Terminografija ir tekstynas

TERMINOGRAFI OCH NUTID Rūta MARCINKEVIČIENĖ Vytautas Magnus-universitetet TERMINOGRAFI OCH TEXTKORPUS Korpuslingvistiken, som uppstod i och med det första textkorpuset för mer än tre decennier sedan, revolutionerade den allmänna lexikografin. I dag utarbetas förklarande ordböcker i större eller mindre utsträckning med stöd av textkorpusar. Terminografin har hittills förblivit förbisedd i länder som kommit längre inom korpuslingvistiken, för att inte tala om sådana nykomlingar som vi. Här ska vi försöka visa hur viktig, rentav oumbärlig, textkorpusen är när man utarbetar termordböcker. Datorernas och därmed även de datorbaserade textkorpusarnas era har tydligt skiljt traditionell terminologi och terminografi från den nya. Terminologernas syn på flera saker började skilja sig kraftigt: själva termbegreppet, källorna till termer, kriterierna för att skilja en term från en icke-term, terminologens kvalifikationer, terminologisk normering och några andra frågor. När specialiserade vetenskapsområden har expanderat kraftigt och flätats samman har terminologernas arbete ökat avsevärt, eftersom det med traditionella metoder knappast längre går att hålla jämna steg med vetenskapens och teknikens utveckling. Just därför har synen på termer förändrats: man betonar bruket snarare än normen. För den traditionella terminologin, som uppstod i början av detta århundrade till följd av ett enormt teknologiskt genombrott, var det viktigast att benämna begrepp, bringa ordning i den stora mångfalden av termer som uppkommit på kort tid samt systematisera och standardisera terminologin inom olika vetenskapsgrenar och områden. Ända sedan terminologin uppstod som självständig vetenskap har man betraktat termer annorlunda än andra ord. Terminologins pionjär Wüster (citerad enligt Pearson 1998: 10) hävdade att termer bör behandlas annorlunda än allmänspråkets ord, eftersom terminologin börjar med en analys av begreppen. Och begreppen, som bekant, exis- 5 oberoende inte bara av de termer som benämner dem, utan också av olika språk. Termer är inget annat än namn på begrepp, som i idealfallet står i följande relation till själva begreppen: ett begrepp – en term. Termer definierades främst med hänsyn till de benämnda begreppens plats i det hierarkiska begreppssystemet och deras relationer till andra begrepp. Terminologin byggde på termer som hade skapats av sakkunniga inom det egna området och/eller normerats och godkänts, och som hade en tydligt definierad och fastställd, därmed också skyddad betydelse. Därför är det inte alls förvånande att traditionella terminologer med preskriptiva ståndpunkter (jfr Wüster, för vilken Sein-Norm var betydligt viktigare än Ist-Norm) inte alls intresserade sig för det faktiska språktillståndet inom enskilda vetenskapsgrenar eller för autentiskt termbruk. När man utgick från begreppet och gick vidare till termen och på så sätt byggde upp terminologin för varje enskild gren enligt den onomasiologiska principen, ställdes dåtidens terminologer inte inför problemet att identifiera termer, utan endast inför problemet att skapa dem. Dessutom var de enskilda vetenskapsgrenarna på den tiden fortfarande relativt autonoma. Terminologerna hade också fördelat områdena mellan sig och behärskade terminologin inom jämförelsevis isolerade områden. I takt med att gemensamma frågor uppstår börjar företrädare för dessa områden intressera sig för termer. Dessutom kommer nya människor in i terminologin, inte nödvändigtvis sakkunniga inom ett visst vetenskapsområde och/eller lingvister, utan till exempel programmerare, utvecklare av terminologiska databaser och elektroniska ordböcker med flera. Eftersom det faktiska språkbruket och antalet nya termer sedan länge har överträffat de tillgängliga förteckningarna över godkända termer, gör den traditionella kortmetoden att terminografin inom snabbt föränderliga vetenskapsgrenar hamnar långt efter utvecklingen och hindrar nytillkomna från att förlita sig på tidigare registrerade termer. Termerna börjar samlas in från texter; texten blir själva utgångspunkten för terminologens arbete (Rogers et al. 1994: 843). Man undersöker också det faktiska bruket, som ofta skiljer sig mycket från det ideal som språkets normerare eftersträvar. Här blir det oklart vad som ska räknas som en term, när ett ord terminologiseras, vilket ordbruk som ska betraktas som terminologiskt och hur man skiljer en term från en icke-term. Terminologin blir alltså inte längre en lika tydligt avgränsad och isolerad del av lexikonet. Den utgör en ganska svåravgränsad grupp ord, vars centrum utgörs av prototypiska medlemmar, som alltid uppfattas som 6 Efter terminalen följer de ord som endast under vissa omständigheter och i en viss kontext får termstatus. I periferin finns också ord som vid första anblicken inte liknar termer, men som ändå bör betraktas som sådana. Detta gäller till exempel allmänspråkliga ord som förekommer i populärvetenskapliga texter. Av detta och andra skäl är det mycket viktigt för terminografer att identifiera termer, hämta dem ur autentiska texter och beskriva dem. Därför blir textkorpusar och programvara som underlättar arbetet med dem mycket viktiga. Uppmärksamheten på faktisk användning för terminologer i riktning mot beskrivning snarare än normering, och skiljelinjen mellan preskriptivism och deskriptivism delar in terminografin i traditionell och modern. Varför en textkorpus Som källa till termer är en textkorpus användbar för terminografer av många skäl. Författare som förespråkar att den skapas och används anger de främsta av dessa. Kanske viktigast är att man omedelbart får tre saker som terminografer behöver från en och samma textkorpus: själva termerna, deras definitioner, det vill säga ämnesinformation om själva begreppet, samt användningsexempel och därmed även användningsfrekvens, termers kollokationer och så vidare (Sager 1990, Meyer et al. 1996, Pearson 1998). Naturligtvis kan även forskare som redan har en preliminär termlista använda en textkorpus. I så fall får de ämnesmässig och språklig information från den. Men om termerna hämtas ur en textkorpus har de en stor fördel – de är systematiska och inbördes relaterade, eftersom enskilda texter presenterar de termuppsättningar som används av enskilda författare, och termerna i varje uppsättning är väl genomtänkta och harmonierar med varandra. Just av detta skäl – för att de termer som hämtas ska återspegla separata system – måste hela texter, inte utdrag eller urval, läggas in i korpusen (Meyer et al. 1996: 268). En korpus med hela texter är också nödvändig för ämnesinformationen, som annars skulle gå förlorad om man nöjde sig med delar av texter. I dag används de textkorpusar som terminografer har skapat fortfarande främst för att samla information om termer som man redan känner till. Man undersöker, 7 om de fortfarande används och, i så fall, hur; om deras användningsegenskaper har förändrats och därmed även deras betydelse; och om omfattningen av de begrepp som de betecknar har ändrats när nya termer har tillkommit. En textkorpus behövs dock i betydligt högre grad för att ta fram nya termer. Kanske är det därför som termidentifiering och automatisk eller halvautomatisk terminextraktion i dag hör till de allra populäraste ämnena inom elektronisk terminografi. I detta avseende skiljer sig terminografen från lexikografen. Den senare frågar sig inte vad ett ord är, utan endast vilka ord som ska tas med i vilka ordböcker. För terminografen däremot uppstår frågan – vad är en term? – ganska ofta. Nya termer som hämtas ur en textkorpus och lagras och hanteras i särskilda databaser har ytterligare en egenskap: deras källor anges mycket exakt och med datum, vilket gör det möjligt att dra slutsatser om när termer uppstår, sprids och försvinner. Om vi föreställer oss det slutliga resultatet av terminografens arbete som en elektronisk databas (DB) eller en tryckt ordbok som utarbetats med databasen som grund, kommer textkorpusen att vara viktig i alla skeden av databasens sammanställning. Datorer omfattar hela terminografens arbetscykel: från datoriserade textkorpusar via särskilda program för termsökning och termidentifiering till sammanställning av termdatabaser, termbeskrivning och spridning av den i elektronisk form eller i en traditionell bok (Ahmad et al. 1994: 267). Terminografens arbetscykel ser ut så här. I det första skedet sammanställs en textkorpus utifrån ett elektroniskt textarkiv enligt vissa principer. Därefter hämtas termer ur den, förs över till en databas och beskrivs: i separata databasfält anges typiska användningsexempel hämtade från konkordansen samt definitioner hämtade från samma källa. Senare anges, med stöd av den språkliga och ämnesmässiga information som erhållits från textkorpusen, ord som är relaterade till den term som beskrivs: synonymer, antonymer, hyponymer och hyperonymer. Hänvisningar till deras poster ges, liksom termens ämnesområde och dess plats i det allmänna begreppssystemet. Dessutom redovisas grammatiska och pragmatiska egenskaper, kollokationsbegränsningar eller andra användningsbegränsningar, information om termens rekommenderade status och, om så är avsett, översättningsekvivalenter (om terminografisk beskrivnings särdrag, se vidare Sager 1990: 142–163). Textkorpusen är alltså oumbärlig från allra första början, det vill säga från bekantskapen med själva 8 vetenskapsgrenen till den sista fasen – den färdiga ordboksartikeln. Dagens terminologer ser mycket skeptiskt på datorisering av befintliga tryckta ordböcker som inte har utarbetats på grundval av textkorpusar, det vill säga överföring av dem till databaser (Sager 1990: 141). Ytterligare ett skäl för terminografer att sammanställa särskilda textkorpusar är att autentiska språkexempel är ännu viktigare för terminografin än för lexikografin. De är betydligt viktigare än introspektion, eftersom terminografen, till skillnad från lexikografen, inte är specialist och inte skapar texter på den språkvariant som hen beskriver. När hen stöter på ett problematiskt fall kan hen inte fråga sig: hur skulle jag själv använda det här ordet? Hen kan bara fråga: vad betyder ordet för en sakkunnig inom området, och hur skulle en forskare, teknolog eller expert använda det? Eftersom språkkänslan bara är till begränsad hjälp är terminografer alltså betydligt mer beroende av textkorpusar än lexikografer. Atkins et al. delar in alla användare av textkorpusar i tre grupper: a) de som är intresserade av texternas språk, b) de som är intresserade av texternas innehåll och c) de som är intresserade av texterna som texter, det vill säga deras struktur, tillkomst och så vidare (citerat efter Meyer et al. 1996: 269). Lexikografer tillhör den första gruppen, medan terminografer tillhör de två första, eftersom de behöver kunskap om både språket och själva ämnesområdet. När man väl har förstått textkorporas betydelse för terminologin och de möjligheter den erbjuder, måste man definiera hur en terminografisk textkorpus bör vara. Vilken typ av korpus Som nämnts behöver terminografen två lika viktiga saker från korpusen: språklig och ämnesmässig information. Därför är det viktigt att man kan få båda delarna från den. Ur språklig synvinkel måste korpusen vara sådan att termerna presenteras tydligt och korrekt och helst med definitioner. Det är önskvärt att termerna är så många och varierade som möjligt, helst alla som skapats och används av en viss språkgemenskap. Det är också viktigt att termerna förekommer i rikliga och varierande sammanhang. Ur ämnesmässig synvinkel bör korpusen innehålla sådana texter där innehållet i de begrepp som benämns med termerna, deras inbördes relationer och beroenden framträder. Det är mycket viktigt att termerna definieras i dessa texter. 9 Av de angivna skälen föreslår experter att man i korpusar inkluderar hela skalan av möjliga texter, betraktade ur kommunikativ och pragmatisk synvinkel, från de enklaste till de mest komplexa. Pearson delar in fackspråkliga texter i fyra grupper efter sannolikheten att hitta termer i dem: a) sådana där expertens mottagare är en jämbördig partner när det gäller kunskap – en annan expert, dvs. artiklar i referentgranskade vetenskapliga tidskrifter och monografier; i dessa texter är termtätheten som störst; b) texter riktade av en expert till en specialist inom samma område, men med lägre kunskapsnivå än expertens, till exempel olika slags instruktioner och läroböcker; här finns något färre termer; c) populärvetenskapliga texter skrivna för personer som inte är insatta i ett visst specialområde. I dem undviker man medvetet komplicerade eller över huvud taget termer, och förklarar hellre, uttrycker sig med andra ord samt använder analogier och jämförelser; därför kan författaren, om hen verkligen vill, klara sig helt utan termer; d) texter som motsvarar kommunikationen mellan lärare och elev: läroböcker och undervisningsmaterial. De innehåller termer, men dessa används något annorlunda. Ett viktigt kännetecken för sådana texter är att termerna förklaras (Pearson 1998: 36–40). Det räcker inte att beskriva texterna i en terminografisk korpus enbart ur kommunikativ och pragmatisk synvinkel. Även andra textparametrar och proportioner är minst lika viktiga för korpusens kvalitet och representativitet. På frågan om hur många texter som behöver samlas in för att man ska kunna förlita sig på uppgifterna från den korpus som sammanställts av dem svarar experterna: ”Till skillnad från när det gäller allmänspråkliga korpusar är kvalitet här betydligt viktigare än kvantitet” (Meyer et al. 1996: 268). Av begripliga skäl är fackkorpusar vanligtvis mindre än allmänspråkliga korpusar. Men även om de är mindre består de av hela, oförkortade texter. Dessutom måste de omfatta hela den gren som ska representeras, inklusive alla dess undergrenar, vilka terminograferna har valt ut på förhand. Det är ofta svårt att dra en tydlig gräns mellan olika vetenskapsgrenar, särskilt om grenen har koppling till allmänna ämnen och korpusens sammanställare frestas att gå djupare, dvs. att inkludera fler texter som experter skrivit för experter och som otvivelaktigt hör till området. Därför rekommenderas terminologer att vända sig till experter inom det område som beskrivs, så att dessa kan ge råd om vilka texter som bör inkluderas för att skapa en korpus som är representativ i alla avseenden och för att viktiga texter inte ska utelämnas tillsammans med de texter som inte tas med 10 – och därmed inte heller systematiskt viktiga begrepp och de termer som betecknar dem; framför allt ska en enskild sammanställares prioriteringar inte dominera (Ahmad 1993: 60). För en terminografisk korpus är den princip som lexikografer ibland tillämpar på allmänna korpusar helt olämplig: ”Det jag har, det lägger jag in.” Med hänsyn till korpusarnas typologi och de viktigaste korpusyperna ur kontinuitetssynpunkt – slutna, fortlöpande och monitor-korpusar – föreslås att en terminografisk korpus utformas som en samling av den andra typen, eller ännu hellre den sistnämnda typen. Då kompletteras korpusen kontinuerligt med nya texter, medan de äldre antingen behålls (i en fortlöpande korpus) eller flyttas till ett arkiv, om det rör sig om en monitor-korpus. En fortlöpande korpus skulle hela tiden växa, och dess i förväg fastställda strukturprinciper skulle inte nödvändigtvis upprätthållas, eftersom nya texter skulle kunna väga över åt det ena eller andra hållet när publiceringstrenderna förändras. En monitor-korpus proportioner skulle förbli oförändrade, och de nya texterna skulle bara ta upp så mycket utrymme som från början hade avsatts för texter av motsvarande slag. Oavsett vilket är det nödvändigt att uppdatera korpusen kontinuerligt, eftersom termer åldras betydligt snabbare än vardagsspråkets ord. När de allmänna frågorna om korpusens storlek, karaktär och ämnesmässiga avgränsning har övervägts och beslut fattats, måste man därefter avgöra vilka konkreta texter som ska tas med för att korpusen ska vara representativ och balanserad. I varje enskilt fall måste man ta hänsyn till textens genre, tidpunkt för tillkomst, författare och språkliga status samt eftersträva största möjliga variation. Det är nämligen just genrevariation och ett brett urval av texter, från seriösa till populära, som gör det möjligt att välja ut både vetenskapliga, formella termer, bland vilka det finns gott om författarskapade neologismer, och populära termer, som är betydligt mer utbredda och har fått fäste i vardagsspråket. När man bedömer texternas ålder ges nyare texter företräde, men även äldre texter kan visa sig värdefulla, särskilt ur ämnesmässig synvinkel. Även författarskapet bör vara mycket varierat, så att ingen enskilt eller starkt representerad författares stilistiska särdrag får överhanden. Den stilistiska variationen i vetenskapliga texter är visserligen inte särskilt stor jämfört med exempelvis skönlitteratur, men författarens stil är viktig inte bara när det gäller användningen av språkliga enheter, utan också deras urval. Därför är det inte förvånande att olika forskare, särskilt om de tillhör olika skolor inom det vetenskapliga tänkandet, använder o- 11 sådana termer. För terminstandardisering och normering, liksom för sökandet efter neologismer, är en så stor variation av termer i korpusen som möjligt av stor betydelse. Den sista, men inte mindre viktiga, aspekten är texternas språkliga status. Företräde ges åt originaltexter, inte översättningar, skrivna av modersmålstalare och dessutom granskade och redigerade. Verktyg för korpusanalys för terminografer Under det senaste decenniet har olika slags programvara utvecklats för att underlätta lexikografernas sökning efter ord och annan korpusanalys. Även om lexikografernas och terminografernas arbete i övrigt skiljer sig åt, använder de i stort sett samma programfunktioner, nämligen a) ordens frekvenslistor; b) konkordanser, det vill säga alla förekomster av det undersökta ordet i en kontext av en viss längd, vanligtvis en rad; samt c) statistik över kollokationspartner (Meyer et al. 1996: 274). Dessa verktyg hjälper till att undersöka korpusen ur ett språkligt perspektiv. Vid sidan av de språkliga programvaruverktyg som används gemensamt med lexikografer utvecklas gradvis också särskilda program som är lämpade enbart för terminografer. De skiljer sig från allmänna program inte längre till sin språkliga utan till sin ämnesmässiga inriktning, eftersom de är avsedda för analys av den information som finns i korpusen. I detta fall betraktas korpusen inte längre som en samling kontexter där termer används, utan som en källa till specialiserad kunskap inom ett visst område eller en viss vetenskapsgren. Här kan flera grupper nämnas: a) program för att analysera text utifrån den information den innehåller – sökning efter betydelsebärande ord och informationsrika textavsnitt där begreppens inbördes relationer och beroenden anges, och så vidare; b) program som väljer ut de korpusavsnitt som terminografen behöver, till exempel termdefinitioner; c) program som hjälper till att analysera begrepp betecknade med termer och underlättar hanteringen av kunskap som hämtats ur korpusen (knowledge acquisition systems). Den sistnämnda gruppen är visserligen helt ny och mycket lovande, men får ännu alltför liten uppmärksamhet i facklitteraturen. Betydligt mer har skrivits om möjligheten att halvautomatiskt samla in termdefinitioner i korpusar (Pearson 1998: 121–204). 12 För att samla in såväl definitioner som sammansatta termer krävs en morfologiskt annoterad korpus, det vill säga en korpus där alla ord har märkts upp efter ordklass. Det inledande arbetsskedet måste utföras av lexikografen själv: hen läser texterna och samlar in definierade termer. Utifrån denna information utarbetar hen senare morfologiska definitionsmodeller – alla kombinationer av ordklassföljder som förekommer i definitioner. Därefter söker datorn efter sådana ordkombinationer i hela korpusen. Resultatet är inte en lista över termer och deras definitioner, utan en lista över kandidater till definierade termer. Den lämnas till en sakkunnig inom området för granskning och för att stryka onödiga meningar. För att minska antalet onödiga, tillfälligt sammanfallande morfologiska kombinationer anges för datorn de lexikala enheter som oftast förekommer i definitioner – vanliga definitionsord. På liknande sätt kan även sammansatta termer hämtas ur korpusen; detta är grundprincipen bakom den första generationens program för automatisk termidentifiering, LEXTER (Bourigault 1995) och TERMINO (Lauriston 1994). Det uppstår naturligtvis en del problem när korpusen bearbetas på detta sätt. För det första är långt ifrån alla utvalda ordkombinationer termer. Detta problem löses genom att sammanställa en lista över oönskade ord (stop-list) och mata in den i datorn; dessa ord tas då inte med i listorna över termkandidater. Dessutom är det ofta oklart vilka ord som hör till själva den sammansatta termen och vilka som bara tillhör dess omgivning. Men sådana frågor är inte alltid heller klara när termer samlas in manuellt. Halvautomatisk metod för termurval För att illustrera de möjligheter som enkla programvaruverktyg erbjuder terminografen valde vi V. Labutis elektroniska version av „Sintaksės“ (T.I, V., 1994) för analys och undersökte texten med Miko Scotto programsvit för lingvister, WordSmith Tools, version 2.0 (Oxford, 1997). Syftet med den statistiska analysen var att ta fram flera listor över ord och ordkombinationer, ur vilka man senare skulle kunna välja ut termkandidater och själva termerna. Den analyserade textens statistiska mått är följande: hela texten består av 37 319 ord och ordformer; när upprepningarna har tagits bort återstår 13 9 249 ord och deras former. Lexikalisk variation (type/token ratio) är 24,78. Hela texten innehåller 2 364 meningar, och den genomsnittliga meningslängden är 15,78 ord. Först utfördes den allra enklaste åtgärden – en frekvenslista över alla ord i texten sammanställdes, vilket gör det möjligt att förvänta sig att termer förekommer bland de vanligaste orden. Som framgår av det presenterade utdraget ur listan består texten av ord och ordformer, ordnade efter frekvens. Eftersom texten saknar grammatiska markeringar som visar vilken ordklass varje ordform tillhör, är listan inte lemmatiserad; olika grammatiska former av samma ord förekommer alltså separat. För enkelhetens skull kommer både oböjliga ord och olika böjningsformer av böjliga ord i den fortsatta texten helt enkelt att kallas ord. Tabell 1. De 20 vanligaste orden och ordformerna i texten Nr. Ord och ordform Frekvens i den undersökta texten Andel av texten (%) 1. IR 1,319 3.53 2. SU 479 1.28 3. AR 390 1.05 4. MENINGENS 288 0.77 5. DETTA 284 0.76 6. ORDS 258 0.69 7. KAN 243 0.65 8. O 229 0.61 9. IŠ 206 0.55 10. MENINGAR 196 0.53 11. Į 194 0.52 12. ÄR 194 0.52 13. SOM 187 0.50 14. NE 182 0.49 15. ENDAST 171 0.46 16. ENLIGT 170 0.46 17. VARA 155 0.42 18. JŲ 143 0.38 19. MENINGAR 143 0.38 20. KOMBINATIONER 141 0.38 14 Som vanligt består texten av jämförelsevis få ord som används många gånger och många ord som används sällan. Ord som förekommer en enda gång utgör 62% av alla ordanvändningar. Vanligtvis står de för hälften av texten; efter lemmatisering av listan skulle de uppenbarligen fortfarande utgöra ungefär lika mycket, eftersom avledda ordformer skulle föras samman under grundformerna. Engångsord och sällsynta ord, det vill säga med mellan 2 och 10 förekomster, är inte intressanta för terminologen, eftersom sannolikheten att hitta termer här är liten. Kvar blir en jämförelsevis kort del av listan, bara 6% av de ofta förekommande orden i texten, ur vilka det redan är värt att samla in enordstermer. Diagram Fördelningen av textord och ordformer efter användningsfrekvens (antal förekomster) Ord och ordformer som förekommer fler än 10 gånger 6% Ord och ordformer som förekommer mellan 2 och 10 gånger 32% Ord och ordformer som förekommer 1 gång 62% Om dessa användningsdata presenterades i form av en kurva i stället för ett diagram, skulle det framgå att 10 förekomster utgör en mycket tydlig gräns, en tröskel, bortom vilken orden används betydligt oftare än före den. En grundligare analys visade att av de 599 ord som förekom 10 gånger eller fler är hela 239 enordstermer eller delar av sammansatta termer, med andra ord ord som är viktiga för terminografen. Hit hör benämningar på ordklasser, kasus, språkfenomen, enheter och språkvetenskapliga grenar. Fördelen med en allmän frekvensordlista är den redan nämnda mycket tydliga gränsen för användningsfrekvensen, medan det finns flera nackdelar. En av dem är att listan består av enskilda ord, och som bekant finns det inte särskilt många enordstermer. Å andra sidan är de flesta nya termer, som inte har tagits med i ordböckerna och därför är av särskilt stort intresse för terminologer, just flerords- 15 ord. Den andra nackdelen är att en stor del av listan upptas av mycket vanliga funktionsord, som inte heller är särskilt användbara för terminologer. Denna nackdel kan avhjälpas genom att sammanställa en något annorlunda lista med innehållsord. Innehållsord hämtas ur texten på ett något mer komplicerat sätt genom att den undersökta texten jämförs med en betydligt större textkorpus, i vårt fall med Vytautas Magnus-universitetets datoriserade korpus på 55 miljoner ord. Om ett ord förekommer relativt oftare i den undersökta texten än i en stor korpus i genomsnitt, betraktas det som ett innehållsord i texten. Enklare uttryckt: om det skrivs om film, kommer detta ord att nämnas betydligt oftare i texten och därför tas med i listan över innehållsord. Som framgår av tabellen finns här betydligt färre funktionsord, eftersom deras frekvens i texten och korpusen är ungefär densamma. Därmed hamnar mer unika ord i den undersökta texten högst upp – i fråga om en vetenskaplig text handlar det om termer. Tyvärr anges de i denna lista, liksom i den första, var för sig och inte i fraser. Tabell 2. De 20 vanligaste innehållsorden och ordformerna Nr. | Ord och ordform | Frekvens i den undersökta texten | Frekvens i korpusen | Innehållsgradskvot 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 Den tredje möjligheten hos programvara som bygger på statistiska metoder är att ur den undersökta texten plocka ut ordkombinationer som förekommer i identisk form två eller fler gånger. Programmet kan upptäcka kedjor på upp till åtta ord. Det är förstås inte många sådana långa bildningar som förekommer i texten. Betydligt fler är de fasta kombinationerna med fyra, tre och särskilt två ord. I V. Labučis undersökta text finns det 2 åttordsfraser som förekommer minst två gånger, 6 sjufraser, 23 sexordsfraser, 65 femordsfraser, 211 fyrordsfraser, 756 treordsfraser och hela 2695 tvåordsfraser. Nedan visas ordkedjor av olika längd; de kombinationer vars delar skulle kunna betraktas som sammansatta termer är markerade med fetare stil, och bredvid anges hur många gånger kedjan förekommer i texten. ÅTTA ORD DEN BESTÅR AV MINST TVÅ SJÄLVSTÄNDIGA ORD 2 BESTÅR AV MINST TVÅ SJÄLVSTÄNDIGA ORDFORMER 2 SJU ORD DEN BESTÅR AV MINST TVÅ SJÄLVSTÄNDIGA 2 MINST TVÅ SJÄLVSTÄNDIGA ORDFORMER 2 BESTÅR AV MINST TVÅ SJÄLVSTÄNDIGA ORD 2 ORDFORMERNAS ANVÄNDNING TILLSAMMANS MED ANDRA ORDFORMER 2 SEX ORD MINST TVÅ SJÄLVSTÄNDIGA ORD 4 FORMER AV VERB OCH ORD SOM FUNGERAR SOM PREDIKAT 3 I AKADEMISK GRAMMATIK FÖR LITAUISKA LKG III 2 FORMER AV TVÅ ELLER FLERA SJÄLVSTÄNDIGA ORD 2 TILLÄMPNING AV FORMER PÅ ANDRA ORDFORMER 2 OCH MED VISSA PREPOSITIONELLA KONSTRUKTIONER 2 EN SATSDEL ELLER EN BISATS I EN KOMPLEX MENING 2 MED ANDRA KASUS OCH PREPOSITIONELLA KONSTRUKTIONER 2 MED KASUS OCH PREPOSITIONELLA KONSTRUKTIONER 2 EN ORDFORM SOM ANVÄNDS PÅ NÅGOT SÄTT 2 TILLÄMPNING AV ORDFORMER PÅ ANDRA ORD 2 FEM ORD FÄRRE ÄN TVÅ SJÄLVSTÄNDIGA ORD 4 VERB OCH ORD SOM FUNGERAR SOM PREDIKAT 4 17 KASUS OCH PREPOSITIONELLA KONSTRUKTIONER 3 PREDIKATIVA STRUKTURER SOM BILDAR EN KOMPLEX MENING 3 ELLER FLERA SJÄLVSTÄNDIGA ORDFORMER 2 ETT SEPARAT MEDDELANDE OM EN VERKLIG SITUATION 2 EN DEL ELLER EN BISATS 2 FUNGERAR SOM EN UNDERORDNAD DEL AV EN NOMINALFRAS 2 FORMERNAS ANVÄNDNING VID ANDRA ORD 2 KAN UTGÖRA ÄVEN EN DEL AV EN KOMPLEX MENING 2 OCH MELLAN PREDIKATIVA STRUKTURER I EN KOMPLEX MENING 2 OCH FORMER AV ORD SOM FUNGERAR SOM SUBJEKT 2 SOM FORMER AV TVÅ SJÄLVSTÄNDIGA ORD 2 I ANDRA KASUS OCH MED PREPOSITIONELLA KONSTRUKTIONER 2 KASUS ELLER KASUS MED PREPOSITION 2 I FÖRHÅLLANDE TILL DEN GRAMMATISKA PERSONKATEGORIN 2 SYNTAGMATISKA RELATIONER OCH ORDKOMBINATIONER 2 KLASSIFICERINGEN HAR VID UPPREPADE TILLFÄLLEN KRITISERATS 2 MED EN BISATS AV ANDRA GRADEN 2 MED VILKA PREPOSITIONELLA KONSTRUKTIONER 2 MED ANDRA KASUS OCH PREPOSITIONER 2 MED DATIV OCH INSTRUMENTALIS 2 MED EN BISATS SOM UTGÖR EN HEL SATS 2 DETTA ÄR OFTAST VERBALA ORDKOMBINATIONER MED 2 TILLÄMPNING PÅ ANDRA ORDFORMER 2 BISATSER AV SAMMA GRAD 2 HAR EN GEMENSAM SEKUNDÄR SATSDEL 2 ROLL I FÖRHÅLLANDE TILL HELA DEN UNDERORDNADE SATSEN 2 ORDFORMEN TILLÄMPAS ÄNDÅ 2 TILLÄMPNING AV ORDFORMER PÅ ANDRA 2 ORDKOMBINATION ELLER ANNAN KONSTRUKTION 2 FYRA ORD OCH MED PREPOSITIONELLA KONSTRUKTIONER 5 ORD SOM FUNGERAR SOM PREDIKAT 4 VARS HUVUDLED ÄR 4 FÄRRE ÄN TVÅ SJÄLVSTÄNDIGA 4 MINST TVÅ 4 EN ORDFORM SOM FUNGERAR SOM SUBJEKT 4 SOM FUNGERAR SOM SUBJEKT OCH PREDIKAT 4 TVÅ SJÄLVSTÄNDIGA ORDFORMER 3 SAMORDNANDE OCH UNDERORDNANDE 3 KASUS OCH MED PREPOSITIONELLA 3 ORD SOM FUNGERAR SOM HUVUDLED 3 PREDIKATIVA STRUKTURER SOM BILDAR EN MENING 3 MED GRAMMATISK PERSONKATEGORI 3 ETT SÄTT ATT UTTRYCKA ORDRELATIONER 3 BIFFÖRORDNAD SATS PÅ ANDRA NIVÅN 2 OM DESSA BEGREPP, SE 2 18 OM DETTA UNDER ÖVNINGARNA 2 ELLER EN LED I EN KOMPLEX MENING 2 AVSLÖJAR EN ANNAN PREDIKATIV DEL 2 EN GEMENSAM SEKUNDÄR SATSDEL 2 KVALITET OCH KVANTITET HOS SÄTTET 2 ADJEKTIVET BILDAR EN FRAS MED 2 SOM BESTÄMNING TILL EN SUBSTANTIVFRASE 2 TRE ORD KAN VARA 14 MED PREPOSITIONSKONSTRUKTIONER 11 MER ELLER MINDRE 10 LITAUISK SYNTAX 9 MENINGAR KAN VARA 9 VERBALA FRASER MED 8 LED KAN VARA 7 VILKAS HUVUDLED 7 SUBSTANTIVFRASER MED 6 MINST 6 UNDERORDNING OCH SAMORDNING 6 MENINGAR KAN VARA 6 SJÄLVSTÄNDIGA ORDFORMER 6 MED VERB OCH PREDIKAT 6 TVÅ SJÄLVSTÄNDIGA ORD 5 TVÅSIDIG RELATION 5 TVÅ ORD KAN VARA 118 OCH ANNAT 41 LITAUISKA SPRÅKETS 36 ORDFORMER 35 ÄVEN 34 KOMPLEX MENING 32 MENINGENS LED 31 ORDFORMER 31 INTE BARA 29 ORDFÖRBINDELSER 26 FÖRBINDELSER MED 25 PREDIKATIVA LED 24 KAN HA 23 TROTS DET 23 HUVUDKOMPONENTER 21 PREDIKATCENTRUM 20 PREDIKATKOMPONENTER 20 SOM OM 18 KOMPLEXA MENINGAR 18 19 KAN UTGÖRA 17 HUVUDKOMPONENT 17 PREPOSITIONELLA KONSTRUKTIONER 17 MED GENITIV 17 LIKSOM 16 SPRÅKSYSTEM 16 DEN UNDERORDNADE KOMPONENTEN 16 KOMPLEXA MENINGAR 16 DESSUTOM 15 OCH ENLIGT 15 ORDGRUPP 15 Som framgår av exemplen ovan liknar längre ordkombinationer snarare uttryck eller fraser, medan kortare sådana liknar syntaktiska ordkombinationer. Ojämn Deras grad av fasthet varierar också, vilket framgår av antalet förekomster; till exempel har vissa tvåordsförbindelser förekommit hela 118 gånger även i en så pass kort text. Dessutom sammanfaller vissa ordkedjor helt med sammansatta termer, t.ex.: bisats av andra graden, relation mellan tvåvägsförbindelser, språksystem, medan termerna måste extraheras ur andra sådana, t.ex.: avslöjar ett annat predikativt led, en ordform fogas på något sätt till ordet som fungerar som huvudled, m.m. Även om de behöver förkortas är de informativa på sitt eget sätt, eftersom de predikativa orden (i exemplen har de glesats ut), som inte tillhör själva termen utan dess omgivning, ger viktig information om kombinationsmöjligheter och användningsegenskaper. Den senaste listan är, liksom de föregående, inte lemmatiserad, och därför upprepas samma flerordsterm i olika grammatiska former. Dessutom återkommer den i ordkedjor av olika längd – från den längsta till den kortaste: består av minst två självständiga ordformer, minst två självständiga ordformer, självständiga ordformer, ordformer. Hur det än är med den saken hindrar de frekventa upprepningarna inte, utan hjälper till att urskilja de viktigaste och mest använda sammansatta termerna. Även om de halvautomatiska programvaruverktyg som nämnts inte lyckas extrahera alla termer ur den undersökta texten, gör de det ändå möjligt att uppmärksamma de viktigaste. Att terminografen läser och bearbetar de listor som datorn sammanställer garanterar dessutom slutresultatets kvalitet. 20 Slutsats Den moderna terminologin, som strävar efter att samla in, beskriva och standardisera termer inom olika vetenskapsgrenar, kan inte undvara ett datoriserat textkorpus och de övriga steg i arbetet med en datoriserad termbank som hör samman med det: programvara av allmän eller specialiserad typ, lexikala databaser, etc. Textkorpuset måste sammanställas så att det omfattar så stor variation av texter som möjligt och därmed representerar språket inom den vetenskapsgren som beskrivs. Genom att använda även programvara av allmän typ avsedd för lexikografer kan man automatiskt få listor över ord och ordkombinationer som kandidater till termer; ur dessa väljs kända och nya termer. Mottaget 1999 06 21 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