Terminografija ir tekstynas

TERMINOLOGIE EN HEDEN Rūta MARCINKEVIČIENĖ Vytauto Didžiojo universitetas TERMINOGRAFIE EN TEKSTCORPUS De corpuslinguïstiek, die met het eerste tekstcorpus meer dan dertig jaar geleden ontstond, bracht een revolutie teweeg in de algemene lexicografie. Tegenwoordig worden verklarende woordenboeken in meer of mindere mate op basis van corpora samengesteld. De terminografie is in dit opzicht tot op heden verwaarloosd in landen die verder gevorderd zijn in de corpuslinguïstiek, laat staan in nieuwkomers als wij. Hier zal worden geprobeerd te laten zien hoe belangrijk, ja zelfs onmisbaar, een corpus is voor het samenstellen van terminologische woordenboeken. Het tijdperk van computertechnologieën en daarmee ook van computerverzamelingen heeft een duidelijk onderscheid aangebracht tussen traditionele terminologie en terminografie enerzijds en de nieuwe anderzijds. De opvattingen van terminologen over verschillende zaken begonnen sterk uiteen te lopen: het begrip term zelf, de bronnen van termen, de criteria om een term van een niet-term te onderscheiden, de kwalificaties van terminologen, terminologische normalisatie en nog enkele andere kwesties. Doordat de vakgebieden van de bijzondere wetenschappen sterk zijn uitgebreid en met elkaar verweven, is de werklast voor terminologen enorm toegenomen, aangezien het met traditionele methoden nauwelijks mogelijk is de vooruitgang van wetenschap en technologie bij te benen. Juist daarom is men termen anders gaan benaderen: niet de norm, maar het gebruik krijgt meer nadruk. De traditionele terminologie, die aan het begin van deze eeuw ontstond als gevolg van de enorme technologische doorbraak, was vooral gericht op het benoemen van begrippen, het ordenen van de grote verscheidenheid aan termen die in korte tijd was ontstaan, en het systematiseren en normaliseren van de terminologie van afzonderlijke wetenschappelijke disciplines en gebieden. Vanaf het allereerste begin van de terminologie als zelfstandige wetenschap werden termen anders beschouwd dan andere woorden. Wüster, de grondlegger van de terminologie (geciteerd volgens Pearson 1998: 10), stelde dat termen anders moeten worden behandeld dan woorden uit de algemene taal, aangezien terminologie begint met de analyse van begrippen. En begrippen bestaan, zoals bekend, onafhan- 5 kelijk niet alleen van de termen die ze benoemen, maar ook van verschillende talen. Termen zijn niets anders dan namen van begrippen, die idealiter met de begrippen zelf in de volgende verhouding staan: één begrip – één term. Termen werden hoofdzakelijk gedefinieerd aan de hand van de plaats van de ermee benoemde begrippen in een hiërarchisch begrippensysteem en hun relaties met andere begrippen. De basis van de terminologie werd gevormd door termen die waren ontwikkeld en/of genormaliseerd en goedgekeurd door deskundigen op het betreffende vakgebied, en die een duidelijk omschreven, vastgelegde en dus beschermde betekenis hadden. Het is dan ook niet verwonderlijk dat traditionele terminologen die prescriptieve uitgangspunten aanhingen (vgl. Wüster, voor wie Sein-Norm veel belangrijker was dan Ist-Norm) helemaal niet geïnteresseerd waren in de feitelijke taaltoestand binnen afzonderlijke wetenschappelijke disciplines of in het authentieke gebruik van termen. Bij de beweging van begrip naar term en de samenstelling van de terminologie van iedere afzonderlijke discipline volgens het onomasiologische principe zagen de terminologen van die tijd geen probleem met de identificatie van termen, en dat kon ook niet: alleen het creëren ervan vormde een probleem. Bovendien waren afzonderlijke wetenschappelijke disciplines destijds nog tamelijk autonoom. Terminologen waren eveneens sterker over de vakgebieden verdeeld en hadden kennis van de terminologie van relatief geïsoleerde disciplines. Naarmate algemene thema’s opkwamen, begonnen vertegenwoordigers daarvan zich voor termen te interesseren; bovendien kwamen er nieuwe mensen in de terminologie, die niet noodzakelijk deskundigen waren op een concreet wetenschapsgebied en/of taalkundigen, namelijk programmeurs, ontwikkelaars van terminologische databanken en elektronische woordenboeken, enzovoort. Omdat het feitelijke taalgebruik en het aantal nieuwe termen de beschikbare lijsten met goedgekeurde termen al lang hebben overtroffen, kunnen nieuwkomers niet vertrouwen op eerder geregistreerde termen: terminografie van snel veranderende wetenschappelijke disciplines, die door de traditionele fichesmethode aanzienlijk achterloopt op de werkelijkheid, schiet daarin tekort. Men begint termen uit teksten te verzamelen; de tekst wordt daarmee het uitgangspunt van het werk van de terminoloog (Rogers et al. 1994: 843). Bovendien kijkt men naar het feitelijke gebruik ervan, dat vaak sterk afwijkt van het ideaal dat taalnormeerders nastreven. Hier wordt dan onduidelijk wat als term moet worden beschouwd, wanneer een woord terminologiseert, welk gebruik van een woord als terminologisch moet gelden en hoe een term van een niet-term kan worden onderscheiden. De terminologie is dus niet langer een duidelijk afgebakend en geïsoleerd deel van de woordenschat. Zij vormt een groep woorden die vrij moeilijk af te bakenen is, met in het centrum prototypische leden, die altijd worden opgevat als 6 Na de terminale kern volgen die woorden die slechts onder bepaalde omstandigheden en in een bepaalde context de status van term verkrijgen. Aan de periferie bevinden zich ook woorden die op het eerste gezicht niet op termen lijken, maar toch als zodanig moeten worden beschouwd. Dit geldt bijvoorbeeld voor woorden uit de algemene woordenschat die voorkomen in teksten voor de popularisering van wetenschap. Om deze en andere redenen is het voor terminografen van groot belang termen te identificeren, ze uit authentieke teksten te selecteren en te beschrijven. Juist daarom worden corpora en de software die het werken ermee vergemakkelijkt zo belangrijk. De aandacht voor het daadwerkelijke taalgebruik stuurt terminologen meer in de richting van beschrijving dan van normering, terwijl de tegenstelling tussen prescriptivisme en descriptivisme de terminografie verdeelt in een traditionele en een hedendaagse variant. Waarom een corpus Een corpus is als bron van termen om vele redenen nuttig voor terminografen. Auteurs die het gebruik en de samenstelling ervan bepleiten, wijzen op de belangrijkste daarvan. Wellicht het belangrijkste is dat één en hetzelfde corpus meteen drie zaken oplevert die terminografen nodig hebben: de termen zelf, hun definities, dat wil zeggen vakinhoudelijke informatie over het begrip, en gebruiksvoorbeelden, en daarmee ook de gebruiksfrequentie, de combinatiemogelijkheden van termen enzovoort (Sager 1990, Meyer et al. 1996, Pearson 1998). Uiteraard kunnen ook onderzoekers die al een vooraf opgestelde termenlijst hebben, een corpus raadplegen. In dat geval verkrijgen zij daaruit vakinhoudelijke en taalkundige informatie. Maar als termen uit een corpus worden verkregen, hebben ze één groot voordeel: ze zijn systematisch en onderling verbonden, omdat afzonderlijke teksten de terminologische verzamelingen bevatten die door afzonderlijke auteurs worden gebruikt; binnen elke verzameling zijn de termen zorgvuldig doordacht en sluiten ze goed op elkaar aan. Juist om deze reden — om ervoor te zorgen dat de verkregen termen afzonderlijke systemen weerspiegelen — moeten volledige teksten, en geen uittreksels of steekproeven daarvan, in het corpus worden opgenomen (Meyer et al. 1996: 268). Een corpus van volledige teksten is ook noodzakelijk voor de vakinhoudelijke informatie, die verloren zou gaan als men genoegen nam met delen van teksten. Tegenwoordig worden de corpora die terminografen samenstellen nog steeds voornamelijk gebruikt om informatie te verzamelen over termen die al eerder zijn aangetroffen. Men kijkt, 7 of ze nog steeds worden gebruikt en, zo ja, hoe; of hun gebruikskenmerken en daarmee ook hun betekenis zijn veranderd; en of de reikwijdte van de ermee aangeduide begrippen is gewijzigd doordat er nieuwe termen zijn ontstaan. Een corpus is echter veel nuttiger voor het verkrijgen van nieuwe termen; wellicht is de identificatie van termen en de automatische of semi-automatische extractie ervan daarom tegenwoordig een van de populairste onderwerpen in de elektronische terminografie. In dit opzicht verschilt de terminograaf van de lexicograaf. Voor de laatste rijst niet de vraag wat een woord is, maar alleen welke woorden in welke woordenboeken moeten worden opgenomen. Voor de terminograaf rijst de vraag wat een term is juist vaak. Nieuwe termen die uit een corpus worden verkregen en in gespecialiseerde databanken worden opgeslagen en beheerd, hebben nog een kenmerk: hun bronnen worden zeer nauwkeurig vermeld en gedateerd, zodat men kan nagaan wanneer termen zijn ontstaan, verspreid geraakt en verdwenen. Als we het eindresultaat van het werk van de terminograaf voorstellen als een elektronische databank (DB), of als een papieren woordenboek dat op basis daarvan is samengesteld, dan speelt het corpus een belangrijke rol in alle stadia van de samenstelling van deze DB. Computers ondersteunen de volledige werkcyclus van de terminograaf: van computerondersteunde corpora, via speciale programma’s voor het zoeken en identificeren van termen, tot het samenstellen van terminologische databanken, het beschrijven van termen en de verspreiding daarvan in elektronische vorm of als traditioneel boek (Ahmad et al. 1994: 267). De werkcyclus van een terminograaf ziet er als volgt uit. In de eerste fase wordt volgens bepaalde principes een corpus samengesteld uit een archief van elektronische teksten. Vervolgens worden daaruit termen verkregen en in de DB opgenomen en beschreven: in afzonderlijke velden van de DB worden typische gebruiksvoorbeelden uit een concordantie opgenomen, evenals definities die uit dezelfde bron zijn verkregen. Daarna worden, op basis van de taalkundige en vakinhoudelijke informatie uit het corpus, woorden vermeld die verband houden met de beschreven term: synoniemen, antoniemen, hyponiemen en hyperoniemen; er worden kruisverwijzingen naar hun rubrieken gegeven, evenals de indeling van de term bij een vakgebied en diens plaats in het algemene begrippensysteem. Bovendien worden grammaticale en pragmatische kenmerken, combinatiemogelijkheden en andere gebruiksbeperkingen vermeld, evenals informatie over de aanbevolen status van de term en, indien voorzien, vertalingsequivalenten (voor meer over de kenmerken van een terminografische beschrijving, zie Sager 1990: 142–163). Een corpus is dus onmisbaar vanaf het allereerste begin, dat wil zeggen vanaf de kennismaking met de vakdiscipline zelf 8 tot en met de laatste fase: het voltooide woordenboekartikel. Hedendaagse terminologen staan zeer sceptisch tegenover het digitaliseren van bestaande papieren woordenboeken die niet op corpusbasis zijn samengesteld, dat wil zeggen het overzetten ervan naar databanken (Sager 1990: 141). Een andere reden om speciale corpora voor terminografen samen te stellen, is dat authentieke taalvoorbeelden voor de terminografie nog belangrijker zijn dan voor de lexicografie. Ze zijn veel belangrijker dan introspectie, omdat een terminograaf, anders dan een lexicograaf, geen specialist is en geen teksten schrijft in de taalvariant die hij beschrijft. Wanneer hij met een problematisch geval wordt geconfronteerd, kan hij niet vragen: hoe zou ik dit woord gebruiken? Hij kan alleen vragen: wat betekent dit woord voor een deskundige op dat gebied, en hoe zou een wetenschapper, technoloog of expert het gebruiken? Door hun beperkte beroep op taalgevoel zijn terminografen dus veel sterker afhankelijk van corpora dan lexicografen. Atkins et al. delen alle corpusgebruikers in drie groepen in: a) degenen die geïnteresseerd zijn in de taal van teksten, b) degenen die geïnteresseerd zijn in de inhoud van teksten en c) degenen die geïnteresseerd zijn in teksten als teksten, dat wil zeggen in hun structuur, totstandkoming enzovoort (geciteerd naar Meyer et al. 1996: 269). Lexicografen behoren tot de eerste groep, terwijl terminografen tot de eerste twee behoren, omdat zowel taalkennis als kennis van het vakgebied voor hen van belang is. Nu het belang van corpora voor de terminologie en de mogelijkheden die ze bieden duidelijk zijn geworden, moet worden bepaald hoe een corpus voor terminografisch werk eruit zou moeten zien. Wat voor corpus Zoals vermeld, heeft een terminograaf een corpus nodig voor twee even belangrijke zaken: taalkundige en vakinhoudelijke informatie. Daarom is het van belang dat beide eruit kunnen worden gehaald. Wat de taal betreft, moet het corpus zo zijn samengesteld dat termen er duidelijk en correct in worden weergegeven, bij voorkeur met definities. Het is wenselijk dat er zo veel en zo uiteenlopende termen mogelijk in staan, idealiter alle termen die door een bepaalde taalgemeenschap zijn bedacht en worden gebruikt. Ook is het belangrijk dat de termen in talrijke en uiteenlopende contexten worden gebruikt. Wat de vakinhoud betreft, moeten in het corpus teksten worden opgenomen waaruit de inhoud, de onderlinge verbanden en de afhankelijkheden blijken van de concepten die met de termen worden aangeduid. Het is van groot belang dat de termen in die teksten worden gedefinieerd. 9 Om de genoemde redenen stellen deskundigen voor om in corpora de volledige schaal van mogelijke teksten op te nemen, zoals die vanuit communicatief en pragmatisch oogpunt is weergegeven, van de eenvoudigste tot de meest complexe. Pearson verdeelt teksten in gespecialiseerde taal, naargelang de kans dat er termen in voorkomen, in vier groepen: a) teksten waarin de geadresseerde van de deskundige een kennispartner van gelijk niveau is — een even deskundige, dat wil zeggen artikelen in gerefereerde wetenschappelijke tijdschriften en monografieën; in deze teksten is de termdichtheid het grootst; b) teksten die door een deskundige zijn gericht aan een specialist uit hetzelfde vakgebied, maar met minder kennis dan de deskundige zelf, bijvoorbeeld uiteenlopende instructies en handboeken; hier komen iets minder termen voor; c) populairwetenschappelijke teksten, geschreven voor mensen die niet vertrouwd zijn met een gespecialiseerd vakgebied. Daarin worden complexe of andere termen bewust vermeden; men geeft liever uitleg, verwoordt iets anders of gebruikt analogieën en vergelijkingen. Een auteur kan dus, als die dat echt wil, volledig zonder termen toe; d) teksten die overeenkomen met de communicatie tussen leraar en leerling: handboeken en leermiddelen. Daarin komen termen voor, maar ze worden iets anders gebruikt. Een belangrijk kenmerk van deze teksten is dat de termen worden uitgelegd (Pearson 1998: 36–40). Een beschrijving van de teksten in een terminografisch corpus uitsluitend vanuit communicatief-pragmatisch oogpunt volstaat niet. Ook andere tekstparameters en -verhoudingen zijn minstens zo belangrijk voor de kwaliteit en representativiteit van het corpus. Op de vraag hoeveel teksten moeten worden verzameld om te kunnen vertrouwen op de gegevens van het corpus dat daaruit wordt samengesteld, antwoorden deskundigen: “Anders dan bij corpora van algemene aard is kwaliteit hier veel belangrijker dan kwantiteit” (Meyer et al. 1996: 268). Gespecialiseerde corpora zijn om begrijpelijke redenen doorgaans kleiner dan corpora van algemene aard. Hoewel ze kleiner zijn, bestaan ze echter uit volledige, onverkorte teksten. Bovendien moeten ze de volledige te vertegenwoordigen tak omvatten, met alle subtakken die daaronder vallen en die vooraf door de terminografen zijn gekozen. Vaak is het moeilijk om een duidelijke grens te trekken tussen afzonderlijke wetenschappelijke disciplines, vooral wanneer een discipline verband houdt met algemene onderwerpen en de samenstellers van het corpus in de verleiding komen om dieper te gaan, dat wil zeggen meer teksten op te nemen die deskundigen voor deskundigen hebben geschreven en die onmiskenbaar bij die discipline horen. Daarom wordt terminologen aangeraden de experts op het beschreven vakgebied te raadplegen en hun advies te vragen over welke teksten moeten worden opgenomen, zodat een in alle opzichten representatief corpus wordt samengesteld en er niet samen met de weggelaten teksten ook 10 systemisch belangrijke concepten en de termen die ze aanduiden buiten beschouwing blijven, en vooral zodat de prioriteiten van één samensteller niet overheersen (Ahmad 1993: 60). Voor een terminografisch corpus is het soms door lexicografen voor algemene corpora gehanteerde principe volstrekt ongeschikt: “Wat ik heb, stop ik erin”. Gezien de typologie van corpora en de belangrijkste corpustypen wat continuïteit betreft — afgesloten, doorlopend en vervangend (monitor) — wordt voorgesteld een terminografisch corpus samen te stellen als een corpus van het tweede, of beter nog, van het laatste type. Het corpus wordt dan voortdurend aangevuld met nieuwe teksten, terwijl oudere teksten ofwel behouden blijven (in het geval van een doorlopend corpus), ofwel naar een archief worden verplaatst wanneer het om een vervangend corpus gaat. Een doorlopend corpus zou voortdurend groeien en de vooraf gekozen principes voor de samenstelling ervan zouden niet noodzakelijkerwijs gehandhaafd blijven, omdat nieuwe teksten door veranderende publicatietrends de balans naar de ene of de andere kant zouden kunnen doen doorslaan. De verhoudingen in een vervangend corpus zouden onveranderd blijven; nieuwe teksten zouden slechts zoveel ruimte innemen als aanvankelijk voor teksten van het betreffende type was gereserveerd. Hoe dan ook is het noodzakelijk het corpus voortdurend bij te werken, omdat termen veel sneller verouderen dan woorden uit de dagelijkse taal. Na afweging van de algemene kwesties rond de omvang en aard van het corpus en de vakinhoudelijke grenzen ervan, en nadat daarover besluiten zijn genomen, moet vervolgens worden bekeken welke concrete teksten in het corpus moeten worden opgenomen om het representatief en evenwichtig te maken. Per geval moet rekening worden gehouden met het genre van de tekst, het tijdstip waarop deze is geschreven, de auteur en de taalstatus, en moet naar een zo groot mogelijke verscheidenheid worden gestreefd. Immers, alleen genrediversiteit en een breed scala aan teksten, van serieus tot populair, maken het mogelijk zowel wetenschappelijke, formele termen te verzamelen, waaronder veel auteursneologismen, als populaire termen, die veel meer verspreid en in de spreektaal ingeburgerd zijn. Bij de beoordeling van de ouderdom van teksten gaat de voorkeur uit naar recentere teksten, maar ook oudere teksten kunnen waardevol blijken, vooral vanuit vakinhoudelijk oogpunt. Ook de auteurschap moet zeer divers zijn, zodat de stilistische kenmerken van een of andere sterk vertegenwoordigde auteur niet de overhand krijgen. Hoewel de stilistische variatie van wetenschappelijke teksten niet erg groot is als we die bijvoorbeeld vergelijken met fictie, is de stijl van een auteur belangrijk, niet alleen voor het gebruik van taaleenheden, maar ook voor de selectie ervan. Het is dan ook niet verwonderlijk dat verschillende wetenschappers, vooral wanneer zij tot verschillende scholen van wetenschappelijk denken behoren, ki- 11 dergelijke termen. Voor het standaardiseren en normeren van termen is, net als voor het opsporen van neologismen, een zo groot mogelijke verscheidenheid aan termen in het corpus van groot belang. Een laatste, maar niet minder belangrijk aspect is de linguïstische status van de teksten. De voorkeur gaat uit naar originele, niet-vertaalde teksten, geschreven door moedertaalsprekers en vervolgens gerecenseerd en geredigeerd. Corpusanalyse-instrumenten voor terminografen In het afgelopen decennium is uiteenlopende software ontwikkeld die lexicografen helpt bij het zoeken naar woorden en bij andere vormen van corpusanalyse. Hoewel het werk van lexicografen en terminografen in het algemeen verschilt, maken zij vrijwel gebruik van dezelfde softwaremogelijkheden, namelijk: a) frequentielijsten van woorden; b) concordanties, dat wil zeggen alle voorkomens van het onderzochte woord in een context van een bepaalde omvang, doorgaans één regel; en c) statistieken over collocatiepartners (Meyer et al. 1996: 274). Deze instrumenten helpen bij de linguïstische analyse van het corpus. Naast de linguïstische software-instrumenten die lexicografen doorgaans samen gebruiken, ontstaan geleidelijk ook speciale programma’s die uitsluitend geschikt zijn voor terminografen. Ze verschillen van algemene programma’s niet langer in linguïstisch, maar in inhoudelijk opzicht, aangezien ze bedoeld zijn voor de analyse van de informatie in het corpus. In dit geval wordt het corpus niet langer beschouwd als een verzameling contexten waarin termen worden gebruikt, maar als een bron van gespecialiseerde kennis over een afzonderlijk vakgebied of een wetenschappelijke discipline. Er zijn hier verschillende groepen te onderscheiden: a) programma’s voor de analyse van teksten op basis van de daarin vervatte informatie — het opsporen van betekenisdragende woorden en informatie-dichte tekstpassages waarin onderlinge relaties en afhankelijkheden tussen begrippen worden aangegeven, enzovoort; b) programma’s die corpuspassages selecteren die terminografen nodig hebben, bijvoorbeeld definities van termen; c) programma’s die helpen bij het analyseren van met termen benoemde begrippen en het ordenen van uit het corpus verkregen kennis vergemakkelijken (knowledge acquisition systems). Hoewel deze laatste groep geheel nieuw en zeer veelbelovend is, krijgt zij in de vakliteratuur nog te weinig aandacht. Er is veel meer geschreven over de mogelijkheid om definities van termen in het corpus semi-automatisch te verzamelen (Pearson 1998: 121–204). 12 Voor het verzamelen van zowel definities als samengestelde termen is een morfologisch geannoteerd corpus nodig, dat wil zeggen een corpus waarin alle woorden naar woordsoort zijn gemarkeerd. De eerste fase van het werk moet door de lexicograaf zelf worden uitgevoerd: die leest de teksten en verzamelt de gedefinieerde termen. Op basis van die informatie stelt de lexicograaf vervolgens morfologische definitiemodellen op — alle combinaties van woordsoortreeksen die bij het definiëren voorkomen. Daarna zoekt de computer in het hele corpus naar zulke woordcombinaties. Zo ontstaat geen lijst van termen en hun definities, maar een lijst van kandidaten voor gedefinieerde termen. Die wordt voorgelegd aan een deskundige op het betreffende gebied, die de lijst controleert en overbodige zinnen schrapt. Om het aantal overbodige, toevallig overeenkomende morfologische combinaties te beperken, worden aan de computer de lexicale eenheden opgegeven die het vaakst in definities voorkomen — frequente definitiewoorden. Op vergelijkbare wijze kunnen samengestelde termen uit het corpus worden gehaald; dat is de kern van de programma’s van de eerste generatie voor automatische termidentificatie, LEXTER (Bourigault 1995) en TERMINO (Lauriston 1994). Bij deze verwerking van het corpus doen zich uiteraard enkele problemen voor. Om te beginnen zijn lang niet alle geselecteerde woordcombinaties termen. Dit probleem wordt opgelost door een lijst met ongewenste woorden (stop-list) samen te stellen en in de computer in te voeren; deze woorden worden niet opgenomen in de lijst met kandidaat-termen. Bovendien is vaak onduidelijk welke woorden tot de samengestelde term zelf behoren en welke alleen tot de context ervan. Maar ook bij het handmatig verzamelen van termen is dat niet altijd duidelijk. Semi-automatische methode voor termselectie Om de mogelijkheden te illustreren die eenvoudige software-instrumenten terminografen bieden, hebben we voor onze analyse de elektronische versie van V. Labutis’ „Sintaksė“ (T.I, V., 1994) gekozen en de tekst onderzocht met het voor taalkundigen bedoelde instrumentenpakket van Mike Scott, WordSmith Tools, version 2.0 (Oxford, 1997). Het doel van de statistische analyse was om verschillende lijsten van woorden en woordcombinaties samen te stellen, waaruit later kandidaten voor termen en de termen zelf konden worden geselecteerd. De statistische gegevens van de geanalyseerde tekst zijn als volgt: de volledige tekst bestaat uit 37 319 woorden en woordvormen; na het verwijderen van herhalingen blijven er 13 9 249 woorden en hun vormen. De woordrijkdomscoëfficiënt (type/token ratio) is 24,78. De volledige tekst bevat 2 364 zinnen, met een gemiddelde zinslengte van 15,78 woorden. Allereerst werd de eenvoudigste handeling uitgevoerd: er werd een frequentielijst van alle woorden in de tekst samengesteld, zodat men tussen de meest gebruikte woorden termen kan verwachten. Zoals uit het weergegeven fragment van de lijst blijkt, bestaat de tekst uit woorden en woordvormen, gerangschikt naar frequentie. Omdat de tekst geen grammaticale labels bevat die aangeven tot welke afzonderlijke woordsoorten elke woordvorm behoort, is de lijst niet gelemmatiseerd; verschillende grammaticale vormen van hetzelfde woord worden dus afzonderlijk vermeld. Omwille van de beknoptheid zullen zowel onverbuigbare woorden als verschillende verbogen vormen van woorden verderop in de tekst eenvoudigweg woorden worden genoemd. Tabel 1. De 20 meest voorkomende woorden en woordvormen in de tekst Nr. Woord en woordvorm Frequentie in de onderzochte tekst Ingenomen aandeel van de tekst (%) 1. IR 1,319 3.53 2. SU 479 1.28 3. AR 390 1.05 4. ZIN 288 0.77 5. DAT 284 0.76 6. WOORDEN 258 0.69 7. KAN 243 0.65 8. O 229 0.61 9. IŠ 206 0.55 10. ZINNEN 196 0.53 11. Į 194 0.52 12. IS 194 0.52 13. HOE 187 0.50 14. NE 182 0.49 15. ALLEEN 171 0.46 16. VOLGENS 170 0.46 17. ZIJN 155 0.42 18. JŲ 143 0.38 19. ZINNEN 143 0.38 20. COMBINATIES 141 0.38 14 Zoals gewoonlijk bestaat de tekst uit relatief weinig woorden die vaak worden gebruikt, en veel woorden die zelden worden gebruikt. Woorden die slechts eenmaal voorkomen, vormen 62% van alle woordvoorkomens. Gewoonlijk beslaan ze de helft van de tekst; na lemmatisering van de lijst zouden dat er blijkbaar nog steeds ongeveer evenveel zijn, omdat afgeleide woordvormen onder de hoofdvormen zouden worden samengevoegd. Eenmalige en zeldzame voorkomens, dat wil zeggen van 2 tot 10, zijn voor de terminoloog niet interessant, aangezien de kans klein is dat hier termen worden aangetroffen. Er blijft een relatief kort deel van de lijst over, slechts 6% van de vaak gebruikte woorden in de tekst, waaruit het de moeite waard is eenwoordige termen te verzamelen. Diagram Verdeling van tekstwoorden en woordvormen naar gebruiksfrequentie (aantal voorkomens) Woorden en hun vormen die meer dan 10 keer voorkomen: 6% Woorden en hun vormen die 2 tot 10 keer voorkomen: 32% Woorden en hun vormen die 1 keer voorkomen: 62% Als deze gebruiksgegevens in de vorm van een curve in plaats van een diagram zouden worden weergegeven, zou blijken dat 10 voorkomens een zeer duidelijke grens, een drempel, vormen: woorden die daarboven vallen, worden veel vaker gebruikt dan woorden eronder. Een grondiger analyse toonde aan dat van de 599 woorden die 10 keer of vaker voorkomen, er maar liefst 239 eenwoordige termen of onderdelen van samengestelde termen zijn, met andere woorden: woorden die voor de terminograaf van belang zijn. Hiertoe behoren benamingen van woordsoorten, naamvallen, taalverschijnselen, eenheden en taalkundige disciplines. Het voordeel van de algemene frequentiewoordenlijst is de reeds genoemde zeer duidelijke grens voor de gebruiksfrequentie; er zijn echter verscheidene nadelen. Een daarvan is dat de lijst uit afzonderlijke woorden bestaat, terwijl er, zoals bekend, niet zo veel eenwoordige termen zijn. Anderzijds bestaan de meeste nieuwe termen die niet in woordenboeken zijn opgenomen en daarom bijzonder interessant zijn voor terminologen juist uit meerwo- 15 woorden. Een tweede tekortkoming: een groot deel van de lijst wordt ingenomen door zeer frequente functiewoorden, die voor terminologen eveneens weinig informatief zijn. Deze tekortkoming kan worden verholpen door een iets andere lijst samen te stellen, namelijk een lijst van inhoudswoorden. Inhoudswoorden worden op iets ingewikkeldere wijze uit de tekst verkregen, door de onderzochte tekst te vergelijken met een veel groter corpus, in ons geval met het computerbestand van de Vytautas Magnus Universiteit, met een omvang van 55 miljoen woorden. Als een woord in de onderzochte tekst relatief vaker voorkomt dan gemiddeld in het grote corpus, dan geldt het als een inhoudswoord van die tekst. Eenvoudiger gezegd: als er over cinema wordt geschreven, zal dat woord veel vaker in de tekst voorkomen en daarom in de lijst van inhoudswoorden terechtkomen. Zoals uit de tabel blijkt, staan hierin veel minder functiewoorden, omdat hun frequentie in de tekst en in het corpus ongeveer gelijk is. Zo komen de uniekere woorden uit de onderzochte tekst op de eerste plaats; in het geval van een wetenschappelijke tekst zijn dat termen. Helaas worden ze in deze lijst, net als in de eerste, afzonderlijk weergegeven en niet in woordcombinaties. Tabel 2. De 20 frequentste inhoudswoorden en woordvormen Nr. | Woord en woordvorm | Frequentie in de onderzochte tekst | Frequentie in het corpus | Betekenisvolheidscoëfficiënt 1. | SAKINIO | 288 | 707 | 2,974.8; 2. | SAKINIAI | 196 | 370 | 2,108.4; 3. | ŽODŽIŲ | 258 | 6,504 | 1,554.3; 4. | SAKINIŲ | 143 | 386 | 1,453.6; 5. | JUNGINIAI | 141 | 405 | 1,418.4; 6. | DĖMENŲ | 103 | 130 | 1,171.5; 7. | JUNGINIŲ | 103 | 591 | 909.2; 8. | DĖMUO | 77 | 124 | 847.4; 9. | SAKINYJE | 85 | 310 | 819.6; 10. | DĖMENYS | 73 | 106 | 815.0; 11. | DĖMENS | 71 | 84 | 814.2; 12. | SAKINYS | 91 | 528 | 801.4; 13. | DĖMENIU | 69 | 78 | 795.8; 14. | SINTAKSĖS | 68 | 163 | 704.7; 15. | SAKINĮ | 73 | 634 | 588.1; 16. | SAKINIUS | 61 | 315 | 550.1; 17. | TARINIO | 44 | 60 | 495.3; 18. | SAKINIAIS | 49 | 205 | 460.5; 19. | SUDĖTINIO | 42 | 75 | 455.4; 20. | TARINIU | 36 | 36 | 421.4 16 De derde mogelijkheid van software die op statistische methoden is gebaseerd, is het selecteren van de woordcombinaties uit de onderzochte tekst die daar twee of meer keer in exact dezelfde vorm voorkomen. Het programma kan reeksen van maximaal acht woorden opsporen. Het spreekt vanzelf dat zulke lange constructies niet vaak in de tekst voorkomen. Er zijn veel meer gefixeerde combinaties van vier, drie en vooral twee woorden. In de onderzochte tekst van V. Labutis komen achtwoordcombinaties die minstens twee keer voorkomen 2 keer voor, zevenwoordcombinaties 6 keer, zeswoordcombinaties 23 keer, vijfwoordcombinaties 65 keer, vierwoordcombinaties 211 keer, driewoordcombinaties 756 keer en tweewoordcombinaties maar liefst 2695 keer. Hieronder staan reeksen van verschillende lengtes; de combinaties waarvan de delen als samengestelde termen kunnen worden beschouwd, zijn vetgedrukt, en daarnaast staat het aantal keer dat de betreffende reeks in de tekst voorkomt. ACHT WOORDEN BESTAAT UIT TEN MINSTE TWEE ZELFSTANDIGE WOORDEN 2 BESTAAT UIT TEN MINSTE TWEE ZELFSTANDIGE WOORDVORMEN 2 ZEVEN WOORDEN BESTAAT UIT TEN MINSTE TWEE ZELFSTANDIGE 2 TEN MINSTE TWEE ZELFSTANDIGE WOORDVORMEN 2 BESTAAT UIT TEN MINSTE TWEE ZELFSTANDIGE WOORDEN 2 TOEPASSING VAN WOORDVORMEN BIJ ANDERE WOORDVORMEN 2 ZES WOORDEN NIET MINDER DAN TWEE ZELFSTANDIGE WOORDEN 4 VORMEN VAN WERKWOORDEN EN PREDICATIEF GEBRUIKTE WOORDEN 3 IN DE ACADEMISCHE GRAMMATICA VAN DE LITOUWSE TAAL LKG III 2 TWEE OF MEERDERE WOORDVORMEN VAN ZELFSTANDIGE WOORDEN 2 TOEPASSING VAN VORMEN BIJ ANDERE WOORDVORMEN 2 EN BIJ BEPAALDE VOORZETSELCONSTRUCTIES 2 EEN ZINSDEEL OF EEN DEELZIN VAN EEN SAMENGESTELDE ZIN 2 MET ANDERE NAAMVALLEN EN VOORZETSELCONSTRUCTIES 2 MET NAAMVALLEN EN VOORZETSELCONSTRUCTIES 2 EEN WOORDVORM DIE OP ENIGERLEI WIJZE BIJ 2 WORDT TOEGEPAST TOEPASSING VAN WOORDVORMEN BIJ ANDERE WOORDEN 2 VIJF WOORDEN MINDER DAN TWEE ZELFSTANDIGE WOORDEN 4 WERKWOORDEN EN WOORDEN DIE ALS GEZEGDE FUNGeren 4 17 NAAMVALLEN EN VOORZETSELconstructies 3 PREDICATIEVE STRUCTUREN DIE EEN SAMENGESTELDE ZIN VORMEN 3 OF VERSCHILLENDE VORMEN VAN ZELFSTANDIGE WOORDEN 2 AFZONDERLIJKE MEDEDELING OVER EEN SITUATIE IN DE WERKELIJKHEID 2 EEN DEEL OF EEN ZINSDEEL VAN EEN SAMENGESTELDE ZIN 2 FUNGEERT ALS AFHANKELIJK DEEL VAN EEN NAAMWOORDGROEP 2 TOEPASSING VAN VORMEN BIJ ANDERE WOORDEN 2 KAN OOK DEEL UITMAKEN VAN EEN SAMENGESTELDE ZIN 2 EN TUSSEN DE PREDICATIEVE STRUCTUREN VAN EEN SAMENGESTELDE ZIN 2 EN VORMEN VAN WOORDEN DIE ALS ONDERWERP FUNGeren 2 ALS VORMEN VAN TWEE ZELFSTANDIGE WOORDEN 2 IN ANDERE NAAMVALLEN EN MET VOORZETSELconstructies 2 VAN EEN NAAMVAL OF VAN EEN NAAMVAL MET VOORZETSEL 2 VERBAND MET DE GRAMMATICALE PERSOONSCATEGORIE 2 SYNTAGMATISCHE RELATIES EN WOORDGROEPEN 2 DE INDELING IS MEER DAN EENS BEKRITISEERD 2 MET EEN BIJZIN VAN DE TWEEDE GRAAD 2 MET WELKE VOORZETSELCONSTRUCTIES 2 MET ANDERE NAAMVALLEN EN VOORZETSELCONSTRUCTIES 2 MET DE DATIEF EN MET DE INSTRUMENTALIS 2 MET EEN BIJZIN DIE DE HELE ZIN BESLAAT 2 DIT ZIJN MEESTAL WERKWOORDGROEPEN MET 2 TOEPASSING OP ANDERE WOORDVORMEN 2 BIJZINNEN VAN DEZELFDE GRAAD 2 HEBBEN EEN GEMEENSCHAPPELIJK SECUNDAIR ZINSDEEL 2 ROL TEN OPZICHTE VAN DE GEHELE SAMENGESTELDE ZIN 2 EEN WOORDVORM WORDT NIET ALTIJD TOEGEPAST 2 TOEPASSING VAN WOORDVORMEN OP ANDERE 2 WOORDGROEP OF ANDERE CONSTRUCTIE 2 VIER WOORDEN EN MET VOORZETSELCONSTRUCTIES 5 EN ALS GEZEGDEDIENENDE WOORDEN 4 WAARVAN HET HOOFDDEEL IS 4 MINDER DAN TWEE ZELFSTANDIGE 4 NIET MINDER DAN TWEE 4 WOORDVORM DIE ALS ONDERWERP DIENT 4 ALS ONDERWERP EN ALS GEZEGDEDIENENDE WOORDEN 4 VORMEN VAN TWEE ZELFSTANDIGE WOORDEN 3 NEVEN- EN ONDERGESCHIKTE 3 MET NAAMVALLEN EN MET VOORZETSELCONSTRUCTIES 3 VAN HET WOORD DAT ALS HOOFDDEEL DIENT 3 PREDICATIEVE STRUCTUREN DIE DE ZIN VORMEN 3 MET EEN GRAMMATICALE PERSOONSCATEGORIE 3 WIJZE OM WOORDRELATIES UIT TE DRUKKEN 3 BIJZIN VAN DE TWEEDE GRAAD 2 OVER DEZE BEGRIPPEN, ZIE 2 18 HIEROVER TIJDENS DE OEFENINGEN 2 OF HET DEEL VAN EEN SAMENGESTELDE ZIN 2 ONTHULT EEN ANDER PREDICATIEF DEEL 2 EEN GEMEENSCHAPPELIJKE BIJZINDEEL 2 WIJZE, KWALITEIT EN KWANTITEIT 2 HET BIJVOEGLIJK NAAMWOORD VORMT EEN VERBINDING MET 2 ALS DEPENDENT DEEL VAN EEN NOMINALE VERBINDING 2 TRYS ŽODŽIAI KAN ZIJN 14 MET VOORZETSELconstructies 11 MEER OF MINDER 10 LITOUWSE SYNTAX 9 ZINNEN KUNNEN ZIJN 9 WERKWOORDELIJKE VERBINDINGEN MET 8 DELEN KUNNEN ZIJN 7 WAARVAN HET HOOFDBESTANDDEEL 7 ZELFSTANDIGE NAAMWOORDVERBINDINGEN MET 6 NIET MINDER DAN 6 NEVEN- EN ONDERSCHIKKING 6 ZINNEN KUNNEN ER 6 ZIJN VORMEN VAN ZELFSTANDIGE WOORDEN 6 DOOR WERKWOORD EN GEZEGDE 6 TWEE ZELFSTANDIGE WOORDEN 5 WEDERZIJDIGE RELATIE 5 TWEE WOORDEN KAN ZIJN 118 ENZ. 41 LITOUWSE TAAL 36 WOORDVORMEN 35 EVENEENS 34 SAMENGESTELDE ZIN 32 ZINSDELEN 31 WOORDVORMEN 31 NIET ALLEEN 29 WOORDGROEPEN 26 GROEPEN MET 25 PREDICATIEVE DELEN 24 KAN HEBBEN 23 NIETTEMIN 23 HOOFD-ONDERDELEN 21 PREDICATIEVE KERN 20 PREDICATIEVE ONDERDELEN 20 ALS HET WARE 18 SAMENGESTELDE ZINNEN 18 19 KAN VORMEN 17 HOOFDONDERDEEL 17 VOORZETSELNOMINALE CONSTRUCTIES 17 MET DE GENITIEF 17 EVENALS 16 TAALSYSTEMEN 16 VAN HET AFHANKELIJKE DEEL 16 SAMENGESTELDE ZINNEN 16 BOVENDIEN 15 EN VOLGENS 15 WOORDGROEP 15 Zoals blijkt uit de gegeven voorbeelden lijken langere woordcombinaties meer op uitdrukkingen of frases, en kortere op syntactische woordcombinaties. Niet uniform is ook de mate waarin ze gefixeerd zijn; die komt naar voren uit het aantal voorkomens. Zo komen sommige tweewoordcombinaties zelfs in zo’n korte tekst 118 keer voor. Bovendien vallen sommige woordreeksen geheel samen met samengestelde termen, bijvoorbeeld: bijzin van de tweede graad, verhouding van tweezijdige samenhang, taalsysteem, terwijl uit andere die termen moeten worden geselecteerd, bijvoorbeeld: onthult een ander predicatief element, de woordvorm wordt op de een of andere wijze aangepast aan het woord dat als hoofdelement fungeert, enz. Hoewel ze moeten worden ingekort, zijn ze op hun eigen manier informatief, want predicatieve woorden (in de voorbeelden zijn ze dun gedrukt) die niet tot de term zelf behoren, maar tot zijn omgeving, verschaffen belangrijke informatie over combinatiemogelijkheden en gebruikskenmerken. De laatste lijst is, net als de eerdere lijsten, niet gelemmatiseerd; daarom wordt dezelfde meerwoordige term telkens in een andere grammaticale vorm herhaald. Bovendien komt hij ook voor in woordketens van verschillende lengte, van de langste tot de kortste: bestaat uit ten minste twee zelfstandige woordvormen, ten minste twee zelfstandige woordvormen, zelfstandige woordvormen, woordvormen. Hoe dan ook, frequente herhalingen staan het herkennen van de belangrijkste en meest gebruikte samengestelde termen niet in de weg, maar helpen daarbij. Ook al worden met de genoemde semiautomatische softwarehulpmiddelen niet alle termen uit de onderzochte tekst geselecteerd, toch maken ze het mogelijk de belangrijkste te herkennen; en het feit dat een terminograaf de door de computer samengestelde lijsten leest en bewerkt, waarborgt de kwaliteit van het eindresultaat. 20 Conclusie De moderne terminologie, die ernaar streeft termen uit uiteenlopende wetenschapsgebieden te verzamelen, te beschrijven en te standaardiseren, kan niet zonder een computercorpus en de overige daarmee samenhangende fasen van de samenstelling van een geautomatiseerde terminologiebank: software voor algemeen gebruik of gespecialiseerde software, een lexicale database, enz. Het corpus moet zo worden samengesteld dat het een zo groot mogelijke verscheidenheid aan teksten omvat en zo de taal van het beschreven wetenschapsgebied vertegenwoordigt. Zelfs met software voor algemeen gebruik die voor lexicografen is bedoeld, kunnen automatisch lijsten worden samengesteld van woorden en woordcombinaties die kandidaat-termen zijn; daaruit worden bekende en nieuwe termen geselecteerd. Ontvangen op 21-06-1999 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