ACTA LINGUISTICA LITHUANICA

XLVI (2002), 19 – 37

Dicționarul de frecvență al limbii lituaniene scrise contemporane și baza sa

LAIMA GRUMADIENĖ

Institutul Limbii Lituaniene

Există puține baze de date electronice pentru limba lituaniană. Cele mai mari sunt Dicționarul de frecvență al limbii lituaniene scrise moderne, compilat de V. Žilinskienė și L. Grumadienė, și Corpusul limbii lituaniene al Universității din Kaunas. Primul este prezentat aici în detaliu: sunt discutate principiile compilării sale și posibilele utilizări, iar lucrările publicate până în prezent în lingvistica statistică bazate pe acesta sunt caracterizate pe scurt. Principalele probleme legate de bazele de date pentru limba lituaniană modernă sunt: (1) diferențierea lor insuficientă (reflectă doar limba scrisă, nu și cea vorbită), (2) faptul că nu sunt utilizate în mod optim, deoarece comunitatea științifică lituaniană nu are pregătirea necesară pentru a lucra cu astfel de instrumente și (3) faptul că eforturile cercetătorilor care le compilează primesc prea puțină recunoaștere publică și nu sunt apreciate ca realizări științifice originale.

1. ÎNVECHIREA ȘI „INUTILITATEA” BAZELOR DE DATE ELECTRONICE

Chiar în acest moment, lingvistica lituaniană este parcă încremenită în saltul unui tigru: lucrările remarcabile apărute în urma impulsului provenit în mare parte din structuralism au fost deja scrise, însă în aer plutește așteptarea unor lucrări noi, nu mai puțin importante. Pentru aceasta este nevoie nu numai de o altă perspectivă asupra fenomenelor lingvistice, ci și de metode și instrumente de lucru noi, încă neexperimentate. În epoca tehnologiilor informației, noile instrumente de lucru ale lingviștilor sunt adesea legate de bazele de date electronice, iar acestea, de publicațiile lingvostatistice. S-ar părea că este de la sine înțeles că unele diferă de celelalte, deoarece bazele electronice sunt dinamice, pot fi utilizate autonom, în timp ce publicațiile sunt statice, fiind doar o colecție de date prezentate la latitudinea autorilor. Totuși, în trecut și uneori chiar și astăzi, în Lituania, astfel de baze și publicații au fost sau sunt confundate. Istoria dicționarelor inverse (numite și retrograde) o demonstrează. Primul dicționar invers lituanian, alcătuit de americanul David F. Robinson (1976) pe baza ediției din 1954 a DLKŽ, cuprindea aproximativ 45 000 de cuvinte; este posibil să nu fi avut nici măcar o bază de date electronică proprie, cel puțin autorul nu o menționează. În plus, pe atunci o asemenea bază de date electronică nici nu ar fi fost accesibilă în Lituania, întrucât puțini oameni răsfoiseră chiar și dicționarul, deoarece acesta fusese publicat într-un tiraj mic în America. Juozas Korsakas din Šiauliai (1991) a alcătuit, prin selecție, Dicționarul invers al limbii lituaniene

20 |

LAIMA GRUMADIENĖ

dicționarul, care cuprindea aproape 22 000 de cuvinte, avea, de asemenea, la bază DLKŽ, dar ediția din 1972. S-a lucrat folosind propria bază de date electronică, însă aceasta nu este disponibilă publicului (probabil din motive tehnice), astfel că este accesibilă doar sub forma unei cărți tipărite. Dicționarul invers al limbii lituaniene contemporane al Vidos Žilinskienė (1995) nu este o simplă transcriere a DLKŽ, deoarece cuvintele sunt prezentate în ordine inversă, grupate pe părți de vorbire, și include o analiză statistică. În prezent, este disponibil în esență tot numai în format tipărit, deși există și o versiune electronică. Aceasta a fost folosită destul de puțin (de grupul de lucru condus de E. Jakaitienė la elaborarea dicționarului lituaniano-norvegian, precum și pentru articolele Daivei Murmulaitytė (1998, 1999 etc.)). De altfel, ultimul dicționar și analiza au fost realizate folosind versiunea computerizată a DLKŽ (ediția din 1993) și analiza sa statistică, nu, așa cum indică Rūta Marcinkevičienė (2000a: 16) în recenzia sa, pe baza Dicționarului de frecvență al limbii lituaniene scrise contemporane (Grumadienė, Žilinskienė 1997; 1998). Versiunea electronică a DLKŽ (ediția din 1993), realizată prin eforturile comune ale cercetătorilor Institutului de Matematică și Informatică și ai Institutului Limbii Lituaniene, a fost distribuită într-un tiraj mic (1995), deoarece pur și simplu nu exista dreptul de a distribui publicații în format electronic. Acum, Institutul Limbii Lituaniene a reluat informatizarea DLKŽ, de data aceasta a ediției din 2000 (coordonator Stasys Keinys), și a primit sprijin financiar din partea Fondului Lituanian pentru Știință. După cum se știe, edițiile DLKŽ din 1993 și 2000 diferă foarte puțin; de aceea, merită să ne oprim asupra faptului că s-a decis să nu se folosească versiunea electronică anterioară numai pentru că fusese realizată într-un mediu DOS și într-o bază de date FOX-PRO, devenite deja moral învechite: s-a recurs din nou la instrumente informatice pentru a citi textul electronic deja existent, care necesita doar mici corecturi, sporind astfel volumul de muncă și cheltuielile. Poate că și analiza statistică va fi refăcută?

Dar, la fel ca versiunea computerizată a ediției DLKŽ din 1993, nu doar o singură bază de date electronică se învechește moral, așa că este evident că trebuie să ne preocupăm de întreținerea lor. Nu s-ar putea întâmpla și cu Banca de termeni, pregătită prin eforturile comune ale institutelor menționate, ceea ce s-a întâmplat cu versiunea electronică a DLKŽ (1993)? Așadar, publicațiile lingvostatistice sunt încă apreciate mult mai mult decât bazele de date electronice costisitoare, care oferă numeroase posibilități pentru activități inovatoare.

Specialiștii în limba lituaniană ar trebui să ajungă la un acord cu privire la bazele de date electronice de acest tip, în care sunt folosite semne specifice, de exemplu, cele pentru texte vechi sau texte transcrise din dialecte, deoarece chiar și acum trebuie să se culeagă din nou articolele care conțin astfel de exemple atunci când, dintr-un motiv sau altul, se decide să fie trimise nu, să zicem, publicațiilor Institutului Limbii Lituaniene, ci redacției uneia dintre publicațiile Universității din Vilnius. Dicționarele dialectale și textele dialectale publicate în prezent, deși se află în format electronic, sunt doar un semn al modernizării tipografiei, deoarece textele lor nu pot fi utilizate ca bază de date electronică. Așadar, în absența unui acord între specialiștii în limba lituaniană privind un sistem comun de codare (de exemplu, UNICODE sau altul), utilizarea publică a bazelor electronice de date este îngreunată considerabil, fără a mai vorbi de faptul că utilizarea tehnologiilor și programelor electronice pentru analiza lor devine foarte limitată sau uneori imposibilă. Oare avem atât de multe încât nu mai suntem în stare să le cuprindem? Problema este că nici lingviștii, nici specialiștii în informatică ce îi sprijină nu înțeleg încă în mod adecvat că bazele de date trebuie să fie dinamice; lucrul cu ele trebuie să permită aplicarea multitudinii de programe și tehnologii noi care apar continuu, iar acestea trebuie să poată fi convertite la o versiune informatică superioară. Până în prezent, majoritatea bazelor de date electronice create în Lituania sunt alcătuite ca și cum ar fi aceleași fișe cu

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 21

date lingvistice, ci doar colectate cu ajutorul tastaturii computerului. În curând, aceste date s-ar putea asemăna cu o inscripție cuneiformă săpată în piatră: pe ecranele computerelor de nouă generație se vor vedea doar „steaguri” și „pătrățele”, a căror descifrare, asemenea citirii runelor, le va reveni lingviștilor viitorului. Discuțiile purtate până acum pe această temă au fost sterile, dar, se pare, nu trebuie să ne pierdem speranța; merită să reluăm invitația la discuții și să ne sfătuim.

De altfel, trebuie să atragem atenția asupra termenilor: BAZĂ, BANCĂ, CORPUS (CORPUS), ARHIVĂ, în format electronic. Cel mai la modă dintre aceștia este CORPUSUL. Acesta este definit în diverse feluri, însă toate definițiile au în comun faptul că prin CORPUS se înțelege o colecție de texte în format electronic; de aceea, nu de puține ori, aproape tot ceea ce înainte era numit bază de date a început să fie numit corpus (mărimea textelor individuale nu este, până la urmă, reglementată). Termenul BANCĂ este asociat cel mai adesea cu terminologia: de obicei, băncile de termeni nu sunt numite corpora. În prezent, termenul ARHIVĂ este tot mai des asociat cu dimensiunea temporală: o acumulare electronică de date vechi poate fi numită arhivă sau bază. Așadar, cel mai neutru termen rămâne BAZĂ DE DATE ELECTRONICĂ și, prin urmare, aici este folosit cel mai frecvent (cf. Kennedy 1998: 3 și urm.).

2. BAZE DE DATE ELECTRONICE ALE LIMBII LITUANIENE CONTEMPORANE ȘI PUBLICAȚII LINGVOSTATISTICE

Nu există un surplus de baze de date în format electronic pentru limba lituaniană contemporană. În consecință, nici publicațiile lingvostatistice nu sunt numeroase; ceva mai frecvent se recurge doar la metode lingvostatistice. Se distinge aici fonetica, singura disciplină, și fonologia care se bazează pe rezultatele acesteia. Poate că lucrurile au stat astfel din cauza naturii foneticii însăși, adică pentru că repetarea frecventă a acelorași unități — sunetele — îndeamnă pur și simplu la concluzii întemeiate pe statistică; sau poate din cauza unor factori subiectivi, adică apariției unor cercetători cu o gândire novatoare: în primul rând Aleksas Girdenis și discipolii săi, precum și Antanas Pakerys. Oricum ar fi, ambii factori au determinat saltul foneticii și fonologiei lituaniene și chiar o anumită distanțare a acestora față de celelalte ramuri ale lingvisticii. E drept că fonetica însăși este un domeniu intermediar între științele exacte și lingvistică.

Următoarea ramură a lingvisticii, în ordinea frecvenței unităților recurente, este morfologia. Prin urmare, ar fi logic să presupunem că tocmai în acest domeniu ar trebui să apară mai întâi nevoia de a opera atât cu date lingvostatistice, cât și cu baze de date electronice. Până acum nu s-a întâmplat acest lucru, deși există deja asemenea lucrări și instrumente de lucru. Prima lucrare lingvostatistică de lexicologie și morfologie din Lituania a fost elaborată de Vida Žilinskienė (1990), folosind un ESM. Lietuvių kalbos dažninis žodynas se bazează pe date dintr-unul dintre stilurile funcționale — cel publicistic — și prezintă analiza a 300 000 de ocurențe de cuvinte (adică atât a acelorași lexeme, cât și a lexemelor diferite; acestea din urmă erau în număr de 18 776, întrucât, conform regulilor general acceptate de alcătuire a dicționarelor de frecvență, s-a renunțat la cercetarea în continuare a 11 956 de cuvinte proprii). Toate textele continue, alcătuite din fragmente (eșantioane) de câte 1000 de ocurențe de cuvinte, au fost analizate morfologic, accentuate, apoi perforate și introduse în ESM-ul „Minsk-22”, acum deja depășit moral și scos din uz. Există o bancă electronică de date, dar în prezent ar fi foarte greu să fie utilizată. Din păcate, analiza lingvostatistică lexicală, morfologică și accentologică a textelor publicistice — una dintre varietățile limbii lituaniene contemporane — nu a fost până acum valorificată în mod corespunzător nici în scopuri științifice, nici practice, mai ales în redactarea manualelor și a dicționarelor pedagogice. Un exemplu de lucrări de morfologie sincronică pregătite cu ajutorul mijloacelor electronice (participând la

22 |

LAIMA GRUMADIENĖ

programul internațional CHILD) și analizate ar putea fi teza de doctorat a Inetei Savickienė (1999), dedicată morfologiei limbajului copiilor.

De altfel, trebuie menționat că lucrări bazate pe date lingvostatistice privind alte niveluri, stilistica și, parțial, sintaxa — ale căror unități au o frecvență mult mai redusă — au apărut deja cu mai bine de un deceniu în urmă; în primul rând, cele ale Audronėi Bitinienė (1983, 1997, 1998 și altele). Există deja și câteva încercări de a cerceta lexicul contemporan pe baza datelor lingvostatistice. În ultima vreme, asemenea lucrări sunt realizate cel mai adesea pe baza Corpusului de limbă lituaniană contemporană al Universității Vytautas Magnus (aproximativ 60 000 000 de ocurențe de cuvinte), de exemplu, cercetările asupra colocațiilor efectuate de Rūta Marcinkevičienė (2000a; 2000b), teza de doctorat a Jurgitei Mikelionienė (2000) despre neologisme și altele. Pe baza unor baze de date electronice de mici dimensiuni se elaborează tot mai multe lucrări de lexic, uneori destul de specializate, de exemplu, teza de doctorat a Astos Ryklienė (2000) despre lexicul folosit de utilizatorii internetului și lucrarea sa; cu toate acestea, în general, astfel de lucrări sunt puține, iar studenții s-au implicat prea puțin în acest proces (cu excepția, poate, a Universității Vytautas Magnus). Grupul condus de Antanas Pakerys de la Universitatea Pedagogică din Vilnius este pe cale să finalizeze o bază electronică destinată cercetării lexicului; poate că atunci se vor înmulți și aici lucrările studențești de acest tip.

Acest articol se limitează la descrierea instrumentelor de lucru necesare cercetării limbii lituaniene scrise contemporane și, prin urmare, nu abordează seria de studii asupra scrierilor vechi, apărută deja și bazată pe propria bază de date electronică a Institutului Limbii Lituaniene. Apariția unor baze de date electronice proprii va da, fără îndoială, un nou impuls dialectologiei lituaniene: la Institutul Limbii Lituaniene se pregătește deja înființarea unui Centru al dialectelor, unde înregistrările dialectale și textele transcrise și descifrate pe baza acestora ar urma să fie pregătite în format electronic. La același institut au început lucrările de creare a unor baze de date electronice de onomastică și toponimie. Baza de date electronică a marelui Lietuvių kalbos žodyno, aflată deja în curs de pregătire, ar trebui să marcheze o adevărată cotitură în lexicografia lituaniană; se așteaptă mult și de la baza de date electronică a Bendrinės lietuvių kalbos žodyno. Cadre didactice de la Universitatea din Vilnius, conduse de Evalda Jakaitienė, participă la unul dintre proiectele Uniunii Europene și pregătesc o așa-numită listă universală de cuvinte lituaniene în format electronic, pe baza căreia ar trebui să înceapă o nouă serie de dicționare bilingve. Într-o anumită măsură, aceasta pare să concureze cu firma editorială a Bendrinės lietuvių kalbos žodyno. Cu eforturi depuse în principal de Comisia de Stat pentru Limba Lituaniană, la îndemnul Uniunii Europene, au început să fie pregătite așa-numitele portofolii de termeni sau de cuvinte străine, liste speciale de termeni și combinații de cuvinte din diverse domenii, recent apărute și foarte frecvent utilizate, pe care Uniunea Europeană le distribuie tuturor statelor sale membre și candidate, astfel încât limbile să se poată adapta și pregăti pentru valul de traduceri care se apropie, precum și pentru traducerea automată. Un grup de cercetători de la Universitatea din Vilnius (conducătoarea grupului: Meilutė Ramonienė) a demarat pregătirea unor baze de date electronice ale limbii lituaniene vorbite contemporane, după modelul celor poloneze, întemeiate pe înregistrări de limbă din emisiuni radio și de televiziune. La aceeași universitate se pregătește constituirea unei baze electronice de slavisme (conducător: Vytautas Kardelis), care ar urma să cuprindă atât înregistrări audio, cât și exemple selectate și transcrise din acestea.

După cum arată experiența, rezultatele pot fi așteptate numai după ce se învață lucrul cu date de acest tip și se dobândesc deprinderi de folosire a noilor posibilități. În acest scop sunt necesare laboratoare unde să se învețe aceste lucruri, de preferință încă din tinerețe. Natura bazelor de date electronice presupune acces public; odată organizate, acestea ar trebui să fie accesibile tuturor celor care au nevoie de ele. Cele mai mari colecții de date privind limba lituaniană se află la Institutul Limbii Lituaniene-

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 23

tute, așadar, pe măsură ce se modernizează, tocmai el ar trebui să devină cel mai mare centru de elaborare a bazelor de date electronice pentru limba lituaniană, o sursă de acces public la acestea, un centru de atracție și de propagare a lucrărilor și ideilor de acest fel – poate că acest rol îl va îndeplini Centrul de Lituanistică înființat în cadrul bazei de date a Institutului Limbii Lituaniene? Bazele de date electronice care vor ajunge pe internet vor deveni și mai accesibile. De altfel, locul în care se folosește un computer devine irelevant atunci când apare posibilitatea conectării la internet; important este doar ceea ce a ajuns pe internet. Dar acestea sunt planuri de viitor.

Până în prezent, în Lituania nu a fost reglementată publicarea în format electronic a lucrărilor lingvostatistice, iar problema drepturilor de autor nu a fost soluționată; de aceea, asemenea lucrări tipărite pe hârtie rămân de actualitate. Bazele de date electronice și publicațiile lingvostatistice diferă însă fundamental; cele din urmă nu sunt decât vârful aisbergului.

În cele ce urmează este abordată o problemă concretă: relația dintre bazele de date electronice ale limbii lituaniene scrise contemporane și dicționarele de frecvență. Acestea din urmă nu pot exista fără o bază de date, însă posibilitățile oferite de baze sunt departe de a se limita doar la publicarea dicționarelor.

3. BAZELE DE DATE ELECTRONICE ALE LIMBII LITUANIENE SCRISE CONTEMPORANE ȘI DICȚIONARELE DE FRECVENȚĂl

Bazele de date lingvistice electronice se deosebesc, firește, de alte colecții de date lingvistice în primul rând prin forma lor electronică și prin specificul utilizării tehnologiilor informatice asociate acesteia. Apariția bazelor de date electronice a oferit posibilități cu totul noi de cercetare a limbii, dar ele însele nu trebuie asociate doar cu apariția suporturilor electronice moderne. Faptul că, prin mijloace diferite, se obțin rezultate în esență analoge — în primul rând caracteristici de frecvență ale formelor gramaticale și ale lexemelor — arată că există numeroase asemănări între bazele de date electronice contemporane și analogii lor mult mai vechi. În Franța, editura Larousse a început încă din 1956 să folosească pentru elaborarea dicționarelor un fișier lexical mecanizat (al mașinilor electronice de calcul, MEC, din vechea generație) (Rozencveig 1986: 82).

Problema modului în care ar trebui alcătuite bazele de date lingvistice electronice moderne a apărut, pe de o parte, deoarece noile tehnologii au făcut posibilă gestionarea unor cantități mari de informații, iar volumul textului destinat ilustrării unui cuvânt (adică al contextului său) a început atunci să crească. Astfel au apărut noi posibilități de cercetare a valențelor cuvântului și, ulterior, ale unor unități lingvistice mai ample, deci și a sintaxei și semanticii. A început să fascineze includerea unor fragmente de text tot mai mari și, în cele din urmă, s-a ajuns chiar la texte întregi, finite, până când acest demers a fost temperat de costurile obținerii drepturilor de autor asupra operelor. Pe de altă parte, apariția computerelor a avut, probabil, un impact comparabil cu cel al invenției lui Gutenberg, iar mai importantă a fost răspândirea lor într-un ritm fără precedent. Astfel, pe măsură ce legăturile interumane la distanță — atât între vorbitorii aceleiași limbi, cât și între cei care vorbesc limbi diferite — au crescut în progresie geometrică, s-a ivit o nevoie socială urgentă de a obține informații statistice diverse legate de limbă, pentru a automatiza cât mai multe procese de comunicare: predarea limbilor, traducerea, recunoașterea, comprimarea și transmiterea informațiilor etc.

Lingvistica lituaniană nu a rămas în afara acestui proces general, ci, firește, a rămas mult în urmă. Pe parcursul întregului secol XX, mai ales în a doua jumătate a acestuia, lumea părea deja să se pregătească pentru un nou salt. În primul rând, era vorba despre dicționarele de frecvență ale limbilor. Primele au apărut încă în secolul al XIX-lea.

24 |

LAIMA GRUMADIENĖ

la sfârșitul secolului al XIX-lea – începutul secolului al XX-lea. Primul a fost cel al limbii germane, întocmit de stenograful F. Kaeding (1898) pe baza a nu mai puțin de 11 000 000 de ocurențe de cuvinte, folosind un fișier pe fișe. Mult mai târziu, G. Vander Beke (1929) a publicat un dicționar de acest tip pentru limba franceză. H. Eaton (1934) a alcătuit un dicționar comparativ al primelor o mie de cuvinte cu frecvența cea mai ridicată în patru limbi — engleză, franceză, germană și spaniolă. Primul dicționar de frecvență al limbii engleze a fost întocmit de E. Thorndike și L. Lorge (1944), iar cel al limbii spaniole, de V. Garcia Hoz (1953). Primul dicționar de frecvență al limbii ruse a fost întocmit în America de H. Josselson (1953), iar N. P. Vacar (1966), tot în America, a publicat un dicționar de frecvență al limbii ruse vorbite din perioada sovietică, însă acesta se bazează, în esență, doar pe limbajul operelor dramatice. E. Șteinfeldt (Štejnfel’dt 1963) a publicat la Tallinn un dicționar de frecvență al limbii lui Pușkin. Pe baza unui corpus de 1 000 000 de cuvinte, alcătuit în proporții egale din literatură artistică și așa-numita proză informativă (publicistică, documente administrative și literatură științifică), L. Lönngren (1993) a întocmit la Uppsala un dicționar de frecvență al limbii ruse. Primele dicționare de frecvență nu doar ale limbii ruse, ci și ale limbilor română și italiană au fost, de asemenea, elaborate în America — de A. Juilland, P. M. Edwards, I. Juilland (1965), respectiv de A. Juilland și V. Traversa (1973) (de altfel, A. Juilland și E. Ch. Rodrigues (1964) elaboraseră deja tot acolo încă un dicționar de frecvență al limbii spaniole, iar mai târziu au mai întocmit unul J. R. Alameda și F. Cuetos (1995)). O întreagă serie de dicționare de frecvență s-a bazat pe concepția Cercului Lingvistic de la Praga despre stilurile funcționale ale limbii, precum și pe concepția lui Boris Larin despre limba comună: primul a fost, cum era firesc, dicționarul limbii cehe, inițial pentru stiluri funcționale distincte, apoi și unul general, redactate de colectivul de autori condus de Marie Těsitelová (J. Jelínek, J. V. Bečka și alții, vezi Těsitelová 1983). Letonii s-au grăbit și ei, la fel ca cehii: au alcătuit mai întâi dicționare pentru stiluri funcționale distincte, apoi un dicționar general în două volume — T. Jakubaite, D. Kristovska, D. Guļevska, V. Ozola, R. Prūse, A. Rubine, N. Sika (1966–1976). Aceeași metodologie a fost urmată și de V. A. Agrajevas, V. V. Borodin, V. M. Muratova și E. V. Tisenko, sub conducerea lui L. N. Zasorina (1977), la elaborarea unui dicționar de frecvență al limbii ruse contemporane, bazat pe 1 000 000 de ocurențe de cuvinte din patru stiluri funcționale. Dicționarul de frecvență al limbii belaruse întocmit de N. S. Mažeika și A. J. Suprun (Mažeika, Suprun 1976) cuprinde un singur stil funcțional — literatura artistică. Tot numai stilul publicistic este reprezentat și în dicționarul de frecvență al limbii bulgare (Todorova, Pančovska 2001). Primul dicționar de frecvență al limbii lituaniene, întocmit de V. Žilinskienė (1990), cuprindea, de asemenea, un singur stil funcțional — stilul publicistic; la elaborarea lui s-a folosit aceeași metodologie cehă și s-a colaborat intens cu letonii.

Cu timpul, deși limba lituaniană nu se poate lăuda cu acest lucru, în lume au apărut dicționare de frecvență de tot felul: pentru limba unor autori individuali, pentru stiluri funcționale, varietăți regionale ale limbilor, limba scrisă și cea vorbită etc. Dicționarele de frecvență ale „unei limbi în general” au devenit nefuncționale, deoarece a fost nevoie de ele pentru atingerea unor obiective concrete; prin urmare, selecția cuvintelor trebuia făcută din texte aparținând unui anumit domeniu, nu din totalitatea textelor. Pe de altă parte, problema alcătuirii dicționarelor de frecvență a „intrat într-o altă dimensiune” atunci când, în căutarea unor exemple de uz, behavioriștii și pozitiviștii americani au început să creeze corpusuri electronice: tehnologiile electronice au evoluat rapid, făcând posibilă nu doar acumularea, ci și prelucrarea unor mase uriașe de texte.

Începuturile lingvisticii de corpus sunt datate în 1961, când Nelson Francis și Henry Kučera au anunțat și au început să creeze celebrul corpus electronic al limbii scrise Brown (Brown university), iar John Sinclair — corpusul LOB (Lancaster-Oslo/Birmingham), în același format —, tec-

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 25

corpusului; încă din 1959, Randolph Quirk anunța corpusul de limbă scrisă și vorbită SEU (Survey of English Usage), continuat de Jan Svartvik, care a început la Universitatea din Lund să creeze corpusul de limbă vorbită LLC (London-Lund Corpus of Spoken English). Volumul tuturor corpusurilor menționate era atunci de aproximativ 1–1,15 milioane de ocurențe de cuvinte; ulterior au apărut mai multe corpusuri similare (vezi Aijmer, Altenberg 1991: 1tt.). Volumul corpusurilor de a doua generație se măsoară în zeci de milioane, iar al celor de a treia generație – deja în sute de milioane și miliarde. În lume rămâne actuală problema compatibilității dintre software-ul informatic și programele de lucru individuale: au fost deja acumulate corpusuri de o amploare extraordinară – sute de milioane de cuvinte (în esență, o formă electronică a bibliotecilor), dar cum pot fi folosite în mod convenabil, cum pot fi numărate frecvențele elementare și cum ne putem orienta în oceanul de cuvinte? În cele din urmă, oare cantitatea determină întotdeauna calitatea? La alcătuirea diverselor dicționare de frecvență s-a constatat de nenumărate ori că jumătate dintre cuvintele studiate au fost folosite o singură dată. De aceea, de fiecare dată când se începe o asemenea muncă, trebuie cântărit cu atenție dacă obiectivele propuse impun cu adevărat lucrul cu o cantitate enormă de material, în căutarea celor mai rare cuvinte. Uneori, când sunt studiate anumite regularități gramaticale sau de formare a cuvintelor, extinderea excesivă a volumului eșantionului studiat este cu adevărat irațională; este pe deplin justificat să fie evaluate și criteriile statistice, deoarece acestea vor arăta probabilitatea ca eșantionul să fie suficient pentru a formula concluzii reprezentative. Trebuie acordată o atenție deosebită textelor din care este alcătuit eșantionul studiat, adică modului în care este construit modelul obiectului cercetării. În lingvistica lituaniană, problema care ridică acum, probabil, cele mai multe întrebări în această privință este ce trebuie considerat limba lituaniană standard și în ce proporții ar trebui să fie reprezentate în aceasta stilurile funcționale ale limbii sau straturile lingvistice delimitate după alte criterii. De exemplu, corpusul menționat al Universității Vytautas Magnus a fost alcătuit conform unor principii de eșantionare, iar Dicționarul de frecvență al limbii lituaniene scrise contemporane – conform altora, de aceea și rezultatele sunt diferite. Datele statistice despre, de pildă, părți de vorbire individuale, obținute din corpusuri diferite, trebuie evaluate cu multă atenție și obiectivitate. S-a observat că, în lucrările de acest tip deja publicate sau aflate în curs de elaborare, nu se acordă suficientă atenție textelor studiate și se fac generalizări despre „limba lituaniană contemporană”. Lucrul cu cifrele cere precizie; altfel, concluziile sunt înșelătoare.

Corpusul electronic al Dicționarului de frecvență al limbii lituaniene scrise contemporane, discutat în acest articol (1,2 milioane de ocurențe de cuvinte), aparține corpusurilor de primă generație (de tip Brown, LOB), cu un volum de peste un milion de cuvinte. Îl leagă de aceste corpusuri renumite încă o trăsătură comună: asemenea puținor corpusuri ulterioare din lume, și corpusul nostru este adnotat. Tehnologiile informatice au creat condiții deosebite pentru limbile analitice: programe speciale, dar destul de răspândite (în special cunoscutul program al Universității Oxford – Oxford Concordance Program, precum și KWIC, KAYE, CLAN, OCP, WordCruncher și altele) permit alcătuirea relativ ușoară a listelor celor mai frecvente cuvinte și prezentarea concordanțelor acestora (Leech 1991: 10; Utka 2000). Cercetătorii corpusului limbii lituaniene contemporane de la Universitatea Vytautas Magnus folosesc, de regulă, programe de acest tip, însă astfel se pot analiza doar cuvintele, adică lexicul, întrucât lipsesc informații despre terminațiile cuvintelor, care, după cum se știe, sunt deosebit de importante în limba lituaniană. Așadar, lucrurile sunt mai complicate pentru limbile sintetice: programele descrise generează liste de forme de cuvinte, nu de leme. Este nevoie de multă muncă suplimentară până când formele cuvintelor sunt normalizate și reduse la forme de bază. Astfel de liste de cuvinte, care includ și o analiză gramaticală, sunt numite adnotate; în lume sunt puține, sunt foarte apreciate, deoarece presupun un volum considerabil de muncă, prin urmare sunt

26 |

LAIMA GRUMADIENĖ

foarte costisitoare (împreună cu V. Žilinskienė am calculat că, în cazul nostru, numai selectarea textelor, introducerea lor cu tastatura computerului, analiza morfologică semiautomatizată (așa-numita LEMATIZARE), corectarea și încărcarea datelor în computer ar necesita șase ani de muncă pentru o singură persoană). Calculele și corecturile ulterioare necesită din nou câțiva ani, deoarece orice inexactitate în efectuarea operațiilor matematice poate duce la un rezultat absurd.

În general, în prezent, mai ales odată cu apariția corpusurilor electronice, se pot alcătui în diverse moduri dicționare de frecvență de diferite tipuri – depinde ce cauți. Motivul principal pentru care sunt alcătuite mereu noi dicționare de frecvență, în special cele care pretind să se numească, de pildă, dicționare ale limbii n, este că principiul fundamental al lingvostatisticii, ca și al statisticii în general, este că eșantionul trebuie să fie un model reprezentativ al populației studiate, sau al colectivității. Cu alte cuvinte, se pune mereu întrebarea dacă eșantionul studiat reflectă cu adevărat populația avută în vedere. De exemplu, un dicționar de frecvență al limbii lituaniene contemporane alcătuit pe baza corpusului limbii lituaniene contemporane de la Universitatea Vytautas Magnus, care cuprinde nu mai puțin de 60 de milioane de ocurențe de cuvinte, ar fi diferit de cele deja publicate de L. Grumadienė și V. Žilinskienė (1997, 1998), deoarece rezultatele sale ar reflecta un ansamblu de texte alcătuit în proporție de 70% din limba publicațiilor periodice, 26% din cea a publicațiilor neperiodice și 4% din cea a publicațiilor traduse (Marcinkevičienė 2000a: 16). Textele dicționarelor menționate, deja publicate, au fost selectate după un cu totul alt criteriu: sunt texte originale, netraduse, aparținând celor patru stiluri funcționale ale limbii – publicistic, administrativ, beletristic și științific. Această alegere s-a făcut deoarece limba lituaniană standard, în special cea scrisă, este încă în curs de formare, normare și codificare în spiritul ideilor Cercului Lingvistic din Praga (de altfel, trebuie remarcat că în prezent termenul STIL este definit destul de diferit de diverse școli de lingvistică). Au fost urmate principiile altor alcătuitori de dicționare de frecvență, în primul rând cehi, ruși și letoni, care împărtășeau și ei concepția limbii standard – suma stilurilor funcționale ale limbii – expusă mai sus; s-a valorificat experiența lor. Prin urmare, ca și în cazul dicționarelor acestora, au fost selectate câte 300 000 de ocurențe de cuvinte din cele patru stiluri funcționale, deoarece se considera că principiile de alcătuire a corpusului Universității Vytautas Magnus (care, de altfel, a apărut mai târziu decât al nostru), mai apropiate de concepția americană asupra limbii standard (sau comune, cum este numită acolo de obicei), erau încă premature pentru limba lituaniană scrisă. În baza de date a Dicționarului de frecvență al limbii lituaniene scrise contemporane se resimte uneori lipsa lexicului familiar, deoarece se uită că dicționarul a fost alcătuit exclusiv pe baza limbii scrise publice: nu include scrisori private, jurnale, inscripții de pe ziduri sau altele asemenea. Totuși, chiar și în prezent au intrat în dicționar cuvinte din limba vorbită, printre care nu doar împrumuturi neadaptate și regionalisme, ci și exemple de lexic peiorativ, inacceptabil în limba standard, motiv pentru care autoarele dicționarului sunt în permanență criticate. Se pune întrebarea ce trebuie considerat literatură beletristică: cuvintele respective apăreau în texte literare (texte originale editate, tipărite în Lituania într-un tiraj de peste 100 de exemplare), iar principiul de bază al alcătuirii unui dicționar de frecvență este să nu fie eliminat niciun cuvânt lexical, cu excepția numelor proprii, numerelor, abrevierilor sau greșelilor de tipar. De altfel, datele arată că, în eșantioanele de câte 300 000 de ocurențe de cuvinte selectate pentru fiecare dintre cele patru stiluri funcționale, în stilul publicistic s-au găsit 284 687 de cuvinte lexicale (15 313 așa-numite „deșeuri”), în stilul administrativ – 279 505 (20 495 care, din motivele menționate, nu au fost incluse în dicționar), în stilul științific – 278 311 (21 689), iar în cel beletristic – 290 561 (9 439). Nu ne-a lăsat inima să eliminăm numele propriu Lietuva, așa că acesta a fost singurul nume propriu admis în dicționar cu titlu de excepție (după cum s-a dovedit, este al 16-lea cuvânt ca frecvență și primul dintre substantive; frecvența sa este de 5151 în 614 eșantioane: aici au contat documentele oficiale,

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 27

denumirile instituțiilor și altele asemenea, în care acest cuvânt apărea adesea la cazul genitiv). Pot fi considerate, în mod convențional, nume proprii și denumirile sărbătorilor religioase și ale altor sărbători (folosite adesea și ca substantive comune), de pildă, Joninės, Kūčios, Žolinė, sau denumirile punctelor cardinale Rytai, Vakarai, Pietūs, Šiaurė.

Respectând principiul reprezentativității, pentru fiecare dintre stilurile menționate au fost selectate numai texte aparținând stilului propriu-zis: au fost excluse textele didactice considerate de graniță, publicistica științifică, publicistica destinată unui cerc restrâns de cititori, drama, poezia și altele asemenea. Textele de publicistică au fost selectate de Vida Žilinskienė și au fost alcătuite din texte publicate în 1994–1995 în 19 cotidiene sau săptămânale centrale, editate, și în reviste cu largă circulație; ele reprezentau cinci grupuri tematice: 1) politică, 2) industrie și agricultură, 3) educație și drept, 4) artă și 5) divertisment (sport, horoscoape, prognoze meteo). Textele de stil administrativ au fost selectate de Pranas Kniūkšta și Danutė Vainauskienė din publicații și documente din perioada 1990–1995, în funcție de șapte grupuri tematice: 1) legi și documentele, comentariile care le însoțesc, 2) documente juridice, 3) lucrări de referință și documente din domeniul economiei și al afacerilor, 4) publicații de științe politice și documente ale partidelor, 5) standarde și publicații statistice, 6) surse de informare (bibliografii, cataloage, dicționare), 7) documente din diferite domenii sociale (apărare națională, protecție socială, educație, cultură etc.). Textele de stil științific au fost selectate de Irena Andriukaitienė dintre publicațiile științifice apărute în Lituania în perioada 1990–1995 sau lucrările aprobate de instituții științifice, în funcție de opt grupuri tematice (domenii științifice): 1) științe agricole, 2) științe ale naturii, 3) științe umaniste, 4) matematică, 5) medicină, 6) științe sociale, 7) științe tehnice, 8) teologie. Textele de stil literar au fost selectate de Laima Grumadienė dintre opere de proză beletristică publicate în Lituania în perioada 1985–1990 (cu mici excepții), iar cele șase grupuri „tematice” ale acestora au fost clasificate după locurile natale ale scriitorilor: 1) samogițieni, 2) aukštaițieni de est, 3) aukštaițieni de vest, 4) aukštaițieni de sud, 5) orășeni, 6) emigranți (locul natal propriu-zis al celor din urmă nu a fost luat în considerare).

S-a decis că tocmai aceste texte puteau reprezenta limba lituaniană scrisă contemporană. Din ele se selecta aleatoriu (paginile și rândurile erau alese pe baza unui tabel de numere aleatorii) câte un fragment de 1000 de ocurențe de cuvinte, numit eșantion, care era introdus cu ajutorul tastaturii computerului (o muncă de aproximativ două ore). Apoi eșantioanele erau lematizate, adică analizate morfologic, cu programul MAN (Morfologinio Analizavimo ir Normalizavimo), elaborat de Vytautas Zinkevičius. Autorul l-a adaptat special pentru această lucrare pornind de la propriul său program de corectare a ortografiei cuvintelor pe calculator, elaborat anterior; în 2000, la comanda Universității Vytautas Magnus, l-a îmbunătățit puțin, l-a trecut la o versiune superioară și l-a numit lemuoklis (Zinkevičius 2000).

Munca arăta cam așa: se obținea o listare computerizată, din care trebuiau „împrăștiate” rândurile inutile (sublinierea îmi aparține). De pildă, fragmentul de text deja prelucrat de un om, nu doar de mașină (…) manęs visa ši komedija (…) apare în listare astfel:

FIG. 1. EXEMPLU DE LEMATIZARE A UNUI TEXT

eu a crede eu pron. pers. gen. sg. eu pron. pers. acc. sg. a fi vb. aux. participiu trecut activ nepersonal masc. sg. nom.

28 |

LAIMA GRUMADIENĖ

întreg

întreagă adj. fem. sg. nom.

întreagă adj. fem. sg. instr.

întreagă adj. fem. sg. loc.

întreg adj. adv.

acesta

această adj. pron. demonstrativ fem. sg. nom.

comedie

comedie subst. fem. sg. nom.

comedie subst. fem. sg. instr.

comedie substantiv feminin singular nominativ

Pe primul rând rămâne cuvântul-titlu reconstituit, iar pe al doilea (cel rămas neșters) – forma cuvântului cu caracteristicile gramaticale. O astfel de muncă asupra a 1000 de cuvinte durează aproximativ 4 ore, dar probabil că încă nu există o metodă mai rapidă de analiză morfologică a cuvintelor lituaniene. După aceea se caută omonime și omofone, eșantioanele sunt corectate cu programul MAN-K al lui Vytautas Zinkevičius și transferate în computer – toate acestea mai durează o oră. În total, astfel au fost prelucrate 1 200 de eșantioane a câte 1000 de ocurențe de cuvinte.

După efectuarea acestei munci uriașe, datele au fost prelucrate în continuare cu programele de calcul elaborate de Valentinas Černiauskas și Snieguolė Meškauskienė (ambii de la Institutul de Matematică și Informatică): au fost calculate diverse frecvențe. Au fost pregătite pentru tipar trei dicționare, dintre care două au fost deja publicate (Grumadienė, Žilinskienė 1997; 1998), iar al treilea va vedea lumina zilei, să sperăm, anul acesta. Primele două dicționare sunt liste de frecvență ale cuvintelor-titlu. Primul este ordonat în ordine descrescătoare a frecvenței, al doilea în ordine alfabetică. În ele au fost incluse, respectiv, 38 337 de cuvinte distincte. Al treilea, dicționarul formelor de cuvinte, este de câteva ori mai mare (31 coli de autor), conține aproximativ 150 000 de forme de cuvinte și reflectă utilizarea cuvintelor distincte și a acelorași cuvinte în diverse forme gramaticale (ar trebui să fie prezentat atât în ordine alfabetică, cât și inversă). Au mai fost pregătite câteva zeci de dicționare de frecvență, aranjate în diverse moduri, destinate utilizării în format electronic: pentru toate cele patru stiluri, pentru toate grupurile tematice din fiecare stil etc. (atât pentru cuvintele-titlu, cât și pentru formele de cuvinte).

Comparând unele date statistice, se vede deja că în limba lituaniană scrisă sunt folosite cele mai multe substantive distincte – dintre toate cuvintele distincte, 45,25% sunt substantive; sunt numeroase verbele și formele verbale – 32,65%; partea adjectivelor este, de asemenea, semnificativă – 15,31%; adverbele distincte reprezintă 5,03%. Celelalte părți de vorbire nu ating nici măcar câte jumătate de procent (în total, ele reprezintă doar 0,88%). Dar asta nu înseamnă că distribuția lor în text este aceeași. Un alt indicator, frecvența acelorași cuvinte în text, arată că procentul principalelor părți de vorbire și al adverbelor scade considerabil în favoarea părților de vorbire funcționale și a pronumelui, deoarece în texte acestea din urmă reprezintă deja mai mult de un sfert – 26,71%. Trebuie acordată atenție nu numai indicatorului de frecvență, ci și numărului de apariții ale unui cuvânt sau ale unei forme de cuvânt în eșantioane distincte: astfel se poate stabili dacă frecvența unui cuvânt a fost determinată de includerea întâmplătoare a unui singur text în care acesta se repetă de multe ori sau dacă frecvența lui nu este totuși întâmplătoare, deoarece dispersia sa este uniformă în diverse eșantioane.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 29

Diversitatea lexicală se evaluează prin coeficientul de iterație (raportul dintre ocurențele cuvintelor și cuvintele-titlu), care în dicționarul menționat este egal cu 20,06 (cu cât această valoare este mai mică, cu atât, așadar, au fost găsite mai multe cuvinte distincte). Din dicționarele de cuvinte-titlu și de forme de cuvinte, numărate, dar nepublicate, pentru fiecare dintre cele patru stiluri funcționale (despre unele particularități lingvostatistice observate în ele a scris deja V. Žilinskienė (1998, 2001, în curs de apariție etc.)), reiese că, de exemplu, lexicul literaturii beletristice este de două ori mai variat decât lexicul textelor de stil administrativ (coeficienții de iterație sunt, respectiv, 9,53 și 20,78). Cel mai interesant aici este că, luate împreună, toate cele patru stiluri au un coeficient de iterație care diferă destul de puțin de cel al stilului administrativ, dar foarte mult de cel al stilului beletristic (cel al publicisticii este 10,51, iar cel al stilului științific – 12,63). Acești indicatori constituie un argument solid în luarea deciziilor, de exemplu, cu privire la principiile de alcătuire a unui dicționar al limbii comune: în ce proporții ar trebui reprezentate stilurile funcționale ale limbii; dacă mai trebuie continuată, în general, practica de a asocia limba comună cu stilurile funcționale; iar dacă da, este necesar să se țină seama de indicatorii statistici ai stilurilor funcționale etc.

Au fost obținute date interesante prin compararea listei celor mai frecvente cuvinte alcătuite pe baza corpusului Universității Vytautas Magnus (în aceasta, cuvintele au fost înregistrate și numărate în formele în care apar în text, fără a le readuce la formele-titlu, spre deosebire de Dicționarul de frecvență al limbii lituaniene scrise contemporane). Comparând primele 50 de cuvinte invariabile și forme de cuvinte flexionare din corpusul lituanian de 60 de milioane de cuvinte (Utka 2000: 278) cu primele 50 de cuvinte-titlu din Dicționarul de frecvență (Grumadienė, Žilinskienė 1997: 3), se poate constata cu ușurință că ele coincid în esență. Numai prima listă de frecvență conține ceva mai puține cuvinte distincte, deoarece sunt enumerate acolo diverse forme ale aceluiași cuvânt, de exemplu, buvo, būti; jis, jo, jų, jos, jie, în timp ce în a doua listă, adică în dicționar, acestea sunt reprezentate, respectiv, de būti și jis. Respectând principiile de alcătuire a dicționarelor de acest tip, în Dicționarul de frecvență nu au fost incluse abrevierile; totuși, dintre abrevierile prezente în lista menționată a celor mai frecvente cuvinte, m, d, a – respectiv metai, diena, amžius – comparația cu datele din Dicționarul de frecvență arată că primele două cuvinte sunt frecvente și în dicționar – ocupă rangurile 30 și 57 (cuvintele cu aceeași frecvență sunt considerate cuvinte de același rang), în timp ce amžius apare abia în al treilea centenar. De altfel, atât abrevierea, cât și cuvântul în întregime sunt folosite destul de frecvent și cu sensuri ușor diferite. După cum confirmă practica alcătuirii dicționarelor de frecvență pentru multe limbi sintetice, cele mai frecvente cuvinte din Dicționarul de frecvență al limbii lituaniene scrise contemporane sunt unele conjuncții (ir, kad, o, kaip, ar, bet, bei, kai etc.), prepoziții (į, iš, su, nuo, apie, po, už, dėl, per, prie etc.), pronume (jis, tas, aš, kuris, šis, visas, kitas, savas, toks, kas, tu etc.), particule (ir, ne, tik etc.); cele mai populare verbe sunt būti, galėti, turėti, nebūti, reikėti, žinoti, nustatyti etc., iar substantivele sunt Lietuva, darbas, žmogus, metai etc. Dintre numerale, cele mai frecvente sunt vienas, pirmas, du, iar dintre adjectivele care se numără printre primele o sută de cuvinte ca frecvență: dideli, naujas, aukštas, įvairus, svarbus, pagrindinis. De altfel, datele limbilor analitice arată, de asemenea, că, de exemplu, în textele englezești, pronumele I, conjuncția and și articolul the reprezintă 10% din texte (Hillerich www: eduplace.com).

Problema cuvintelor internaționale este, de asemenea, importantă: câte dintre ele și care ar trebui incluse în dicționarul limbii comune? Poate fi util să se țină seama și de faptul că, de exemplu, în lista cuvintelor-titlu din Dicționarul de frecvență al limbii lituaniene scrise contemporane (1998, XXXIV–XXXVI) s-au găsit 27,52% cuvinte internaționale, iar în texte acestea ocupau 13,34% din spațiu; pot fi utile și listele acestor cuvinte.

30 |

LAIMA GRUMADIENĖ

La pregătirea unei noi gramatici a limbii lituaniene, este important să se cunoască și statisticile formelor cuvintelor: ce tipuri de cuvinte se flexionează și cum, de ce, precum și de ce formele gramaticale ale unor cuvinte sunt variate, iar ale altora nu. Astfel de date abundă în dicționarul formelor cuvintelor aflat în pregătire pentru tipar. V. Žilinskienė (2001) a publicat deja date interesante numai despre stilul publicistic. Se pare că trei cazuri ale substantivelor reprezintă 82,29% din toate ocurențele substantivelor (gen. – 38,91%, nom. – 26,62%, ac. – 16,76%, iar faptul că, de exemplu, dat. este folosit doar în 3,88% dintre cazuri ar putea indica deja tendințe de analitizare?). Adjectivele, de altfel, sunt folosite cel mai frecvent la cazul nom. – în 36,93% dintre cazuri. S-a constatat că predomină singularul substantivelor – 68,86% din totalul ocurențelor. În textele publicistice s-au găsit relativ puține supine (2,34%) și participii semiactive (1,84%), dar participii – nu mai puțin de 24,46%; infinitivul a fost folosit în 15,85% dintre cazuri.

Rezultate interesante și neobișnuite, mai ales pentru pedagogi și specialiștii care elaborează manuale, programe de studiu și dicționare, au fost obținute prin examinarea celor trei dicționare minimale lituaniano-ruse pentru categoriile de calificare privind cunoașterea limbii de stat, elaborate și publicate de V. Žilinskienė și L. Grumadienė (1998; 1999a; 1999b), precum și a altor șase dicționare analoage lituaniano-engleze și lituaniano-poloneze, elaborate, dar încă nepublicate. Aici trebuie atrasă din nou atenția asupra faptului că eșantioanele au fost colectate din texte în lituaniana scrisă, așadar este posibil să se resimtă lipsa cuvintelor din limba vorbită. Aceste dicționare sunt orientate spre învățarea limbii scrise, întrucât cerințele de calificare pentru cunoașterea limbii de stat sunt legate de folosirea limbii de stat în public, în primul rând în situații oficiale, mai ales în instituțiile de stat; de aceea, aici este mai necesar vocabularul neutru și de specialitate, nu cel cotidian: se cere capacitatea de a citi și redacta documente de afaceri și de a înțelege textele din mass-media. În viitor vor fi elaborate și dicționare minimale ale limbii vorbite. În Lietuvoje a fost publicat manualul lui Vytautas Šernas (1994) Cum să înveți limbile mai rațional, care include și un dicționar bilingv minimal englez-lituanian: este tradus celebrul Basic English, publicat în 1942 de Ch. K. Ogden și alcătuit din 850 de cuvinte (poate fi găsit, de altfel, și în volumul al 3-lea al Encyclopaedia Britannica). Odată cu trecerea timpului, unele cuvinte se învechesc, iar altele apar, prin urmare lista celor 850 de cuvinte se poate modifica în consecință. La stabilirea cerințelor pentru cele trei categorii de calificare privind cunoașterea limbii lituaniene de stat, s-a ținut seama și de opinia autorilor Dartinės rašomosios lietuvių kalbos dažninio žodyno cu privire la dimensiunea dicționarelor minimale: s-a decis că cerințele categoriei I ar corespunde cunoașterii a aproximativ 800 de cuvinte, cele ale categoriei II – aproximativ 1200, iar cele ale categoriei III – aproximativ 2500 de cuvinte. S-a ținut cont atât de postulatul lui Ogden, acceptat pe scară largă, privind cele 850 de cuvinte, cât și de rezultatele cercetărilor asupra frecvenței în limba proprie și în alte limbi, precum și de practica similară din alte țări. Faptul că aceste calcule nu sunt arbitrare reiese și din cele trei tabele prezentate în anexă, care arată clar ce proporție din texte este acoperită de, respectiv, cele mai frecvente 800, 1200 și 2500 de cuvinte din lituaniana scrisă: 56,66%, 65,70% și 78,04%.

A devenit deja ceva obișnuit ca toate dicționarele mari să ofere indicații privind cele mai frecvente cuvinte ale limbii. De exemplu, în dicționarul de limbă engleză COBUILD (www.antimoon.com), cele mai frecvente 680 de cuvinte sunt marcate cu 1–4 romburi. În dicționarul de limbă engleză Longman, cele mai frecvente 3000 de cuvinte sunt marcate, respectiv, cu S1, S2 (S – spoken English), W1, W2 (W – written English). În dicționarul de limbă engleză Macmillan, cele mai frecvente cuvinte sunt tipărite cu roșu, iar frecvența celorlalte este indicată cu 1–3 asteriscuri. Se apropie momentul în care, se pare, și lexicografia lituaniană va trebui să se ocupe de acest aspect.

DABARTINĖS KALBOS DAŽNINIS ŽODYNAS IR JO BAZĖ | 31

4. CONCLUZII

Bazele de date electronice ale limbii lituaniene contemporane sunt puține; cele mai mari dintre ele sunt Dabartinės rašomosios lietuvių kalbos dažninio žodyno al lui V. Žilinskienė și L. Grumadienė (adnotată morfologic și prelucrată statistic, 1 200 000 de ocurențe de cuvinte) și Corpusul limbii lituaniene al Universității Vytautas Magnus (neadnotat, aproximativ 60 000 000 de ocurențe de cuvinte). În studiile lituaniene nu există încă o practică adecvată de utilizare atât a bazelor de date electronice ale limbii contemporane, cât și a publicațiilor lingvostatistice. În primul rând, în instituțiile de învățământ superior din Lietuva se exersează prea puțin acest mod de lucru, dar există și cealaltă față a problemei – bazele de date electronice ale limbii lituaniene accesibile publicului sunt prea puține. Unul dintre motivele întârzierii este și faptul că bazele de date electronice nu sunt recunoscute drept lucrări de autor. Una dintre cele mai actuale probleme din Lietuva legate de bazele de date electronice este slăbiciunea concepției privind alcătuirea lor: adesea se prevede folosirea bazelor de date electronice doar ca texte prezentate în format electronic, fără a se lua în calcul aplicarea tehnologiilor informatice pentru prelucrarea datelor.

32 |

LAIMA GRUMADIENĖ

TABELUL 1: FRECVENȚA CUVINTELOR DIN PĂRȚILE DE VORBIRE ȘI FRECVENȚA GENERALĂ ÎN CATEGORIILE DE CALIFICARE PENTRU CUNOAȘTEREA LIMBII LITUANIENE DE STAT

Rang Frecvență subst adj pron adv alte 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

ANALIZA LINGVOSTATISTICĂ A DICȚIONARULUI MINIMAL AL CATEGORIILOR:

skt prl jng dll išt; ist Suma – 25050 49371 – – 147904 16,93% 33,38% 12,33% – – 16902 4320 – 53025 31,87% 8,15% 4,42% – 7156 4102 4113 – 37182 19,25% 11,03% 11,06% 3,10% 2641 8282 8281 2791 – 27614 9,56% 29,99% 29,99% 10,11% 2,30% 2116 4526 – – – 22433 9,43% 20,18% 1,87% – 3589 3793 – – 20533 17,48% 18,47% 1,71% 1557 1673 – – – 16576 9,39% 10,09% 1,38% – – 1478 – – 15076 9,80% 1,26% – 1427 – 1454 – 14184 10,06% 10,25% 1,18% – – 1237 1230 – 13584 9,11% 9,05% 1,13% 1007 2164 2986 1028 – 54737 1,84% 3,95% 5,46% 1,88% 4,56% 738 – 900 1557 – 43337 1,70% 2,08% 3,59% 3,61% – – 574 1225 – 33405 1,72% 3,67% 2,78% – 1035 512 2007 – 34938 2,96% 1,47% 5,74% 2,91%

34 |

LAIMA GRUMADIENĖ

Rang Frecvență subst. verb. adj. adv. pron. 301–350 460-374 19646 10424 2420 2073 393 54,28% 28,80% 6,69% 5,73% 1,09% 351–400 373-313 18504 7550 3381 1347 654 53,04% 21,64% 9,69% 3,86% 1,87% 401–450 312-260 19156 7865 3976 522 304 57,20% 23,49% 11,87% 1,56% 0,91% 451–500 259-205 21718 9987 4806 2486 471 53,17% 24,45% 11,76% 6,08% 1,15%

Vocabularul minim pentru categoria de calificare I în limba lituaniană de stat (aproximativ 800

TABELUL 2: FRECVENȚA CUVINTELOR ȘI A PĂRȚILOR DE VORBIRE DIN VOCABULARUL GENERAL PENTRU CATEGORIA DE CALIFICARE II DE CUNOAȘTERE A LIMBII LITUANIENE DE STAT

Rang Frecvență subst. verb. adj. adv. pron. 501–550 204-155 22494 13153 7023 2481 525 46,97% 27,46% 14,66% 5,18% 1,10% 551–600 154-106 30834 17197 6221 4419 151 50,91% 28,39% 10,27% 7,29% 0,25%

Vocabularul minim pentru categoria de calificare II în limba lituaniană de stat (aproximativ 1200

TABELUL 3: FRECVENȚA CUVINTELOR ȘI A PĂRȚILOR DE VORBIRE DIN VOCABULARUL GENERAL PENTRU CATEGORIA DE CALIFICARE III DE CUNOAȘTERE A LIMBII LITUANIENE DE STAT

Rang Frecvență subst. verb. adj. adv. pron. 601–650 105-56 45751 20328 12145 5822 433 52,31% 23,25% 13,88% 6,66% 0,50%

Vocabularul minim pentru categoria de calificare III în limba lituaniană de stat (aproximativ 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% de cuvinte) acoperă 56,66% din text (eșantion din 1,2 milioane de ocurențe de cuvinte). 56,66%

ANALIZA LINGVOSTATISTICĂ A CATEGORIILOR DIN VOCABULARUL MINIMAL:

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% de cuvinte) acoperă 65,70% din text (eșantion din 1,2 milioane de ocurențe de cuvinte). 9,04% În total: (=65,70%)

ANALIZA LINGVOSTATISTICĂ A CATEGORIILOR DIN VOCABULARUL MINIMAL:

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% de cuvinte) acoperă 78,04% din text (eșantion din 1,2 milioane de ocurențe de cuvinte). 7,29% În 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