TERMINOLÓGIA ÉS JELENKOR

Rūta MARCINKEVIČIENĖ

Vytauto Didžiojo universitetas

TERMINOGRÁFIA ÉS KORPUSZ

A korpusznyelvészet, amely az első korpusz megjelenésével több mint három évtizede indult, forradalmasította az általános lexikográfiát. Ma a magyarázó szótárak többé-kevésbé korpuszokra támaszkodva készülnek. A terminográfiát e tekintetben mindmáig elhanyagolják azokban az országokban, amelyek a korpusznyelvészetben előrébb járnak, nem is beszélve az olyan újoncokról, mint mi. Itt azt próbáljuk bemutatni, milyen fontos, sőt nélkülözhetetlen a korpusz a terminológiai szótárak összeállításához.

A számítástechnikai technológiák, és velük együtt a számítógépes korpuszok korszaka világosan elválasztotta a hagyományos terminológiát és terminográfiát az újtól. A terminológusok szemlélete több kérdésben jelentősen eltérővé vált: magáról a terminus fogalmáról, a terminusok forrásairól, a terminus és a nem terminus megkülönböztetésének kritériumairól, a terminológus képzettségéről, a terminusok szabályozásáról és még néhány egyéb dologról. A szakterületek nagymértékű bővülése és összefonódása miatt a terminológusok munkája jelentősen megszaporodott, mivel hagyományos módszerekkel aligha lehet lépést tartani a tudomány és a technológia fejlődésével. Éppen ezért a terminusokra is másképp kezdtek tekinteni: nem a norma, hanem inkább a használat került előtérbe.

A hagyományos terminológiát, amely e század elején a technológiai áttörés nyomán alakult ki, leginkább a fogalmak elnevezése, a rövid idő alatt létrejött terminusok nagy változatosságának rendezése, valamint az egyes tudományágak és szakterületek terminológiájának rendszerezése és szabványosítása foglalkoztatta. A terminusokat a terminológia önálló tudományként való megjelenésének kezdetétől fogva másképp kezelték, mint a többi szót. Wüster, a terminológia úttörője (idézi Pearson 1998: 10), azt állította, hogy a terminusokkal másképp kell bánni, mint a köznyelvi szavakkal, mivel a terminológia a fogalmak elemzésével kezdődik. A fogalmak pedig, mint tudjuk, létez-

5

nek nemcsak az őket megnevező terminusoktól, hanem a különböző nyelvektől is függetlenül. A terminusok nem mások, mint fogalmak nevei, amelyek ideális esetben a következő viszonyban állnak magukkal a fogalmakkal: egy fogalom – egy terminus. A terminusokat elsősorban az általuk megnevezett fogalmak hierarchikus fogalomrendszerben elfoglalt helye és más fogalmakkal való kapcsolatai alapján határozták meg. A terminológia alapját az adott szakterület szakértői által létrehozott és/vagy szabványosított, illetve jóváhagyott terminusok alkották, amelyeknek világosan meghatározott, rögzített, tehát védett jelentésük volt. Ezért egyáltalán nem meglepő, hogy a preskriptív elveket követő hagyományos terminológusokat (vö. Wüsterrel, aki számára a Sein-Norm jóval fontosabb volt az Ist-Normnál) egyáltalán nem érdekelte az egyes tudományágak nyelvének tényleges állapota és a terminusok autentikus használata.

A fogalomtól a terminus felé haladva, és így az egyes szakterületek terminológiáját onomasziológiai elv alapján kialakítva, az akkori terminológusoknak nem merült fel, és nem is merülhetett fel a terminusok azonosításának problémája; csak azok megalkotásának kérdésével foglalkoztak. Ráadásul akkoriban az egyes tudományágak még meglehetősen önállóak voltak. A terminológusok szakterületek szerint is jobban elkülönültek, és viszonylag elszigetelt területek terminológiáját ismerték. Ahogy megjelentek a közös kérdések, a szakterületek képviselői is érdeklődni kezdtek a terminusok iránt; emellett új emberek érkeztek a terminológiába, akik nem feltétlenül voltak az adott tudományterület szakértői és/vagy nyelvészek, azaz programozók, terminológiai adatbázisok és elektronikus szótárak fejlesztői stb. Mivel a tényleges nyelvhasználat és az új terminusok száma már régóta meghaladta a rendelkezésre álló jóváhagyott terminusjegyzékeket, a hagyományos cédulakatalógus-módszer miatt a gyorsan változó tudományágak terminográfiája jelentősen lemaradt a valóságtól, így az újonnan érkezők nem bízhattak a korábban regisztrált terminusokban. A terminusokat elkezdték szövegekből gyűjteni, így a szöveg lett a terminológus munkájának kiindulópontja (Rogers et al. 1994: 843). Emellett figyelembe veszik a terminusok tényleges használatát, amely gyakran jelentősen eltér attól az eszménytől, amelyet a nyelvi normák őrei követni kívánnak. Ekkor válik bizonytalanná, hogy mit tekintsünk terminusnak, mikor válik egy szó terminussá, milyen szóhasználat tekinthető terminológiai jellegűnek, és hogyan különböztessük meg a terminust a nem terminustól. A terminológia tehát többé nem olyan világosan körülhatárolt és elszigetelt lexikai egység. Olyan, nehezen elkülöníthető szócsoportot alkot, amelynek középpontjában prototipikus tagok állnak, amelyeket mindig úgy értelmezünk, mint

6

A terminusjellegű szavak után azok következnek, amelyek csak bizonyos körülmények között, bizonyos kontextusban nyerik el a terminus státuszát. A periférián pedig olyan szavak is találhatók, amelyek első pillantásra nem tűnnek terminusnak, mégis annak kellene tekinteni őket. Ez például elmondható a tudományos ismeretterjesztő szövegekben előforduló köznyelvi szókincs szavairól. Emiatt és más okokból a terminográfusok számára nagyon fontos a terminusok azonosítása, hiteles szövegekből való kigyűjtése és leírása. Éppen ezért válnak oly fontossá a szövegkorpuszok és a velük való munkát megkönnyítő szoftverek. A tényleges nyelvhasználatra irányuló figyelem a terminológusokat inkább a leírás, mint a normatív szabályozás felé tereli, a preskriptivizmus és a deskriptivizmus közötti választóvonal pedig a terminográfiát hagyományos és modern irányzatra osztja.

Miért fontos a szövegkorpusz?

A terminusok forrásaként a szövegkorpusz számos okból hasznos a terminográfusok számára. A létrehozását és használatát szorgalmazó szerzők megjelölik ezek közül a legfontosabbakat. Talán a legfontosabb, hogy ugyanabból a szövegkorpuszból egyszerre három, a terminográfusok számára szükséges dolog nyerhető ki: maguk a terminusok, definícióik, vagyis a fogalomra vonatkozó szakterületi információ, valamint a használati példák, tehát a használat gyakorisága, a terminusok kollokációs képessége stb. (Sager 1990, Meyer et al. 1996, Pearson 1998). Természetesen a korpuszt azok a kutatók is használhatják, akik már rendelkeznek előzetes terminusjegyzékkel. Ebben az esetben a korpuszból szakterületi és nyelvi információhoz jutnak. Ha azonban a terminusokat a korpuszból nyerik ki, azoknak van egy nagy előnyük: rendszerszerűek és egymással összefüggnek, mivel az egyes szövegekben különböző szerzők által használt terminuskészletek szerepelnek, amelyekben a terminusok jól átgondoltak és egymáshoz harmonikusan illeszkednek. Éppen ezért – vagyis azért, hogy a kinyert terminusok különálló rendszereket tükrözzenek – teljes szövegeket, nem pedig azok részleteit, azaz mintáit kell a korpuszba felvenni (Meyer et al. 1996: 268). A szövegek teljes korpusza a szakterületi információ szempontjából is nélkülözhetetlen, hiszen az elveszne, ha megelégednénk a szövegrészletekkel.

Napjainkban a terminográfusok által létrehozott korpuszokat még mindig főként arra használják, hogy információt gyűjtsenek a korábban már ismert terminusokról. Azt vizsgálják,

7

hogy használatban vannak-e még, és ha igen, hogyan; megváltoztak-e használati sajátosságaik, s velük együtt a jelentésük; változott-e az általuk megnevezett fogalmak terjedelme új terminusok megjelenésével. A korpusz azonban sokkal inkább új terminusok kinyeréséhez szükséges; talán ezért azonosításuk, valamint automatikus vagy félautomatikus kinyerésük napjaink elektronikus terminográfiájának egyik legnépszerűbb témája. E tekintetben a terminográfus különbözik a lexikográfustól. Az utóbbi számára nem merül fel a kérdés, hogy mi a szó; csak az, hogy mely szavak kerüljenek mely szótárakba. A terminográfus számára viszont elég gyakran felmerül a kérdés: mi a terminus? A korpuszból kinyert, speciális adatbázisokban tárolt és kezelt új terminusok egy további tulajdonsága, hogy forrásaik pontosan meg vannak jelölve és dátummal ellátva, amiből következtetni lehet a terminusok megjelenésére, elterjedésére és eltűnésére.

Ha a terminográfus munkájának végső eredményét elektronikus adatbázisként (DB) vagy annak alapján összeállított nyomtatott szótárként képzeljük el, akkor a korpusz az adatbázis előkészítésének valamennyi szakaszában fontos szerepet játszik. A számítógépek a terminográfus teljes munkafolyamatát lefedik: a számítógépes korpuszoktól a speciális terminuskereső és -azonosító programokon át a terminológiai adatbázisok összeállításáig, a terminusok leírásáig és azok elektronikus vagy hagyományos, könyv formájában történő terjesztéséig (Ahmad et al. 1994: 267).

A terminográfus munkafolyamata a következő. Az első szakaszban az elektronikus szövegarchívumból meghatározott elvek szerint korpuszt állítanak össze, később ebből terminusokat nyernek ki, majd áthelyezik őket az adatbázisba és leírják; vagyis az adatbázis egyes mezőiben a konkordanciából vett, tipikus használatukat szemléltető példák és az ugyanonnan származó definíciók szerepelnek. Később a korpuszból nyert nyelvi és szakterületi információ alapján megadják a leírt terminushoz kapcsolódó szavakat: szinonimákat, antonimákat, hiponimákat, hiperonimákat; kereszthivatkozásokat adnak ezek szócikkeire, feltüntetik a terminus szakterületi besorolását és helyét az általános fogalmi rendszerben. Ezenkívül megadják a nyelvtani és pragmatikai sajátosságokat, a kollokációs vagy egyéb használati korlátozásokat, a terminus ajánlott voltára vonatkozó információt, valamint – ha ez a terv része – a fordítási ekvivalenseket is (a terminográfiai leírás sajátosságairól bővebben lásd Sager 1990: 142–163). A szövegkorpusz tehát nélkülözhetetlen a kezdetektől, vagyis magának a tudományágnak a megismerésétől

8

egészen az utolsó szakaszig, a szótári szócikk elkészítéséig. A mai terminológusok nagyon szkeptikusan tekintenek a már meglévő, nem korpuszalapon készült nyomtatott szótárak számítógépesítésére, vagyis adatbázisokba való feltöltésére (Sager 1990: 141).

A terminográfusok számára készített speciális korpuszok összeállítása mellett szóló további érv, hogy a hiteles nyelvi példák a terminográfiában még a lexikográfiánál is fontosabbak. Sokkal fontosabbak az introspekciónál, mert a terminográfus a lexikográfussal ellentétben nem szakértője, és nem alkot szövegeket annak a nyelvváltozatnak, amelyet leír. Ha problémás esettel találkozik, nem kérdezheti meg: hogyan használnám ezt a szót?, hanem csak azt: mit jelent ez a szó az adott terület szakértője számára, hogyan használná egy tudós, technológus vagy szakértő? A nyelvi intuíció korlátozott alkalmazhatósága miatt tehát a terminográfusok sokkal inkább a korpusztól függenek, mint a lexikográfusok. Atkins et al. a korpuszhasználókat három csoportba sorolja: a) akik a szövegek nyelve iránt érdeklődnek, b) akik a szövegek tartalma iránt érdeklődnek, és c) akik magukra a szövegekre, vagyis azok felépítésére, létrehozására stb. kíváncsiak (idézi Meyer et al. 1996: 269). A lexikográfusok az első csoportba tartoznak, a terminográfusok pedig az első kettőbe, mivel számukra a nyelvi és a szakterületi ismeretek egyaránt fontosak. Miután felismertük a szövegkorpusz terminológia számára betöltött jelentőségét és az általa kínált lehetőségeket, meg kell határoznunk, milyen legyen a terminográfus korpusza.

Milyen korpusz

Mint említettük, a terminográfusnak két, egyformán fontos dologra van szüksége a korpuszból: nyelvi és szaktárgyi információra, ezért fontos, hogy mindkettőt meg lehessen szerezni belőle. Nyelvi szempontból a korpusznak olyannak kell lennie, hogy a terminusok világosan, helyesen és lehetőleg definíciókkal együtt szerepeljenek benne. Kívánatos, hogy minél több és minél változatosabb terminus legyen benne, ideális esetben egy adott nyelvi közösség által megalkotott és használt valamennyi. Az is fontos, hogy a terminusok gazdag és sokféle kontextusban forduljanak elő. Szaktárgyi szempontból olyan szövegeket kell a korpuszba felvenni, amelyekből kirajzolódik a terminusokkal megnevezett fogalmak tartalma, egymáshoz való viszonya és függősége. Nagyon fontos, hogy a terminusok ezekben a szövegekben meghatározást kapjanak.

9

A fent említett okokból a szakértők azt javasolják, hogy a korpuszok a kommunikációs és pragmatikai szempontból lehetséges szövegek teljes skáláját foglalják magukban, a legegyszerűbbektől a legösszetettebbekig. Pearson a szaknyelvi szövegeket aszerint, hogy milyen valószínűséggel találhatók bennük terminusok, négy csoportba sorolja: a) azok, amelyekben a szakértő címzettje tudás tekintetében egyenrangú partnere – maga is szakértő, azaz referált tudományos folyóiratokban megjelent cikkek, monográfiák; ezekben a szövegekben a legnagyobb a terminussűrűség; b) olyan szövegek, amelyeket a szakértő nála alacsonyabb szintű, de ugyanazon a szakterületen dolgozó szakembernek címez, például különféle útmutatók, tankönyvek; ezekben valamivel kevesebb terminus fordul elő; c) a szakterülettel nem ismerős emberek számára írt ismeretterjesztő szövegek. Ezekben tudatosan kerülik a bonyolult vagy bármilyen terminusokat, inkább magyaráznak, más szavakkal fogalmazzák újra a mondanivalót, analógiákat és összehasonlításokat alkalmaznak, így a szerző, ha nagyon akarja, teljesen nélkülözheti a terminusokat; d) a tanár–diák kommunikációnak megfelelő szövegek: tankönyvek, oktatási segédanyagok. Ezekben vannak terminusok, de némileg másképpen használják őket. E szövegek fontos jellemzője a terminusok magyarázata (Pearson 1998: 36–40).

A terminográfiai korpusz szövegeinek kizárólag kommunikációs-pragmatikai szempontú jellemzése nem elegendő. A korpusz minősége és reprezentativitása szempontjából a szövegek egyéb paraméterei és arányai legalább ilyen fontosak. Arra a kérdésre, hogy hány szöveget kell összegyűjteni ahhoz, hogy megbízhassunk az ezekből összeállított korpusz adataiban, a szakértők így válaszolnak: „Az általános korpuszok esetétől eltérően itt a minőség sokkal fontosabb, mint a mennyiség” (Meyer et al. 1996: 268). A szaknyelvi korpuszok érthető okokból általában kisebbek az általános korpuszoknál. Kisebb méretük ellenére azonban teljes, rövidítetlen szövegekből állnak. Ezenkívül az előzetesen a terminográfusok által kiválasztott reprezentált ágazat egészét, annak valamennyi alágazatával együtt le kell fedniük. Gyakran nehéz világos határt húzni az egyes tudományágak között, különösen akkor, ha az adott ág általánosabb területekkel is összefügg, és a korpusz összeállítóit kísértésbe ejti, hogy mélyebbre menjenek, azaz további, szakértőknek írt, kétségtelenül az adott területhez tartozó szövegeket vegyenek fel. Ezért azt javasolják a terminológusoknak, hogy kérjék ki a leírandó terület szakértőinek tanácsát arról, milyen szövegeket vegyenek fel, hogy minden szempontból reprezentatív korpusz jöjjön létre, és a kihagyott szövegekkel együtt ne maradjanak ki

10

a rendszer szempontjából fontos fogalmak és az azokat megnevező terminusok, és ami a legfontosabb: ne egyetlen összeállító preferenciái domináljanak (Ahmad 1993: 60). A terminográfiai korpusz esetében egyáltalán nem megfelelő a lexikográfusok által az általános korpuszokra olykor alkalmazott elv: „Ami a kezem ügyébe kerül, azt beleteszem.”

A korpuszok tipológiáját, valamint a folytonosság szempontjából legfontosabb korpusztípusokat – zárt, folyamatos és cserélődő (monitor) – figyelembe véve azt javasolják, hogy a terminográfiai korpuszt a második, vagy még inkább az utóbbi típusú szöveggyűjteményként állítsák össze. Ekkor a korpusz folyamatosan új szövegekkel bővül, a régieket pedig vagy megtartják (a folyamatos korpusz esetében), vagy archívumba helyezik, ha cserélődő korpuszról van szó. A folyamatos korpusz állandóan növekedne, és nem feltétlenül maradnának meg előzetesen kijelölt szerkezeti elvei, mert a kiadási tendenciák változásával az új szövegek valamelyik irányba billenthetnék az arányokat. A cserélődő korpusz arányai változatlanok maradnának, az új szövegek pedig csak akkora helyet foglalnának el, amekkorát kezdetben az adott típusú szövegek számára kijelöltek. A korpusz folyamatos frissítése mindenképpen szükséges, mert a terminusok sokkal gyorsabban elavulnak, mint a mindennapi nyelv szavai.

Miután mérlegeltük a korpusz méretével, jellegével és szaktárgyi határaival kapcsolatos általános kérdéseket, és döntést hoztunk róluk, ezután azt kell megvizsgálni, hogy pontosan milyen szövegeket vegyünk fel a korpuszba, hogy reprezentatív és kiegyensúlyozott legyen. Minden egyes esetben figyelembe kell venni a szöveg műfaját, keletkezésének idejét, szerzőjét és nyelvi státuszát, és a lehető legnagyobb változatosságra kell törekedni. Hiszen nem más, mint a műfaji változatosság és a komoly szövegektől a népszerűekig terjedő széles skála teszi lehetővé, hogy mind tudományos, formális terminusokat válasszunk ki, amelyek között sok a szerzői neologizmus, mind pedig népszerű, jóval elterjedtebb és a köznyelvben meghonosodott terminusokat.

A szövegek korát tekintve az újabbak élveznek elsőbbséget, de a régebben írt szövegek is értékesnek bizonyulhatnak, különösen, ha szaktárgyi szempontból vizsgáljuk őket. A szerzőknek is igen változatosnak kell lenniük, hogy egy-egy erőteljesen reprezentált szerző stílusjegyei ne billentsék el az arányokat. Bár a tudományos szövegek stiláris változatossága nem túl nagy, ha például a szépirodalommal hasonlítjuk össze őket, a szerzői stílus fontos nemcsak a nyelvi egységek használata, hanem kiválasztása szempontjából is. Ezért nem meglepő, hogy a különböző tudósok, különösen ha különböző tudományos irányzatokhoz tartoznak, másként használják a-

11

az ilyen terminusokat. A terminusok szabványosításához és normatív rögzítéséhez, valamint az új szavak kereséséhez egyaránt rendkívül fontos, hogy a korpusz terminusainak változatossága minél nagyobb legyen. Végül, de nem utolsósorban fontos a szövegek nyelvi státusza is. Elsőbbséget élveznek az eredeti, nem pedig fordításból származó, anyanyelvi szerzők által írt, továbbá lektorált és szerkesztett szövegek.

A korpuszelemzés eszközei a terminográfusok számára

Az elmúlt évtizedben számos olyan szoftvert fejlesztettek ki, amely megkönnyíti a lexikográfusok számára a szavak keresését és a korpusz egyéb elemzését. Bár a lexikográfusok és a terminográfusok munkája általában eltér egymástól, csaknem ugyanazokat a szoftveres lehetőségeket használják, nevezetesen: a) szógyakorisági listákat; b) konkordanciákat, vagyis a vizsgált szó összes előfordulását egy meghatározott terjedelmű, rendszerint egysoros szövegkörnyezetben; valamint c) a kollokációs partnerek statisztikáját (Meyer et al. 1996: 274). Ezek az eszközök a korpusz nyelvészeti szempontú vizsgálatát segítik.

A lexikográfusokkal közösen használt, nyelvi célú általános szoftvereszközök mellett fokozatosan megjelennek a kifejezetten terminográfusok számára alkalmas speciális programok is. Ezek az általános programoktól már nem nyelvi, hanem szakterületi jellegükben különböznek, hiszen a korpuszban található információk elemzésére szolgálnak. Ebben az esetben a korpuszt már nem a terminushasználat szövegkörnyezeteinek összességeként, hanem egy adott terület vagy tudományág speciális ismereteinek forrásaként kezelik. E programoknak több csoportja említhető: a) olyan programok, amelyek a szöveget a benne közölt információ szempontjából elemzik – például jelentéshordozó szavakat, a szöveg információban gazdag részeit keresik, amelyek a fogalmak közötti kapcsolatokat és függőségeket jelölik, és így tovább; b) olyan programok, amelyek kiválasztják a terminográfus számára szükséges korpuszrészleteket, például a terminusok definícióit; c) olyan programok, amelyek segítik a terminusokkal megnevezett fogalmak elemzését, és megkönnyítik a korpuszból nyert ismeretek rendszerezését (knowledge acquisition systems). Bár ez utóbbi csoport teljesen új és igen ígéretes, a szakirodalom mindeddig túl kevés figyelmet szentelt neki. Jóval többet írtak arról a lehetőségről, hogy a korpuszban található terminusdefiníciókat félautomatikusan gyűjtsék ki (Pearson 1998: 121–204).

12

Mind a definíciók, mind az összetett terminusok gyűjtéséhez morfológiailag annotált korpusz szükséges, vagyis olyan korpusz, amelynek minden szavát szófaj szerint címkézték. A munka kezdeti szakaszát magának a lexikográfusnak kell elvégeznie: elolvassa a szövegeket, és összegyűjti a meghatározott terminusokat. Ezekre az adatokra támaszkodva később összeállítja a definíciók morfológiai modelljeit – vagyis a definiálás során előforduló összes szófaji szekvenciakombinációt. Ezután a számítógép az egész korpuszban ilyen szókapcsolatokat keres. Így nem a terminusok és definícióik, hanem a definiált terminusok jelöltjeinek listája áll elő. Ezt adják át az adott terület szakértőjének átnézésre, hogy törölje a szükségtelen találatokat. A felesleges, véletlenül egybeeső morfológiai kombinációk számának csökkentése érdekében megadják a számítógépnek a definíciókban leggyakrabban előforduló lexikai egységeket, vagyis a definíciók gyakori szavait. Hasonlóképpen összetett terminusok is kinyerhetők a korpuszból; ez az első generációs automatikus terminusazonosító programok, a LEXTER (Bourigault 1995) és a TERMINO (Lauriston 1994) alapelve.

Természetesen a korpusz ilyen feldolgozása bizonyos problémákat vet fel. Mindenekelőtt korántsem minden kiválasztott szókapcsolat terminus. Ezt a problémát úgy kezelik, hogy létrehoznak egy, a számítógépbe betáplált listát a szükségtelen szavakról (stop-list), amelyek nem kerülnek be a terminusjelöltek listáiba. Emellett gyakran nem világos, mely szavak tartoznak magához az összetett terminushoz, és melyek csupán a környezetéhez. Ez azonban a terminusok kézi gyűjtésekor sem mindig egyértelmű.

A terminusok félautomatikus kiválasztásának módszere

A terminográfus számára a legegyszerűbb szoftveres eszközök által kínált lehetőségek bemutatásához V. Labutis „Szintaxis” című művének elektronikus változatát választottuk elemzésre (T.I, V., 1994), a szöveget pedig Mik Scott, nyelvészeknek szánt eszközcsomagjával, a WordSmith Tools, version 2.0 programmal (Oxford, 1997) vizsgáltuk. A statisztikai elemzés célja néhány szó- és szókapcsolat-lista összeállítása volt, amelyekből később kiválaszthatók a terminusjelöltek és maguk a terminusok.

Az elemzett szöveg statisztikai mutatói a következők: a teljes szöveg 37 319 szóból és szóalakból áll; az ismétlődőket kiszűrve ennyi marad

13

9 249 szó és szóalak. A lexikai változatossági mutató (type/token ratio) 24,78. A teljes szöveg 2 364 mondatot tartalmaz, a mondatok átlagos hossza 15,78 szó.

Mindenekelőtt a legegyszerűbb műveletet végeztük el: összeállítottuk a szöveg összes szavának gyakorisági listáját, amely lehetővé teszi, hogy a leggyakrabban használt szavak között terminusokat keressünk. Amint a lista bemutatott részletéből látható, a szöveget szavak és szóalakok alkotják, gyakoriság szerint sorba rendezve. Mivel a szöveg nem tartalmaz a szóalakok egyes szófajokhoz tartozását jelölő grammatikai annotációkat, a lista nem lemmatizált, így ugyanazon szó különböző grammatikai alakjai külön-külön szerepelnek. A rövidség kedvéért a továbbiakban mind az invariáns szavakat, mind a ragozott szavak különböző alakjait egyszerűen szavaknak nevezzük.

1. táblázat. A szöveg 20 leggyakoribb szava és szóalakja

Sorsz.

Szó és szóalak

Gyakoriság a vizsgált szövegben

A szöveg elfoglalt hányada (%)

1.

IR

1,319

3.53

2.

SU

479

1.28

3.

AR

390

1.05

4.

MONDAT

288

0.77

5.

AZ

284

0.76

6.

SZAVAK

258

0.69

7.

LEHET

243

0.65

8.

O

229

0.61

9.

IŠ

206

0.55

10.

MONDATOK

196

0.53

11.

Į

194

0.52

12.

VAN

194

0.52

13.

MINT

187

0.50

14.

NE

182

0.49

15.

CSAK

171

0.46

16.

SZERINT

170

0.46

17.

LENNI

155

0.42

18.

JŲ

143

0.38

19.

MONDATOK

143

0.38

20.

KAPCSOLATOK

141

0.38

14

A szöveget rendszerint viszonylag kevés, sokszor használt szó, valamint sok, ritkán használt szó alkotja. Az egyszer előforduló szavak az összes szóelőfordulás 62%-át teszik ki. Általában a szöveg felét adják; a lista lemmatizálása után feltehetően ennyi maradna, mivel a származékos szóalakok az alapalakok alá kerülnének. Az egyszeri és ritka, azaz 2–10 előfordulású szavak a terminológus számára nem érdekesek, hiszen csekély annak a valószínűsége, hogy itt terminusokra bukkanjunk. A lista viszonylag rövid része marad: a szöveg gyakran használt szavainak mindössze 6%-a, amelyek közül már érdemes egy szóból álló terminusokat gyűjteni.

Diagram

A szöveg szavainak és szóalakjainak megoszlása előfordulási gyakoriság szerint (az előfordulások száma)

10-nél többször előforduló szavak és szóalakok 6%

2–10 alkalommal előforduló szavak és szóalakok 32%

1 alkalommal előforduló szavak és szóalakok 62%

Ha ezeket a használati adatokat diagram helyett görbe formájában ábrázolnánk, jól láthatóvá válna, hogy a 10 előfordulás nagyon egyértelmű határ, küszöb: az ezt meghaladó gyakorisággal előforduló szavakat jóval gyakrabban használják, mint az alatta maradókat. A részletesebb elemzés azt mutatta, hogy az 599, legalább 10 alkalommal előforduló szó közül 239 egy szóból álló terminus vagy összetett terminusok része, más szóval a terminográfus számára fontos szó. Ide tartoznak a szófajok, az esetek, a nyelvi jelenségek, az egységek és a nyelvészeti ágak megnevezései.

Az általános gyakorisági szólista előnye az említett, használati gyakoriságra vonatkozó, nagyon egyértelmű határ; hátránya viszont több is van. Az egyik: a listát önálló szavak alkotják, holott tudvalevő, hogy nincs olyan sok egyszavas terminus. Másrészt az újabb, szótárakba be nem került, ezért a terminológusokat különösen érdeklő terminusok túlnyomó többsége éppen több szóból álló-

15

szavak. A második hátrány: a lista jelentős részét nagyon gyakori funkciószavak teszik ki, amelyek a terminológusok számára szintén kevéssé informatívak. Az utóbbi hiányosság kiküszöbölhető egy kissé eltérő, tartalmas szavakat tartalmazó lista összeállításával. A tartalmas szavak kinyerése a szövegből valamivel bonyolultabb: a vizsgált szöveget egy nála jóval nagyobb szövegkorpusszal kell összehasonlítani; esetünkben a Vytautas Magnus Egyetem 55 millió szavas számítógépes korpuszával. Ha egy szó a vizsgált szövegben viszonylag gyakrabban fordul elő, mint a nagy korpuszban átlagosan, akkor az az adott szöveg tartalmas szavának tekinthető. Egyszerűbben fogalmazva: ha a szöveg a moziról szól, ez a szó sokkal gyakrabban fordul majd elő benne, így bekerül a tartalmas szavak listájába. Amint a táblázatból látható, itt jóval kevesebb a funkciószó, mivel ezek gyakorisága a szövegben és a korpuszban nagyjából azonos. Így az első helyre a vizsgált szöveg egyedibb szavai kerülnek; tudományos szöveg esetében ezek a terminusok. Sajnos ebben a listában is, akárcsak az elsőben, önállóan, nem szókapcsolatokban szerepelnek.

2. táblázat. A 20 leggyakoribb tartalmas szó és szóalak

Sorszám | Szó és szóalak | Gyakoriság a vizsgált szövegben | Gyakoriság a korpuszban | Tartalmassági együttható 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

A statisztikai módszereken alapuló szoftver harmadik lehetősége, hogy kiválassza a vizsgált szövegből azokat a szókapcsolatokat, amelyek azonos alakban legalább kétszer fordulnak elő benne. A program akár nyolcszavas láncokat is képes felismerni. Érthető módon ilyen hosszú alakulatból nincs sok a szövegben. Sokkal több a rögzült négy-, három-, különösen pedig kétszavas szókapcsolat. V. Labutis vizsgált szövegében legalább kétszer előforduló nyolcszavas szókapcsolatból 2, hétszavasból 6, hatszavasból 23, ötszavasból 65, négyszavasból 211, háromszavasból 756, kétszavasból pedig nem kevesebb mint 2695 található. Az alábbiakban különböző hosszúságú szóláncok következnek; vastag betűvel jelöltük azokat a szókapcsolatokat, amelyek elemei összetett terminusoknak tekinthetők, mellettük pedig a szövegben való előfordulásaik számát tüntettük fel.

NYOLC SZÓ

LEGALÁBB KÉT ÖNÁLLÓ SZÓ ALKOTJA 2

LEGALÁBB KÉT ÖNÁLLÓ SZÓ ALAKJAI ALKOTJÁK 2

HÉT SZÓ

LEGALÁBB KÉT ÖNÁLLÓ SZÓ ALKOTJA 2

LEGALÁBB KÉT ÖNÁLLÓ SZÓ ALAKJAI 2

LEGALÁBB KÉT ÖNÁLLÓ SZÓ ALKOTJA 2

A SZÓALAKOK HASZNÁLATA MÁS SZÓALAKOK MELLETT 2

HAT SZÓ

LEGALÁBB KÉT ÖNÁLLÓ SZÓ 4

AZ IGEI ÉS ÁLLÍTMÁNYI SZEREPBEN ÁLLÓ SZÓALAKOK 3

A LITVÁN NYELV AKADÉMIAI NYELVTANÁBAN (LKG III) 2

KÉT VAGY TÖBB ÖNÁLLÓ SZÓ ALAKJA 2

AZ ALAKOK ALKALMAZÁSA MÁS SZÓALAKOKHOZ 2

ÉS EGYES ELÖLJÁRÓS KONSTRUKCIÓKHOZ 2

A MONDAT EGY RÉSZÉT VAGY AZ ÖSSZETETT MONDAT TAGMONDATÁT 2

MÁS ESETEKKEL ÉS ELÖLJÁRÓS KONSTRUKCIÓKKAL 2

ESETEKKEL ÉS ELÖLJÁRÓS KONSTRUKCIÓKKAL 2

A SZÓALAK VALAMILYEN MÓDON ALKALMAZVA VAN 2

A SZÓALAKOK ALKALMAZÁSA MÁS SZAVAKHOZ 2

ÖT SZÓ

KETTŐNÉL KEVESEBB ÖNÁLLÓ SZÓ 4

IGÉK ÉS ÁLLÍTMÁNYI SZEREPBEN ÁLLÓ SZAVAK 4

17

ESETEKKEL ÉS ELÖLJÁRÓS SZERKEZETEKKEL 3

AZ ÖSSZETETT MONDATOT ALKOTÓ PREDIKATÍV SZERKEZETEK 3

VAGY ÖNÁLLÓ SZAVAK TÖBB ALAKJA 2

KÜLÖN KÖZLÉS A VALÓSÁG EGY HELYZETÉRŐL 2

AZ ÖSSZETETT MONDAT EGY RÉSZÉT VAGY TAGMONDATÁT 2

FŐNÉVI CSOPORT ALÁRENDELT TAGJAKÉNT SZEREPEL 2

ALAKOK HASZNÁLATA MÁS SZAVAK MELLETT 2

AZ ÖSSZETETT MONDAT RÉSZE IS LEHET 2

AZ ÖSSZETETT MONDAT PREDIKATÍV TAGJAI KÖZÖTT IS 2

ÉS AZ ALANYI SZEREPBEN ÁLLÓ SZAVAK ALAKJAI IS 2

KÉT ÖNÁLLÓ SZÓ ALAKJAKÉNT 2

MÁS ESETEKKEL ÉS ELÖLJÁRÓS SZERKEZETEKKEL 2

ESET VAGY ELÖLJÁRÓSZÓS ESET 2

KAPCSOLAT A NYELVTANI SZEMÉLYKATEGÓRIÁVAL 2

SZINTAGMATIKUS VISZONYOK ÉS SZÓKAPCSOLATOK 2

A FELOSZTÁST TÖBBSZÖR IS BÍRÁLTÁK 2

ALÁRENDELT MELLÉKMONDATTAL 2

MILYEN ELÖLJÁRÓS SZERKEZETEKKEL 2

MÁS ESETEKKEL ÉS ELÖLJÁRÓS SZERKEZETEKKEL 2

RÉSZESHATÁROZÓVAL ÉS ESZKÖZHATÁROZÓVAL 2

A TELJES MONDAT ALÁRENDELT TAGMONDATÁVAL 2

EZEK LEGINKÁBB IGEI SZÓKAPCSOLATOK, AMELYEK...-VAL/-VEL 2

ALKALMAZÁS MÁS SZÓALAKOKHOZ 2

AZONOS FOKÚ MELLÉKMONDATOK 2

KÖZÖS MONDATRÉSZÜK VAN 2

SZEREPE A TELJES ALÁRENDELT MONDAT VISZONYLATÁBAN 2

A SZÓALAKOT MINDENKÉPP ALKALMAZZÁK 2

SZÓALAKOK ALKALMAZÁSA MÁS 2

SZÓKAPCSOLAT VAGY MÁS SZERKEZET 2

NÉGY SZÓ

ÉS ELÖLJÁRÓSZÓS SZERKEZETEKKEL 5

ÉS ÁLLÍTMÁNYKÉNT FUNKCIONÁLÓ SZAVAK 4

AMELYEK FŐ TAGJA 4

KEVESEBB MINT KÉT ÖNÁLLÓ 4

LEGALÁBB KETTŐ 4

AZ ALANYI FUNKCIÓT BETÖLTŐ SZÓALAK 4

ALANYI ÉS ÁLLÍTMÁNYI SZEREPET BETÖLTŐ 4

KÉT ÖNÁLLÓ SZÓ ALAKJAI 3

ALÁRENDELŐ ÉS MELLÉRENDELŐ KÖTŐSZAVAK 3

ESETEKKEL ÉS ELÖLJÁRÓSZÓS 3

A FŐ TAGOK FUNKCIÓJÁT BETÖLTŐ SZÓ 3

A MONDATOT ALKOTÓ PREDIKATÍV SZERKEZETEK 3

GRAMMATIKAI SZEMÉLYKATEGÓRIÁVAL 3

A SZÓKAPCSOLATOK KIFEJEZÉSÉNEK MÓDJA 3

MÁSODFOKÚ MELLÉKMONDATTAL 2

EZEKRŐL A FOGALMAKRÓL LÁSD 2

18

ERRŐL A GYAKORLATOK SORÁN 2

VAGY AZ ÖSSZETETT MONDAT TAGJÁT 2

MÁS PREDIKATÍV TAGOT TÁR FEL 2

A MONDAT KÖZÖS MÁSODLAGOS MONDATRÉSZÉT 2

A MÓD MINŐSÉGE ÉS MENNYISÉGE 2

A MELLÉKNÉV KAPCSOLATOT ALKOT A 2

A FŐNÉVI SZERKEZET ALÁRENDELT TAGJAKÉNT 2

TRYS ŽODŽIAI

LEHET 14

ELÖLJÁRÓS SZERKEZETEKKEL 11

TÖBBÉ-KEVÉSBÉ 10

A LITVÁN NYELV SZINTAXISA 9

A MONDATOK LEHETNEK 9

IGEI SZÓKAPCSOLATOK -VAL/-VEL 8

A TAGOK LEHETNEK 7

AMELYEK FŐ TAGJA 7

FŐNÉVI SZÓKAPCSOLATOK -VAL/-VEL 6

LEGALÁBB 6

MELLÉRENDELÉS ÉS ALÁRENDELÉS 6

MONDATOK LEHETNEK 6

ÖNÁLLÓ SZÓALAKOK 6

IGÉVEL ÉS ÁLLÍTMÁNNYAL 6

KÉT ÖNÁLLÓ SZÓ 5

DVIPUSĖS SĄSAJOS SANTYKIU 5

KÉT SZÓ

LEHET 118

ÉS STB. 41

A LITVÁN NYELV 36

SZÓALAKOK 35

SZINTÉN 34

ÖSSZETETT MONDAT 32

A MONDAT RÉSZEI 31

SZÓALAKOK 31

NEM CSAK 29

SZÓKAPCSOLATOK 26

KAPCSOLATOK VALAMIVEL 25

PREDIKATÍV TAGOK 24

LEHETNEK 23

MINDENESEN 23

ALAPVETŐ ÖSSZETEVŐK 21

PREDIKATÍV KÖZPONTOT 20

PREDIKATÍV ÖSSZETEVŐK 20

MINTHA 18

ÖSSZETETT MONDATOK 18

19

ALKOTHAT 17

ALAPVETŐ ÖSSZETEVŐ 17

ELÖLJÁRÓS SZERKEZETEKKEL 17

BIRTOKOS ESETTEL 17

VALAMINT 16

A NYELV RENDSZEREI 16

FÜGGŐ ÖSSZETEVŐ 16

ÖSSZETETT MONDATOK 16

EMELLETT 15

ÉS ASZERINT 15

SZÓKAPCSOLAT 15

Amint a bemutatott példákból látható, a hosszabb szókapcsolatok inkább kifejezésekre vagy fordulatokra, a rövidebbek pedig szintaktikai szókapcsolatokra emlékeztetnek. Nem egyforma

a megmerevedettségük mértéke sem, amely a használati előfordulások számából rajzolódik ki: például egyes kétszavas kapcsolatok még ebben a nem túl hosszú szövegben is 118 alkalommal fordulnak elő. Emellett egyes szókapcsolatláncok teljesen egybeesnek összetett terminusokkal, például: másodfokú mellékmondat, kétoldalú kapcsolat viszonya, nyelvi rendszer, míg más esetekben a terminusokat ki kell emelni belőlük, például: másik predikatív tag tárja fel, a szóalak valamiképpen a fő tag szerepét betöltő szóhoz igazodik és így tovább. Bár rövidítésre szorulnak, sajátos módon informatívak, hiszen a predikatív szavak (a példákban ritkítva szerepelnek), amelyek nem magához a terminushoz, hanem annak környezetéhez tartoznak, fontos információt nyújtanak a vonzatosságról és a használat sajátosságairól.

Ez a lista az előzőkhöz hasonlóan nincs lemmatizálva, ezért ugyanaz a többszavas terminus mindig más-más grammatikai alakban ismétlődik. Többek között különböző hosszúságú szóláncokban is ismétlődik – a leghosszabbtól a legrövidebbig: legalább két önálló szó alakjaiból áll, legalább két önálló szó alakjaiból, önálló szavak alakjaiból, szóalakokból. Bárhogy is legyen, a gyakori ismétlődések nem akadályozzák, hanem segítik a legfontosabb, leggyakrabban használt összetett terminusok felismerését. Még ha a felsorolt félautomatikus szoftvereszközökkel nem is lehet a vizsgált szöveg valamennyi terminusát kinyerni, mindenképpen lehetővé teszik a legfontosabbak felismerését; az pedig, hogy a számítógép által összeállított listákat terminográfus olvassa át és dolgozza fel, garantálja a végeredmény minőségét.

20

Összefoglalás

A korszerű terminológia, amely a különböző tudományágak terminusainak összegyűjtésére, leírására és szabványosítására törekszik, nem nélkülözheti a számítógépes szövegkorpuszt és a számítógépes terminológiai bank létrehozásának ehhez kapcsolódó további szakaszait: az általános vagy speciális szoftvereket, a lexikai adatbázist stb. A korpuszt úgy kell összeállítani, hogy a lehető legnagyobb szövegváltozatosságot fogja át, és ezáltal reprezentálja a leírt tudományág nyelvét. Még az általános célú, lexikográfusoknak szánt szoftverek használatával is automatikusan előállíthatók azok a szó- és szókapcsolat-listák, amelyek terminusjelölteket tartalmaznak; ezekből választják ki az ismert és az új terminusokat.

Beérkezett: 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 9^th 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