Terminografija ir tekstynas

TERMINOLOGÍA Y PRESENTE Rūta MARCINKEVIČIENĖ Vytauto Didžiojo universitetas TERMINOGRAFÍA Y CORPUS La lingüística de corpus, surgida con el primer corpus hace más de tres décadas, revolucionó la lexicografía general. Hoy en día, los diccionarios explicativos se elaboran basándose, en mayor o menor medida, en corpus. En este sentido, la terminografía sigue estando olvidada incluso en países más avanzados en lingüística de corpus, y qué decir de novatos como nosotros. Aquí se intentará mostrar cuán importante, y sencillamente insustituible, es el corpus para elaborar diccionarios terminológicos. La era de las tecnologías informáticas y, junto con ellas, de los corpus informatizados, estableció una clara distinción entre la terminología y la terminografía tradicionales y las nuevas. La perspectiva de los terminólogos empezó a diferir considerablemente en varios aspectos: el propio concepto de término, las fuentes de los términos, los criterios para distinguir un término de uno que no lo es, la cualificación del terminólogo, la normalización de los términos y otros aspectos. La gran expansión y el entrecruzamiento de las áreas de las ciencias especializadas incrementaron enormemente el trabajo de los terminólogos, pues con métodos tradicionales difícilmente se puede seguir el ritmo del progreso científico y tecnológico. Precisamente por eso se empezó a mirar los términos de otra manera: se hace más hincapié en el uso que en la norma. A la terminología tradicional, surgida a principios de este siglo a raíz del enorme auge de la tecnología, le preocupaba sobre todo denominar los conceptos, ordenar la gran variedad de términos que habían aparecido en poco tiempo, y sistematizar y normalizar la terminología de distintas ramas y áreas científicas. Desde los inicios de la terminología como ciencia autónoma, los términos se consideraban de manera distinta a las demás palabras. Wüster, fundador de la terminología (citado según Pearson 1998: 10), sostenía que los términos debían tratarse de manera distinta a las palabras de la lengua general, pues la terminología comienza con el análisis de los conceptos. Y los conceptos, como es sabido, exis- 5 ten independientemente no solo de los términos que los denominan, sino también de las distintas lenguas. Los términos no son sino nombres de conceptos que, en el caso ideal, se relacionan con los propios conceptos de esta manera: un concepto, un término. Los términos se definían principalmente atendiendo al lugar que ocupaban los conceptos que designaban en el sistema jerárquico de conceptos y a sus relaciones con otros conceptos. La base de la terminología la constituían términos creados y/o normalizados y aprobados por especialistas en el área correspondiente, con un significado claramente definido, fijado y, por tanto, protegido. Por eso no es de extrañar que a los terminólogos tradicionales, partidarios de planteamientos prescriptivos (cf. Wüster, para quien Sein-Norm era mucho más importante que Ist-Norm), no les interesara en absoluto el estado real de la lengua en las distintas ramas científicas ni el uso auténtico de los términos. Al partir del concepto para llegar al término y crear así la terminología de cada rama según el principio onomasiológico, los terminólogos de entonces no se planteaban, ni podían plantearse, el problema de identificar un término, sino únicamente el de crearlo. Además, en aquella época las distintas ramas científicas aún eran bastante autónomas. Los terminólogos también se habían repartido las áreas y conocían la terminología de campos relativamente aislados. A medida que surgen temas comunes, sus representantes empiezan a interesarse por los términos; además, llegan a la terminología personas nuevas, que no necesariamente son especialistas en un campo científico concreto y/o lingüistas, es decir, programadores, creadores de bases de datos terminológicas y diccionarios electrónicos, etc. Puesto que el uso real de la lengua y el número de términos nuevos hace ya tiempo que superaron las listas de términos aprobados disponibles, la terminografía de las ramas científicas, que cambia rápidamente y va muy rezagada respecto de la realidad debido al método tradicional de fichas, no permite que quienes se incorporan confíen en los términos registrados anteriormente. Empiezan a recopilarlos de los textos: precisamente el texto se convierte en el punto de partida del trabajo del terminólogo (Rogers et al. 1994: 843). Además, se observa su uso real, que a menudo difiere considerablemente del ideal que persiguen los normativistas de la lengua. Es aquí donde deja de estar claro qué debe considerarse término, cuándo se convierte una palabra en término, qué uso de una palabra debe considerarse terminológico y cómo distinguir un término de uno que no lo es. Así, la terminología deja de ser una parte del léxico claramente definida y aislada. Constituye un grupo de palabras bastante difícil de delimitar, cuyo núcleo está formado por miembros prototípicos, que siempre se perciben como 6 Tras los términos centrales, aparecen aquellos que solo adquieren la condición de término en determinadas circunstancias y en un contexto concreto. En la periferia también hay palabras que, a primera vista, no parecen términos, pero que deberían considerarse como tales. Por ejemplo, esto puede decirse de las palabras del vocabulario general que aparecen en textos de divulgación científica. Por esta y otras razones, es muy importante que los terminógrafos identifiquen los términos, los extraigan de textos auténticos y los describan. Precisamente por ello, los corpus y los programas informáticos que facilitan el trabajo con ellos cobran gran importancia. La atención al uso real orienta a los terminólogos más hacia la descripción que hacia la normalización, y la línea divisoria entre prescriptivismo y descriptivismo separa la terminografía tradicional de la contemporánea. Por qué un corpus Como fuente de términos, el corpus resulta útil para los terminógrafos por muchas razones. Los autores que promueven su creación y uso señalan las principales. Quizá la más importante sea que un mismo corpus proporciona de inmediato tres elementos necesarios para los terminógrafos: los propios términos, sus definiciones —es decir, información especializada sobre el concepto mismo— y ejemplos de uso, así como la frecuencia de uso, las combinaciones de los términos, etc. (Sager 1990, Meyer et al. 1996, Pearson 1998). Por supuesto, también pueden utilizar el corpus los investigadores que ya disponen de una lista de términos. En ese caso, obtienen del corpus información especializada y lingüística. Sin embargo, si los términos se extraen del corpus, tienen una gran ventaja: son sistemáticos y están relacionados entre sí, ya que los textos individuales presentan conjuntos de términos usados por autores concretos, y en cada conjunto los términos están bien meditados y armonizan entre sí. Precisamente por esta razón —para que los términos obtenidos reflejen sistemas individuales—, deben incorporarse al corpus textos completos, no fragmentos ni muestras de ellos (Meyer et al. 1996: 268). Un corpus de textos completos también es esencial para obtener información especializada, que se perdería si uno se conformara con partes de los textos. Hoy en día, los corpus que crean los terminógrafos siguen utilizándose principalmente para recopilar información sobre términos previamente conocidos. Se comprueba 7 si siguen usándose y, de ser así, cómo; si han cambiado las características de su uso y, junto con ellas, su significado; y si ha cambiado el alcance de los conceptos que designan debido a la aparición de nuevos términos. Sin embargo, el corpus es mucho más necesario para obtener términos nuevos; quizá por ello, la identificación de términos y su extracción automática o semiautomática constituyen hoy uno de los temas más populares de la terminografía electrónica. En este sentido, el terminógrafo se diferencia del lexicógrafo. Este último no se pregunta qué es una palabra, sino únicamente qué palabras incluir en qué diccionarios; en cambio, el terminógrafo se pregunta con bastante frecuencia qué es un término. Los términos nuevos extraídos de corpus y almacenados y gestionados en bases de datos especializadas tienen otra característica: sus fuentes están indicadas con gran precisión y fechadas, lo que permite determinar cuándo aparecen, se difunden y desaparecen los términos. Si concebimos el resultado final del trabajo del terminógrafo como una base de datos (DB) electrónica o como un diccionario impreso elaborado a partir de ella, el corpus será importante en todas las etapas de preparación de esta DB. Los ordenadores abarcan todo el ciclo de trabajo del terminógrafo: desde los corpus electrónicos, pasando por programas especializados de búsqueda e identificación de términos, hasta la creación de bases de datos terminológicas, la descripción de los términos y su difusión en formato electrónico o en el formato tradicional de libro (Ahmad et al. 1994: 267). El ciclo de trabajo del terminógrafo es el siguiente. En la primera etapa, se crea un corpus a partir de un archivo de textos electrónicos siguiendo determinados principios; después se extraen de él los términos y se transfieren a la DB, donde se describen: en campos separados de la DB se presentan ejemplos de su uso típico tomados de la concordancia, así como definiciones obtenidas de la misma fuente. Más adelante, basándose en la información lingüística y especializada obtenida del corpus, se indican las palabras relacionadas con el término descrito: sinónimos, antónimos, hipónimos e hiperónimos; se incluyen referencias cruzadas a sus entradas, la adscripción del término a un campo temático y su lugar en el sistema general de conceptos. Además, se presentan características gramaticales y pragmáticas, restricciones de combinación u otras limitaciones de uso, información sobre la recomendación del término y, si así se ha previsto, equivalentes de traducción (para más información sobre las características de la descripción terminográfica, véase Sager 1990: 142–163). Así pues, el corpus es indispensable desde el principio, es decir, desde el primer contacto con la propia 8 disciplina científica hasta la última fase: la entrada de diccionario ya preparada. Los terminólogos actuales ven con mucho escepticismo la informatización de diccionarios impresos existentes que no se elaboraron a partir de corpus, es decir, su incorporación a bases de datos (Sager 1990: 141). Otro motivo para que los terminógrafos elaboren corpus especializados es que los ejemplos de lengua auténtica son aún más importantes para la terminografía que para la lexicografía. Son mucho más importantes que la introspección, porque el terminógrafo, a diferencia del lexicógrafo, no es un especialista que produzca textos en la variedad lingüística que describe. Ante un caso problemático, no puede preguntarse: «¿Cómo usaría yo esta palabra?», sino únicamente: «¿Qué significa esta palabra para un experto en ese campo? ¿Cómo la usaría un científico, un tecnólogo o un especialista?». Así pues, debido a que el sentido lingüístico es poco aplicable, los terminógrafos dependen mucho más de los corpus que los lexicógrafos. Atkins et al. dividen a todos los usuarios de corpus en tres grupos: a) quienes se interesan por la lengua de los textos, b) quienes se interesan por el contenido de los textos y c) quienes se interesan por los textos en cuanto tales, es decir, por su estructura, creación, etc. (citado según Meyer et al. 1996: 269). Los lexicógrafos pertenecen al primer grupo, mientras que los terminógrafos pertenecen a los dos primeros, pues les interesan tanto los conocimientos lingüísticos como los conocimientos sobre la materia. Una vez comprendida la importancia del corpus para la terminología y las posibilidades que ofrece, es necesario definir cómo debería ser el corpus de un terminógrafo. ¿Qué corpus? Como se ha señalado, el terminógrafo necesita del corpus dos tipos de información igualmente importantes: información lingüística e información temática; por eso, es importante que pueda obtener ambas. Desde el punto de vista lingüístico, el corpus debe ser tal que los términos se presenten en él de forma clara y correcta y, preferiblemente, con definiciones. Es preferible que haya tantos términos como sea posible y que sean lo más variados posible; en el caso ideal, todos los creados y utilizados por una comunidad lingüística concreta. También es importante que los términos se utilicen en contextos numerosos y diversos. Desde el punto de vista temático, deben incorporarse al corpus textos que permitan poner de manifiesto el contenido de los conceptos designados por los términos, sus relaciones mutuas y su dependencia. Es muy importante que los términos estén definidos en esos textos. 9 Por las razones indicadas, los expertos proponen incluir en los corpus toda la gama de textos posibles, desde los más sencillos hasta los más complejos, atendiendo a sus aspectos comunicativos y pragmáticos. Pearson divide los textos de lenguas especializadas en cuatro grupos según la probabilidad de encontrar términos en ellos: a) aquellos en los que el destinatario del experto es un interlocutor con conocimientos equivalentes a los suyos, es decir, otro experto: artículos publicados en revistas científicas con revisión por pares y monografías; en estos textos la densidad terminológica es la más alta; b) textos dirigidos por un experto a un especialista de la misma área, pero de nivel inferior al suyo, por ejemplo, diversos manuales de instrucciones y libros de texto; aquí hay algo menos de términos; c) textos de divulgación científica, escritos para personas no familiarizadas con un área especializada. En ellos se evitan deliberadamente los términos complejos o incluso cualquier término; se prefiere explicar, reformular con otras palabras y utilizar analogías y comparaciones, por lo que el autor, si realmente lo desea, puede prescindir por completo de los términos; d) textos correspondientes a la comunicación entre docente y alumno: libros de texto y materiales didácticos. En ellos hay términos, pero se utilizan de manera algo distinta. Un rasgo importante de estos textos es que los términos se explican (Pearson 1998: 36–40). No basta con describir los textos de un corpus terminográfico únicamente desde el aspecto comunicativo-pragmático. Otros parámetros y proporciones textuales son igualmente importantes para la calidad y la representatividad del corpus. A la pregunta de cuántos textos es necesario recopilar para poder confiar en los datos del corpus formado a partir de ellos, los expertos responden: «A diferencia de lo que ocurre con los corpus generales, aquí la calidad es mucho más importante que la cantidad» (Meyer et al. 1996: 268). Por razones obvias, los corpus especializados suelen ser más pequeños que los generales. Sin embargo, aunque sean más pequeños, están compuestos por textos completos, sin abreviar. Además, deben abarcar toda la rama representada, con todas sus subramas, seleccionadas de antemano por los terminógrafos. A menudo es difícil trazar una línea clara que separe las distintas ramas de la ciencia, especialmente si la rama está relacionada con cuestiones generales y quienes elaboran el corpus sienten la tentación de profundizar, es decir, de incluir más textos escritos por expertos para expertos que, sin duda, pertenecen a esa área. Por eso se propone que los terminólogos consulten a expertos en el área que se describe, para que estos aconsejen qué textos incluir a fin de formar un corpus representativo en todos los sentidos y evitar que, junto con los textos no incluidos, también se pasen por alto 10 conceptos de importancia sistémica y los términos que los designan; y, sobre todo, para evitar que predominen las prioridades de un único compilador (Ahmad 1993: 60). En el caso de un corpus terminográfico, no resulta adecuado el principio que a veces aplican los lexicógrafos a los corpus generales: «Pongo lo que tengo». Teniendo en cuenta la tipología de los corpus y los tipos más importantes desde el punto de vista de la continuidad —cerrado, continuo y monitor (de actualización)—, se propone elaborar el corpus terminográfico como una colección de textos del segundo tipo o, mejor aún, del último. Así, el corpus se complementaría continuamente con textos nuevos, mientras que los antiguos se conservarían (en el caso de un corpus continuo) o se trasladarían al archivo, si se trata de un corpus monitor. El corpus continuo crecería sin cesar y no necesariamente mantendría los principios de composición fijados de antemano, pues, al cambiar las tendencias editoriales, los textos nuevos podrían inclinar la balanza en una u otra dirección. Las proporciones del corpus monitor permanecerían inalteradas, y los textos nuevos ocuparían solo el espacio asignado desde el principio a los textos de ese tipo. En cualquier caso, es necesario actualizar continuamente el corpus, pues los términos envejecen mucho más rápido que las palabras de la lengua cotidiana. Una vez examinadas las cuestiones generales relativas al tamaño, la naturaleza y los límites temáticos del corpus, y tomadas las decisiones pertinentes, hay que determinar qué textos concretos incluir para que sea representativo y equilibrado. En cada caso concreto se deben tener en cuenta el género del texto, la fecha de redacción, el autor y el estatus lingüístico, y procurar la mayor diversidad posible. En efecto, solo la diversidad de géneros y una amplia gama de textos, desde los serios hasta los populares, permiten seleccionar tanto términos científicos y formales, entre los que abundan los neologismos de autor, como términos populares, mucho más extendidos y arraigados en el habla cotidiana. Al evaluar la antigüedad de los textos, se da prioridad a los más recientes; sin embargo, los textos escritos hace más tiempo también pueden resultar valiosos, sobre todo si se consideran desde el punto de vista temático. La autoría también debería ser muy diversa, para que no predominen las particularidades estilísticas de uno u otro autor ampliamente representado. Aunque la variedad estilística de los textos científicos no es muy grande, si la comparamos, por ejemplo, con la de la literatura, el estilo propio del autor es importante no solo en cuanto al uso de las unidades lingüísticas, sino también a su selección. Por eso no sorprende que distintos científicos, especialmente si pertenecen a escuelas de pensamiento científico diferentes, utilicen ki- 11 tales términos. Además, para la estandarización y normalización terminológicas, al igual que para la búsqueda de neologismos, es muy importante que el corpus presente la mayor diversidad posible de términos. El último aspecto, no menos importante que los anteriores, es también la condición lingüística de los textos. Se da preferencia a los textos originales, y no a los traducidos, escritos por autores hablantes nativos y, además, revisados y editados. Herramientas de análisis de corpus para terminógrafos Durante la última década se ha creado una variedad de programas informáticos que facilitan a los lexicógrafos la búsqueda de palabras y otros tipos de análisis de corpus. Aunque el trabajo de los lexicógrafos y los terminógrafos difiere en algunos aspectos, ambos utilizan prácticamente las mismas herramientas informáticas, es decir: a) listas de frecuencias de palabras; b) concordancias, es decir, todos los casos de uso de la palabra estudiada en un contexto de cierta extensión, normalmente una línea; y c) estadísticas sobre los colocados (Meyer et al. 1996: 274). Estas herramientas permiten analizar el corpus desde una perspectiva lingüística. Junto a las herramientas informáticas de uso general compartidas con los lexicógrafos, van apareciendo gradualmente programas especializados, adecuados únicamente para los terminógrafos. Se diferencian de los programas generales no por su carácter lingüístico, sino por su orientación temática, pues están destinados a analizar la información contenida en el corpus. En este caso, el corpus ya no se considera un conjunto de contextos de uso de términos, sino una fuente de conocimientos especializados de un campo o disciplina científica. Cabe mencionar varios grupos de estas herramientas: a) programas diseñados para analizar el texto desde la perspectiva de la información que contiene, por ejemplo, para buscar palabras clave y pasajes informativamente densos en los que se señalan las relaciones y dependencias entre conceptos; b) programas que seleccionan los pasajes del corpus que necesita el terminógrafo, por ejemplo, definiciones de términos; c) programas que ayudan a analizar los conceptos designados por términos y facilitan la organización de los conocimientos obtenidos del corpus (sistemas de adquisición de conocimientos). Aunque este último grupo es completamente nuevo y muy prometedor, la bibliografía especializada todavía le presta poca atención. Se ha escrito mucho más sobre la posibilidad de extraer de forma semiautomática las definiciones de términos presentes en un corpus (Pearson 1998: 121–204). 12 Tanto para recopilar definiciones como términos compuestos se necesita un corpus anotado morfológicamente, es decir, uno en el que todas las palabras estén etiquetadas según su categoría gramatical. La etapa inicial del trabajo debe realizarla el propio lexicógrafo: lee los textos y recopila los términos definidos. A partir de esa información, posteriormente construye modelos morfológicos de definiciones, es decir, todas las combinaciones de secuencias de categorías gramaticales que aparecen al formular definiciones. A continuación, el ordenador busca esas combinaciones de palabras en todo el corpus. Así se obtiene una lista no de términos y sus definiciones, sino de candidatos a términos definidos. Esta lista se entrega a un especialista del campo para que la revise y elimine las frases innecesarias. Para reducir la cantidad de combinaciones morfológicas superfluas que coinciden por casualidad, se indican al ordenador las unidades léxicas que aparecen con mayor frecuencia en las definiciones, es decir, las palabras frecuentes en ellas. De manera similar pueden extraerse del corpus términos compuestos; esta es la esencia de los programas de primera generación para la identificación automática de términos LEXTER (Bourigault 1995) y TERMINO (Lauriston 1994). Por supuesto, este procesamiento del corpus plantea algunos problemas. En primer lugar, ni mucho menos todas las combinaciones de palabras seleccionadas son términos. Este problema se aborda creando e introduciendo en el ordenador una lista de palabras irrelevantes (stop-list), que se excluyen de las listas de candidatos a términos. Además, a menudo no está claro qué palabras pertenecen al propio término compuesto y cuáles forman parte únicamente de su entorno. Sin embargo, estas cuestiones tampoco siempre están claras cuando los términos se recopilan manualmente. Método semiautomático de selección de términos Para ilustrar las posibilidades que ofrecen al terminógrafo las herramientas informáticas más sencillas, elegimos para el análisis la versión electrónica de «Sintaksė» de V. Labutis (T.I, V., 1994) y examinamos el texto con el paquete de herramientas lingüísticas para lingüistas de Mike Scott WordSmith Tools, version 2.0 (Oxford, 1997). El objetivo del análisis estadístico era obtener varias listas de palabras o combinaciones de palabras, de las cuales pudieran seleccionarse posteriormente candidatos a términos y los propios términos. Los indicadores estadísticos del texto analizado son los siguientes: el texto completo consta de 37 319 palabras y formas de palabras; una vez eliminadas las repeticiones, quedan 13 9 249 palabras y sus formas. El coeficiente de riqueza léxica (type/token ratio) es 24,78. En todo el texto hay 2 364 oraciones; la longitud media de la oración es de 15,78 palabras. En primer lugar, se realizó la operación más sencilla: se elaboró una lista de frecuencias de todas las palabras del texto, lo que permite esperar encontrar términos entre las palabras más frecuentes. Como puede observarse en el fragmento de la lista que se presenta, el texto está formado por palabras y formas de palabras, ordenadas por frecuencia. Dado que el texto no tiene anotaciones gramaticales que indiquen la pertenencia de cada forma de palabra a distintas clases de palabras, la lista no está lematizada; por tanto, las distintas formas gramaticales de una misma palabra aparecen por separado. Para abreviar, tanto las palabras invariables como las distintas formas flexionadas de las palabras se denominarán simplemente palabras en lo sucesivo. Tabla 1. Las 20 palabras y formas de palabras más frecuentes del texto N.º Palabra y forma de palabra Frecuencia en el texto estudiado Porcentaje del texto ocupado (%) 1. IR 1,319 3.53 2. SU 479 1.28 3. AR 390 1.05 4. ORACIÓN 288 0.77 5. ESO 284 0.76 6. PALABRAS 258 0.69 7. PUEDE 243 0.65 8. O 229 0.61 9. IŠ 206 0.55 10. ORACIONES 196 0.53 11. Į 194 0.52 12. ES 194 0.52 13. CÓMO 187 0.50 14. NE 182 0.49 15. SOLO 171 0.46 16. SEGÚN 170 0.46 17. SER 155 0.42 18. JŲ 143 0.38 19. ORACIONES 143 0.38 20. COMBINACIONES 141 0.38 14 Como suele ocurrir, el texto está compuesto por relativamente pocas palabras que se usan muchas veces y por muchas palabras que se usan rara vez. Las palabras usadas una sola vez representan el 62% de todos los casos de uso de palabras. Por lo general, constituyen la mitad del texto; una vez lematizada la lista, probablemente seguirían siendo tantas, pues las formas derivadas de las palabras se agruparían bajo las formas básicas. Las palabras usadas una sola vez y las raras, es decir, las que aparecen de 2 a 10 veces, no interesan al terminólogo, ya que la probabilidad de encontrar términos entre ellas es pequeña. Queda una parte relativamente breve de la lista: solo el 6% de las palabras del texto de uso frecuente, de las cuales ya vale la pena extraer términos de una sola palabra. Diagrama Distribución de las palabras del texto y de sus formas según la frecuencia de uso (número de apariciones) Palabras y formas de palabras usadas más de 10 veces: 6% Palabras y formas de palabras usadas de 2 a 10 veces: 32% Palabras y formas de palabras usadas 1 vez: 62% Si estos datos de uso se presentaran en forma de curva en lugar de diagrama, se observaría que 10 apariciones constituyen un límite muy claro, un umbral: las palabras que lo superan se usan mucho más que las que quedan por debajo. Un análisis más detallado mostró que, de las 599 palabras usadas 10 veces o más, nada menos que 239 son términos de una sola palabra o componentes de términos compuestos; dicho de otro modo, son palabras importantes para el terminógrafo. Entre ellas figuran nombres de partes de la oración, casos, fenómenos lingüísticos, unidades y ramas de la lingüística. La ventaja de la lista general de frecuencia de palabras es el límite de frecuencia de uso, ya mencionado, que es muy claro; tiene, en cambio, varios inconvenientes. Uno de ellos es que la lista está compuesta por palabras aisladas, y, como es sabido, no hay tantos términos de una sola palabra. Por otra parte, la mayoría de los términos nuevos que no han entrado en los diccionarios y que, por ello, interesan especialmente a los terminólogos son precisamente pluriverbales- 15 …palabras. El segundo inconveniente: una gran parte de la lista la ocupan palabras funcionales muy frecuentes, que tampoco resultan útiles para los terminólogos. Este último inconveniente puede eliminarse elaborando una lista algo distinta, de palabras con contenido semántico. Las palabras con contenido semántico se extraen del texto de manera algo más compleja, comparando el texto estudiado con un corpus mucho mayor que este; en nuestro caso, con el corpus informático de la Universidad Vytautas Magnus, de 55 millones de palabras. Si una palabra aparece en el texto estudiado con una frecuencia relativamente superior a la media del corpus extenso, se considera una palabra con contenido semántico de ese texto. Dicho de forma más sencilla: si se escribe sobre cine, esta palabra se mencionará en el texto con mucha más frecuencia y, por tanto, aparecerá en la lista de palabras con contenido semántico. Como se observa en la tabla, aquí hay muchas menos palabras funcionales, pues su frecuencia en el texto y en el corpus es más o menos equivalente. Así, pasan a primer plano las palabras más singulares del texto estudiado; en el caso de un texto científico, los términos. Lamentablemente, en esta lista, al igual que en la primera, aparecen aislados, no en combinaciones. Tabla 2. Las 20 palabras y formas de palabra con contenido semántico más frecuentes N.º | Palabra y forma de palabra | Frecuencia en el texto estudiado | Frecuencia en el corpus | Coeficiente de contenido semántico 1. | ORACIÓN | 288 | 707 | 2,974.8; 2. | ORACIONES | 196 | 370 | 2,108.4; 3. | PALABRAS | 258 | 6,504 | 1,554.3; 4. | ORACIONES | 143 | 386 | 1,453.6; 5. | COMBINACIONES | 141 | 405 | 1,418.4; 6. | CONSTITUYENTES | 103 | 130 | 1,171.5; 7. | COMBINACIONES | 103 | 591 | 909.2; 8. | CONSTITUYENTE | 77 | 124 | 847.4; 9. | EN LA ORACIÓN | 85 | 310 | 819.6; 10. | CONSTITUYENTES | 73 | 106 | 815.0; 11. | DEL CONSTITUYENTE | 71 | 84 | 814.2; 12. | ORACIÓN | 91 | 528 | 801.4; 13. | CONSTITUYENTE | 69 | 78 | 795.8; 14. | SINTAXIS | 68 | 163 | 704.7; 15. | ORACIÓN | 73 | 634 | 588.1; 16. | ORACIONES | 61 | 315 | 550.1; 17. | DEL PREDICADO | 44 | 60 | 495.3; 18. | CON PREDICADOS | 49 | 205 | 460.5; 19. | COMPUESTO | 42 | 75 | 455.4; 20. | CON PREDICADO | 36 | 36 | 421.4 16 La tercera posibilidad que ofrece el software basado en métodos estadísticos consiste en extraer del texto estudiado aquellas combinaciones de palabras que aparecen en el texto con una forma idéntica dos o más veces. El programa permite detectar cadenas de hasta ocho palabras. Como es comprensible, en el texto no abundan formaciones de esa longitud. Hay muchas más combinaciones lexicalizadas de cuatro y tres palabras, y especialmente de dos. En el texto estudiado de V. Labutis hay 2 combinaciones de ocho palabras que aparecen al menos dos veces; 6 de siete palabras; 23 de seis; 65 de cinco; 211 de cuatro; 756 de tres; y nada menos que 2695 combinaciones de dos palabras. A continuación se presentan cadenas de palabras de distintas longitudes; las combinaciones cuyos componentes podrían considerarse términos compuestos aparecen en negrita, y junto a cada cadena se indica el número de veces que aparece en el texto. OCHO PALABRAS ESTÁ FORMADO POR NO MENOS DE DOS PALABRAS INDEPENDIENTES 2 FORMAS DE NO MENOS DE DOS PALABRAS INDEPENDIENTES 2 SIETE PALABRAS ESTÁ FORMADO POR NO MENOS DE DOS PALABRAS INDEPENDIENTES 2 NO MENOS DE DOS PALABRAS INDEPENDIENTES 2 ESTÁ FORMADO POR NO MENOS DE DOS PALABRAS INDEPENDIENTES 2 USO DE FORMAS DE PALABRAS JUNTO A OTRAS FORMAS DE PALABRAS 2 SEIS PALABRAS NO MENOS DE DOS PALABRAS AUTÓNOMAS 4 FORMAS DE VERBOS Y PALABRAS QUE DESEMPEÑAN LA FUNCIÓN DE PREDICADO 3 EN LA GRAMÁTICA ACADÉMICA DE LA LENGUA LITUANA LKG III 2 DOS O VARIAS FORMAS DE PALABRAS AUTÓNOMAS 2 APLICACIÓN DE FORMAS A OTRAS FORMAS DE PALABRAS 2 Y CON ALGUNAS CONSTRUCCIONES PREPOSICIONALES 2 UNA PARTE DE LA ORACIÓN O UN CONSTITUYENTE DE UNA ORACIÓN COMPUESTA 2 CON OTROS CASOS Y CONSTRUCCIONES PREPOSICIONALES 2 CON CASOS Y CONSTRUCCIONES PREPOSICIONALES 2 LA FORMA DE LA PALABRA SE APLICA DE ALGÚN MODO A 2 APLICACIÓN DE FORMAS DE PALABRAS A OTRAS PALABRAS 2 CINCO PALABRAS MENOS DE DOS PALABRAS AUTÓNOMAS 4 VERBOS Y PALABRAS QUE FUNCIONAN COMO PREDICADO 4 17 CON CASOS Y CON CONSTRUCCIONES PREPOSICIONALES 3 ESTRUCTURAS PREDICATIVAS QUE FORMAN UNA ORACIÓN COMPUESTA 3 O VARIAS FORMAS DE PALABRAS AUTÓNOMAS 2 UN MENSAJE INDEPENDIENTE SOBRE UNA SITUACIÓN REAL 2 UNA PARTE O UN COMPONENTE DE UNA ORACIÓN COMPUESTA 2 FUNCIONA COMO ELEMENTO DEPENDIENTE DE UN SINTAGMA NOMINAL 2 USO DE FORMAS CON OTRAS PALABRAS 2 PUEDE FORMAR PARTE DE UNA ORACIÓN COMPUESTA 2 Y ENTRE LOS ELEMENTOS PREDICATIVOS DE UNA ORACIÓN COMPUESTA 2 Y DE FORMAS DE PALABRAS QUE FUNCIONAN COMO SUJETO 2 COMO FORMAS DE DOS PALABRAS AUTÓNOMAS 2 CON OTROS CASOS Y CON CONSTRUCCIONES PREPOSICIONALES 2 DEL CASO O DEL CASO CON PREPOSICIÓN 2 RELACIÓN CON LA CATEGORÍA GRAMATICAL DE PERSONA 2 RELACIONES SINTAGMÁTICAS Y SINTAGMAS 2 LA CLASIFICACIÓN HA SIDO CRITICADA EN MÁS DE UNA OCASIÓN 2 CON UNA ORACIÓN SUBORDINADA DE SEGUNDO GRADO 2 CON QUÉ CONSTRUCCIONES PREPOSICIONALES 2 CON OTROS CASOS Y CONSTRUCCIONES PREPOSICIONALES 2 CON DATIVO Y CON INSTRUMENTAL 2 CON UNA ORACIÓN SUBORDINADA QUE ABARCA TODA LA ORACIÓN 2 SE TRATA PRINCIPALMENTE DE SINTAGMAS VERBALES CON 2 APLICACIÓN A OTRAS FORMAS DE PALABRAS 2 ORACIONES SUBORDINADAS DEL MISMO GRADO 2 TIENEN UN ELEMENTO SECUNDARIO COMÚN DE LA ORACIÓN 2 FUNCIÓN RESPECTO DE TODA LA ORACIÓN SUBORDINANTE 2 LA FORMA DE LA PALABRA SE APLICA AUNQUE 2 APLICACIÓN DE FORMAS DE PALABRAS A OTRAS 2 SINTAGMA DE PALABRAS U OTRA CONSTRUCCIÓN 2 CUATRO PALABRAS Y CON CONSTRUCCIONES PREPOSICIONALES 5 Y PALABRAS QUE FUNCIONAN COMO PREDICADO 4 CUYO COMPONENTE PRINCIPAL ES 4 MENOS DE DOS AUTÓNOMAS 4 NO MENOS DE DOS 4 FORMA DE PALABRA QUE FUNCIONA COMO SUJETO 4 QUE FUNCIONAN COMO SUJETO Y PREDICADO 4 FORMAS DE DOS PALABRAS AUTÓNOMAS 3 COORDINANTES Y SUBORDINANTES 3 CASOS Y CON CONSTRUCCIONES PREPOSICIONALES 3 DE LA PALABRA QUE FUNCIONA COMO COMPONENTE PRINCIPAL 3 ESTRUCTURAS PREDICATIVAS QUE CONSTITUYEN LA ORACIÓN 3 CON CATEGORÍA GRAMATICAL DE PERSONA 3 MODO DE EXPRESAR LAS RELACIONES ENTRE PALABRAS 3 ORACIÓN SUBORDINADA DE SEGUNDO GRADO 2 SOBRE ESTOS CONCEPTOS, VÉASE 2 18 SOBRE ESTO, DURANTE LOS EJERCICIOS 2 O EL COMPONENTE DE UNA ORACIÓN COMPUESTA 2 REVELA OTRO COMPONENTE PREDICATIVO 2 UN COMPLEMENTO CIRCUNSTANCIAL COMÚN DE LA ORACIÓN 2 CALIDAD Y CANTIDAD DEL MODO 2 EL ADJETIVO FORMA UN SINTAGMA CON 2 EL COMPONENTE SUBORDINADO DEL SINTAGMA NOMINAL 2 TRES PALABRAS PUEDE HABER 14 CON CONSTRUCCIONES PREPOSICIONALES 11 MÁS O MENOS 10 SINTAXIS DE LA LENGUA LITUANA 9 LAS ORACIONES PUEDEN SER 9 CONSTRUCCIONES VERBALES CON 8 LOS COMPONENTES PUEDEN SER 7 CUYO ELEMENTO PRINCIPAL 7 CONSTRUCCIONES NOMINALES CON 6 NO MENOS DE 6 COORDINACIÓN Y SUBORDINACIÓN 6 PUEDE HABER ORACIONES 6 FORMAS DE PALABRAS AUTÓNOMAS 6 POR EL VERBO Y EL PREDICADO 6 DE DOS PALABRAS AUTÓNOMAS 5 RELACIÓN DE CORREFERENCIA 5 DOS PALABRAS PUEDE HABER 118 Y OTROS 41 DE LA LENGUA LITUANA 36 FORMAS DE PALABRAS 35 TAMBIÉN 34 ORACIÓN COMPUESTA 32 DE LAS PARTES DE LA ORACIÓN 31 FORMAS DE PALABRAS 31 NO SOLO 29 COMBINACIONES DE PALABRAS 26 COMBINACIONES CON 25 DE CONSTITUYENTES PREDICATIVOS 24 PUEDE TENER 23 SIN EMBARGO 23 ELEMENTOS PRINCIPALES 21 CENTRO PREDICATIVO 20 ELEMENTOS PREDICATIVOS 20 COMO SI 18 ORACIONES COMPUESTAS 18 19 PUEDE CONSTITUIR 17 ELEMENTO PRINCIPAL 17 CONSTRUCCIONES PREPOSICIONALES 17 CON GENITIVO 17 ASÍ COMO 16 SISTEMA LINGÜÍSTICO 16 DEL ELEMENTO DEPENDIENTE 16 DE ORACIONES COMPUESTAS 16 ADEMÁS 15 Y SEGÚN 15 DEL SINTAGMA 15 Como se desprende de los ejemplos presentados, las combinaciones de palabras más largas se parecen más a expresiones o frases, mientras que las más cortas se asemejan a sintagmas sintácticos. Su grado de fijación también es desigual y se pone de manifiesto en el número de apariciones; por ejemplo, algunos sintagmas de dos palabras aparecen 118 veces incluso en un texto tan breve. Además, algunas cadenas de palabras coinciden por completo con términos compuestos, por ejemplo: oración subordinada de segundo grado, relación de conexión bidireccional, sistema lingüístico, mientras que, en otros casos, hay que extraer esos términos, por ejemplo: revela otro constituyente predicativo, la forma de la palabra se adapta de algún modo a la palabra que funciona como constituyente principal, etc. Aunque deban abreviarse, son informativos a su manera, pues las palabras predicativas (en los ejemplos aparecen espaciadas), que no pertenecen al término propiamente dicho, sino a su entorno, proporcionan información importante sobre la combinabilidad y las particularidades de uso. La última lista, al igual que las anteriores, no está lematizada, por lo que el mismo término pluriverbal se repite cada vez en una forma gramatical distinta. Además, también se repite en cadenas de palabras de distinta longitud, desde la más larga hasta la más corta: constan de formas de al menos dos palabras independientes, formas de al menos dos palabras independientes, formas de palabras independientes, formas de palabras. En cualquier caso, las repeticiones frecuentes no dificultan, sino que ayudan a detectar los términos compuestos más importantes y de uso más frecuente. Aunque las herramientas de software semiautomáticas mencionadas no permitan extraer todos los términos del texto analizado, sí permiten detectar los más importantes; además, el hecho de que un terminógrafo lea y organice las listas generadas por ordenador garantiza la calidad del resultado final. 20 Conclusión La terminología moderna, que se propone recopilar, describir y normalizar los términos de diversas ramas de la ciencia, no puede prescindir de un corpus informatizado ni de otras etapas relacionadas con la elaboración de un banco terminológico informatizado: software de carácter general o especializado, una base de datos léxica, etc. El corpus debe prepararse de modo que abarque la mayor diversidad posible de textos y represente así la lengua de la rama científica descrita. Incluso utilizando software de carácter general destinado a lexicógrafos, es posible obtener automáticamente listas de palabras y combinaciones de palabras candidatas a términos, de las que se seleccionan los términos conocidos y los nuevos. Recibido el 21 de junio de 1999 Literatūra 1. A h m a d 1994 – Ahmad, K., Davies, A., Fulford, H., Rogers, M. What is a term? The semi-automatic extraction of terms from text. In: M. Snell-Hornby, F. Pochacker, K. Kaindl (eds.). Translation Studies: An Interdiscipline. Amsterdam – Philadelphia, 1994, P. 267–278. 2. A h m a d 1993 – Ahmad, K. Pragmatics of Specialist Terms: The Acquisition and Representation of Terminology. In: Petra Steffens (ed.). Machine Translation and the Lexicon. Thirds International EAMT Workshop. Heidelberg, Germany, April 26–28. 1993. Proceedings. Berlin – Heidelberg, 1995, P. 51–76. 3. B o u r i g a u l t 1996 – Bourigault, D., Gonzalez-Mullier, I., Gros, C. LEXTER, a Natural Language Processing Tool for Terminology Extraction. In: Euralex ’96 Proceedings II, Goteborg, 1996, P. 771 – 780. 4. L a u r i s t o n 1994 – Lauriston, A. Automatic Recognition of Complex terms: Problems and the TERMINO solution. In: Terminology. Vol 1(1), 1994, P. 147–170. 5. M e y e r 1996 – Meyer, I., Mackintosh, K. The Corpus from a Terminographer’s Viewpoint. In: International Journal of Corpus Linguistics. Vol. 1(2), 1996, P. 257–285. 6. P e a r s o n 1998 – Pearson, J. Terms in Context. Amsterdam – Philadelphia, 1998. 7. R o g e r s 1994 – Rogers, M., Ahmad, K. Computerised Terminology for Translators: the role of text. In: M. Brekke, O. Andersen, T. Dahl, J. Myking. Applications and Implications of Current LSP Research. Proceedings of the 9th European Symposium on LSP, Bergen, Aug. 2–6, 1993. Vol. II. Bergen, 1994. P. 840–851. 21 8. Sager 1990 – Sager, J.C. A Practical Course in Terminology Processing. Amsterdam – Philadelphia, 1990. TERMINOGRAPHY AND CORPUS Summary The paper deals with role of a corpus in terminology in general and terminology in particular. It argues for the necessity to use not only corpus but also general purpose and specific tools for the extraction of terminology and compilation of terminological databases. Peculiarities of the terminographer’s corpus such as its contents, size and specificity are also discussed. In addition, a wide range of possible general purpose and specific tools for term extraction are presented here. Some of them, based on statistical analyses of a text, were applied for one Lithuanian text on syntax in order to show how different tools can produce different semi-automatic lists of terms. 22