCORPUS (CORPUS). Deze wordt op verschillende manieren gedefinieerd, maar alle definities hebben gemeen dat een TEKSTENCORPUS wordt beschouwd als een verzameling teksten in elektronische vorm. Daarom wordt bijna alles wat vroeger een databank werd genoemd, tegenwoordig vaak een tekstencorpus genoemd (de omvang van afzonderlijke teksten is immers niet gereglementeerd). De term BANK wordt meestal met terminologie in verband gebracht: terminologiebanken worden doorgaans geen tekstencorpora genoemd. Tegenwoordig wordt de term ARCHIEF steeds vaker met de tijdsdimensie geassocieerd: een elektronische verzameling oude gegevens kan een archief of een databank worden genoemd. De meest neutrale term blijft dus ELEKTRONISCHE DATABANK; daarom wordt die hier het vaakst gebruikt (vgl. Kennedy 1998: 3 e.v.).

2. ELEKTRONISCHE DATABANKEN VAN HET HUIDIGE LITOUWSE TAALGEBRUIK EN LINGUÏSTISCH-STATISTISCHE PUBLICATIES

Er is geen overvloed aan databanken in elektronische vorm voor het huidige Litouwse taalgebruik. Er zijn dan ook weinig linguïstisch-statistische publicaties; iets vaker wordt alleen gebruikgemaakt van linguïstisch-statistische methoden. Slechts de fonetiek en de daarop gebaseerde fonologie vormen hier een uitzondering. Misschien is dit te verklaren door de aard van de fonetiek zelf, dat wil zeggen doordat de herhaling van dezelfde eenheden — klanken — statistisch onderbouwde conclusies bijna vanzelfsprekend maakt; of misschien spelen subjectieve factoren een rol, namelijk dat er onderzoekers met een vernieuwende denkwijze opkwamen: allereerst Aleksas Girdenis en zijn leerlingen, en ook Antanas Pakerys. Hoe dan ook, beide factoren leidden tot een sprong voorwaarts in de Litouwse fonetiek en fonologie en zelfs tot een zekere voorsprong op andere takken van de taalkunde. De fonetiek zelf is overigens een tussengebied tussen de exacte wetenschappen en de taalkunde.

De taalkundige discipline die na de fonetiek de frequentste herhaling van eenheden kent, is de morfologie. Het zou dus logisch zijn te veronderstellen dat juist op dit gebied als eerste behoefte zou ontstaan om zowel met linguïstisch-statistische gegevens als met elektronische databanken te werken. Tot dusver is dat niet gebeurd, hoewel dergelijk onderzoek en dergelijke hulpmiddelen inmiddels bestaan. Het eerste linguïstisch-statistische onderzoek naar lexicon en morfologie in Litouwen werd met behulp van ESM uitgevoerd door Vida Žilinskienė (1990). Haar Lietuvių kalbos dažninis žodynas is gebaseerd op materiaal uit een van de functionele stijlen — de publicistiek — en bevat een analyse van 300 000 woordtokens (dat wil zeggen zowel herhaalde als verschillende lexemen; daarvan waren er 18 776, nadat overeenkomstig de algemeen aanvaarde regels voor het samenstellen van frequentiewoordenboeken verdere analyse van 11 956 eigennamen achterwege was gelaten). Alle doorlopende teksten, bestaande uit fragmenten (steekproeven) van telkens 1000 woordtokens, werden morfologisch geanalyseerd en van klemtekens voorzien, waarna ze werden geponst en ingevoerd in de inmiddels moreel verouderde ESM ‘Minsk-22’, die niet meer wordt gebruikt. De elektronische databank bestaat, maar zou nu erg moeilijk te raadplegen zijn. Helaas is de linguïstisch-statistische analyse van teksten uit een van de varianten van het huidige Litouws — de publicistiek — op lexicologisch, morfologisch noch accentologisch gebied tot dusver naar behoren benut, noch voor wetenschappelijke doeleinden, noch voor praktische doeleinden, in het bijzonder voor het schrijven van leerboeken en woordenboeken voor het onderwijs. Een van de werken die met elektronische middelen zijn samengesteld (er werd deelgenomen aan het internationale CHILD-programma) en die de synchrone morfologie behandelen, is het proefschrift van Ineta Savickienė (1999), gewijd aan de morfologie van kindertaal.

22 |

LAIMA GRUMADIENĖ

Een voorbeeld van een van de werken over synchrone morfologie die met elektronische middelen zijn samengesteld (er werd deelgenomen aan het internationale CHILD-programma) en onderzocht, is het proefschrift van Ineta Savickienė (1999), gewijd aan de morfologie van kindertaal.

Overigens moet worden vermeld dat linguïstisch-statistische gegevens al een tiental jaren geleden de basis vormden voor onderzoek naar andere taalniveaus, stilistiek en, gedeeltelijk, syntaxis, waarvan de eenheden veel minder frequent voorkomen; in de eerste plaats gaat het om het werk van Audronė Bitinienė (1983, 1997, 1998 e.a.). Er zijn inmiddels ook enkele pogingen gedaan om het huidige lexicon met behulp van linguïstisch-statistische gegevens te onderzoeken. Recentelijk wordt dergelijk onderzoek meestal uitgevoerd op basis van het corpus van het huidige Litouws aan de Vytautas Magnus Universiteit (ongeveer 60 000 000 woordtokens), bijvoorbeeld het collocatieonderzoek van Rūta Marcinkevičienė (2000a; 2000b), het proefschrift van Jurgita Mikelionienė (2000) over neologismen, enzovoort. Op basis van kleine elektronische databanken wordt steeds meer lexicaal onderzoek verricht, soms van vrij specifieke aard, bijvoorbeeld het proefschrift van Asta Ryklienė (2000) over het lexicon dat internetgebruikers hanteren en haar werk daarover. In het algemeen is dergelijk onderzoek echter schaars en nemen studenten er maar in beperkte mate aan deel (behalve misschien aan de Vytautas Magnus Universiteit). Een groep onder leiding van Antanas Pakerys aan de Pedagogische Universiteit van Vilnius rondt de voorbereiding af van een elektronische databank voor lexicaal onderzoek. Misschien zal er dan ook hier een toename komen van dit soort studentenonderzoek.

Dit artikel beperkt zich tot een beschrijving van de hulpmiddelen die nodig zijn voor onderzoek naar het huidige geschreven Litouws; daarom wordt de reeks onderzoeken naar oude teksten, die inmiddels op gang is gekomen en gebruikmaakt van de eigen elektronische databank van het Instituut voor de Litouwse Taal, niet besproken. Het ontstaan van eigen elektronische databanken zal ongetwijfeld een nieuwe impuls geven aan de Litouwse dialectologie: bij het Instituut voor de Litouwse Taal worden al voorbereidingen getroffen voor de oprichting van een Dialectencentrum, waar dialectopnamen en daarvan ontcijferde en getranscribeerde teksten in elektronische vorm zullen worden samengesteld. Bij hetzelfde instituut is begonnen met de ontwikkeling van elektronische databanken voor onomastiek en toponymie. De elektronische databank die momenteel wordt samengesteld voor het grote Lietuvių kalbos žodyno zal een keerpunt betekenen voor de Litouwse lexicografie; ook van de elektronische databank voor het Bendrinės lietuvių kalbos žodyno wordt veel verwacht. Docenten aan de Universiteit van Vilnius, onder leiding van Evalda Jakaitienė, nemen deel aan een van de projecten van de Europese Unie en stellen een elektronische, zogenoemde universele lijst van Litouwse woorden samen, die de basis moet vormen voor een nieuwe reeks tweetalige woordenboeken. In zekere zin lijkt dit te concurreren met de redactie van het Bendrinės lietuvių kalbos žodyno. Met name dankzij de inspanningen van de Staatscommissie voor de Litouwse Taal, aangespoord door de Europese Unie, is begonnen met het samenstellen van elektronische, zogenoemde Terminų ar Svetimžodžių portfeliai: bijzondere lijsten van de nieuwste en zeer vaak gebruikte termen en woordcombinaties uit verschillende vakgebieden, die door de Europese Unie onder al haar lidstaten en kandidaat-lidstaten worden verspreid, zodat talen zich kunnen aanpassen en zich kunnen voorbereiden op de komende golf van vertalingen en op machinevertaling. Een groep wetenschappers van de Universiteit van Vilnius (onder leiding van Meilutė Ramonienė) is begonnen met het samenstellen van elektronische databanken van het huidige gesproken taalgebruik, naar het voorbeeld van de Poolse databanken die gebaseerd zijn op radio- en televisieopnamen. Aan dezelfde universiteit zijn voorbereidingen getroffen voor het aanleggen van een elektronische databank van slavismen (onder leiding van Vytautas Kardelis), die zowel geluidsopnamen als daaruit geselecteerde en getranscribeerde voorbeelden zal bevatten.

De ervaring leert dat resultaten pas te verwachten zijn wanneer men heeft leren werken met dit soort gegevens en vaardigheden heeft verworven om nieuwe mogelijkheden te benutten. Daarvoor zijn laboratoria nodig waar men dit kan leren, bij voorkeur al vanaf jonge leeftijd. De aard van elektronische databanken zelf veronderstelt openbaarheid; eenmaal geordend moeten ze toegankelijk zijn voor iedereen die ze nodig heeft. De grootste verzamelingen Litouwse taalgegevens bevinden zich bij het Instituut voor de Litouwse Taal-

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 23

… dus naarmate het moderner wordt, zou juist dit centrum moeten uitgroeien tot het grootste centrum voor de samenstelling van elektronische databanken met gegevens over de Litouwse taal, een bron voor openbaar gebruik ervan en een centrum dat werk en ideeën van dit type aantrekt en verspreidt — misschien zal het Lituanistiekcentrum dat bij de databank van het Instituut voor de Litouwse taal wordt opgericht deze rol ook vervullen? De elektronische databanken die op internet terechtkomen, zullen nog toegankelijker worden. Overigens wordt de plaats waar men een computer gebruikt onbelangrijk zodra er een mogelijkheid ontstaat om verbinding met internet te maken; alleen wat op internet is beland, is van belang. Maar dat zijn toekomstplannen.

Tot op heden is de publicatie van lingvostatistische werken in elektronische vorm in Litouwen niet gelegaliseerd en is de kwestie van het auteursrecht niet geregeld; daarom blijven ook gedrukte versies van zulke werken relevant. Elektronische databanken en lingvostatistische publicaties verschillen echter wezenlijk van elkaar: de laatstgenoemde zijn slechts het topje van de ijsberg.

Hier wordt verder een concrete kwestie besproken: de verhouding tussen elektronische databanken met gegevens over het hedendaagse geschreven Litouws en frequentiewoordenboeken. Die laatste kunnen niet zonder een databank bestaan, maar de mogelijkheden die databanken bieden, zijn bij lange na niet beperkt tot de publicatie van woordenboeken.

3. ELEKTRONISCHE DATABANKEN MET GEGEVENS OVER HET HEDENDAAGSE GESCHREVEN LITOUWS EN FREQUENTIEWOORDENBOEKEN

Elektronische databanken met taalkundige gegevens onderscheiden zich vanzelfsprekend allereerst van andere verzamelingen taalkundige gegevens door hun elektronische vorm en de specifieke kenmerken van het gebruik van de daarmee samenhangende computertechnologieën. De opkomst van elektronische databanken heeft geheel nieuwe mogelijkheden geboden om taal te onderzoeken, maar zij zijn niet uitsluitend verbonden met de komst van moderne elektronische opslagmedia. Dat met verschillende middelen in wezen vergelijkbare resultaten worden verkregen, in de eerste plaats frequentiekenmerken van grammaticale vormen en lexemen, toont aan dat er veel gemeenschappelijks bestaat tussen moderne elektronische databanken en hun veel oudere equivalenten. In Frankrijk begon uitgeverij Larousse al in 1956 voor het samenstellen van woordenboeken gebruik te maken van een machineleesbaar kaartbestand (van de oude generatie elektronische rekenmachines, ESM) (Rozencveig 1986: 82).

De vraag hoe moderne elektronische databanken met taalkundige gegevens moeten worden samengesteld, rees enerzijds doordat men met de komst van nieuwe technologieën grote hoeveelheden informatie kon verwerken; vervolgens nam de omvang toe van de tekst die werd gebruikt om één woord (d.w.z. zijn context) te illustreren. Zo ontstonden nieuwe mogelijkheden om de valenties van een woord en later ook die van grotere taaleenheden te onderzoeken, en daarmee ook syntaxis en semantiek. Men raakte gefascineerd door steeds grotere tekstfragmenten en ging uiteindelijk zelfs over op volledige, afgesloten teksten, totdat de kosten voor het verwerven van de rechten van auteurs dit een halt toeriepen. Anderzijds was de invloed van de komst van computers wellicht vergelijkbaar met die van Gutenbergs uitvinding, en vooral hun ongekende snelle verspreiding. Doordat de uiteenlopende contacten op afstand tussen mensen die dezelfde taal spreken en tussen mensen die verschillende talen spreken, in meetkundige progressie toenamen, ontstond daarom een dringende maatschappelijke vraag naar uiteenlopende statistische informatie over taal, om zo veel mogelijk communicatieprocessen te automatiseren: taalonderwijs, vertaling, herkenning, informatiecompressie, overdracht enz.

De Litouwse taalkunde bleef niet buiten dit algemene proces, maar liep er uiteraard aanzienlijk op achter. Gedurende de hele twintigste eeuw, en vooral in de tweede helft daarvan, leek de wereld zich al op een nieuwe sprong voor te bereiden. In de eerste plaats ging het om frequentiewoordenboeken van talen. De eerste verschenen al aan het einde van de negentiende eeuw.

24 |

LAIMA GRUMADIENĖ

… en het begin van de twintigste eeuw. Het allereerste was een woordenboek van het Duits, dat de stenograaf F. Kaeding (1898) samenstelde op basis van maar liefst 11 000 000 woordvoorkomens, met behulp van een kaartbestand. Veel later publiceerde G. Vander Beke (1929) een woordenboek van dit type voor het Frans. H. Eaton (1934) stelde een vergelijkend woordenboek samen van de eerste duizend meest frequente woorden in vier talen: Engels, Frans, Duits en Spaans. Het eerste frequentiewoordenboek van het Engels werd samengesteld door E. Thorndike en L. Lorge (1944), dat van het Spaans door V. Garcia Hoz (1953). Het eerste frequentiewoordenboek van het Russisch werd in Amerika samengesteld door H. Josselson (1953), terwijl N. P. Vakar (1966), eveneens in Amerika, een frequentiewoordenboek van de Russische spreektaal uit de Sovjetperiode publiceerde; in wezen was dit echter uitsluitend gebaseerd op de taal van toneelwerken. E. Šteinfeldt (Štejnfel’dt 1963) publiceerde in Tallinn een frequentiewoordenboek van de taal van Poesjkin. Op basis van een corpus van 1 000 000 woorden, samengesteld voor de helft uit fictie en voor de helft uit zogenoemd informatief proza (publicistiek, ambtelijke stukken en wetenschappelijke literatuur), stelde L. Lönngren (1993) in Uppsala een frequentiewoordenboek van het Russisch samen. De eerste frequentiewoordenboeken, niet alleen van het Russisch maar ook van het Roemeens en Italiaans, werden eveneens in Amerika samengesteld door A. Juilland, P. M. Edwards en I. Juilland (1965), en door A. Juilland en V. Traversa (1973). (Overigens hadden A. Juilland en E. Ch. Rodrigues (1964) daar al een ander frequentiewoordenboek van het Spaans samengesteld; later stelden J. R. Alameda en F. Cuetos (1995) er nog een samen.) Een hele reeks frequentiewoordenboeken was gebaseerd op de opvatting van de Praagse Linguïstische Kring over functionele taalstijlen, en tevens op Boris Larins opvatting van de standaardtaal. Het eerste was, zoals het hoorde, het Tsjechisch: eerst verschenen woordenboeken van afzonderlijke functionele stijlen en later een algemeen woordenboek, samengesteld door een door Marie Těsitelová geleid team van auteurs (J. Jelínek, J. V. Bečka e.a.; zie Těsitelová 1983). De Letten gingen er vroeg mee aan de slag en stelden, net als de Tsjechen, eerst woordenboeken van afzonderlijke functionele stijlen samen en vervolgens een algemeen woordenboek in twee delen: T. Jakubaite, D. Kristovska, D. Guļevska, V. Ozola, R. Prūse, A. Rubine, N. Sika (1966–1976). Dezelfde methodologie werd ook gevolgd door V. A. Agrajevas, V. V. Borodinas, V. M. Muratovas en E. V. Tisenko, onder leiding van L. N. Zasorina (1977), bij het samenstellen van een frequentiewoordenboek van het hedendaagse Russisch op basis van 1 000 000 woordvoorkomens uit vier functionele stijlen. Een frequentiewoordenboek van slechts één functionele stijl — fictie — is dat van het Belarussisch, samengesteld door N. S. Mažeika en A. J. Suprunas (Mažeika, Suprun 1976). Ook het Bulgaarse frequentiewoordenboek (Todorova, Pančovska 2001) omvat slechts één stijl: de publicistische stijl. Het eerste door V. Žilinskienė (1990) samengestelde frequentiewoordenboek van het Litouws was eveneens beperkt tot één functionele stijl — publicistiek — en bij het werk werd dezelfde Tsjechische methode gebruikt, in nauwe samenwerking met de Letten.

In de loop der tijd ontstonden er overal ter wereld allerlei soorten frequentiewoordenboeken, hoewel het Litouws daarop niet kan bogen: van de taal van afzonderlijke auteurs, van functionele stijlen, van regionale taalvariëteiten, van geschreven en gesproken taal enzovoort. Frequentiewoordenboeken van „taal n in het algemeen“ bleken niet functioneel, omdat ze nodig waren om aan concrete doelstellingen te voldoen; de woordselectie moest dus worden gemaakt uit teksten uit een bepaald domein en niet uit het geheel daarvan. Anderzijds „kwam het probleem van het samenstellen van frequentiewoordenboeken in een andere dimensie terecht“ toen Amerikaanse behavioristen en positivisten zochten naar gebruiksvoorbeelden en elektronische corpora ontstonden: de elektronische technologie ontwikkelde zich snel, waardoor niet alleen enorme tekstmassa’s konden worden verzameld, maar ook verwerkt.

Het begin van de corpuslinguïstiek wordt gedateerd op 1961, toen Nelson Francis en Henry Kučera het beroemde elektronische corpus van geschreven taal, het Brown-corpus (Brown university), aankondigden en begonnen samen te stellen, en John Sinclair een corpus van hetzelfde formaat, LOB (Lancaster-Oslo/Birmingham), …

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 25

tekstyn; al in 1959 kondigde Randolph Quirk een corpus van geschreven en gesproken taal aan, SEU (Survey of English Usage); Jan Svartvik zette dit werk voort en begon aan de Universiteit van Lund een corpus van gesproken taal samen te stellen, LLC (London-Lund Corpus of Spoken English). De omvang van alle genoemde corpora bedroeg destijds ongeveer 1–1,15 miljoen woordvoorkomens; daarna verschenen er meer vergelijkbare corpora (zie Aijmer, Altenberg 1991: 1 e.v.). De omvang van corpora van de tweede generatie wordt in tientallen miljoenen geteld, die van de derde generatie al in honderden miljoenen en miljarden. Wereldwijd blijft de compatibiliteit van computersoftware en afzonderlijke werkprogramma’s een actueel probleem: er zijn inmiddels corpora van een uitzonderlijk grote omvang verzameld — honderden miljoenen woorden (in wezen een elektronische vorm van een bibliotheek) — maar hoe kan men die gemakkelijk gebruiken, hoe kan men de eenvoudigste frequenties tellen en hoe voorkomt men te verdwalen in een oceaan van woorden? En bepaalt kwantiteit uiteindelijk altijd de kwaliteit? Bij het samenstellen van allerlei frequentiewoordenboeken is keer op keer gebleken dat de helft van de onderzochte woorden slechts één keer voorkomt. Daarom moet men telkens wanneer men aan een onderzoek begint goed overwegen of de gestelde doelen werkelijk vereisen dat men met een grote hoeveelheid materiaal werkt om de zeldzaamste woorden te vinden. Soms is het, wanneer bepaalde grammaticale of woordvormingsregelmatigheden worden onderzocht, beslist niet rationeel om de omvang van de onderzochte verzameling sterk te vergroten; het is volkomen gerechtvaardigd dit ook aan de hand van statistische criteria te beoordelen, want die tonen de waarschijnlijkheid aan dat de steekproef groot genoeg is om representatieve conclusies te trekken. Bijzondere aandacht verdient de vraag uit welke teksten de onderzochte verzameling wordt samengesteld, dat wil zeggen hoe het model van het onderzoeksobject wordt opgebouwd. In de Litouwse taalkunde roept momenteel wellicht vooral de vraag problemen op wat als standaard-Litouws moet worden beschouwd en in welke mate de functionele taalstijlen of op basis van andere criteria onderscheiden taallagen daarin vertegenwoordigd moeten zijn. Zo is het genoemde corpus van de Vytautas Magnus-universiteit volgens andere steekproefprincipes samengesteld dan het Frequentiewoordenboek van de hedendaagse geschreven Litouwse taal, zodat ook de resultaten verschillen. Statistische gegevens over bijvoorbeeld afzonderlijke woordsoorten, verkregen uit verschillende corpora, moeten zeer zorgvuldig en objectief worden beoordeeld. Het valt op dat in reeds voltooide of lopende werken van dit type onvoldoende aandacht wordt besteed aan de teksten die zijn onderzocht, terwijl er wel generalisaties over „de hedendaagse Litouwse taal” worden gemaakt. Werken met cijfers vereist precisie; anders leiden ze tot misleidende conclusies.

Het elektronische corpus van het in dit artikel besproken Frequentiewoordenboek van de hedendaagse geschreven Litouwse taal (1,2 miljoen woordvoorkomens) behoort tot de corpora van de eerste generatie (van het type Brown en LOB), met een omvang van meer dan een miljoen woorden. Het heeft nog een gemeenschappelijk kenmerk met deze beroemde corpora: net als maar weinig latere corpora wereldwijd is ook het Litouwse corpus geannoteerd. Computertechnologie heeft analytische talen bijzondere mogelijkheden geboden: speciale, maar vrij algemeen verbreide programma’s — vooral bekend is dat van de Universiteit van Oxford, Oxford Concordance Program, evenals KWIC, KAYE, CLAN, OCP, WordCruncher en andere — maken het betrekkelijk eenvoudig om lijsten van de meest frequente woorden op te stellen en concordanties ervan te leveren (Leech 1991: 10; Utka 2000). Dergelijke programma’s worden doorgaans ook gebruikt door onderzoekers van het Corpus van de hedendaagse Litouwse taal van de Vytautas Magnus-universiteit, maar daarmee kunnen alleen woorden, dat wil zeggen lexicale eenheden, worden geanalyseerd, omdat kennis over de woordeindes ontbreekt, terwijl die, zoals bekend, voor het Litouws bijzonder belangrijk zijn. Voor synthetische talen is het dus ingewikkelder: met de beschreven programma’s worden immers lijsten van woordvormen opgesteld, niet van lemma’s. Er is behoorlijk wat aanvullend werk nodig voordat de woordvormen worden genormaliseerd en alleen als lemma’s overblijven. Dergelijke woordenlijsten, die ook grammaticaal zijn geanalyseerd, worden geannoteerd genoemd. Er zijn er wereldwijd niet veel en ze worden zeer gewaardeerd, omdat ze veel werk vergen; daarom zijn ze

26 |

LAIMA GRUMADIENĖ

zeer kostbaar (V. Žilinskienė en ik hebben berekend dat in ons geval alleen al het selecteren en verzamelen van teksten, het invoeren ervan via een computertoetsenbord, de semiautomatische morfologische analyse ervan (het zogenoemde LEMMATISEREN), de correctie en het invoeren van de gegevens in de computer één persoon zes arbeidsjaren zouden kosten). Voor de berekeningen en verdere correcties zijn opnieuw meerdere jaren nodig, omdat elke onnauwkeurigheid bij het uitvoeren van wiskundige bewerkingen tot een absurd resultaat kan leiden.

In het algemeen kunnen tegenwoordig allerlei frequentiewoordenboeken op uiteenlopende manieren worden samengesteld, vooral sinds elektronische corpora beschikbaar zijn — het hangt ervan af waarnaar men op zoek is. De belangrijkste reden waarom steeds weer nieuwe frequentiewoordenboeken worden samengesteld, met name woordenboeken die aanspraak maken op de benaming bijvoorbeeld ‘woordenboek van de hedendaagse n taal’, is dat de fundamentele voorwaarde van de linguïstische statistiek, net als van de statistiek in het algemeen, inhoudt dat de steekproef een representatief model moet zijn van de onderzochte populatie, of verzameling. Kortom, men vraagt zich steeds opnieuw af of de onderzochte steekproef de beoogde populatie werkelijk weerspiegelt. Zo zou een frequentiewoordenboek van de hedendaagse Litouwse taal op basis van het corpus van de hedendaagse Litouwse taal van de Vytautas Magnus-universiteit, dat maar liefst 60 miljoen woordvoorkomens omvat, anders zijn dan de reeds verschenen woordenboeken van L. Grumadienė en V. Žilinskienė (1997, 1998), omdat de resultaten de tekstpopulatie zouden weerspiegelen waarvan de basis wordt gevormd door 70% taal uit periodieke publicaties, 26% uit niet-periodieke publicaties en 4% uit vertaalde publicaties (Marcinkevičienė 2000a: 16). De teksten voor de genoemde verschenen woordenboeken zijn op een heel andere basis geselecteerd: het gaat om oorspronkelijke, niet-vertaalde teksten uit vier functionele taalstijlen — journalistieke, ambtelijke, literaire en wetenschappelijke teksten. Hiervoor is gekozen omdat het Litouwse standaardtaalgebruik, vooral het geschreven taalgebruik, tot op heden wordt gevormd, genormeerd en gecodificeerd in de geest van de ideeën van de Praagse Linguïstische Kring (overigens moet worden opgemerkt dat de term STIJL tegenwoordig door verschillende taalkundige scholen nogal uiteenlopend wordt gedefinieerd). Men hield zich aan de principes van samenstellers van andere frequentiewoordenboeken, in de eerste plaats Tsjechische, Russische en Letse, die eveneens uitgingen van de hierboven uiteengezette opvatting van de standaardtaal als de som van functionele taalstijlen. Hun inzichten en ervaringen werden toegepast; daarom werd, net als bij hun woordenboeken, gekozen voor steekproeven van 300 000 woordvoorkomens uit vier functionele stijlen. Men vond namelijk dat de principes voor de samenstelling van het corpus van de Vytautas Magnus-universiteit (dat overigens later tot stand kwam dan het onze), die dichter bij de Amerikaanse opvatting van standaardtaal staan (of van ‘standaardtaal’, zoals men het daar gewoonlijk noemt), nog te vroeg kwamen voor de geschreven Litouwse taal. In de databank van het Frequentiewoordenboek van de hedendaagse geschreven Litouwse taal ontbreekt soms alledaagse woordenschat, omdat men vergeet dat deze uitsluitend op basis van openbaar geschreven taalgebruik is samengesteld: privébrieven, dagboeken, opschriften op muren en dergelijke ontbreken. Toch zijn er ook nu spreektaalwoorden in het woordenboek terechtgekomen, waaronder niet alleen vreemde woorden en dialectwoorden, maar zelfs voorbeelden van pejoratieve woordenschat die in de standaardtaal niet aanvaardbaar is; daarom krijgen de auteurs van het woordenboek voortdurend kritiek. De vraag rijst wat als literatuur moet worden beschouwd: die woorden kwamen voor in literaire teksten (oorspronkelijke teksten die in Litouwen in oplagen van meer dan 100 exemplaren zijn gedrukt en geredigeerd), en het uitgangspunt bij het samenstellen van een frequentiewoordenboek is dat geen enkel inhoudswoord wordt weggelaten, tenzij het een eigennaam, getal, afkorting of zetfout is. De gegevens tonen overigens aan dat bij steekproeven van 300 000 woordvoorkomens uit elk van de vier functionele stijlen in de journalistieke stijl 284 687 inhoudswoorden zijn aangetroffen (15 313 zogenaamde ‘rommelwoorden’), in de zakelijke stijl 279 505 (20 495 die om de genoemde redenen niet in het woordenboek zijn opgenomen), in de wetenschappelijke stijl 278 311 (21 689) en in de literaire stijl 290 561 (9 439). Mijn hart stond het niet toe de eigennaam Lietuva weg te laten; daardoor is deze als enige uitzondering onder de eigennamen in het woordenboek opgenomen (het blijkt het 16e frequentste woord te zijn, het eerste zelfstandig naamwoord; de frequentie bedraagt 5151 in maar liefst 614 steekproeven: hierbij speelde de officiële documenten,

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 27

namen van instellingen enzovoort, waarin dit woord vaak in de genitief voorkwam). Ook namen van religieuze en andere feestdagen (die vaak tevens als soortnamen worden gebruikt) kunnen in zekere zin als eigennamen worden beschouwd, bijvoorbeeld Joninės, Kūčios, Žolinė, of namen van windstreken Rytai, Vakarai, Pietūs, Šiaurė.

Volgens het representativiteitsprincipe werden voor elk van de genoemde stijlen uitsluitend teksten geselecteerd die tot de zuivere stijl behoren: teksten aan de rand van de categorie, zoals schoolboekteksten, wetenschappelijke journalistiek, journalistiek voor een beperkte lezerskring, drama, poëzie enzovoort, werden uitgesloten. De journalistieke teksten werden geselecteerd door Vida Žilinskienė en bestonden uit teksten uit 1994–1995 van 19 geredigeerde landelijke dag- en weekbladen en veelgelezen tijdschriften, die vijf thematische groepen vertegenwoordigen: 1) politiek, 2) industrie en landbouw, 3) onderwijs en recht, 4) kunst en 5) amusement (sport, horoscopen, weersvoorspellingen). De zakelijke teksten werden geselecteerd door Pranas Kniūkšta en Danutė Vainauskienė uit publicaties en documenten uit 1990–1995, volgens zeven thematische groepen: 1) wetten en bijbehorende documenten en commentaren, 2) juridische documenten, 3) naslagwerken en documenten over economie en bedrijfsleven, 4) politicologische publicaties en partijdocumenten, 5) normen en statistische publicaties, 6) informatiebronnen (bibliografieën, catalogi, woordenboeken), 7) documenten uit afzonderlijke maatschappelijke domeinen (nationale defensie, sociale zekerheid, onderwijs, cultuur enzovoort). De wetenschappelijke teksten werden geselecteerd door Irena Andriukaitienė uit wetenschappelijke publicaties die in 1990–1995 in Lietuvoje verschenen of uit door wetenschappelijke instellingen goedgekeurde werken, volgens acht thematische groepen (wetenschapsgebieden): 1) landbouwwetenschappen, 2) natuurwetenschappen, 3) geesteswetenschappen, 4) wiskunde, 5) geneeskunde, 6) sociale wetenschappen, 7) techniek, 8) theologie. De literaire teksten werden geselecteerd door Laima Grumadienė uit prozawerken uit de belletrie die (op enkele uitzonderingen na) in 1985–1990 in Lietuvoje verschenen; de zes ‘thematische’ groepen ervan werden ingedeeld naar de geboorteplaatsen van de schrijvers: 1) Žemaičiai, 2) Oost-Aukštaičiai, 3) West-Aukštaičiai, 4) Zuid-Aukštaičiai, 5) stadsbewoners, 6) emigranten (hun werkelijke geboorteplaats werd daarbij buiten beschouwing gelaten).

Er werd besloten dat juist deze teksten de hedendaagse geschreven Litouwse taal konden vertegenwoordigen. Daaruit werd willekeurig (pagina’s en regels werden gekozen aan de hand van een tabel met willekeurige getallen) telkens een fragment van 1000 woordvoorkomens geselecteerd, de zogenaamde steekproef, en met het toetsenbord ingevoerd (een karwei van ongeveer twee uur). Daarna werden de steekproeven gelemmatiseerd, dat wil zeggen morfologisch geanalyseerd met het programma MAN (Morfologinio Analizavimo ir Normalizavimo), ontwikkeld door Vytautas Zinkevičius. De auteur had dit speciaal voor dit werk aangepast op basis van zijn eigen, eerder ontwikkelde programma voor computerondersteunde correctie van de spelling van woorden; in 2000 verbeterde hij het enigszins in opdracht van de Vytautas Magnus Universiteit, bracht het naar een hogere versie en noemde het een lemmatiseerder (Zinkevičius 2000).

Dat werk zag er ongeveer zo uit: men kreeg een computeruitdraai waaruit de overbodige regels (door mij onderstreept) moesten worden ‘weggesmeten’. Bijvoorbeeld, het fragment (…) manęs visa ši komedija (…), dat al door een mens en niet alleen door een machine was verwerkt, zag er op de uitdraai zo uit:

FIG. 1. VOORBEELD VAN TEKSTLEMMATISERING

ik denken mij pers v ev N mij vnw deelw act onbep m ev G

28 |

LAIMA GRUMADIENĖ

hele

heel bijv v ev N

heel bijv v ev I

heel bijv v ev S

heel bijv onbep

deze

deze bijv aanw v onbep ev N

komedie

komedie zelfst v ev N

komedie zelfst v ev I

komedie znw vrouw enk nom

Op de eerste regel blijft het herstelde lemma staan, op de tweede (de resterende, niet doorgestreepte) de woordvorm met grammaticale kenmerken. Het bewerken van 1000 woorden duurt ongeveer 4 uur, maar een snellere manier om Litouwse woorden morfologisch te analyseren bestaat waarschijnlijk nog niet. Daarna wordt gezocht naar homoniemen en homofonen; de steekproeven worden gecorrigeerd met het programma MAN-K van Vytautas Zinkevičius en samengevoegd in de computer – dit alles neemt nog een uur in beslag. In totaal zijn op deze manier 1.200 steekproeven verwerkt, elk met 1000 woordvoorkomens.

Na dit enorme werk werden de gegevens verder verwerkt met computerprogramma’s die waren ontwikkeld door Valentinas Černiauskas en Snieguolė Meškauskienė (beiden van het Instituut voor Wiskunde en Informatica): verschillende frequenties werden geteld. Er werden drie woordenboeken voor publicatie voorbereid; twee ervan zijn al verschenen (Grumadienė, Žilinskienė 1997; 1998), en het derde zal, naar we hopen, dit jaar het licht zien. De eerste twee woordenboeken zijn frequentielijsten van lemma’s. Het eerste is gerangschikt naar afnemende frequentie, het tweede alfabetisch. Daarin zijn respectievelijk 38.337 verschillende woorden opgenomen. Het derde, een woordenboek van woordvormen, is verscheidene malen omvangrijker (31 a.l.) en bevat ongeveer 150.000 woordvormen; het weerspiegelt het gebruik van verschillende woorden en van dezelfde woorden in uiteenlopende grammaticale vormen (het zou zowel alfabetisch als omgekeerd gerangschikt moeten worden). Er zijn nog tientallen op verschillende manieren geordende frequentiewoordenboeken voorbereid voor elektronisch gebruik: voor alle vier de stijlen, voor de thematische groepen van elke stijl enzovoort (zowel lemma’s als woordvormen).

Bij vergelijking van enkele statistische gegevens blijkt nu al dat in het Litouwse schrijftaalgebruik de meeste verschillende zelfstandige naamwoorden voorkomen: van alle verschillende woorden is maar liefst 45,25% een zelfstandig naamwoord. Werkwoorden en werkwoordsvormen zijn eveneens talrijk (32,65%), en ook het aandeel bijvoeglijke naamwoorden is aanzienlijk (15,31%); 5,03% van de verschillende woorden zijn bijwoorden. De overige woordsoorten vertegenwoordigen elk minder dan een half procent (samen slechts 0,88%). Dat betekent echter niet dat hun verdeling in teksten precies zo is. Een andere maatstaf, namelijk de frequentie van dezelfde woorden in de tekst, laat zien dat het percentage van de belangrijkste woordsoorten en van het bijwoord sterk afneemt ten gunste van de functiewoorden en het voornaamwoord, die in teksten samen al meer dan een kwart vormen: 26,71%. Niet alleen de frequentiemaat verdient aandacht, maar ook het aantal steekproeven waarin een woord of woordvorm voorkomt: zo kan worden vastgesteld of de frequentie van een woord is bepaald door één toevallig opgenomen tekst waarin het woord vaak voorkomt, of dat die frequentie niet toevallig is, omdat de spreiding ervan over verschillende steekproeven gelijkmatig is.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 29

De lexicale diversiteit wordt beoordeeld aan de hand van de iteratiecoëfficiënt (de verhouding tussen woordvoorkomens en lemma’s), die in het genoemde woordenboek 20,06 bedraagt (hoe lager deze waarde, des te meer verschillende woorden er dus zijn aangetroffen). Uit de getelde, maar niet gepubliceerde woordenboeken van lemma’s en woordvormen voor elk van de vier functionele stijlen (over enkele linguïstisch-statistische kenmerken die daarin zijn waargenomen, heeft V. Žilinskienė al geschreven (1998, 2001, in druk enz.)) blijkt dat bijvoorbeeld de woordenschat van fictie tweemaal zo gevarieerd is als die van teksten in zakelijke stijl (de iteratiecoëfficiënten bedragen respectievelijk 9,53 en 20,78). Het interessantste is hier dat de iteratiecoëfficiënt van de vier stijlen samen maar weinig verschilt van die van de zakelijke stijl, maar sterk afwijkt van die van de literaire stijl (voor journalistiek is hij 10,51, voor wetenschap 12,63). Deze cijfers vormen een zwaarwegend argument bij het bepalen van bijvoorbeeld de beginselen voor het samenstellen van een woordenboek van de standaardtaal: in welke verhoudingen moeten de functionele taalstijlen vertegenwoordigd zijn; moet de praktijk waarin de standaardtaal aan functionele stijlen wordt gekoppeld überhaupt worden voortgezet; en zo ja, dan moet rekening worden gehouden met de statistische gegevens van de functionele stijlen enzovoort.

Interessante gegevens kwamen naar voren bij het vergelijken van een lijst van de meest voorkomende woorden, samengesteld op basis van het corpus van de Vytautas Magnus-universiteit (daarin werden woorden geregistreerd en geteld in de vormen waarin ze in de tekst voorkomen, zonder ze te herleiden tot lemma’s, anders dan in het Frequentiewoordenboek van het hedendaagse Litouwse geschreven taalgebruik). Een vergelijking van de 50 meest voorkomende onverbuigbare woorden en verbogen woordvormen in een Litouws corpus van 60 miljoen woorden (Utka 2000: 278) met de eerste 50 lemma’s in het Frequentiewoordenboek (Grumadienė, Žilinskienė 1997: 3) maakt duidelijk dat ze in wezen overeenkomen. Alleen bevat de eerste frequentielijst iets minder verschillende woorden, omdat daarin verschillende vormen van hetzelfde woord worden vermeld, bijvoorbeeld buvo, būti; jis, jo, jų, jos, jie, terwijl die in de tweede lijst, dat wil zeggen het woordenboek, worden vertegenwoordigd door respectievelijk būti en jis. Volgens de principes voor het samenstellen van dit soort woordenboeken zijn afkortingen niet opgenomen in het Frequentiewoordenboek. Toch blijkt uit een vergelijking met de gegevens van het Frequentiewoordenboek dat van de afkortingen in de genoemde lijst van de meest voorkomende woorden – m, d, a, respectievelijk metai, diena, amžius (‘jaar’, ‘dag’, ‘eeuw’) – de eerste twee woorden ook in het woordenboek frequent zijn: ze staan op de 30e en 57e plaats, oftewel rang (woorden met dezelfde frequentie gelden als woorden van dezelfde rang); amžius komt pas in de derde honderd voor. Overigens worden zowel de afkorting als het volledige woord vrij vaak gebruikt, en wel met enigszins verschillende betekenissen. Zoals de praktijk bij het samenstellen van frequentiewoordenboeken voor vele synthetische talen bevestigt, zijn de meest voorkomende woorden in het Frequentiewoordenboek van het hedendaagse Litouwse geschreven taalgebruik enkele voegwoorden (ir, kad, o, kaip, ar, bet, bei, kai enz.), voorzetsels (į, iš, su, nuo, apie, po, už, dėl, per, prie enz.), voornaamwoorden (jis, tas, aš, kuris, šis, visas, kitas, savas, toks, kas, tu enz.), partikels (ir, ne, tik enz.). De populairste werkwoorden zijn būti, galėti, turėti, nebūti, reikėti, žinoti, nustatyti enz., en de zelfstandige naamwoorden Lietuva, darbas, žmogus, metai enz. De meest voorkomende telwoorden zijn vienas, pirmas, du; bij de bijvoeglijke naamwoorden die in de eerste honderd van de meest voorkomende woorden staan, gaat het om dideli, naujas, aukštas, įvairus, svarbus, pagrindinis. Overigens blijkt ook uit gegevens over analytische talen dat in bijvoorbeeld Engelse teksten het voornaamwoord I, het voegwoord and en het lidwoord the samen 10% van de teksten uitmaken (Hillerich www: eduplace.com).

Ook de kwestie van internationale woorden is belangrijk: hoeveel ervan en welke zouden in een woordenboek van de standaardtaal moeten worden opgenomen? Het kan nuttig zijn te bedenken dat bijvoorbeeld in de lijst van lemma’s van het Frequentiewoordenboek van het hedendaagse Litouwse geschreven taalgebruik (1998, XXXIV–XXXVI) 27,52% internationale woorden werden aangetroffen en dat zij in teksten 13,34% van de ruimte innamen; ook de lijsten van deze woorden zelf kunnen nuttig zijn.

30 |

LAIMA GRUMADIENĖ

Bij het voorbereiden van een nieuwe grammatica van het Litouws is het belangrijk ook de statistiek van woordvormen te kennen: welke soorten woorden op welke manier worden verbogen, waarom, en waarom de grammaticale vormen van sommige woorden talrijk zijn en die van andere niet. Dergelijke gegevens zijn ruimschoots beschikbaar in het woordenboek van woordvormen dat voor publicatie wordt voorbereid. V. Žilinskienė (2001) heeft al interessante gegevens gepubliceerd over alleen de publicistieke stijl. Het blijkt dat drie naamvallen van zelfstandige naamwoorden 82,29% van alle gevallen van gebruik van zelfstandige naamwoorden uitmaken (gen. – 38,91%, nom. – 26,62%, acc. – 16,76%; en dat bijvoorbeeld de datief slechts in 3,88% van de gevallen wordt gebruikt, wijst misschien al op tendensen naar een analytischer taalgebruik?). Bijvoeglijke naamwoorden worden overigens het vaakst in de nom. gebruikt – in 36,93% van de gevallen. Er is vastgesteld dat het enkelvoud van zelfstandige naamwoorden overheerst – 68,86% van alle voorkomens. In publicistische teksten werden relatief weinig gerundia (2,34%) en half-gerundia (1,84%) aangetroffen, maar deelwoorden maakten maar liefst 24,46% uit; de infinitief werd in 15,85% van de gevallen gebruikt.

Interessante en ongebruikelijke resultaten, vooral voor docenten en specialisten die leerboeken, lesprogramma’s en woordenboeken samenstellen, kwamen aan het licht bij bestudering van de drie door V. Žilinskienė en L. Grumadienė (1998; 1999a; 1999b) samengestelde en uitgegeven minimumwoordenboeken Litouws–Russisch voor de kwalificatiecategorieën taalbeheersing van de staatstaal, evenals zes andere, samengestelde maar nog niet uitgegeven, vergelijkbare woordenboeken Litouws–Engels en Litouws–Pools. Hier moet nogmaals worden benadrukt dat het materiaal is verzameld uit teksten in het geschreven Litouws; woorden uit de spreektaal kunnen hier dus ontbreken. Deze woordenlijstjes zijn gericht op het leren van de schrijftaal, omdat de kwalificatie-eisen voor beheersing van de staatstaal verband houden met het gebruik van die taal in het openbaar, in de eerste plaats in officiële situaties en vooral bij overheidsinstellingen. Daarom zijn hier geen alledaagse, maar neutrale en vakgebonden woorden nodig: men moet zakelijke documenten kunnen lezen en schrijven en mediateksten kunnen begrijpen. In de toekomst moeten ook minimumwoordenboeken voor de spreektaal worden samengesteld. In Litouwen is het leerboek van Vytautas Šernas (1994) uitgegeven, Hoe je talen rationeler kunt leren, dat ook een minimaal tweetalig woordenboek Engels–Litouws bevat: daarin is het beroemde, in 1942 gepubliceerde Basic English van Ch. K. Ogden vertaald, samengesteld uit 850 woorden (het is overigens ook te vinden in deel 3 van de Encyclopaedia Britannica). Mettertijd raken sommige woorden verouderd en komen er andere bij, waardoor de lijst van 850 woorden dienovereenkomstig kan veranderen. Bij het vaststellen van de eisen voor de drie kwalificatiecategorieën voor beheersing van het Litouws als staatstaal is ook rekening gehouden met de mening van de auteurs van het Frequentiewoordenboek van het huidige geschreven Litouws over de omvang van de minimumwoordenboeken: er is besloten dat beheersing van ongeveer 800 woorden zou voldoen aan de eisen van categorie I, ongeveer 1200 aan die van categorie II en ongeveer 2500 aan die van categorie III. Daarbij is uitgegaan van zowel Ogdens algemeen aanvaarde postulaat over 850 woorden als van de onderzoeksresultaten over frequenties in de eigen en andere talen, en van vergelijkbare praktijken in andere landen. Dat deze berekeningen niet uit de lucht zijn gegrepen, blijkt ook uit de drie tabellen in de bijlage, die duidelijk laten zien welk aandeel van de teksten wordt gevormd door respectievelijk de 800, 1200 en 2500 meest frequente woorden van het geschreven Litouws: 56,66%, 65,70% en 78,04%.

Het wordt inmiddels gebruikelijk dat alle grote woordenboeken informatie geven over de meest frequente woorden van een taal. Zo worden in het Engelse COBUILD-woordenboek (www.antimoon.com) de 680 meest frequente woorden met respectievelijk 1–4 ruitjes gemarkeerd. In het Engelse Longman-woordenboek zijn de 3000 meest frequente woorden gemarkeerd met respectievelijk S1, S2 (S – spoken English), W1, W2 (W – written English). In het Engelse Macmillan-woordenboek worden de meest frequente woorden in rood gedrukt; de frequentie van de overige woorden wordt met respectievelijk 1–3 sterretjes aangegeven. De tijd nadert waarop ook de Litouwse lexicografie zich hier waarschijnlijk mee zal moeten bezighouden.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 31

4. CONCLUSIES

Er zijn niet veel elektronische databanken met gegevens over het huidige Litouws; de grootste zijn het door V. Žilinskienė en L. Grumadienė samengestelde Frequentiewoordenboek van het huidige geschreven Litouws (morfologisch geannoteerd en statistisch verwerkt, 1 200 000 woordvoorkomens) en het Litouwse-taalcorpus van de Vytautas Magnus Universiteit (niet geannoteerd, ongeveer 60 000 000 woordvoorkomens). In de Litouwse filologie bestaat nog geen goede praktijk van het gebruik van zowel elektronische databanken met gegevens over de huidige taal als linguïstisch-statistische publicaties. Allereerst wordt er aan Litouwse universiteiten te weinig gestimuleerd om zo te werken, maar er is ook een andere kant van de medaille: er zijn te weinig publiek toegankelijke elektronische databanken van de Litouwse taal. Een van de oorzaken van deze achterstand is ook dat elektronische databanken niet als auteurswerk worden erkend. Een van de belangrijkste problemen in Litouwen met betrekking tot elektronische databanken is de zwakke conceptuele basis van de samenstelling ervan: elektronische databanken zijn vaak bedoeld om alleen te worden gebruikt als tekst in elektronische vorm, zonder toepassing van computertechnologieën voor de verwerking van gegevens.

32 |

LAIMA GRUMADIENĖ

TABEL 1: FREQUENTIE VAN WOORDEN NAAR TAALONDERDELEN EN TOTAAL IN DE KWALIFICATIECATEGORIEËN VOOR BEHEERSING VAN HET LITOUWS ALS STAATSTAAL

Rang Frequentie zelfst nw bijv nw vnw bijw overige 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

LINGUÏSTISCH-STATISTISCHE ANALYSE VAN HET MINIMUMWOORDENBOEK VAN DE CATEGORIEËN:

skt prl jng dll išt; ist Som – 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 Frequentie znw ww bnw bw vnw 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%

Minimale woordenschat voor de I kwalificatiecategorie beheersing van het Litouws (ongeveer 800

TABEL 2: ALGEMENE WOORDENFREQUENTIE EN FREQUENTIE PER WOORDSOORT VOOR DE II KWALIFICATIECATEGORIE LITOUWSE TAALVAARDIGHEID

Rang Frequentie znw ww bnw bw vnw 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%

Minimale woordenschat voor de II kwalificatiecategorie beheersing van het Litouws (ongeveer 1200

TABEL 3: ALGEMENE WOORDENFREQUENTIE EN FREQUENTIE PER WOORDSOORT VOOR DE III KWALIFICATIECATEGORIE LITOUWSE TAALVAARDIGHEID

Rang Frequentie znw ww bnw bw vnw 601–650 105-56 45751 20328 12145 5822 433 52,31% 23,25% 13,88% 6,66% 0,50%

Minimale woordenschat voor de III kwalificatiecategorie beheersing van het Litouws (ongeveer 2500

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 35

skt prl jng dll išt; jst Totaal 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% woorden) dekt 56,66% van de tekst (selectie uit 1,2 miljoen woordvoorkomens). 56,66%

LINGVOSTATISTISCHE ANALYSE VAN DE CATEGORIEËN VAN HET MINIMUMWOORDENBOEK:

skt prl jng dll išt; jst Totaal 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% woorden) dekt 65,70% van de tekst (selectie uit 1,2 miljoen woordvoorkomens). 9,04% Totaal: (=65,70%)

LINGVOSTATISTISCHE ANALYSE VAN DE CATEGORIEËN VAN HET MINIMUMWOORDENBOEK:

skt prl jng dll išt; jst Totaal 460 341 372 1697 102 87446 0,52% 0,40% 0,42% 1,94% 0,12% 7,29% woorden) dekt 78,04% van de tekst (selectie uit 1,2 miljoen woordvoorkomens). 7,29% Totaal: (=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