Förbättrad kompatibilitet mellan terminologiska samlingar med en överbryggande klassificering av datakategorier

IGOR KUDASHEV

University of Helsinki

I N L E D N I N G

Trots att det finns en standardiserad uppsättning datakategorier (ISO 12620:1999) och standardiserade metoder för terminologiarbete (ISO 704:2000) är det fortfarande svårt att hitta två terminologiska databaser som skapats av två olika organisationer och som enkelt kan slås samman utan dataförlust eller förvrängning av de ursprungliga principerna för hur respektive databas sammanställts. De mest uppenbara orsakerna är följande:

nationella språk och traditioner skiljer sig åt;

LSP-områden skiljer sig åt;

sammanställarnas bakgrund och tillvägagångssätt skiljer sig åt;

tekniska lösningar skiljer sig åt.

Samtidigt har en av trenderna inom hanteringen av terminologiska resurser och andra slags data varit att samla spridda resurser i större portaler eller tjänster, vanligtvis utan att sammanföra dem fysiskt. Ett exempel är portalen EuroTermBank (http://www.eurotermbank.com) som erbjuder sökning i flera interna och externa terminologiska databaser och kan sammanställa resultaten.

I takt med att användarnas krav och datavolymerna ökar blir det nödvändigt att erbjuda avancerad sökning som omfattar alla fält i posten, inte bara uppslagsorden, och att anpassa posterna efter användarnas önskemål. I denna artikel föreslår vi en klassificering av datakategorier som kan fungera som en brygga mellan terminologiska samlingar. Klassificeringen behandlar följande problem i samband med hanteringen av terminologisamlingar med olika uppsättningar datakategorier:

aggregering och sammanslagning av terminologiska resurser;

organisering av sökning som omfattar alla fält i posterna;

anpassning av poster från flera samlingar i enlighet med användarnas önskemål.

36

Igor Kudashev | Improving Compatibility of Terminological...

En terminologisk databas kan innehålla olika typer av data utöver egentliga terminologiska data, till exempel information om källor, användare och transaktioner för terminologihantering. I denna artikel fokuserar vi på klassificeringen av datakategorier som rör beskrivningen av LSP-uttryck.

VAD ÄR EN DATAKATEGORI?

Olika typer av data placeras i olika fält i terminologiska databaser. En datakategori är resultatet av att ett givet datafält specificeras (ISO 1087-2:2000: 13). Terminologer använder olika metaforer för att förklara begreppet datakategori. En metafor är en garderob där olika lådor används för att förvara olika typer av kläder. En annan metafor är en varukorg där varje slags vara är förpackad i sitt eget paket, så att varorna inte blandas ihop.

TYPISKA SKILLNADER MELLAN DATAKATEGORIER

Datakategorier är resultatet av dataklassificering. Data kan klassificeras på många olika sätt beroende på klassificerarens synsätt och användarnas behov. Med garderobsmetaforen kan man säga att olika garderober har olika antal lådor, som kan ha olika form, storlek och så vidare.

Minst sex typer av avvikelser kan förekomma mellan datakategorier i terminologiska databaser:

- avvikande namn på datakategorier;

- avvikande ”storlek” på datakategorier, det vill säga olika ”granulering”;

- avvikande ”placering” av datakategorier, det vill säga deras position i klassificeringsschemat;

- avvikande klassificeringsprinciper (överlappning);

- avvikande innehåll i datakategorier;

- blandfall.

Nedan följer några exempel som illustrerar vissa vanliga avvikelser.

Fall 1: datakategorier har olika namn.

Exempel: datakategorin kallas note i en databas, comment i en annan, remark i en tredje och NB i en fjärde.

Terminologija | 2009 | 16

37

Fall 2: namnet på en datakategori används i olika betydelser.

Exempel: datakategorin synonym kan motsvara ”fullständig synonym”, ”nära synonym” eller ”fullständig eller nära synonym”.

Fall 3: datakategoriernas namn är ”falska vänner”.

Exempel: det engelska abbreviation och acronym enligt definitionerna i ISO-standarden (ISO 12620:1999: 6–7) och det ryska аббревиатура och акроним motsvarar varandra korsvis (Kudashev & Hajutin 2003: 104–105).

Fall 4: datakategoriernas granularitet skiljer sig åt.

Exempel: datakategorin förkortad termform delas in i fem underklasser (förkortning, kortform av termen, initialförkortning, akronym och avhuggen term) i ISO 12620:1999, men någon sådan indelning finns inte i ISO 12616:2002 (”Översättningsorienterad terminologi”).

Fall 5: överlappning mellan datakategorier.

Exempel: datakategorierna exempel och kontext överlappar. Vissa exempel är kontexter och vissa kontexter kan fungera som exempel, men de två kategorierna är inte identiska.

Fall 6: samma datakategori placeras under olika överordnade kategorier.

Exempel: datakategorin kontext betraktas som konceptrelaterade data i ISO 12620:1999, uppenbarligen eftersom kontexter kan ge ytterligare information om konceptet. En vanligare funktion för kontexter är dock att ge information om termers användning och kollokationer, så ”många databaser klassificerar kontext som en termrelaterad kategori” (ISO 12620:1999: 25).

Fall 7: språk, teckensystem eller notation för data skiljer sig åt.

Exempel: en ordklass kan kodas som noun i en databas, n. i en annan, subst. i en tredje och som en grafisk symbol i en fjärde.

Fall 8: identiska eller likartade värden för datakategorier används med olika betydelser och i olika sammanhang.

Exempel: värdet neologism i datakategorin termproveniens i ISO 12620:1999 låter som en kronologisk beteckning, medan det i själva verket syftar på den metod som använts för att skapa termen.

38

Igor Kudashev | Improving Compatibility of Terminological...

Fall 9: värdena i halvslutna klasser skiljer sig åt på grund av olika klassificering av språkliga fenomen i olika språk och olika traditioner. Exempel: i ISO 12620:1999 omfattar beteckningar för beskrivning av LSP-uttryck som hör till ”lägre stil” slang register och vulgar register. De motsvarar ungefär beteckningarna профессиональный жаргонизм (professionell slang) och профессиональное просторечие (professionellt vardagsspråk) på ryska. På finska finns det däremot endast en kategori, ammattislangi (professionell slang; se Sanastotyön käsikirja 1989: 12).

Det bör också noteras att vissa data kan uttryckas implicit i terminologiska samlingar.

Exempel 1: förekomsten av beteckningen obsolete i vissa fall och dess frånvaro i andra i en terminologisk samling innebär att termer som inte är märkta med beteckningen hör till det aktiva LSP-ordförrådet.

Exempel 2: om två eller flera termer placeras i samma post innebär det vanligtvis att de är synonymer eller ekvivalenter.

Utbyte eller aggregering av terminologiska resurser kan kräva att sådana implicita data görs explicita. Om data till exempel lagras i form av en ontologi i stället för statiska poster måste den ovan nämnda implicita informationen om synonymer och ekvivalenter göras explicit och sparas när posterna ”plockas isär”.

ISO-INVENTERINGAR OCH KLASSIFICERINGAR AV DATATYPER

ISO 12620:1999 anger en uppsättning datatyper för registrering av terminologisk information. Den föreskriver inte vilka datatyper som ska användas, utan fungerar snarare som en inventering. Denna uppsättning datatyper utökas inom projektet ISOcat (www.isocat.org), som dokumenterar allmänt accepterade språkliga datatyper.

Även om projektet ISOcat utan tvekan är användbart för lingvister, som får möjlighet att bättre kategorisera och definiera språkliga begrepp, och för konstruktörer av termbanker, som kan välja färdiga datatyper ur en omfattande inventering, är det osannolikt att projektet löser problemen med datautbyte, aggregering och sökning i hela poster i flera databaser.

För det första kan det inte hindra sammanställare av terminologiska produkter från

Terminologija | 2009 | 16

39

att klassificera data på ett annat sätt och att använda sina egna datakategorier. För det andra blir terminologiska samlingar mer mångskiftande ju fler datakategorier de innehåller, vilket gör datautbytet ännu mer utmanande.

Listan över datakategorier är i teorin oändlig och i praktiken mycket omfattande. Exempelvis omfattar listan över terminologirelaterade datakategorier i ISOcat-inventariet redan mer än 500 poster. En av de metoder som används i ISOcat-projektet kan öka detta antal mångfalt. Med detta avser vi att värden i slutna och halvslutna klasser presenteras som enskilda datakategorier.

Exempelvis presenteras värden för datakategorin register, såsom vulgarRegister, slangRegister osv. numera som självständiga datakategorier. På samma sätt delas datakategorin reliabilityCode upp i reliabilityCode1, reliabilityCode2 osv. Det kan råda olika uppfattningar om huruvida detta är rimligt ur praktisk synvinkel, men data kan organiseras på många olika sätt, och det finns därför inga formella begränsningar för att dela upp datakategorier ända ned till de primitiva klasser som endast kan anta värdena yes och no. Det är dock uppenbart att detta område av datakategorier behöver en ändamålsenlig strukturering och klassificering för att förbli hanterbart och välorganiserat.

Samtidigt är den klassificering av datakategorier som föreslås i ISO 12620:1999 problematisk i flera avseenden. Till att börja med finns det vissa inkonsekvenser i den grundläggande indelningen av data. Enligt avsnitt 6.2 (Typology of data categories) delas datakategorierna in i tre huvudgrupper: term- och termrelaterad information, beskrivande data och administrativa data. I Annex D (Systematic listing of data categories) kallas den andra gruppen dock Data categories related to concept description. Samtidigt innehåller denna grupp undergruppen Note, som ”står för sig själv eftersom den kan associeras med vilken som helst av de andra kategorierna och därför inte kan underordnas någon annan specifik undergrupp” (ISO 12620:1999: 4).

Om vi antar att den avsedda indelningen omfattade fyra grupper: term- och termrelaterad information, konceptrelaterad information, administrativa data och Note, väcker denna klassificering ändå många frågor. Här är några exempel:

- Varför är examples och contexts konceptrelaterade data och inte termrelaterade data? Jfr beskrivningen av datakategorin context: ”En text eller del av en text där en term förekommer” (ISO 12620:1999: 25).

- Varför är synonym och equivalence termrelaterade data, medan allt annat som har med betydelsen att göra är konceptrelaterade data? Jfr beskrivningen av datakategorin degree of equivalence: ”I vilken utsträckning två eller flera begrepps intensioner överlappar” (ISO 12620:1999: 21).

40

Igor Kudashev | Improving Compatibility of Terminological...

Varför är antonym och homograph administrativa data och inte term- eller konceptrelaterade data?

Varför är audio, video osv. (enbart) konceptrelaterade data?

Vad är den exakta definitionen av administrativa data? Varför omfattar denna klass så heterogena kategorier?

Att dela in terminologiska data i konceptrelaterade och termrelaterade data kan vara användbart ur teknisk synvinkel, eftersom det stöder det begreppsorienterade synsättet, som minskar antalet relationer mellan termer genom att länka synonyma termer till samma begrepp. En sådan indelning i allmänhet och dess tillämpning i ISO 12620:1999 i synnerhet kan dock innebära en utmaning för vanliga användare av terminologiska databaser – översättare och ämnesexperter. Det är nämligen inte lätt att förstå varför man ska söka efter synonyms bland termrelaterade data, men efter antonyms bland administrativa data och efter examples bland konceptrelaterade data.

Vanliga användare arbetar med termer – ord och ordkombinationer – och därför är det naturligare för dem att tala om en terms betydelse, synonymer till en term, exempel på hur en term används osv. Detta innebär att en klassificering av datakategorier som är avsedd att möjliggöra sökning i fullständiga poster i flera samlingar bör vara termorienterad, intuitivt tydlig och grundad på vanliga lingvistiska kategorier.

Överbryggning av avvikelser mellan datakategorier

Problemet med avvikelser mellan datakategorier kan lösas med hjälp av mappning. Om avvikelserna är nominella, till exempel om namnen på datakategorierna skiljer sig åt eller om samma innehåll presenteras på olika sätt, kan direkt mappning mellan datakategorier användas. När den direkta mappningen har tillämpats kan data i den aggregerade resursen sökas med samma precision som i de ursprungliga databaserna.

Mer betydande skillnader mellan datakategorier kräver att en gemensam nämnare fastställs genom mappning mellan klassifikationer av datakategorimängder. Användningen av en gemensam nämnare minskar sökningens precision något, men det är det enda sättet att möjliggöra gemensam sökning i terminologiska resurser med olika struktur. Om användaren inte är beredd att offra sökningens precision måste hen söka separat i varje enskild samling.

Precis som vid datautbyte i allmänhet är det på lång sikt effektivare att använda ett mellanformat, det vill säga någon form av överbryggande klassifikation av datakategorier,

Terminologija | 2009 | 16

41

än att upprätta flera mappningar mellan olika klassifikationer. De allmänna principerna för klassifikation av datakategorier som är avsedd att fungera som ett gemensamt gränssnitt mellan andra klassifikationer är följande:

1. Eftersom klassifikationens klasser är tänkta att fungera som gemensamma nämnare måste de ligga på en högre abstraktionsnivå än de flesta ”primitiva” datakategorier, som inte delas upp ytterligare. Samtidigt får abstraktionsnivån inte vara alltför hög, eftersom användarna inte skulle vara intresserade av en alltför generell klassifikation. I praktiken är en klassifikation med två abstraktionsnivåer tillräcklig.

2. Klassifikationen bör omfatta alla typer av LSP-uttryck som vanligtvis beskrivs i terminologiska databaser, däribland termkomponenter, egennamn, nomenklatur, fasta uttryck etc.

3. Klassifikationen bör endast innehålla sådana datakategorier som är direkt relaterade till beskrivningen av LSP-uttryck. Beskrivning av tekniska och administrativa aspekter (t.ex. medium, kodningar, källor, tillförlitlighet etc.) är en annan uppgift.

4. Klassifikationen bör vara hierarkisk, men flera indelningsgrunder bör tillåtas på samma abstraktionsnivå.

5. Klassifikationen bör vara utbyggbar, det vill säga den bör innehålla kategorin ”övrigt” på varje nivå i hierarkin.

Dessa principer måste kombineras med kravet på användarvänlighet som nämndes ovan. Enligt vår uppfattning är en klassifikation som bygger på datans lingvistiska funktioner en särskilt stark kandidat i detta avseende.

I den överbryggande klassifikationen som bygger på lingvistiska funktioner flyttas fokus från datakategoriernas namn till den funktion eller de funktioner som de data som ingår i dem har. En jämförelse som kan göras här är med ett bibliotek som har alfabetiska register och ämnesregister.

Sökning på datakategoriernas namn liknar sökning med hjälp av ett alfabetiskt register. Titeln ger en viss ledtråd om bokens innehåll, men kan ibland vara missvisande. Dessutom kan användarna inte förutse alla möjliga titlar som täcker ett visst ämne. Ett alfabetiskt register är användbart när användarna vet säkert vilket eller vilka objekt de vill hitta. De flesta biblioteksbesökare börjar däremot sin sökning i ämnesregistret, eftersom de inte i förväg vet vilka objekt som behandlar det ämne de är intresserade av.

En terminologisk portal som aggregerar flera terminologiska samlingar-

42

Igor Kudashev | Improving Compatibility of Terminological...

tioner med olika uppsättningar av datakategorier innebär samma problem för användarna som böckernas uppställning på bibliotekshyllorna. Användarna vet vilken typ av information de är intresserade av (grammatik, betydelse, användning osv.), men de vet inte nödvändigtvis i vilka datakategorier denna information kan finnas. I olika terminologiska samlingar kan liknande typer av data finnas i olika datafält. Information om exempelvis den regionala statusen för ett LSP-uttryck kan finnas i fält som användning, regional etikett, språksymbol osv.

Om sökningen baseras på datans lingvistiska funktioner behöver användarna inte bry sig om datakategoriernas exakta namn. De anger bara att de söker information om regional status, betydelse eller synonymer, så lokaliserar och visar terminologihanteringssystemet fullständiga eller förkortade poster i olika databaser som innehåller den angivna typen av information. Funktionsbaserad sökning kan och bör kompletteras med sökning efter fältnamn för de användare som vet exakt i vilka fält de vill söka.

Datafält kan, liksom biblioteksobjekt, innehålla olika slags lingvistisk information. Till exempel är exempel ett typiskt multifunktionellt fält som kan innehålla information om en terms form, betydelse och användning, i olika proportioner. Varje datakategori kan beskrivas som att den har en eller flera funktioner. Det bör också vara möjligt att ange i vilken grad en viss datakategori återspeglar vissa funktioner. Denna egenskap kan uttryckas verbalt (t.ex. primär och sekundär funktion) eller numeriskt (t.ex. 0–100%).

Det enklaste sättet att mappa en viss uppsättning datakategorier till den mellanliggande klassificeringen är att betrakta innehållet i datafält av en viss typ som enhetligt och skapa en enkel korrespondenstabell. En mer precis men också mer komplicerad mappning skulle låta sammanställarna ange avvikelser i enskilda datafält från de värden som används i den övergripande korrespondenstabellen. Kontext ger vanligen information om termers användning och betydelse. Det är rimligt att inkludera dessa typer av information i den övergripande korrespondenstabellen, eftersom de förekommer i varje kontextfält. Vissa kontexter kan dock också innehålla encyklopedisk information. Denna sporadiska användning av encyklopedisk information kan markeras lokalt, på fältnivå.

Terminologija | 2009 | 16

43

KLASSIFICERING AV DATAKATEGORIER BASERAD PÅ DATANS LINGVISTISKA FUNKTIONER

Eftersom LSP-uttryck är lingvistiska tecken kan information om dem delas in i information om deras form, betydelse, användning, relationer till andra enheter, ursprung och utveckling. Nedan beskrivs var och en av dessa klasser i detalj, och några exempel på data som hör till dem ges. Se Appendix 1 för den kompakta versionen av klassificeringen.

Data relaterade till form

LSP-uttryck har två former – skriftlig och muntlig. Dessutom kan data relaterade till formen hos ett LSP-uttryck delas in i tre klasser:

- data relaterade till den kanoniska formen;

- data relaterade till enhetens bildning;

- data relaterade till enhetens böjning.

DATA RELATERADE TILL KANONISK FORM

Kanonisk form är den form i vilken uppslagsordet anges i databasen. Den fungerar som ”representant” för andra former. I de flesta europeiska språk är den kanoniska formen för substantiv till exempel nominativ singularis och för verb infinitiv. Reglerna för hur den kanoniska formen väljs varierar dock mellan olika språk och lexikografiska traditioner.

Här är några exempel på data som rör skriftlig kanonisk form:

- uttryckstyp utifrån dess skriftliga form (t.ex. fullform, förkortad form, symbol, formel osv.);

- formens stavning;

- stavningsvarianter av formen;

- avstavning.

Exempel på data som rör muntlig kanonisk form:

- uttryckstyp utifrån dess muntliga form (t.ex. initialförkortning, akronym);

- uttal;

- uttalsvarianter av formen;

- stavelseindelning.

Som man kan se kan vissa datakategorier avse både skriftliga och muntliga former. Att till exempel ange att ett visst uttryck är en initialförkortning, dvs. en förkortad form bildad av termens initialbokstäver, där dessa bokstäver uttalas var för sig (t.ex. United Nations – UN), ger information om både skriftliga och muntliga former. Dessutom kan det

44 Igor Kudashev | Improving Compatibility of Terminological...

sägas ge information om termbildning, ursprung och utveckling.

DATA RELATERADE TILL TERMBILDNING

Exempel på data relaterade till bildandet av LSP-uttryck:

- termkomponenter och termelement;

- morfemstruktur;

- syntaktisk modell;

- termbildningsmodell;

- termbildningsmetod(er);

- morfologiska varianter;

- avledningar.

DATA RELATERADE TILL BÖJNING

Exempel på data relaterade till böjningen av LSP-uttryck:

- grammatiska parametrar (numerus, genus, animacitet osv.);

- fullständiga eller partiella formernas paradigm;

- böjnings-, konjugationsmodeller osv.

Data relaterade till betydelse

Denna del av klassificeringen börjar med en tämligen marginell kategori för att hålla sig i linje med de övriga avsnitten. LSP-uttryck kan delas in i flera klasser beroende på i vilken utsträckning deras inre form återspeglar deras betydelse. Ett fast uttryck är till exempel en enhet vars betydelse inte kan härledas ur den sammansatta betydelsen hos orden som ingår i uttrycket.

Bortsett från detta kan data relaterade till betydelsen hos LSP-uttryck delas in i två stora kategorier. Den första är logisk betydelse – en beskrivning av det logiska begrepp som betecknas av ett LSP-uttryck. Denna typ av information anges vanligen i terminologiska definitioner och definitionliknande beskrivningar.

Den andra kategorin omfattar tämligen heterogena betydelsekomponenter som kan kallas inducerad betydelse. Dessa komponenter omfattar till exempel:

- olika konnotationer, det vill säga värderande betydelsekomponenter;

- uttryckets inre form (dess ”bokstavliga”, morfem-för-morfem-betydelse);

Terminologija | 2009 | 16

45

– andra LSP- eller LGP-betydelser av samma uttryck;

– betydelsekomponenter som härrör från antonymiska, synonymiska, paronymiska och andra systematiska relationer mellan uttrycket;

– olika slags associationer;

– betydelsekomponenter som härrör från ljudlikhet, rim etc.

Vi kallar dessa betydelsekomponenter ”inducerade”, eftersom de uppstår genom språkanvändarnas inställning till de objekt som betecknas av LSP-uttryck, genom användarnas associationer eller genom relationer mellan ett LSP-uttryck och andra språkenheter. I denna mening ”induceras” ytterligare betydelsekomponenter i LSP-uttrycket av språkanvändare, andra språkenheter eller båda. För mer information om hur inducerad betydelse presenteras i LSP-ordböcker, se (Kudashev 2006; Kudashev 2007: 254–258).

Inducerade komponenter är välkomna och till och med avsiktligt eftersträvade när de skapar positiva associationer och konnotationer eller gör det möjligt för användare att uttrycka sin inställning till ämnet i informell kommunikation. I de flesta fall avleder de dock bara användarnas uppmärksamhet från den logiska betydelse som förväntas utgöra kärnan i LSP-kommunikationen. Detta är sannolikt en av anledningarna till att komponenter av inducerad betydelse i stor utsträckning har försummats inom terminologiteorin. Att ta hänsyn till dem är emellertid en viktig förutsättning för framgångsrik terminologisk benämning och effektiv LSP-kommunikation.

Data relaterade till encyklopedisk beskrivning

Encyklopedisk beskrivning ger information om objekt som betecknas av LSP-uttryck, och i de flesta fall är denna information extralingvistisk. Ibland är det dock inte lätt att dra en gräns mellan beskrivningen av begreppet och beskrivningen av det objekt som betecknas av ett LSP-uttryck. Många terminologiska databaser innehåller redan information som räknas som encyklopedisk beskrivning, och andelen sådan information förväntas öka i framtiden, eftersom olika typer av referensverk tenderar att närma sig varandra (jfr Hartmann 2001: 5). För att bekräfta detta faktum har vi beslutat att inkludera encyklopedisk beskrivning i klassificeringen av datakategorier som rör beskrivningen av LSP-uttryck.

Data relaterade till användning

Information om användning verkar vara den typ av information som efterfrågas oftast.

46 Igor Kudashev | Improving Compatibility of Terminological...

terminological data (Kudashev 2007: 207). It can be subdivided into two big categories:

- begränsningar i användningen;

- användningsfrekvens.

DATA OM BEGRÄNSNINGAR I ANVÄNDNINGEN

Användningen av varje uttryck inom ett LSP är begränsad till åtminstone ett nationellt språk, ett domänområde och en kronologisk period. Dessutom kan användningen vara begränsad till ett visst geografiskt område, en yrkesgrupp, en organisation, ett register osv. Nedan följer en lista över de vanligaste användningsbegränsningarna med några exempel inom parentes:

- nationellt språk (en, fi, ru);

- domän och subdomän (fysik – atomfysik – högenergifysik);

- vetenskaplig skola/teori (Newtons fysik, Einsteins fysik; dansk strukturalism inom lingvistiken);

- kronologisk begränsning (föråldrat, neologism, använt under andra världskriget);

- geografisk begränsning (en-US, en-GB, dialektalt uttryck);

- organisatorisk begränsning (term som används hos/av Nokia, Microsoft, UN, WHO);

- äganderättslig begränsning (varumärke, firmanamn);

- registerbegränsningar (officiell term, informell term, yrkesslang);

- begränsningar till yrkesgrupp (läkare, sjuksköterskor, läkarassistenter);

- kombinatoriska begränsningar (genomföra/utföra/göra/inleda en undersökning);

– efterlevnadsrestriktioner (standardiserad, föredragen, rekommenderad, icke-rekommenderad term).

De två sistnämnda typerna av restriktioner behöver sannolikt kommenteras mer ingående.

Data relaterade till kombinatoriska restriktioner

Kombinatorisk förmåga är förmågan hos språkliga enheter att bilda större enheter. Den kombinatoriska förmågan kan delas in i semantisk, lexikal och syntaktisk förmåga. Semantisk kombinatorisk förmåga innebär att uttryck inte har omstridda komponenter i sin betydelse. Lexikal kombinatorisk förmåga kommer till uttryck i uttryckens förmåga att kombineras med vissa andra lexikala medel. Syntaktisk kombinatorisk förmåga är förmågan hos ett uttryck att

Terminologija | 2009 | 16

47

kombineras med vissa grammatiska former av andra uttryck och hjälpord. Kombinatoriska restriktioner beskrivs vanligen med hjälp av syntaktiska modeller, exempel och kontexter.

Data relaterade till efterlevnadsrestriktioner

Terminologiska produkter tenderar att vara mer eller mindre preskriptiva till sin natur. Denna normativitet kan variera från rekommendationer från sammanställarna eller de ämnesexperter som de har rådfrågat till normativt godkännande. I vilket fall som helst gäller frågan huruvida ett LSP-uttryck följer en ”god” eller ”korrekt” stil (ur sammanställarnas synvinkel), och när det gäller standarder – även ett normativt dokument.

DATA RELATERADE TILL ANVÄNDNINGSFREKVENS

Information om användningsfrekvensen kan baseras på korpusbelägg och uttryckas numeriskt, eller vara en mer eller mindre subjektiv uppskattning som uttrycks verbalt (t.ex. vanligt förekommande – sällan förekommande – förekommer sällan).

Data relaterade till systematiska relationer

Med systematiska relationer avser vi ontologiska relationer (relationer som innehåller kunskap om världen), systematiska lexikala relationer och ekvivalensrelationer mellan språk. Nedan följer exempel på de vanligaste systematiska relationerna:

– synonymrelationer;

– antonymrelationer;

– homonymrelationer;

– paronymrelationer;

– generiska relationer;

– partitiva relationer;

– icke-hierarkiska ontologiska relationer (associativa, sekventiella, temporala, kausala osv.);

– ekvivalensrelationer (mellan språk).

Relationer som rör ord- och böjningsbildning samt uttryckens kombinationsförmåga hör inte till denna kategori, eftersom de inte är systematiska lexikala relationer.

Data relaterade till ursprung och utveckling

Denna typ av data ligger nära etymologiska data men är inte begränsad till dem. Den kan till exempel omfatta:

48 Igor Kudashev | Improving Compatibility of Terminological...

- information om de former från vilka ett visst LSP-uttryck antas ha sitt ursprung;

- information om utvecklingsstadierna för ett visst LSP-uttryck;

- information om tidigare form(er), betydelse(r), användning osv. hos ett visst LSP-uttryck.

SLUTSATSER

I denna artikel har vi diskuterat principerna för dataklassificering som syftar till att överbrygga strukturella skillnader mellan datakategorier i olika terminologiska samlingar. Klassificeringen är avsedd att användas för att aggregera och sammanföra terminologiska data, organisera sökning i fullständiga poster i flera terminologiska samlingar samt anpassa posterna efter användarnas önskemål.

De två sistnämnda uppgifterna kräver att klassificeringen är ganska enkel och intuitivt begriplig för vanliga användare av terminologiska produkter. En klassificering som bygger på datans språkliga funktioner förefaller vara en av de bästa kandidaterna i detta avseende. Sökning baserad på datans språkliga funktioner kompletterar effektivt sökning utifrån datakategoriernas namn och fyller samma funktion som ett ämnesregister i ett bibliotek.

I denna artikel har vi fokuserat på klassificeringen av data som rör beskrivningen av LSP-uttryck, eftersom detta är den viktigaste typen av data i terminologiska databaser. Klassificeringar av andra typer av data, såsom information om källor, användare och transaktioner inom terminologihantering, kommer att finnas tillgängliga i specifikationerna för projektet ContentFactory, som syftar till att utforma en ontologibaserad plattform för distribuerat, kollaborativt terminologiarbete. Projektet avslutas 2010 och en stor del av dess interna dokumentation kommer att offentliggöras.

BIBLIOGRAPHY

Hartmann R. R. K. 2001: Teaching and Researching Lexicography. New York: Longman.

ISO 1087-2:2000 Terminology Work – Vocabulary. Part 2: Computer Applications.

ISO 12616:2002 Translation-Oriented Terminography.

ISO 12620:1999 Computer Applications in Terminology – Data Categories.

ISO 704:2000 Terminology Work – Principles and Methods.

Kudashev I. 2006: Additional Meaning Components of Terms and their Treatment in LSP Dictionaries. – Lehtinen, Esa – Niemelä, Nina (toim.) Erikoiskielet ja käännösteoria. VAKKI-symposiumi XXVI. Vaasa 11.–12.2.2006. Vaasa: Vaasan yliopisto, 143–149.

Кудашев И. С. 2007: Проектирование переводческих словарей специальной лексики. Хельсинки: Yliopistopaino.

Terminologija | 2009 | 16

49

Кудашев И. С., Хаютин А. Д. 2003: К вопросу о формах терминоэлементов и терминов. – Лексикология. Терминоведение. Стилистика: Сборник научных трудов, Москва, Рязань, 101–107.

Sanastotyön käsikirja 1989: Sanastotyön käsikirja. Soveltavan terminologian periaatteet ja työmenetelmät / Toimittanut Tekniikan sanastokeskus. Helsinki: Suomen Standardoimisliitto.

APPENDIX 1. CLASSIFICATION OF TERMINOLOGICAL DATA BASED ON ITS LINGUISTIC FUNCTIONS

Values in angle brackets are candidates for the formal representation of the categories. These values are used in Appendix 2 for the sake of brevity.

1. Data related to form. <termForm>

1.1. Type of LSP expression by its form. <termForm: termType>

1.2.1. Data related to written form. <termForm: writtenForm>

1.2.2. Data related to oral form. <termForm: oralForm>

1.3.1. Data related to canonical form. <termForm: canonicalForm>

1.3.2. Data related to term formation. <termForm: termFormation>

1.3.3. Data related to inflection. <termForm: termInflection>

2. Data related to meaning. <termMeaning>

2.1. Type of LSP expression by correspondence of its meaning to its form. <termMeaning: termType>

2.2. Data related to logical meaning. <termMeaning: logicalMeaning>

2.3. Data related to induced meaning. <termMeaning: inducedMeaning>

3. Encyclopedic description. <termEncyclopedicDescription>

4. Data related to usage. <termUsage>

4.1. Data related to restrictions of usage. <termUsage: restrictions>

4.1.1. Data related to national language restrictions. <termUsage: restrictions: language>

4.1.2. Data related to domain restrictions. <termUsage: restrictions: domain>

4.1.3. Data related to scientific school or theory restrictions. <termUsage: restrictions: schoolOrTheory>

4.1.4. Data related to chronological restrictions. <termUsage: restrictions: chronological>

4.1.5. Data related to geographical restrictions. <termUsage: restrictions: geographical>

4.1.6. Data related to organizational restrictions. <termUsage: restrictions: organizational>

4.1.7. Data related to proprietary restrictions. <termUsage: restrictions: proprietary>

50

Igor Kudashev | Improving Compatibility of Terminological...

4.1.8. Data related to register restrictions. <termUsage: restrictions: register>

4.1.9. Data related to professional group restrictions. <termUsage: restrictions: professionalGroup>

4.1.10. Data related to combinatory restrictions. <termUsage: restrictions: combinatory>

4.1.11. Data related to compliance restrictions. <termUsage: restrictions: compliance>

4.2. Data related to frequency of use. <termUsage: frequency>

5. Data related to systematic relations. <termRelations>

5.1. Data related to synonymous relations. <termRelations: synonymousRelation>

5.2. Data related to antonymous relations. <termRelations: antonymousRelation>

5.3. Data related to homonymous relations. <termRelations: homonymousRelation>

5.4. Data related to paronymous relations. <termRelations: paronymousRelation>

5.5. Data related to generic relations. <termRelations: genericRelation>

5.6. Data related to partitive relations. <termRelations: partitiveRelation>

5.7. Data related to non-hierarchical ontological relations. <termRelations: non-hierarchicalOntologicalRelation>

5.8. Data related to equivalence relations. <termRelations: equivalenceRelation>

6. Data related to origin and development. <termOriginAndDevelopment>

7. Other types of data related to the description of an LSP expression <termOtherRelatedData>

APPENDIX 2. EXAMPLE OF MAPPING OF SOME ISO 12620:1999 DATA CATEGORIES INTO THE FUNCTIONAL CLASSIFICATION OF TERMINOLOGICAL DATA

See Appendix 1 for the decryption of the formal representation of the categories which are used for the sake of brevity. Question mark after a data category means that the presence of the specified kind of data is subject to the interpretation of the data category. If subcategories can be mapped in the exact same way as their parent category, only the parent category is described.

Terminologija | 2009 | 16

51

Due to space limitations only the first subgroup of data categories from the ISO 12620:1999 standard is covered.

A.1 term

Note: term (headword) lies outside the scope of classification which covers data categories related to the description of LSP expressions. However, technically data category term is identical to the written form of the term.

Functional classification: not applicable or <termForm: writtenForm>

A.2.1 term type

Note: in the ISO 12620:1999 standard this category includes various kinds of LSP expressions and may contain different types of data. See subcategories for more information.

A.2.1.1 main entry term

Note: information about the structure of the entry is not data related to the description of LSP expressions. However, this category indirectly reflects preference.

Functional classification: not applicable or <termUsage: restrictions: compliance>

A.2.1.2 synonym

Note: when opposed to main entry term, this category reflects preference. Its primary function is, however, reflection of synonymous relations.

Functional classification: <termRelations: synonymousRelation>; <termUsage: restrictions: compliance>?

A.2.1.3 quasi-synonym

Note: same as previous.

Functional classification: <termRelations: synonymousRelation>; <termUsage: restrictions: compliance>?

A.2.1.4 international scientific term

Note: depending on the interpretation of this category and its contents, this data category may provide information about compliance, language restrictions, origination and development.

Functional classification: <termUsage: restrictions: compliance>; <termUsage: restrictions: language>?; <termOriginAndDevelopment>?

A.2.1.5 common name

Note: common name is a synonym of an international scientific term that is used in general discourse. This data category may provide information about restrictions related to register, compliance and professional group.

52

Igor Kudashev | Improving Compatibility of Terminological...

Functional classification: <termUsage: restrictions: register>; <termUsage: restrictions: compliance>; <termUsage: restrictions: professionalGroup>?

A.2.1.6 internationalism

Note: depending on the contents this data category may provide information related to language restrictions, term formation, origination and development.

Functional classification: <termUsage: restrictions: language>; <termForm: termFormation>?; <termOriginAndDevelopment>?

A.2.1.7 full form

Note: this data category provides information about the type of term by its form.

Functional classification: <termForm: termType>

A.2.1.8 abbreviated form of term

Note: depending on the contents, this data category and all its subcategories (A.2.1.8.1 abbreviation, A.2.1.8.2 short form of term, A.2.1.8.3 initialism, A.2.1.8.4 acronym and A.2.1.8.5 clipped term) may provide information related to type of term by its form, oral form; term formation, origin and development.

Functional classification: <termForm: termType>; <termForm: oralForm>?; <termForm: termFormation>?; <termOriginAndDevelopment>

A.2.1.9 variant

Note: depending on the contents, this data category may provide information about preference, term formation, origin and development.

Functional classification: <termUsage: restrictions: compliance>; <termForm: termFormation>?; <termOriginAndDevelopment>?

A.2.1.10–A.2.1.14 (transliterated form, transcribed form, romanized form, symbol and formula)

Note: these data categories provide information about the type of term by its form.

Functional classification: <termForm: termType>

A.2.1.15–A.2.1.17 (equation, logical expression, materials management categories)

Note: these units can not be headwords in terminological databases.

Functional classification: not applicable.

A.2.1.18 phraseological unit

Note: in ISO 12620:1999 this category is split into three subcategories: collocation, set phrase and synonymous phrase. Collocation can not be counted

Terminologija | 2009 | 16

53

as a phraseological unit as it does not correspond to the definition of a phraseological unit provided in the standard. Synonymous phrase seems to be an unnecessary category. The same information can be expressed with two other data categories: set phrase and synonym.

Functional classification: not applicable.

A.2.1.18.1 collocation

Note: this data category provides information about combinatory restrictions.

Functional classification: <termUsage: restrictions: combinatory>

A.2.1.18.2 set phrase

Note: this data category provides information about the type of term by correspondence of its meaning to its form.

Functional classification: <termMeaning: termType>

A.2.18.3 synonymous phrase

Note: as was stated above, this category is probably unnecessary. If used, it provides information about the type of term by correspondence of its meaning to its form and also about synonymous relations.

Functional classification: <termMeaning: termType>; <termRelations: synonymousRelation>

A.2.1.19 standard text

Note: standard texts can not be headwords in terminological databases.

Functional classification: not applicable.

TERMINIJOS RINKINIŲ SUDERINAMUMO GERINIMAS TAIKANT DUOMENŲ KATEGORIJŲ KLASIFIKACIJĄ

Viena iš informacijos ir ypač terminologijos išteklių plėtros tendencijų yra atskirų duomenų bazių jungimas į didelius portalus ir sąsajų tarp tokių portalų kūrimas. To pavyzdys gali būti EuroTermBankas (http://www.eurotermbank.com). Didėjant informacijos apimčiai ir vartotojų tokiems produktams keliamiems reikalavimams, auga poreikis užtikrinti išplėstinę paiešką, apimančią visus žodynų straipsnių laukus, ir galimybę pateikti tik tas informacijos kategorijas, kurios tuo metu domina vartotoją. Šiems uždaviniams spręsti reikalinga duomenų kategorijų klasifikacija, kurią būtų galima taikyti kaip terminologinių bazių, turinčių skirtingą struktūrą, „bendrą vardiklį“. Svarbus tokios klasifikacijos reikalavimas – jos paprastumas ir aiškumas paprastiems terminologijos produktų vartotojams. Straipsnyje aptariama lingvistinėmis duomenų funkcijomis paremta klasifikacija galėtų tapti tokiu „bendru vardikliu“.

54

Igor Kudashev | Improving Compatibility of Terminological...

ИСПОЛЬЗОВАНИЕ МЕТАКЛАССОВ ДАННЫХ КАК СРЕДСТВО УЛУЧШЕНИЯ СОВМЕСТИМОСТИ ТЕРМИНОЛОГИЧЕСКИХ КОЛЛЕКЦИЙ

Одной из тенденций развития информационных ресурсов в целом и терминологических в частности стало объединение разрозненных баз данных в крупные порталы и создание общих интерфейсов к ним. Примером может служить Евро-ТермБанк (http://www.eurotermbank.com). По мере роста объемов информации и требований пользователей к подобным продуктам растет потребность в обеспечении расширенного поиска, охватывающего все поля словарных статей, а также возможности отображения лишь тех категорий информации, которые в данный момент интересуют пользователя. Эти задачи требуют наличия классификации информационных категорий, которая могла бы служить «общим знаменателем» для терминологических баз с различной структурой. Немаловажным требованием к подобной классификации является ее простота и понятность для простых пользователей терминологических продуктов. В статье описывается один из возможных кандидатов на роль «общего знаменателя» – классификация, основанная на лингвистических функциях данных.

Gauta 2009-10-14

Igor Kudashev University of Helsinki Palmenia Centre for Continuing Education P.O. Box 239 (Paraatikenttä 6) FIN-45100 Kouvola, Finland E-mail: [email protected]

Terminologija | 2009 | 16

55