SKAISTĖ ALEKSANDRAVIČIŪTĖ

Instituut voor de Litouwse taal

MOGELIJKHEDEN OM HET GEBRUIK VAN HET ZOEKPROGRAMMA GOOGLE TE BENUTTEN BIJ HET ONDERZOEK NAAR TAALVERSCHIJNSELEN

Litouwse taalkundigen vermelden in hun artikelen steeds vaker dat zij bij het verzamelen van bepaalde gegevens – van gebruiksvoorbeelden tot numerieke frequentiewaarden – een of ander internetzoekprogramma hebben gebruikt. Het vaakst wordt het grootste zoekprogramma, Google, genoemd, dat helaas echter onvoldoende is aangepast aan taalonderzoek. Daarom is het nogal opmerkelijk dat men zich doorgaans beperkt tot een verwijzing naar Google als een van de bronnen, zonder de zoekmethode te vermelden en zonder in te gaan op bepaalde kenmerken van het zoekprogramma en de taal die het zoeken kunnen vergemakkelijken of bemoeilijken en de resultaten kunnen verfijnen of vertekenen. De zoekmethode is belangrijk, zowel bij het verzamelen van gebruiksvoorbeelden als bij het onderzoeken van de verbreiding van uiteenlopende taalverschijnselen, waarvoor numerieke waarden van belang zijn.

Dit artikel bespreekt de principes voor het samenstellen van een zoekopdracht, rekening houdend met de kenmerken van het zoekprogramma en het Litouws die het welslagen van de zoekopdracht bepalen. Het artikel is gebaseerd op een in 2007–2008 uitgevoerd onderzoek naar de relatieve frequentie van nieuwe vreemde woorden (hierna: NS), waarvan het hoofddoel was de grenzen vast te stellen tussen NS die als zeldzaam, gemiddeld frequent en frequent worden beschouwd. Het onderzoek berustte op de veronderstelling dat de tijdens het onderzoek vastgestelde frequentieankers later van pas zouden komen bij het beoordelen van de verspreiding van andere NS in het taalgebruik. Dit zou ook nuttig kunnen zijn voor taalnormeringswerk; het doel van dit artikel is dan ook de methode voor het samenstellen van een zoekopdracht te beschrijven.

Het materiaal van het onderzoek – NS die in 2005–2006 in de pers en in documenten en in 2007 op internet zijn aangetroffen¹ – omvatte in totaal 201 woorden. De lijst is zeer divers: hij bevat 33 werkwoorden en 168 zelfstandige naamwoorden, waaronder 25 woorden met een ontbrekend paradigma (20 zelfstandige naamwoorden die alleen in het enkelvoud voorkomen en 5 die alleen in het meervoud voorkomen); daarnaast zijn er woorden van Engelse en andere

¹ De lijst is samengesteld op basis van het programma voor de normering, het gebruik, de ontwikkeling en de verspreiding van de staatstaal voor 2006–2015, met gebruikmaking van het kaartsysteem van het project ‘Onderzoek naar het gebruik van nieuwe vreemde woorden in het Litouws: 1998–2008’, uitgevoerd bij de afdeling Taalcultuur van het Instituut voor de Litouwse taal.

266

KALBOS KULTŪRA | 81

andere talen. Opgemerkt zij dat sommige woorden die als NS zijn onderzocht, zijn opgenomen in het Woordenboek van internationale woorden (TŽŽ 2001) en als internationale woorden kunnen worden beschouwd.

Het internet is een uiterst heterogene en voortdurend veranderende ruimte. Bij het onderzoek werden internetpagina’s niet ingedeeld naar onderwerp of stijl (hoewel dit in het zoekprogramma Google wel mogelijk is), omdat men zich een algemeen beeld wilde vormen van de verbreiding van NS in het algemene taalgebruik. Vanwege de specifieke kenmerken van het internetdiscours wordt in dit artikel enigszins algemeen gesproken, wordt de voorwaardelijkheid benadrukt, wordt veel aandacht besteed aan mogelijke fouten en wordt men zich op veel punten door taalgevoel laten leiden.

In het eerste deel van het artikel worden de belangrijkste principes voor het samenstellen van een zoekopdracht uiteengezet, zowel algemene principes als principes die specifiek zijn voor het beschreven onderzoek. In het tweede deel worden manieren om het zoekveld te beperken uiteengezet, evenals de redenen waarom dit nodig is.

1. BELANGRIJKSTE PRINCIPES VOOR HET OPSTELLEN VAN ZOEKOPDRACHTEN

Gewoonlijk wordt Google door in het zoekveld de grondvorm van het betreffende woord in te voeren. Deze zoekmethode volstaat deels voor het verzamelen van gebruiksvoorbeelden, maar waarschijnlijk blijft een aanzienlijk deel ervan onopgemerkt. Dat is nog minder geschikt voor onderzoek naar woordfrequentie, waarbij numerieke waarden van belang zijn.

Het probleem is dat het zoeksysteem van Google deels begrijpt dat een ingevoerd woord ook een andere vorm kan hebben en die vormen in de resultaten opneemt. Ten eerste is het zoekalgoritme voor de gewone gebruiker echter niet volledig duidelijk; het is niet duidelijk hoeveel en welke woordvormen in de resultaten terechtkomen. Ten tweede herkent het zoeksysteem geen woordsoorten. Als men bijvoorbeeld de infinitief van een werkwoord invoert, komen in de resultaten ook zelfstandige naamwoorden met dezelfde stam voor. Zo toont het systeem bij invoer van het woord autorizuoti ook teksten waarin het woord autorizacija. voorkomt.

Om de twee laatstgenoemde redenen is het handiger een iets ingewikkeldere, maar voor taalkundig onderzoek nuttigere zoekopdracht uit te voeren. Uit verschillende tests is gebleken dat het zinvolst is het volledige verbuigings- of vervoegingsparadigma van een woord, of het grootste deel ervan, in te voeren. De zoekregel wordt beperkt doordat er in het zoekveld van Google hoogstens 32 trefwoorden passen.

S. ALEKSANDRAVIČIŪTĖ. Paieškos sistemos Google naudojimo galimybės tiriant kalbos reiškinius

267

Het is raadzaam de verbuigings- en vervoegingsvormen van een woord tussen aanhalingstekens te zetten, omdat alleen zo gemarkeerde tekst in het Google-systeem als een exact citaat wordt opgevat. Alle woordvormen worden verbonden met het logische voegwoord OR (Engels of). De aldus samengestelde zoekregel ziet er als volgt uit:

„akreditavimas“ OR „akreditavimo“ OR „akreditavimui“ OR „akreditavimą“ OR „akreditavimų“ OR „akreditavime“ OR „akreditavimai“ OR „akreditavimų“ OR „akreditavimams“ OR „akreditavimus“ OR „akreditavimais“ OR „akreditavimuose“

Het genoemde onderzoek naar de relatieve frequentie van NS is uitgevoerd met behulp van het filter ‘pagina’s in het Litouws’ van de zoekmachine Google; daarom is er al kritiek op gekomen. Als argument werd aangevoerd dat ongeveer twee derde van de informatie verloren gaat, oftewel ongeveer evenveel gebruiksvoorbeelden, omdat niet alle eigenaars van websites de taalkundige metadata van hun sites vermelden. Voor onderzoek naar de relatieve woordfrequentie is dit echter volkomen toereikend. Bovendien is het zonder dit filter bijzonder moeilijk om afstand te nemen van de Engelstalige teksten die de zoekmachine weergeeft; die belemmeren het verzamelen van gebruiksvoorbeelden. Daarom menen wij dat zoeken op webpagina’s in het Litouws geschikter is, mits deze beperking overal consequent wordt toegepast.

Leestekens

Het zoeksysteem van Google reageert op dezelfde manier op alle leestekens, zelfs wanneer ze tussen aanhalingstekens staan en als exact citaat zouden moeten worden opgevat. Dat betekent dat ‘account'as’, ingevoerd in het zoekveld, als twee afzonderlijke woorden wordt behandeld en wordt samengevoegd met ‘account:as’, ‘account as’ of vergelijkbare gevallen. Deze eigenschap van het zoeksysteem is in twee gevallen van belang. Ten eerste maakt het systeem, wanneer NS uit twee woorden bestaat, geen onderscheid tussen spellingvarianten als ‘ex post’ en ‘ex-post’; dat kan van belang zijn bij het beoordelen van het gebruik van het koppelteken. In deze gevallen worden de frequentieresultaten samengevoegd, maar wanneer de totale frequentie van woorden wordt vergeleken en niet die van afzonderlijke spellingvarianten, hoeft de zoekopdracht deze vormen niet van elkaar te onderscheiden. Ten tweede doen zich bij onderzoek naar spellingvarianten van NS met een apostrof wat ingewikkeldere problemen voor, omdat sommige Litouwse uitgangen samenvallen met:

a) enkele Engelse woorden (bijv.: as – ‘als’, is – ‘is’, us – ‘ons’);

b) enkele Litouwse woorden (het voegwoord o, het voorzetsel į, de tussenwerpsels ei, ai);

c) Litouwse woorden die zonder diakritische tekens (‘zonder tekens’) zijn geschreven (is – ‘uit’, as – ‘ik’).

268

KALBOS KULTŪRA | 81

Bij het uitvoeren van een zoekopdracht is het zeer moeilijk deze onnauwkeurigheden te beheersen, en orthografische overeenkomsten tussen uitgangen van NS en Litouwse woorden zijn zelfs onmogelijk te beheersen. Toch komen gevallen waarin onmiddellijk na NS een van de genoemde Litouwse woorden volgt die overeenkomt met de schriftelijke weergave van het flexiemorfeem, niet zo vaak voor dat ze de onderzoeksresultaten duidelijk beïnvloeden.

Selectie van verbuigingsvormen voor de zoekreeks

Nominale woorden

Bij het onderzoeken van de frequentie van nominale NS of hun spellingvarianten werd in de meeste gevallen het volledige paradigma van naamval en getal in de zoekreeks ingevoerd. Uitzonderingen waren woorden met onvolledige verbuigingsparadigma’s (20 enkelvoudige en 5 meervoudige zelfstandige naamwoorden) en gevallen van meerduidigheid (uitvoeriger behandeld in het tweede deel van het artikel). Ook is het vanwege orthografische overeenkomsten met andere verbuigingsvormen en de geringe verspreiding niet zinvol de vocatief afzonderlijk op te nemen. Zo kan dus vrijwel het gehele verbuigingsparadigma van nominale woorden worden bestreken.

Bij de verbuiging van nominale NS moet ook de problematische kwestie van grammaticaal geslacht worden besproken. In sommige gevallen zou de vrouwelijke vorm als een spellingvariant van NS kunnen worden beschouwd, bijvoorbeeld googlė / gūglė / google‘ė / googl‘ė; puzlė / puzzlė / pūzlė; skypė / skaipė. Deze NS hebben gemeen dat ze levenloze objecten aanduiden en daarom in het Litouws niet naar geslacht worden verbogen, en dat hun oorspronkelijke vormen eindigen op -e, dat weliswaar niet wordt uitgesproken maar wel in de spelling wordt weergegeven, vgl. google, puzzle, skype. Bij het onderzoek viel op dat vrouwelijke vormen in zulke gevallen aanzienlijk zeldzamer zijn dan mannelijke; dit kan worden verklaard door de aanname uit de optimaliteitstheorie dat ‘bij een conflict de minst gemarkeerde categorie wordt gekozen’ (Vaicekauskienė 2007: 177).

De mannelijke en vrouwelijke vormen van bijvoeglijke naamwoorden en van zelfstandige naamwoorden die levende wezens aanduiden, werden evenmin als afzonderlijke lemma’s beschouwd, hoewel er wel een bepaald betekenisverschil bestaat. Loreta Vaicekauskienė, die NS in het Litouws uitvoerig heeft onderzocht, merkt op dat ‘[i]n gevallen waarin een zelfstandig naamwoord personen van beide geslachten kan aanduiden, de mannelijke vorm aanvankelijk kennelijk wordt veralgemeend, waarna zo nodig soms een vrouwelijke vorm wordt gevormd’ (Vaicekauskienė 2007: 175). Bij het samenstellen van Frequentiewoordenboek van het hedendaagse werden mannelijke en vrouwelijke vormen evenmin als afzonderlijke lemma’s beschouwd.

S. ALEKSANDRAVIČIŪTĖ. Paieškos sistemos Google naudojimo galimybės tiriant kalbos reiškinius

269

rašomosios lietuvių kalbos žodyną (DDRLKŽ 1998: XIV–XV, XVI). Sudarant paieškos eilutes reikia į tai atsižvelgti, nes dirbant su paieškos sistema Google neįmanoma atskirti sutampančių vyriškosios ir moteriškosios giminės kait ybos formų.

Werkwoorden

Het geval van werkwoorden is ingewikkelder, omdat het aantal grammaticale categorieën van het werkwoord veel groter is. Aangezien, zoals eerder al vermeld, de lengte van de zoekreeks van Google beperkt is, moet de vraag worden gesteld welke werkwoordsvormen qua frequentie het meest representatief zijn en in de zoekreeks moeten worden opgenomen.

Het spreekt vanzelf dat de meest gebruikte vormen in de zoekreeks moeten worden opgenomen om een grotere distributie van werkwoorden te bestrijken. Daarvoor zijn gegevens nodig over de frequentie van grammaticale categorieën in het Litouws, bij voorkeur in elektronisch discours (ED). Tot dusver heeft Asta Ryklienė ED als afzonderlijke taalvariëteit naast geschreven en gesproken taal uitvoeriger onderzocht, maar haar gekozen onderzoeksmethode levert geen gegevens op die nodig zijn over de verdeling van grammaticale categorieën in ED. Het doel van het werk van deze auteur was ED te vergelijken met geschreven en gesproken taal (Ryklienė 2001: 3), terwijl kwantitatieve verschillen in woordsoorten en woordvormen tussen geschreven taal en ED werden onderzocht door de verzamelingen van de vijftig meest gebruikte woorden en woordvormen in deze taalvariëteiten met elkaar te vergelijken (Ryklienė 2001: 9).

Dit artikel steunt op de onderzoeken van Vida Žilinskienė en Erika Rimkutė naar het gebruik van woordvormen in het Litouws. Wel verschillen de werken van deze auteurs hierin dat V. Žilinskienė, anders dan E. Rimkutė, bij haar onderzoek naar de frequentie van woordvormen twee functionele stijlen vergelijkt: de journalistieke en de zakelijke stijl. Omdat de auteur van dit artikel ervan uitgaat dat de taal van ED dichter bij de journalistieke dan bij de zakelijke stijl staat, baseert zij zich op statistieken over de frequentie van grammaticale vormen in de journalistieke stijl. De gegevens van V. Žilinskienė en E. Rimkutė komen sterk overeen: de indicatief omvat 92,12 procent (Žilinskienė 2002: 110) respectievelijk 91,5 procent (Rimkutė 2006: 35) van de totale werkwoorddistributie; persoonsvormen 55,48 procent (Žilinskienė 2002: 110) respectievelijk 50,7 procent (Rimkutė 2006: 35); de infinitief 15,85 procent (Žilinskienė 2002: 111). Wel geeft E. Rimkutė (2006: 35) een enigszins andere vorm van de verspreiding van de infinitief: volgens haar omvat de infinitief 33,6 procent van de niet-persoonsvormen, waarvan de totale verspreiding 49,3 procent bedraagt.

270

KALBOS KULTŪRA | 81

Op basis van de meest recente gegevens is het het handigst om alle vervoegde vormen van de werkwoordelijke wijs, de infinitief en de nominatief meervoud mannelijk van het passieve deelwoord in de zoekopdracht op te nemen (vergelijk de orthografische overeenkomst met de infinitief). Alle 26 grammaticale vormen (in totaal 21 betekenisvolle zoektermen, omdat de derde persoon van alle tijden samenvalt) vormen iets meer dan de helft van de volledige distributie van het werkwoord. Een voorbeeld van een zoekopdracht:

‘baninti’ OF ‘baninu’ OF ‘banini’ OF ‘banina’ OF ‘baniname’ OF ‘baninate’ OF ‘baninau’ OF ‘baninai’ OF ‘banino’ OF ‘baninome’ OF ‘baninote’ OF ‘baninsiu’ OF ‘baninsi’ OF ‘banins’ OF ‘baninsime’ OF ‘baninsite’ OF ‘banindavau’ OF ‘banindavai’ OF ‘banindavo’ OF ‘banindavome’ OF ‘banindavote’

Zoals eerder vermeld, beschouwt de zoekmachine Google leestekens en spellingvarianten met een apostrof als twee afzonderlijke woorden. Omdat de lengte van een zoekopdracht in Google beperkt is, kunnen bij onderzoek naar spellingvarianten van werkwoorden met een apostrof de vervoegingsvormen van de frequentieve verleden tijd uit de zoekopdracht worden weggelaten, aangezien de frequentieve verleden tijd volgens de gegevens van zowel V. Žilinskienė als E. Rimkutė de minst voorkomende van alle werkwoordstijden is.

Wanneer het nodig is om de frequentie van verschillende spellingvarianten van hetzelfde woord met elkaar te vergelijken, kan uiteraard een uitgebreidere zoekactie worden uitgevoerd, dat wil zeggen dat er meerdere zoekopdrachten kunnen worden opgesteld. Bij vergelijking van de frequentie van woorden, en niet van hun verbuigingsvormen, is de besproken methode naar alle waarschijnlijkheid echter toereikend. Het is alleen belangrijk om overal consequent te werk te gaan en voor alle werkwoorden dezelfde zoekcriteria toe te passen.

Uit wat in deze paragraaf is gezegd, blijkt dat het in zoekopdrachten mogelijk is om min of meer het volledige verbuigingsparadigma van naamwoorden te omvatten, maar van werkwoorden slechts iets meer dan de helft van het verbuigingsparadigma, waardoor een solide basis voor vergelijking ontbreekt. Uiteraard zou een bepaalde coëfficiënt voor de verhouding tussen de frequenties van werkwoorden en naamwoorden kunnen worden berekend, maar daarvoor is uitgebreider onderzoek naar ED nodig. Vooralsnog is het niet zinvol om de frequentie van afzonderlijke werkwoorden en naamwoorden met elkaar te vergelijken. Het verschil in de steekproef van verbuigingsvormen van naamwoorden en werkwoorden maakt het dus voor frequentieonderzoek geschikter om ze in twee groepen onder te verdelen.

S. ALEKSANDRAVIČIŪTĖ. Paieškos sistemos Google naudojimo galimybės tiriant kalbos reiškinius

271

Spellingvarianten

Bij onderzoek naar taalgebruik via internetzoekopdrachten wordt een omgekeerde werkwijze gehanteerd dan bij de corpusmethode, want bij het opstellen van een zoekopdracht moet als het ware vooraf worden bepaald welke spellingvarianten elk woord kan hebben.

Bij het zoeken naar taalverschijnselen op internet moeten authentieke spellingvarianten van Engelse oorsprong worden vermeden; als ze toevallig in zoekopdrachten voorkomen, moeten ze worden verwijderd. Tijdens het genoemde onderzoek werd vastgesteld dat het zonder deze maatregel vrijwel onmogelijk is om het zoekveld zo sterk te beperken dat er geen Engelse invoegingen of zinsneden tussen de resultaten terechtkomen die als citaten moeten worden beschouwd. Een zoekactie naar de woorden baby of crazy levert bijvoorbeeld een groot aantal teksten op waarin songtitels worden genoemd: Baby one more time, Crazy enzovoort. Hetzelfde geldt voor funky, aangezien deze NS niet alleen een muziekstijl aanduidt, maar ook de naam is van een vroeger zeer populaire Litouwse muziekgroep. Toch moet bij de beoordeling van de relatieve frequentie van zulke woorden rekening worden gehouden met deze spellingvarianten, omdat ze in het taalgebruik vrij vaak voorkomen.

Er worden spellingvarianten onderzocht die op grond van taalgevoel mogelijk lijken. Aan een orthografisch aanpasbaar leenwoord worden verbuigingsuitgangen toegevoegd die morfologisch mogelijk zijn. Wanneer de NS orthografisch niet wordt aangepast, worden de verbuigingsuitgangen rechtstreeks aan de onveranderlijke vorm van de NS toegevoegd. Bijzondere gevallen zijn vormen waarbij de onveranderlijke vorm van de NS op een klinker eindigt, omdat die klinker bij onderzoek naar NS-spellingvarianten zonder apostrof wordt weggelaten (het bleek dat smileas, skypeas, googleas en vergelijkbare spellingvarianten in het taalgebruik zeldzaam zijn).

Bij onderzoek naar taalverschijnselen waarvoor nog geen norm is vastgesteld, kan vaak de vraag rijzen waar de grens ligt tussen een spelfout en een spellingvariant. Die grens wordt bepaald door de frequentie. Zo werden in het genoemde onderzoek naar NS spellingvarianten van NS die minder dan 10 voorkomens haalden, niet meegerekend bij het bepalen van de totale frequentie van een afzonderlijke NS; ze werden als spelfouten beschouwd — incidentele vergissingen die geen algemene tendensen in het taalgebruik weerspiegelen. Dit beginsel werd echter alleen toegepast op woorden met meer dan 1000 voorkomens, niet op zeldzamere woorden. Toch kan het soms ook relevant zijn dat een onderzocht taalverschijnsel op internet helemaal niet is aangetroffen of de grens van 10 voorkomens niet heeft gehaald.

De numerieke waarden die de frequentie aangeven van de volgens deze beginselen opgestelde en geselecteerde spellingvarianten worden opgeteld, wat een benadering van de woordfrequentie oplevert. Hieronder volgt een tabel waarin de verwerking van de zoekresultaten duidelijker te zien is.

272

KALBOS KULTŪRA | 81

TABEL 1. Methode voor gegevensverzameling

Spellingvariant van het NS

Zoekopdracht voor een afzonderlijke spellingvariant

Frequentie van de spellingvariant van het NS

puzlas

„puzlas“ OR „puzlo“ OR „puzliui“ OR „puzlą“ OR „puzlų“ OR „puzle“ OR „puzlai“ OR „puzlų“ OR „puzlams“ OR „puzlus“ OR „puzlais“ OR „puzluose“

6430

puzlė

„puzlė“ OR „puzlės“ OR „puzlei“ OR „puzlę“ OR „puzlėje“ OR „puzlėms“ OR „puzles“ OR „puzlėmis“ OR „puzlėse“

3210

puzlis

„puzlis“ OR „puzlio“ OR „puzliui“ OR „puzlį“ OR „puzliu“ OR „puzlyje“ OR „puzliai“ OR „puzlių“ OR „puzliams“ OR „puzlius“ OR „puzliais“ OR „puzliuose“

711

puzzlė

„puzzlė OR „puzzlės“ OR „puzzlei“ OR „puzzlę“ OR „puzzlėje“ OR „puzzlėms“ OR „puzzlėmis“ OR „puzzlėse“

458

puzzlis

„puzzlis“ OR „puzzlio“ OR „puzzliui“ OR „puzzlį“ OR „puzzliu“ OR „puzzlyje“ OR „puzzliai“ OR „puzzlių“ OR „puzzliams“ OR „puzzlius“ OR „puzzliais“ OR „puzzliuose“

315

pūzle

„pūzle“ OR „pūzlės“ OR „pūzlei“ OR „pūzlę“ OR „pūzlėje“ OR „pūzlėms“ OR „pūzles“ OR „pūzlėmis“ OR „pūzlėse“

239

puzzlas

„puzzlas“ OR „puzzlo“ OR „puzzlui“ OR „puzzlą“ OR „puzz-lų“ OR „puzzlai“ OR „puzzlų“ OR „puzzlams“ OR „puzzlus“ OR „puzzlais“ OR „puzzluose“

167

pūzlis

„pūzlis“ OR „pūzlio“ OR „pūzliui“ OR „pūzlį“ OR „pūzliu“ OR „pūzlyje“ OR „pūzliai“ OR „pūzlių“ OR „pūzliams“ OR „pūzlius“ OR „pūzliais“ OR „pūzliuose“

101

puzzle’as

„puzzle’as“ OR „puzzle’o“ OR „puzzle’ui“ OR „puzzle’ą“ OR „puzzle’u“ OR „puzzle’ė“ OR „puzzle’ai“ OR „puzzle’ų“ OR „puzzle’ams“ OR „puzzle’us“ OR „puzzle’ais“ OR „puzzle’uose“ -are

80

11 711

Voor elke onderzochte NS werd een vergelijkbare tabel opgesteld. In de eerste kolom worden alle onderzochte spellingsvarianten van de NS opgesomd, gerangschikt naar frequentie, omdat

S. ALEKSANDRAVIČIŪTĖ. Paieškos sistemos Google naudojimo galimybės tiriant kalbos reiškinius

273

het artikel buiten beschouwing laat welke spellingsvariant van de NS als trefwoord (lemma) zou kunnen worden beschouwd. In de tweede kolom worden de zoekopdrachten voor elke spellingsvariant weergegeven nadat het zoekveld is verfijnd, dat wil zeggen nadat alle meerduidige vormen zijn verwijderd (zie hoofdstuk 2). In de derde kolom wordt de frequentie van elke spellingsvariant vermeld (deze gegevens zijn slechts tussentijds); die frequenties worden later bij elkaar opgeteld om een benaderende frequentie van het onderzochte woord te verkrijgen. Alleen deze laatste gegevens zijn van belang voor het vaststellen van de grenzen van de relatieve frequentie van de NS (de gegevens in de tabel zijn verzameld in maart-april 2008).

2. VERFIJNING VAN HET ZOEKVELD

Vanwege het grote aantal resultaten in het Engels

Het probleem van Engelse homografen (woorden met dezelfde spelling) en spellingsvarianten met een apostrof kan gedeeltelijk worden opgelost met behulp van de logische functie ‘uitsluiten’, die in het systeem Google wordt aangeduid met het teken ‘-’. Dit betekent dat er niet wordt gezocht op webpagina’s waarop het woord na dit teken voorkomt. Door daarom aan het einde van de zoekopdracht een van de meest voorkomende Engelse woorden op te geven en dit met het genoemde teken te markeren, kan het aantal Engelstalige gevallen sterk worden teruggedrongen.

In het genoemde onderzoek werd overal de beperking met een van de meest gebruikte Engelse woorden are² (is – derde persoon meervoud van de tegenwoordige tijd) toegepast, maar een andere keuze is ook mogelijk. Houd er wel rekening mee dat voor dit doel een Engels woord uiterst zorgvuldig moet worden gekozen, omdat sommige van de meest voorkomende Engelse woorden qua spelling kunnen overeenkomen met bepaalde Litouwse woorden (Eng. it, be), verbuigingsuitgangen (Eng. is, as, a, I) of gevallen van ‘fonetische’ spelling (Eng. is, as, I). Bovendien vervult een aanzienlijk deel van de meest voorkomende Engelse woorden (a, the, of) een grammaticale functie en komen ze vaak voor in allerlei namen, die ook op Litouwse webpagina’s kunnen voorkomen.

Dezelfde beperking geldt ook in alle gevallen waarin de zoekopdracht bestaat uit een onverbuigbare NS-vorm (met authentieke of aangepaste spelling), ongeacht de taal waaruit het betreffende woord in het Litouws kan zijn terechtgekomen.

² The 500 Most Commonly Used Words in the English Language: http://www.world-english.org/english500.htm (geraadpleegd op 07-06-2008).

274

KALBOS KULTŪRA | 81

Er is vastgesteld dat zelfs bij het zoeken naar NS van niet-Engelse oorsprong, en uitsluitend op webpagina’s in het Litouws, er tussen de resultaten toch veel voorbeelden in het Engels voorkomen. Dit hangt samen met de status van deze taal als lingua franca van ED. Bovendien kunnen sommige onderzochte NS in het Engels inmiddels internationale woorden zijn geworden of eenvoudigweg niet worden aangepast.

Over de meerduidigheid van woorden en hun vormen

Bij het gebruik van de zoekmachine Google is het onvermijdelijk dat men te maken krijgt met meerduidige woorden of vormen daarvan. De term meerduidigheid³ is gekozen, ten eerste om verwarring te vermijden met termen als homoniemen, homografen, homofonen enzovoort in de Litouwse taalkunde⁴. Ten tweede wordt bij het toelichten van de definities van deze laatste termen vaak het fonetische aspect van het woord betrokken, dat bij zoekopdrachten op internet volstrekt irrelevant is. Ten derde volstaan de genoemde termen niet om sommige gevallen van meerduidigheid aan te duiden, bijvoorbeeld wanneer verbuigingsvormen van hetzelfde woord, maar van verschillende spellingvarianten, dezelfde spelling hebben.

Meerduidigheid kan op verschillende niveaus voorkomen: derivationeel (hetzelfde derivatiemorf draagt verschillende betekenissen), tekstueel, syntactisch-semantisch, lexicaal-semantisch (nader onderverdeeld in homoniemen, homografen, homofonen en polysemie) en morfologisch (Rimkutė 2006: 7, 40). In dit artikel zijn morfologische meerduidigheid (hierna MD) en gedeeltelijk lexicaal-semantische meerduidigheid relevant.

Morfologisch meerduidige vormen van hetzelfde woord

De morfologische meerduidigheid van woordvormen van hetzelfde woord is een systematisch verschijnsel, aangezien deze samenhangt met de kenmerken van het morfologische systeem van het Litouws en met naamvalsyncretisme. In dit artikel worden alleen de gevallen van morfologische meerduidigheid opgesomd die tijdens het onderzoek zijn aangetroffen, en wordt aangegeven hoe men in die gevallen te werk moet gaan in het systeem van Google.

³ De term meerduidigheid wordt ook gebruikt door E. Rimkutė, die dit verschijnsel uitvoerig in haar werken onderzoekt (Rimkutė 2002, 2003; Rimkutė, Grybinaitė 2004).

⁴ Vgl. de definities van homoniemen, homografen, homofonen en homoformen en de gebruikskenmerken daarvan in de volgende bronnen: Jakaitienė 1980: 42–48; 2005: 53–55, 161–168; Gaivenis, Keinys 1990: 79–80; LKE 1999: 247–249.

S. ALEKSANDRAVIČIŪTĖ. Paieškos sistemos Google naudojimo galimybės tiriant kalbos reiškinius

275

Spellingvormen van hetzelfde verbuigingsparadigma die orthografisch samenvallen:

(i)ostamnomina, enkelvoud nominatief en instrumentalis, bijvoorbeeld:

accreditatie, alibidemie, aromatherapie, autorisatie, blogosfeer / blogsfeer, digitalisering, harisa / harissa, convergentie, loserachtig / lūzeriška, media / media, milonga, salsa, spamster;

(i)ostamnomina, enkelvoud genitief en meervoud nominatief, bijvoorbeeld:

accreditatie, autorisatie, blogosfeer / blogsfeer, harisa / harissa, loserachtigen / lūzeriškos, media / medios, spamsters;

ēstamnomina, enkelvoud genitief en meervoud nominatief, bijvoorbeeld:

bakers, bloggers / bloger‘ės / blog‘erės, glossy’s, goalballspeelsters, karaoke’s, loseressen / looserės / looser‘ės / loser‘ės / loserės, managers / managerės, multiplexen, non-formaten, puzzels / puzzlės / pūzlės (zie tabel 1), Skype’s / skypės, sponsors, showvrouwen;

(i)ustamzelfstandige naamwoorden, enkelvoud nominatief en meervoud accusatief, bijvoorbeeld:

stofzuiger, blokkeerder, epilator / epile torius;

(i)ustamzelfstandige naamwoorden, enkelvoud accusatief en meervoud genitief, bijvoorbeeld:

stofzuigers, sponsors.

Deze gevallen van MD kunnen ook grammaticale homoniemen worden genoemd; in de Litouwse taalkunde worden die gedefinieerd als „fonetisch samenvallende vormen van hetzelfde woord met verschillende grammaticale betekenissen“ (Jakaitienė 1980: 42). Deze vormen hebben gemeen dat ze bij een zoekopdracht in het Google-systeem in dezelfde zoekregel terechtkomen, onderling verbonden zijn door de logische operator OR (of) en dat hun frequenties niet opnieuw worden opgeteld. In zulke gevallen is het nog steeds handig om de zoekregel omwille van de efficiëntie in te korten, maar dit heeft geen invloed op de resultaten.

Een ander type MD bestaat uit verbuigingsvormen van hetzelfde woord die orthografisch samenvallen, maar tot verschillende spellingvarianten behoren:

genitief meervoud van nomina met mannelijk en vrouwelijk grammaticaal geslacht, bijvoorbeeld:

bakerių, blogerių / bloger‘ių / blog‘erių, gliancinių, lūzerių / looserių / looserių / loser‘i ū / loserių, looseriškų / lūzeriškų, menedžerių / managerių, multipleksinių, puzlių / pūzlių / puzzlių (zie tabel 1), spamintojų, sponsorių;

(i)astamnomina, enkelvoud nominatief en (i)ostamnomina, meervoud accusatief, bijvoorbeeld:

looser uitkas / loserachtig, spammer;

276

KALBOS KULTŪRA | 81

(i)a stammen van zelfstandige naamwoorden, meervoud nominatief, en (i)o stammen van zelfstandige naamwoorden, enkelvoud datief, bijvoorbeeld:

spamintojai;

(i)a stammen van zelfstandige naamwoorden, enkelvoud locatief, en ė stammen van zelfstandige naamwoorden, enkelvoud instrumentalis, bijvoorbeeld:

gūglė / google‘ė, internaute, puzle / pūzle (zie tabel 1), skaipe, šo(u)mene;

(i)o en (i)a stammen van zelfstandige naamwoorden, enkelvoud accusatief, bijvoorbeeld:

een losserik / een loser, een spammer.

De laatstgenoemde MD-gevallen zijn complexer en vereisen meer oplettendheid. Spellingkundig identieke verbuigingsvormen van verschillende schrijfwijzen van hetzelfde woord komen in verschillende zoekregels terecht; dit betekent dat de frequentie van zulke vormen bij het berekenen van de totale frequentie van een afzonderlijk woord herhaaldelijk wordt opgeteld. Daarom moeten bij onderzoek naar woordfrequentie dit soort identieke vormen slechts in één zoekregel worden opgenomen.

Vermeldenswaard is dat we bij het onderzoek naar de relatieve frequentie van NS twee nog niet eerder beschreven MD-typen zijn tegengekomen, waarbij spellingkundig samenvallen (i)a stammen van zelfstandige naamwoorden, meervoud nominatief, en (i)o stammen van zelfstandige naamwoorden, enkelvoud datief (vgl. tie varnai en tai várnai), en (i)a stammen van zelfstandige naamwoorden, enkelvoud locatief, en ė stammen van zelfstandige naamwoorden, enkelvoud instrumentalis (vgl. tame draugė⁵ en su draugė). Hoewel deze twee MD-typen zijn ontdekt bij onderzoek naar het gebruik van NS, blijkt uit de voorbeelden dat ze ook kenmerkend zijn voor het standaardlitouws.

Systematische MD-gevallen die echter buiten het Litouws vallen, zijn verbuigingsvormen van morfologisch aangepaste NS die spellingkundig samenvallen met niet onderzochte, onverbuigbare NS-vormen in de authentieke spelling:

(i)a stammen van zelfstandige naamwoorden, enkelvoud locatief, bijvoorbeeld:

drive (drivas), google (googlas), puzzle (puzzlas, zie tabel 1), skype (skypas);

(i)o stammen van zelfstandige naamwoorden, enkelvoud nominatief en enkelvoud instrumentalis, bijvoorbeeld:

media;

ė stammen van zelfstandige naamwoorden, enkelvoud instrumentalis, bijvoorbeeld:

google (googlie), karaoke (karaoke), puzzle (puzzle, zie tabel 1), skype (skype).

Omdat authentieke spellingvarianten van NS om de eerder genoemde redenen moeilijk te onderzoeken zijn, moeten vormen van het laatstgenoemde type, die morfologisch meerduidig zijn, in alle gevallen uit de zoekopdrachten worden verwijderd.

⁵ Hoewel deze vorm vanuit het perspectief van de taalverzorging niet wordt aanbevolen, is zij theoretisch wel mogelijk.

S. ALEKSANDRAVIČIŪTĖ. Paieškos sistemos Google naudojimo galimybės tiriant kalbos reiškinius

277

Woordvormen met verschillende lexicale betekenissen die morfologisch meerduidig zijn

Soms kunnen alle of sommige verbuigingsvormen van een woord qua spelling samenvallen met verbuigingsvormen van een ander woord. Het is duidelijk dat, anders dan in de eerder beschreven gevallen van MD, de lexicale betekenis verschilt. Bovendien zijn deze gevallen van MD toevallig en niet systematisch. Hieronder staan voorbeelden van dit type MD die tijdens het onderzoek zijn gevonden, met vermelding van de spellingvariant van NS en het woord uit de standaardtaal waarmee die vorm samenvalt:

– blogas, b l o g a s (bijvoeglijk naamwoord), b l o g a i (bijwoord) – de zoekopdracht wordt ingekort tot „blogui“ OR „bloge“ OR „blogams“ (alleen de vormen die afwijken van het woord uit de standaardtaal zijn vermeld: enkelvoud datief, enkelvoud locatief, meervoud datief);

– smailas, s m a i l a s (bijvoeglijk naamwoord), s m a i l a i (bijwoord) – de zoekopdracht wordt op dezelfde manier ingekort als in het geval van blog: „smailui“ OR „smaile“ OR „smailams“;

– bodis, b o d u s (bijvoeglijk naamwoord), b o d ž i a i (bijwoord) – de zoekopdracht wordt ingekort tot „bodis“ OR „bodžio“ OR „bodžiui“ OR „bodį“ OR „bodyje“ OR „bodžiams“ (de vormen die afwijken van het woord uit de standaardtaal: enkelvoud nominatief, enkelvoud genitief, enkelvoud datief, enkelvoud accusatief, enkelvoud locatief, meervoud datief);

– brendas, b r e n d o (bręsti, bręsta, brendo), b r e n d u (bristi, brenda, brido);

– er waren ook gevallen waarin de onderzochte spellingvariant van NS volledig samenviel met een woord uit de standaardtaal – vgl. bōtas, b ò t a s (een hoge damesoverschoen), b õ t a s (een bepaald type schip), en sáitas en s a ì t a s.

Bij het bepalen hoe met zulke gevallen van homonymie moet worden omgegaan, kunnen gegevens over de verspreiding van woorden uit het VDU-corpus of DDRLKŽ helpen. Als het samenvallende woord uit de standaardtaal zeldzaam is, hoeft de zoekopdracht niet te worden ingekort, omdat dit weinig invloed heeft op de zoekresultaten. Bovendien volstaan soms de resultaten van één spellingvariant om het onderzochte woord als frequent te beschouwen.

Om andere redenen

Het komt voor dat het onderzochte woord wordt gebruikt in een veelgebruikte naam van een bedrijf, instelling of iets dergelijks, of als pseudoniem wordt gekozen. Op internet zijn doorgaans volop namen te vinden; dat hangt eerder samen met reclamestrategieën of de structuurprincipes van discussieforums dan met de gebruiksgewoonten van de woorden die voor die namen zijn gekozen. Daarom probeert men bij het zoeken zich van dergelijke gevallen af te zonderen.

278

KALBOS KULTŪRA | 81

Het zoekveld kan op twee manieren worden ingeperkt. Ten eerste – op basis van de context, waarbij in de zoekopdracht wordt aangegeven dat een woord moet worden uitgesloten dat volgens gebruiksvoorbeelden in dezelfde context vaak voorkomt met het onderzochte taalverschijnsel, maar daarmee geen woordcombinatie vormt. Ten tweede – op basis van collocatie⁶, waarbij in de zoekopdracht wordt aangegeven dat een woord moet worden uitgesloten dat met het onderzochte verschijnsel een in het gebruik veelvoorkomende woordcombinatie vormt. De bijzondere gevallen van inperking van het zoekveld die zich in het uitgevoerde onderzoek voordeden, worden weergegeven in tabel 2; daarbij zijn de gebruikte woorden en de spellingvarianten en vormen van NS vermeld waarop die inperking werd toegepast (waar nodig zijn ook collocaties vermeld).

TABEL 2. Inperking van het zoekveld op basis van context en collocatie

Op basis van de context

-nikas -autorius -vartotojas -narys -blogas -uab -biuro -sklypas

Harissa / harisa, googlis, sasha funke, esesas, twisteris, neformatas, mixas, extremas topas, saitas, respectas, funkaś, autletas, bugo grafitas skypas

Op basis van collocatie

-la -centras -eesti -area -baltijos +kava –vakarų

„La speme“ (spemas) „Topo centras“ (topas) „Eesti post“ (post’as) „Cluster area“ (cluster‘is) „Baltijos autletas“ (autletas) Ekspreso kava, Vakarų ekspresas

De meeste moeilijkheden doen zich voor bij woorden die als pseudoniem worden gebruikt (de eerste en tweede tabelrij). Afhankelijk van de zoekresultaten moet men een of meer van de vermelde beperkende woorden kiezen. De tabel vermeldt alleen de effectiefste beperkende woorden, maar de uiteindelijke keuze wordt bepaald door de specifieke kenmerken van elk afzonderlijk onderzocht geval.

⁶

Collocatie – een zeer gebruikelijke gebruikscontext van een woord: een betekenisvolle en grammaticale woordcombinatie van minstens twee woorden die vaak samen voorkomen (Jakaitienė 2005: 25).

S. ALEKSANDRAVIČIŪTĖ. Paieškos sistemos Google naudojimo galimybės tiriant kalbos reiškinius

279

In deze context is ook het geval van skaipo bijzonder interessant en enigszins ongebruikelijk. Bij het onderzoeken van de spellingvariant skypas van deze NS moest het zoekveld worden ingeperkt, omdat er op internet heel wat advertenties werden aangetroffen voor percelen bouwgrond die door een fout waren aangeduid (de letter l was weggelaten).

CONCLUSIES

1. Bij het samenstellen van een zoekreeks is allereerst de selectie van representatieve woordvormen van belang; deze selectie is gebaseerd op onderzoeksresultaten over de frequentie van grammaticale categorieën in het Litouws. Bij het onderzoeken van nominale woorden past vrijwel het volledige verbuigingsparadigma in de zoekreeks; bij werkwoorden slechts een deel. Het handigst is om de infinitief van het werkwoord en de persoonsvormen van de tijden in de aantonende wijs (tegenwoordige, onvoltooid verleden, toekomende en frequentatieve verleden tijd) in de zoekreeks op te nemen. Zo kan iets meer dan de helft van de distributie van grammaticale categorieën van werkwoorden worden bestreken.

2. Doordat de zoekreeks van Google een beperkte lengte heeft, bestrijkt deze verschillende grammaticale categorieën in ongelijke mate. Daardoor gaat een solide basis voor de vergelijking van werkwoorden en nominale woorden verloren; het is daarom handiger om nominale woorden en werkwoorden als afzonderlijke groepen te behandelen.

3. Vaak moet het zoekveld worden ingeperkt vanwege het grote aantal resultaten in het Engels en het probleem van meerduidigheid in het Litouws. Dit gebeurt met behulp van de logische functie ‘uitsluiten’, die in de syntaxis van de zoekmachine Google wordt aangegeven met het teken ‘-’, of door bepaalde meerduidige vormen niet in de zoekreeks op te nemen.

4. Bij het zoeken moet rekening worden gehouden met gevallen van meerduidigheid die uiteenlopende effecten hebben op de zoekresultaten en waarvoor daarom verschillende beperkingen van het zoekveld moeten worden toegepast. Spellingsovereenkomende verbuigingsvormen van dezelfde spellingvariant kunnen uit de zoekreeks worden verwijderd, maar dit heeft geen invloed op de resultaten. Het verdient aanbeveling om overeenkomende verbuigingsvormen van hetzelfde woord, maar van verschillende spellingvarianten, alleen in de zoekreeks voor een van die spellingvarianten te laten staan. Morfologisch meerduidige woordvormen met verschillende lexicale betekenissen moeten worden behouden of verwijderd op basis van de gegevens van het VDU-tekstcorpus en DDRLKŽ.

5. De besproken zoekmethode is nuttig zowel voor het verzamelen van uiteenlopende voorbeelden van taalverschijnselen als voor het onderzoeken van hun verspreiding in het taalgebruik. Bovendien kan de methode om de relatieve frequentie van NS vast te stellen ook worden toegepast bij het vaststellen van taalnormen, bijvoorbeeld bij het opstellen van lijsten met NS die als ernstige taalfouten worden beschouwd.

280

KALBOS KULTŪRA | 81

ŠALTINIAI

Paieškos sistema www.google.lt

The 500 Most Commonly Used Words in the English Language: http://www.world-english.org/english500.htm

TŽŽ 2001 – Tarptautinių žodžių žodynas, Vilnius: Alma littera.

VDU Dabartinės lietuvių kalbos tekstynas: http://donelaitis.vdu.lt

LITERATŪRA

DDRLKŽ 1998: L. Grumadienė, V. Žilinskienė. Dažninis dabartinės rašomosios lietuvių kalbos žodynas, Vilnius: Lietuvių kalbos institutas.

Gaivenis K., Keinys S. 1990: Kalbotyros terminų žodynas, Kaunas: Šviesa.

Jakaitienė E. 1980: Lietuvių kalbos leksikologija, Vilnius: Mokslas.

Jakaitienė E. 2005: Leksikografija, Vilnius: Mokslo ir enciklopedijų leidybos institutas.

LKE 1999: Lietuvių kalbos enciklopedija, Vilnius: Mokslo ir enciklopedijų leidybos institutas.

Rimkutė E. 2002: Homoformos dabartinės lietuvių kalbos tekstyne. – Lituanistica 2(50), 86–101.

Rimkutė E. 2003: Morfologinio daugiareikšmiškumo tipologija. – Lituanistica 4(56), 60–78.

Rimkutė E. 2006: Morfologinio daugiareikšmiškumo ribojimas kompiuteriniame tekstyne. Daktaro disertacija, Kaunas.

Rimkutė E., Grybinaitė A. 2004: Dažniausios lietuvių kalbos morfologinio daugiareikšmiškumo rūšys ir jų automatinis vienareikšminimas. – Kalbų studijos 5, 74–78.

Ryklienė A. 2001: Elektroninis diskursas: kalbos ypatybės ir stilius. Daktaro disertacijos santrauka, Vilnius.

Vaicekauskienė L. 2007: Naujieji lietuvių kalbos svetimžodžiai. Kalbos politika ir vartosena, Vilnius: Lietuvių kalbos institutas.

Žilinskienė V. 2002: Žodžių formų vartojimas lietuvių kalbos dalykinio ir publicistinio stilių duomenimis. – Lituanistica 1(49), 106–116.

Gauta 2008 07 08

S. ALEKSANDRAVIČIŪTĖ. Paieškos sistemos Google naudojimo galimybės tiriant kalbos reiškinius

281

POSSIBILITIES OF USING THE SEARCH SYSTEM GOOGLE IN LINGUISTIC RESEARCH

S u m m a r y

The paper introduces the methodology which can be used to implement Google as a tool for data accumulation and storage and investigating the spread of a linguistic phenomenon in the internet. The method is described in the framework of an investigation aimed at identifying relative frequency count of new loanwords between 2007 and 2008. The first section of the article describes the main principles of filling in the slot of a query: general as well as specific for a particular descriptive research. Rather than entering only the main word form, a proposal has been launched to enter the whole grammatical paradigm of the word or its major part considering that in the Google query slot the maximum number of key words is 32.

The second section identifies the ways to narrow down the search domain and reasons why it should be done. This type of research is bound to face a problem of word and word-form ambiguity. The term of ambiguity has been selected to avoid confusion of more specific terms like homonyms, homographs, homophones etc. Moreover, the explication of the above terms often emphasises the phonetic aspect of the word, which for internet search is irrelevant. The above terms are not sufficiently precise for some cases of ambiguity, when, for example, the spelling of one word form coincides with another form of the same word.

The method of search is instrumental in collecting various examples of language use as well as in investigating their frequency. Also the method of relative frequency of loanwords could be applied in language standardisation, e.g. in compiling lists of new loanwords which are considered grave mistakes.

SKAISTĖ ALEKSANDRAVIČIŪTĖ

Lietuvių kalbos institutas

P. Vileišio g. 5, LT-10308 Vilnius

[email protected]

282

KALBOS KULTŪRA | 81