Content uploaded by Ágoston Tóth
Author content
All content in this area was uploaded by Ágoston Tóth on Dec 23, 2019
Content may be subject to copyright.
TÓTH ÁGOSTON
1
TÓTH ÁGOSTON
Debreceni Egyetem, Angol–Amerikai Intézet
toth.agoston@arts.unideb.hu
Tóth Ágoston: Számolhatunk velük: szavaink egyenkénti és együttes előfordulási
gyakoriságának mérése a lexikográfia szolgálatában
Alkalmazott Nyelvtudomány, Különkiadás 2017
doi:http://dx.doi.org/10.18460/ANY.K.2017.003
Számolhatunk velük: szavaink egyenkénti és együttes előfordulási
gyakoriságának mérése a lexikográfia szolgálatában
Advances in information technology and quantitative corpus linguistics have had a great effect on
lexicography. This paper focuses on word frequency and word co-occurrence frequency information.
Word frequency is shown to have an effect on the headword inclusion lexicographical subtask and on
compiling controlled defining vocabularies. Word frequency can also be meaningfully presented in
dictionaries as a property of the headword. Frequency data may influence the ordering of senses within
entries and the ordering of translation equivalents in bilingual dictionaries. Measuring first-order word
co-occurrence frequency in corpora makes it possible to find and document collocations. Calculating
second-order word co-occurrence information is a way of measuring the similarity of words, which
also has lexicographical potential. Finally, a survey gives us insight into dictionary users’ awareness of
frequency-related dictionary features discussed in the paper.
1. Bevezetés
A szótárak szerkesztéséhez fokozatosan és hosszú idő alatt kifejlesztett eljárások
az elektronikus számítógépek megjelenése után, a 20. század második felében
sokat változtak. A szótári adatok számítógépes adatbázisokba kerültek, géppel
feldolgozhatóvá váltak. Lehetségessé vált a szótárban tárolt információk
típusainak bővítése, például a kiejtés hangzó anyagként tárolása, egyéb
multimédiás tartalmak és hipertext használata. Az elektronikus szótárak
megjelenésével megváltozott az információk elérhetőségének módja a
szótárhasználók szempontjából is: a címszavak ábécé szerinti rendezése és
abban való keresés, lapozgatás helyett az elektronikus szótárak keresőrendszerei
az adatok szélesebb körében, a címszavak mögé látva, és sokkal gyorsabban
elérhetővé teszik a szótári adatokat, miközben további eszközöket is kapunk
(például inkrementális keresést a szólistában, helyettesítő karakterek
támogatását, betűzési hibák automatikus javítását).
A cikk 2. fejezete egy tömör történeti áttekintésben ismerteti az informatika és
a lexikográfia párhuzamos fejlődésének fontos találkozási pontjait. A 3.
fejezetben azt vizsgáljuk, hogy a címszójelöltek gyakoriságának mérése hogyan
segít a címszójegyzék összeállításában, valamint a címszó gyakorisága hogyan
kezelhető és mutatható be szótári adatként. A 4. fejezet azt ismerteti, hogy a
szócikkek elkészítése során milyen kvantitatív, szófrekvencia-alapú vizsgálati
TÓTH ÁGOSTON
2
eszközökkel élhetünk, például a tanulói szótárak esetében a címszavak
értelmezését hogyan teheti érthetőbbé a gyakorisági adatok segítségével
összeállított kontrollált definíciós szójegyzék („controlled defining vocabulary”)
használata, és megvizsgáljuk, hogy a jelentésárnyalatok sorrendezésében milyen
szerepe lehet a gyakoriságnak. Az 5. fejezet a szavak együttes előfordulási
gyakoriságáról szól, egyrészt a szavak elsőrendű együttes előfordulásának
méréséről, mely a szókapcsolatok kezelésében segíti a lexikográfust, másrészt a
másodrendű együttes előfordulás jelenségéről, melynek elemzése a hasonló
jelentésű szavak kezelésében hasznos. Az utóbbi téma olyan lehetőségeket is
felvet, amelyekre vonatkozó lexikográfiai tapasztalat jelenleg még nincs, de a
jövő szótárszerkesztési projektjeinek megtervezése során már számolhatunk
velük. A cikk végén, a 6. fejezetben egy kérdőíves kutatást ismertetek, amely a
cikkben is tárgyalt néhány jelenség, szótárírási fogás szótárhasználói ismertségét
és elfogadottságát vizsgálja egyetemi hallgatók, többségükben leendő
nyelvtanárok körében.
2. Szemelvények az informatika és a lexikográfia közös történetéből
A lexikográfiában az új technológiák korai adaptálása megszokott jelenség
(Pajzs, 1990). A lexikográfusok és a kapcsolódó területek művelői, kutatói
maguk is folyamatosan vizsgálják a megnyíló új lehetőségeket (pl. Prószéky,
2013).
A szavak előfordulási gyakorisága mint az egyes szavakat jellemző, gyakran
kutatási (pl. nyelvtani, stilisztikai, bibliatudományi) célra felhasznált adat a
gyakorisági szójegyzékek és konkordanciák formájában vált elérhetővé és széles
körben kutathatóvá. Egy-egy gépi támogatás nélkül készített manuális
konkordancia elkészítése jelentős kihívásnak számított, általában kiemelt
művek és szerzők munkásságának az elemzését elősegítendő készítették el.
Young csaknem 1700 oldalas konkordanciakötete Byron költészetéről (Young,
1965) például 25 éves munka eredménye, melynek elkezdésekor a digitális,
elektronikus számítógépek még nem léteztek. A munka befejezésére azonban
már nyilvánvalóvá váltak a számítógépek alkalmazásának előnyei, ebben az
esetben az, hogy ez a feladattípus teljes egészében automatizálhatóvá vált.
Young kitartó munkával, gépek nélkül fejezte be művét, de könyve előszavában
maga is rámutat, hogy a kézzel készített konkordanciák ideje lejárt (Young
1965; hivatkozza: Howard-Hill, 1979: 81).
A konkordanciák a szavak szövegbeli előfordulásait környezetükkel együtt
listázzák, és potenciálisan a feldolgozott művek eredeti szövegmennyiségének
sokszorosát tartalmazzák, melyek nyomtatott formában történő kiadásának
kezdetben nem volt alternatívája. A szógyakorisági listák – noha terjedelemre
rövidebbek – ugyanúgy igénylik az adott szó összes előfordulásának szövegbeli
megkeresését, valamint a szólista megfelelő rendezését is (ahol mind az ábécé
TÓTH ÁGOSTON
3
szerinti, mind a gyakorisági lista külön elkészítendő egy nyomtatott kiadás
esetén). Az, hogy a szövegben egy-egy szó összes előfordulásának megkeresése
automatizálható, a feladat időigényét napokra, órákra, majd másodpercekre
rövidítette. Az 1966-ben megjelent Szótártani Tanulmányok (Országh, 1966)
már külön fejezetben taglalja a gépi adatgyűjtés és adatfeldolgozás felhasználási
lehetőségeit a lexikográfiában (Kelemen, 1966: 29-54), és ismerteti, hogy a
gyakorisági szójegyzékek előállítása az adott technikai eszköztárral hogyan
kivitelezhető.
A szótári adatok számítógépes adatbázisban tárolása és később a
nyomtatott változat elektronikus, részben automatizált nyomda alá rendezése az
informatika fejlődésével vált lehetővé. Az Oxford English Dictionary első
számítógépes adatbázis alapú kiadása 1989-ben jelent meg (OED2) 7 év
szerkesztőmunka után. A 20 kötetes, 22 ezer oldalas mű előkészítése az akkor
újnak számító SGML jelölőnyelvet használva történt; a meglévő (nem
elektronikus) lexikográfiai adatbázisok begépelése 120 adatrögzítő munkája
volt, közben a lexikográfusok elvégezték a szótári adatbázis modernizálását és
kiegészítését is. A kiadó 13,5 millió dolláros költségkeretről számol be ennél a
projektnél (lásd http://public.oed.com/history-of-the-oed/). Az adatbázis
elkészítése lehetővé tette, hogy 1992-ben a szótár elektronikus formában, CD-
ROM-on is megjelenhessen, mellyel a 68 kilogrammnyi nyomtatott szótár nem
egyszerűen egy új, kezelhetőbb és modernebb adathordozóra került fel, hanem
egy olyan keresőeszközt is kapott, amellyel a címszavak és a korábban nem is
kereshető szótári adatok széles köre vált nagyon gyorsan és egyszerűen
kereshetővé.
A nyelvészeti célú alkalmazások előfeltétele az elemzendő szövegek
számítógéppel olvasható változatának előállítása. A szövegeket gépeléssel
(még korábban lyukkártyák lyukasztásával), később pedig optikai
karakterfelismeréssel és annak utószerkesztésével tudták rögzíteni. Az 1960-as
években kiadott, úttörő jellegű Brown korpusz hatalmasnak számított 1 millió
szövegszavas méretével.
Az első elektronikus korpusz alapján készített angol szótár (COBUILD1)
szövegkorpusza két módszerrel készült: gépeléssel, illetve optikai
karakterfelismeréssel és annak manuális utószerkesztésével (pl. ’smali’ →
’small’, ’thc’ → ’the’, stb.). Renouf (1987) részletesen is ismerteti az eljárást, és
ír a korpusztervezési elvekről is: 1960 utáni – azon belül is minél későbbi
kiadású – szövegeket gyűjtöttek, nyelvváltozatokra vonatkozó kvótákat
határoztak meg (70% brit, 20% amerikai, stb.), figyelték a szerzők korát (16 év
fölötti, „felnőtt” nyelv), valamint a szövegek műfaját (a lírát és a drámát kizárták
a „természetesség” kedvéért). A korpusz készítői beszélt nyelvi adatokat is
felhasználtak, melyeket sztenderd angol ortográfiát használva jegyeztek le.
Krishnamurthy (1987) arról számol be, hogy a szótár előállítása során 7,3 millió
TÓTH ÁGOSTON
4
szavas korpusszal dolgoztak, melyből 1,3 millió szavas volt a beszélt nyelvi
rész. Más forrásokból, illetve szótári bevezetőkből tudjuk, hogy szótáraik
későbbi kiadásai ennél nagyobb korpuszból készültek. A címszavakhoz
konkordanciákat készítettek (ez az elektronikus korpuszból igen gyorsan
megoldható volt), ezeket kinyomtatták, a lexikográfusok ezekkel dolgoztak. A
szótárszerkesztők a konkordanciák alapján a címszavakhoz kézzel írt cédulákat
készítettek, melyeket végül adatrögzítők mainframe nagygépeken rögzítettek.
Az adatok teljesen elektronikus tárolása és kezelése volt a fejlődés következő
állomása, amit a személyi számítógépek elterjedése és tárolókapacitásuk
fejlődése tett lehetővé. 1977-ben jelent meg az Apple II (az első sikeres otthoni
számítógép) hobbi, szórakoztatási és oktatási célokra. Nagyobb adatbázisok
kezelésére ez még nem volt alkalmas. 1981-ben megjelent az IBM PC (a mai
asztali és hordozható gépeink őse) és a dBASE II adatbáziskezelő rendszer.
Lexikográfiai célokra még egy ideig a vállalati mainframe számítástechnika
megfelelőbb volt (ahogyan azt a COBUILD példáján is láttuk), de az 1990-es
évekre már széles körben elterjedtté váltak a megfelelően kiépített személyi
számítógépek is. Ezek fokozatos irodai elterjedése és otthoni megjelenése tette
lehetővé a teljesen elektronikus munkavégzést.
Egyre több szöveg született meg elektronikus változatban, és az elterjedőben
lévő Interneten ezeket nagy távolságokra is hatékonyan lehetett szállítani,
terjeszteni. A számítógép-használat gyors terjedése, valamint a HTTP és HTML
szabványokra épülő, hipertext alapú World Wide Web megjelenése a 20.
század utolsó évtizedében minőségi változást is hozott. Rengeteg szöveg jelenik
meg a weben napról-napra, így akár milliárdnyi szövegszót tartalmazó
korpuszokat gyűjthetünk automatizált módszerekkel (lásd pl. GloWbE, NOW).
Szavaink egy kisebb része igen gyakori, emiatt jól megfigyelhető kis
korpuszban is, nagyobb részük viszont ritka, és nagyobb korpuszt igényel akár
egyetlen előfordulás megatalálása is. A ritka szavak egyik forrása a nyelvi
produktivitás, a szóalkotás lehetősége. A kevésbé gyakori jelenségek
tanulmányozásában a nagy és műfajilag változatos korpuszok segítenek. Fontos
a korpuszok folyamatos karbantartása, bővítése is, hogy a nyelv változását
követni, „monitorozni” tudjuk, és a megjelenő új jelenségekről információkkal
rendelkezzünk.
A hardveres erőforrások folyamatos és gyors fejlődését (a feldolgozási
sebesség változását, az operatív memória növekedését, a perifériák
tárolókapacitásának és sebességének a növekedését, a hálózatok terjedését és
sebességük felgyorsulását) kiegészíti a szoftverek fejlődése. Az adatbázisokat és
korpuszokat kényelmesen, leggyakrabban a weben, saját adatbázis-kezelő
rendszerükön keresztül érjük el. A korpuszokból konkordanciákat készíthetünk,
alapvető statisztikai adatokat állíthatunk elő. A korpuszokkal való munkát
nyelvtechnológiai fejlesztések is támogatják, például hasznos, ha a lekérdezések
összeállításánál a szavakat lemma formájában is megkereshetjük, valamint ha
TÓTH ÁGOSTON
5
szófaji és egyéb nyelvtani kategóriákkal is tudunk dolgozni. A magyar nyelvben
az alaktani elemzés erős eszközt ad a korpusz felhasználójának. Az elemzők
közül a legismertebbek a Humor (Prószéky–Kis, 1999; Novák, 2003) és a
Hunmorph/morphdb.hu rendszer (Trón et al., 2006). A nemzetközi piacra
kitekintve a Sketch Engine szoftvereszköz (Kilgarriff et al., 2014;
https://www.sketchengine.co.uk/) széles palettán kínál korpuszfeldolgozási
eszközkészletet. A választott korpuszokból a szavakra jellemző statisztikai
adatokat ki tudja nyerni (a szavak egyenkénti és együttes előfordulási
gyakoriságát is beleértve), kollokációjelölteket ad, konkordanciákat készít, és
automatizált módon (szabályalapú és statisztikai módszerekkel elkészített)
szóskicceket („word sketch”) készít, melyekben az adott szavak tipikus
használatát, grammatikai és/vagy más szavakkal jellemezhető tipikus
környezetét automatikusan dokumentálja. A szoftvert kiadó, Adam Kilgarriff
által alapított cég a vevői közt tartja számon a Collins, Cambridge, Le Robert,
Macmillan és Oxford szótárkiadókat.
Azon túlmenően, hogy a nyelvtechnológiai megoldásokat korpuszfeldolgozási
eszközökként felhasználhatjuk szótári adatok gyűjtése közben, ezek az eljárások
elektronikus szótárak keresőrendszerében közvetlenül is megjelenhetnek.
Ezen a ponton a helyesírás-ellenőrzést és -tanácsadást emelem ki példaként. A
Merriam–Webster online szótár (MW online) az angol damage szó magyar
nyelvtanulók által fonetikai okok miatt gyakran használt, hibás demage
változatának begépelésekor 17 javítási javaslatot ad, köztük első helyen a
damage szóval, ezáltal a szótár egyrészt felhívja a felhasználó figyelmét a
helyesírási hibára (ilyen módon is oktatási segédeszközzé válva), másrészt a
javaslatok listájáról elérhető a helyes címszó.
3. A címszavak gyakorisága
3.1 A szógyakoriság szerepe a címszójegyzék összeállításában
Kilgarriff az LDOCE3 szerkesztésében részt vevő lexikográfusoktól kérdőíves
felmérés keretében adatokat gyűjtött arról, hogy melyik szótárszerkesztési
részfeladat milyen nehézségű a megítélésük szerint (Kilgarriff, 1998). A
felmérésben a címszójegyzék összeállítása nem tartozott a nehéz feladatok közé
(a 13 részfeladatból a 9. helyen végzett), de ennek az is az oka, hogy ezzel
kevesebben és rövidebb időtartamban foglalkoztak; ez inkább a stratégiai
tervezés és előkészítés része.
A szótár terjedelme az egyik alapadat, mely a szótár kategorizálását is
meghatározza. A címszavak mennyisége a szótár előállításához szükséges
munkamennyiséget is befolyásolja.
A nyomtatott szótáraknál megszokhattuk, hogy különböző terjedelmű
szótárakat használunk különböző célra. A legteljesebb címszó- és
jelentésárnyalat-készletű nagyszótárak a szakszókincs egy részét is tartalmazzák
TÓTH ÁGOSTON
6
az elterjedt szakterületeken, bizonyos mértékig a szakfordítói munkát is
támogatva. A középszótár méretbe ennél kevesebb adat való, főleg a szakszavak
tekintetében, ellenben a köznyelv gyakori szavait, valamint a fontos
jelentésárnyalatokat ennek a szótárméretnek is tartalmaznia kell. A
kisszótárakba a mindennapi iskolai munkához, vagy például utazáshoz
szükséges szókincs kerül. Bár elvileg a nagyobb címszómennyiség a szótár
hasznosságát növeli, de a nyomtatott szótárak esetében egyben a hordozhatóság
és használhatóság (keresési sebesség) rovására is megy.
Arról, hogy a szakszókincs az általános szótárakban hogyan és miért jelenik
meg, beleértve a középszótár méretet is, Prószéky (2011) a szerkesztői, kiadói
szempontokat is ismertetve ír. A gyakorlatban is rendszeresen találkozunk
szakszavakkal a nagyszótárnál kisebb méretű, általános szótárakban is. Például a
Magay–Országh magyar–angol kéziszótár (MA) is tartalmaz 29 „gabona-alapú”
címszót (többségük szóösszetétel gabona- előtaggal); ezek a szótár egy
oldalának körülbelül a negyedét foglalják el. E szavak között szerepelnek az
MNSZ2 korpuszban jól reprezentált gabonatermés és gabonapehely szavak
(595, illetve 442 előfordulás a lemmákra), de ugyancsak megtaláljuk köztük pl.
a gabonarozsda és gabonaüszög szavakat is, amelyek a korpusz több, mint 1
milliárd szavából 23, illetve 4 alkalommal jelennek csak meg. Azt, hogy e
szakszavak középszótári szerepeltetése miért volt a szerkesztők számára fontos,
egyáltalán ez mennyiben volt tudatos döntés a részükről, nem tudom
megmondani, de a köznyelvet jól – megtervezett módon – reprezentáló
korpuszok segítségével a címszavakról eldönthető, hogy középszótár méretben a
beválasztásuk indokolt-e.
A szótárak fejlődése, változása ugyanakkor a különböző terjedelmű szótárak
közötti műfaji határokat is elmossa. Az elektronikus szótárak esetében a
terjedelem nem függ össze szembetűnő módon sem a hordozhatósággal, sem a
keresési sebességgel. Általában a minél nagyobb terjedelem az előnyösebb,
marketing szempontból is.
Mindez összefügg azzal a kérdéssel is, hogy a szótárak árát elfogadható
szintre sikerül-e csökkenteni, például éppen úgy, hogy a projekteket a kevésbé
fontos költségelemektől megtisztítjuk. Bár a költségeket akár címszóról-
címszóra is csökkenthetjük valamelyest, a kihívás óriási: egy nemzetközi, nagy
mintát vizsgáló (n=684) kérdőíves kutatásban (Koplenig–Müller-Spitzer, 2014)
a válaszadók csupán 16%-a nyilatkozott úgy, hogy a szótárakért fizetne. Az
elsöprő többség az ingyenes szótárakat tartja elfogadhatónak, de a reklám-alapú
finanszírozást nem veti el. Több webszótárban találkozunk is hirdetésekkel (még
az OLD online-ban is), és létezik olyan angol egynyelvű szótár (a Macmillan
Dictionary, lásd MAC online), ami hirdetésekre épít, és nyomtatott szótárként
már nem jelenik meg. Persze az angol szótárak különleges helyzetben vannak, a
kereslet hatalmas, a kínálati oldalon pedig komoly versenyhelyzet van.
Visszatérve a gyakorisági adatokhoz, egyben a fentieket összefoglalva: a
TÓTH ÁGOSTON
7
címszójegyzék gondos tervezése csökkenti a költségeket, a szükséges
címszavakra tudunk koncentrálni, elektronikus szótár esetén pedig a bővítés
fokozatosan, akár közösségi módszerekkel is megtörténhet.
Néhány kiadó az online szótárait rendszeresen frissíti. Az Oxford Learner’s
Dictionary online szótár (OLD online) 2017 tavaszán, 2016 tavaszán és 2015
decemberében bővítette címszólistáját (egyszerre nagyobb mennyiségű
címszóval); az új szavakról szóló hírt a szótár a címlapján hirdeti. A Cambridge
Dictionary online szótár (CAD online) frissítése gyakoribb, bár egyszerre
kevesebb címszót érint (https://dictionaryblog.cambridge.org/category/new-
words). A Longman Dictionary of Contemporary English online (LDOCE
online) szótár általában is nagyon kevés információt nyújt az elektronikus
szótárváltozatról, új címszavakat sem említ. Szúrópróbaszerű ellenőrzéssel a
brexit szó a cikk megírásakor (kb. 1,5 évvel a brexit népszavazás után) még nem
szerepel benne, miközben a versenytársak többségénél már címszó. Ugyanakkor
például a selfie neologizmust már tartalmazza ez a szótár is.
A gyakorisági listák rendszeres generálása és vizsgálata mellett a szótárak
felhasználói által keresett – de az adatbázisból hiányzó – szavakat is fel lehet
használni a címszójegyzék karbantartására. A meghiúsuló keresések
megfigyelésén keresztül automatikusan javasol szótárbővítést a Lexitron modell
(Trakultaweekoon et al., 2007).
A MAC online „Open Dictionary” programjában
(https://www.macmillandictionary.com/open-dictionary/) a felhasználók
közvetlenül ajánlhatnak címszavakat és meglévő címszavakhoz
jelentésárnyalatokat. Ilyenkor egyúttal megadják az általuk javasolt értelmezést,
és példamondatokat is küldhetnek. A projekt 2009 óta aktív; 8 év alatt 4000 új
címszót vettek fel a szótárba a szerkesztők ennek segítségével. A javaslatot tevő
felhasználó nevét a szótári adatbázis megőrzi. Előfeltétel, hogy Google
kereséssel független forrásban is megtalálható legyen az adott szó.
A Collins kiadó elektronikus szótárába (Collins online) szintén lehet
címszójavaslatokat beküldeni a szótár blogján keresztül
(https://www.collinsdictionary.com/word-lovers-blog, „Submit a word”), a
jelentésárnyalatokra, értelmezésekre vagy egyéb szótári adatra vonatkozó
megjegyzéseinket pedig elhelyezhetjük közvetlenül a szócikkek alatt. Ezek a
funkciók regisztrációt igényelnek, és a kiadó részéről moderációt kapnak.
3.2 A címszógyakoriság mint szótári adat
A szavak előfordulási gyakorisága nem kizárólag a szótárszerkesztő számára
fontos adat, hanem a szótárhasználó számára is értékes.
Az angol egynyelvű szótárak közül a korpusz alapú COBUILD szótárakban a
frekvenciaadatok megadása volt az egyik új szolgáltatás. Az 1. ábra jobb felső
sarkában látható grafikus skálán adja meg a szótár a címszó gyakorisági adatát
TÓTH ÁGOSTON
8
(itt a COBUILD2 kiadásból vett példán). A szótár bevezetőjéből a
szótárhasználó megtudja, hogy az első gyakorisági sávba (amit grafikusan 5
kitöltött rombusszal jelölnek) a leggyakoribb kb. 700 szó került (pl. the, and, of,
like, go, paper), a másodikban hozzávetőlegesen 1200 szó található (pl. argue,
bridge, danger, female), és a két sáv együtt nagyjából „az angol nyelvhasználat”
(feltehetően a korpusz tokenmennyiségének) 75%-át fedi le (COBUILD2, xiii),
ezért „ezen szavak fontossága nyilvánvaló” (ibid., saját fordítás). A harmadik
sávba 1500, a negyedikbe 3200, az utolsóba kb. 8100 szó került; az öt
gyakorisági sáv együtt az írott és beszélt nyelvhasználat 95%-át fedi le a
szerkesztők adatai szerint. A gyakorisági skálán nem ábrázolt szavakat a
bevezető explicit módon kevésbé fontosként jellemzi, azonban ezekben az
esetekben is megnyugtatja a szótárhasználót, hogy kizárólag azokat a szavakat
vették fel a címszavak közé, amelyekkel korpuszadataik alapján a használó a
legnagyobb valószínűséggel találkozik (ibid.).
1. ábra: A vertical szó melléknévi és határozószói használata a Collins Cobuild English szótárban
(COBUILD2)
Saját mérésemben, egy erre a célra kiválasztott 100 millió szavas Wikipedia
pillanatfelvételben (ami természetesen egy más jellegű korpusz, mint amivel a
szótárszerkesztők dolgoztak) a vertical szó összesen 2032 alkalommal fordult
elő, ezzel az 5116. helyen végzett a fellelt, hozzávetőlegesen 1 millió
szótípusból.
A 2. ábrán láthatjuk, hogy a COBUILD sorozat leszármazottja, a Collins
online szótár ugyanezt a szót hogyan mutatja be. A két bejegyzés hasonló, de az
5 fokozatú skála beosztása (és ezzel a vertical szóhoz megadott gyakorisági
adat) jól láthatóan megváltozott.
TÓTH ÁGOSTON
9
2. ábra: A vertical szó melléknévi használata a Collins online szótárban
(https://www.collinsdictionary.com/dictionary/english/vertical)
A Macmillan online szótár (MAC online) szintén közli a címszavai
gyakorisági adatait. Az általuk használt korpusz 7500 leggyakoribb címszavát
pirossal jelenítik meg, valamint egy 3 fokú skálán (grafikus módon,
csillagokkal) a gyakoriságukat is megkapjuk. A 3 gyakorisági sáv mindegyike
2500-2500 szót tartalmaz. A 3. ábrán látjuk példaként a vertical címszóhoz
tartozó szócikk egy részletét.
3. ábra: A vertical szó melléknévi használata MAC online szótárban,
a címsor végén a 2. frekvenciasávot jelző gyakorisági adattal
(https://www.macmillandictionary.com/dictionary/british/vertical_1)
A Longman kiadó az LDOCE3 óta több célra is használja a szógyakorisági
adatokat (Summers, 1996); ez egyik ilyen cél a címszavak gyakoriságának
ábrázolása szótári adatként. A 2003-as nyomtatott kiadásban a leggyakoribb
3000 címszót pirossal szedték, valamint az S1, S2, S3, W1, W2, W3 címkékkel
közvetlenül a címszó után jelezték, hogy melyik regiszterben (beszélt vagy írott
angol) melyik gyakorisági tartományban található az adott szó. Az S1 címkével
a beszélt nyelvi korpusz leggyakoribb 1000 szavát, a W3 címkével az írott nyelvi
korpusz 2001-3000 gyakorisági tartományát jelölték. Természetesen
TÓTH ÁGOSTON
10
előfordulhat, hogy ugyanaz a címszó az egyik regiszterben más gyakorisági
tartományba kerül, mint a másikban, például a beautiful szó S1, W2 címkéket
kapott. Az is megtörténhet, hogy az adott szó valamelyik nyelvváltozatban
gyakori, a másikban nem (pl. crash [n] S3). A nyomtatott szótárhoz írt bevezető
ezt a szolgáltatást pontosan leírja, valamint a tanárok és tanulók szempontjából
„nagyon népszerűnek” titulálja. Az ingyenes LDOCE online webszótárban
szintén látjuk a gyakorisági címkéket (4. ábra).
4. ábra: A beautiful címszó az LDOCE online kiadásában
(https://www.ldoceonline.com/dictionary/beautiful)
A beszélt és írott nyelv gyakorisági adatainak megkülönböztetése olyan
szolgáltatás, amit a legnagyobb vetélytársak közül egyik sem ajánl fel,
ugyanakkor az LDOCE 3000 leggyakoribb szavához képest a MAC online
szótárban 7500 szóhoz, a COBUILD2 szótárban pedig a fent ismertetett módon
kb. 14700 szóhoz kapunk gyakorisági adatot, ami a haladó nyelvtanulók
igényeinek jobban megfelel, hiszen az általuk keresett szavak a 3000-es
tartományon kívül esnek.
4. A gyakorisági adatok felhasználása a szócikkek elkészítése során
4.1. A kontrollált definíciós szójegyzék („controlled defining
vocabulary”, CDV)
Az értelmezések érthető megfogalmazása, az értelmezésekben felhasznált
szókincs megfelelő megválasztása a tanulói szótárak esetében különösen fontos.
A Longman Dictionary of Contemporary English szótárakban (pl. LDOCE3,
LDOCE online) az értelmezések szavait egy körülbelül 2000 szótípusra
korlátozott listáról („Longman Defining Vocabulary”, LDV) választják ki a
szótárszerkesztők. Ennek a definíciós szójegyzéknek az összetételét, méretét,
változását Xu (2012) elemzi; saját mérési adatai szerint az angol nyelv 1000
leggyakoribb szócsaládja alkotja a szójegyzék kb. 45 százalékát (Xu, 2012:
370). A Longman gyakorlatának előzménye a New Method English Dictionary
(NMED; kb. 24 ezer címszó, 1490 szótípussal értelmezve). Követői között pedig
ott vannak a következő ismert szótárak is (Xu, 2012):
- a nagy vetélytárs Oxford Advanced Learner’s Dictionary, mely 1995-től
(OALD5) kezdődően használja saját 3000-3500 szavas CDV-jét,
- a Cambridge Advanced Learner's Dictionary kiadásai, illetve előzményeként
a CIDE, 1995-től, kevesebb, mint 2000 szavas CVD-vel, és
- a Macmillan English Dictionary for Advanced Learners szótárak (MED1-től,
2002, kevesebb, mint 2500 szavas CDV-vel).
TÓTH ÁGOSTON
11
A CDV-k használatának előnye, hogy a nyelvtanuló számára könnyen érthető
értelmezéseket eredményez, így azok további szótározására nincs szükség.
Példaként álljon itt az angol microphone szó értelmezése a CDV alapú LDOCE
online (tanulói) és a hagyományos módon megfogalmazott MW online
(általános értelmező) szótárakból:
- LDOCE online: “a piece of equipment that you speak into to record your
voice or make it louder when you are speaking or performing in public”
(https://www.ldoceonline.com/dictionary/microphone)
- MW online: “an instrument whereby sound waves are caused to generate or
modulate an electric current usually for the purpose of transmitting or
recording sound (such as speech or music)” (https://www.merriam-
webster.com/dictionary/microphone)
Láthatjuk, hogy az LDOCE változat egyszerű, lényegre törő, bár nem túl
részletes (viszont kapunk az értelmezés mellé egy fényképet is); az MW
értelmezése pedig már a fizikai hátteret is feszegeti (’a hanghullámok az
áramerősséget modulálják…’), már-már szakkönyvi jelleggel.
A könnyebb érthetőség nem lebecsülendő előny, hiszen a szótárhasználó
számára kevés kellemetlenebb helyzet van annál, mint amikor az értelmezést
sem tudja értelmezni. A CDV-k használata pedig általában is segít elkerülni azt
a helyzetet, amikor egy ritka szót egy másik nehezen érthető szóval (pl. egy
szakszóval, vagy a címszó egy még ritkább szinonimájával) próbálnánk
megmagyarázni. Elvi hátránya az értelmezések potenciálisan túlzott
leegyszerűsítése, a pontosság csökkenése.
4.2 A jelentések (jelentésárnyalatok) sorrendezése
A szótárakban a jelentés egy szerkezeti egység a szócikken belül, és a
lexikográfusok számára nem prioritás az, hogy ennek kialakításában bármilyen
konkrét nyelvészeti modellt kövessenek. Cruse (2011) például a poliszémia
kérdéskörében számos jelenséget dokumentál (az elkülöníthető jelentések
észleléséről, a jelentés megváltozásáról kontextus függvényében, metaforákról,
stb.); a szótárírás gyakorlatában ezek a kérdések részben máshogyan merülnek
fel, sőt nagyobbrészt fel sem merülnek. A jelenségek osztályozása, címkézése és
magyarázata kevésbé fontos, helyette elsősorban a korpuszban talált
jelenségeknek a szótárhasználó számára érthető és hasznos megragadásával kell
értelmezést vagy fordítási ekvivalenst adni, a szótárhasználó pedig saját nyelvi
intuícióit és a világról gyűjtött tudását fel fogja használni a szótárból kapott
adatok értelmezésében. A poliszémia és a homonímia közötti különbségtétel
persze a szótár szerkezetére is kihat, de általánosságban elmondható, hogy a
nyelvészeti kategóriák finom szövete, a jelenségek ezeken keresztüli láttatása és
magyarázata itt másodlagos.
TÓTH ÁGOSTON
12
Lexikai szemantikai modellekből nem levezethető, mégis a gyakorlatban jól
működő módon a többszörösen poliszém szavak esetében jó megoldás lehet a
több jelentésárnyalatot lefedő, generikusabb jelentéssel kezdeni a címszó
értelmezését, így a szótárhasználó sokszor már a szócikk olvasásának elején
értékelhető információhoz jut, illetve látja, hogy jó helyen keres-e, vagy a
szócikk teljesen másik részén kell folytatnia a keresést (esetleg másik
szócikkben, homonímia esetén).
Sok esetben követett módszer az, hogy a jelentéseket a szócikken belül
vezérszavak („guidewords”, „mini-definitions”) köré szervezik, melyek segítik a
felhasználót a navigációban, keresésben. A vezérszavak megfelelő
megválasztása egy pragmatikus és címszóra szabott eljárás; a címkék rendszere
néha teljesen heterogénnek tűnik, mégis nagyon hasznos fogódzókat ad. Az
Oxford Learner’s Dictionary (online változatban is) például a következő
vezérszavakat használja az angol throw ige különböző jelentéseinek
elrendezésére: „with hand”, „put carelessly”, „move with force”, „part of body”,
„make somebody fall”, „into particular case”, stb.
A jelentések a szócikken belül a szerkesztők által megválasztott sorrendben,
akár hierarchikus szerkezetben jelennek meg. A COBUILD1 szótár
szerkesztésekor követett gyakorlatról Moon (1987) ír. Rámutat, hogy a
jelentések sorrendjének meghatározása közben több – egymásnak részben
ellentmondó – szempontot kell vizsgálni, ezek egyike a jelentés gyakorisága.
Ismert például, hogy a summit címszó esetében a hagyományosan előre sorolt
„hegycsúcs” jelentés helyett a „csúcstalálkozó” használat került előbbre a
szerkesztők korpuszalapú kutatásának gyakorisági adatai alapján. A szavak
jelentéskategóriáit „főleg gyakorisági” sorrendben kéri bemutatni a kategóriákra
vonatkozó COBUILD szerkesztői útmutató is (Krishnamurthy, 1987: 70).
Egyúttal azonban idézzük fel azt is, hogy a COBUILD projektben a
lexikográfusok nyomtatott konkordanciákkal dolgoztak (lásd 2. fejezet), így a
konkordanciaadatok kategorizálása és a jelentések megszámlálása manuális
munkával történt. Ezen az adatok nem jelentek meg elektronikusan: abban a
fázisban, amikor a lexikográfus által kézírással rögzített rekordokat
számítógépen eltárolták, a kategóriák, jelentések hierarchiája és sorrendje már
kialakult, a jelentésekre vonatkozó frekvenciaadatok pedig nem szerepeltek a
rögzítendő adatok közt (v.ö. Clear, 1987: 48).
Az ismertebb angol egynyelvű szótárak közül az LDOCE3, illetve az LDOCE
online a jelentések sorrendezésének elsődleges rendező elveként emeli ki a
jelentések gyakoriságát. A szótári bevezető a lookout szó szócikkét hozza
példaként, amiben egy frazális egység került az első helyre („be on the lookout
for somebody/something”), a címszó önálló használatának magyarázata pedig
későbbre került az alacsonyabb relatív gyakoriság miatt.
1
Lew (2013) a jelentések sorrendbe állításához a következő négy elvet sorolja
fel:
TÓTH ÁGOSTON
13
- a jelentések gyakoriságának elve;
- kronológiai sorrend: a Merriam–Webster’s Collegiate Dictionary
szerkesztői például a kronológiai sorrendről – az értékesítői csatornákon
befutó – frekvencia alapú rendezést kérő felhasználói visszajelzések
ellenére sem mondtak le, lásd (Morton, 1994: 82);
- jelöltség („markedness”): szociolingvisztikai és pragmatikai szempontból
semleges, nem jelölt jelentések előbbre sorolása;
- logikusság: szótárspecifikus intuitív eljárások, pl. a jelentésárnyalatok
központi jelentések („core senses”) köré rendezése és a periférikus
jelentésárnyalatok ezekhez viszonyított meghatározása azok speciális vagy
generikus jelentésárnyalataként.
Ahogyan azt Morton (1994: 82) megjegyzi, a jelentések gyakoriság szerinti
rendezése azért hasznos, mert a szótárhasználó is nagyobb valószínűséggel
találkozik a gyakoribb jelentésekkel, így a szócikken belüli keresés
felgyorsulhat. Ugyanakkor rámutat, hogy előfordulhat az is, hogy a
szótárhasználó éppen a ritkább, kevésbé gyakori jelentéseket keresi, azok
ismeretlensége okán.
A jelentések csoportosítása és bemutatása tehát komplex feladat, amiben a
frekvencia elve nem mindig érvényesül. Ha elfogadjuk azt, hogy a
szótárhasználó számára a jelentések korpuszban megfigyelt gyakorisága hasznos
információ (akár a szó egyik tulajdonságaként, akár csak a szócikken belüli
navigáció céljából), akkor a jelentés gyakoriságának rendezési elvként való
használata helyett (vagy mellet) megfontolandó egy jelentésgyakorisági skála
bevezetése a címszófrekvencia ábrázolásához hasonlóan.
Ugyanakkor a jelentések gyakoriságának meghatározása költséges
munkafolyamat, mert ez az adat nem nyerhető ki automatizált módszerekkel a
korpuszból, hanem manuális lexikográfiai munka eredménye. Miután a
jelentések (jelentésárnyalatok) listája elkészül, a konkordancia sorait
kategorizálni kell, és ezután állítható elő a jelentések gyakoriságának sorrendje.
A jelentések megbízható automatizált klaszterezése és osztályozása sajnos a
jelentésegyértelműsítés („word sense disambiguation”, WSD) területén végzett
több évtizednyi intenzív kutatómunka után sem olyan minőségű, ami a
lexikográfus számára hasznos.
4.3 A fordítási ekvivalensek gyakorisági adatai
A kétnyelvű szótárak a szó jelentését fordítási ekvivalensek bemutatásával adják
meg. Amennyiben a címszó nyelve a szótárhasználó anyanyelve és az
ekvivalensek idegen nyelvűek, úgy különösen fontos, hogy a szótár tartalmazza
azokat az adatokat, amivel a megfelelő jelentést meg lehet találni és a
legmegfelelőbb fordítási ekvivalenst ki lehet választani.
TÓTH ÁGOSTON
14
Lássunk egy példát magyar–angol kétnyelvű szótárból. A Szótár.net online
szótár – előfizetés hiányában – egy egyszerűsített szótári adatbázist kínál fel,
mely a fizetős szótártól minőségileg nagyon eltérő szolgáltatást nyújt, de az
ingyenes kétnyelvű magyar–angol/angol–magyar szótárak közül így is a jobbak
közé tartozik (Felvégi, 2013). A magyar dob igéhez az ekvivalensek következő
listáját kapjuk:
dob throw, hurl, fling, toss, cast, sling
Tehát a szótárhasználat eredménye mindössze a potenciális ekvivalensek
listája, mindenféle további információ nélkül, amiből a használó valahogyan ki
kell, hogy válassza a számára megfelelőt.
A fenti eredménytől a Magay–Országh (MA) szótár, mely ugyanezen a
weblapon keresztül előfizetés vásárlása esetén elektronikusan elérhető (vagy
nyomtatott kiadványként megvásárolható), sokkal jobban használható adatokat
nyújt:
dob1 i (1) ált (vmit) throw*, [nagy erővel] hurl (2) szl [vkin túlad] throw* sy
over/overboard, dump sy (3) [dobókockával] te dobsz! it’s your roll/turn
A fenti szócikkben az ált rövidítés önmagában is elég információt nyújt
ahhoz, hogy a szótárhasználó egy általánosan használható, „alapértelmezett”
ekvivalenst kapjon, a [nagy erővel] vezérszó segít egy speciális és ritkább
jelentésárnyalat megtalálásában, a [valakin túlad] vezérszóra ugyanez igaz, a
[dobókockával] címkével ellátott rész pedig egy mondat méretű egységben
mutatja meg a dob ige használatának egy hétköznapi, releváns esetét.
Ehhez képest a dob igére kapott, vezérszavakat és egyéb információkat
nélkülöző Szótár.net lista valójában sem tanulási, sem fordítási célra nem
alkalmas a magyar anyanyelvű szótárhasználó számára. Bár elvileg nem lehet
kifogásunk az ekvivalensek bőséges látványa kapcsán, de a hurl, fling és a sling
szavak használata a dob ige fordításaként nem feltétlenül és nem olyan eséllyel
lesz jó megoldás, mint a throw szóé.
Keressük meg az ingyenesen megkapott potenciális fordítási ekvivalensek
gyakoriságát a GloWbE korpuszban ~_v* templátumú keresőkifejezéssel (pl.
throw_v*, hurl_v*; így csak igéket keresünk):
- throw: 78403
- hurl: 1559
- fling: 1314
- toss: 7050
- cast: 54861
- sling: 713
Amennyiben ezeket a gyakorisági adatokat az ingyenes szótárban megkapott
ekvivalensek sorrendbe rendezéséhez felhasználjuk, valamint megfelelő
TÓTH ÁGOSTON
15
frekvenciasávokat vezetünk be és azokat például csillagozással jelöljük, akkor
automatizálható módon ilyen eredményt kaphatunk:
dob throw***,cast***, toss*, fling, hurl, sling
Azt nem állíthatjuk ugyan, hogy az így kapott eredmények versenyre
kelnének a fizetős szótár professzionális szócikkével, de mindenképpen
hasznosabb mind nyelvtanulási, mind fordítási célra az eredeti, ingyenes
Szótar.net eredménynél.
Az ingyenes megoldások kapcsán nézzük meg azt is, hogy a Google Fordító
hogyan reagál arra, ha a felhasználó a fordítási mezőbe csak egy szót gépel be
(ahogyan azt olyan sok nyelvtanuló szemünk láttára naponta megteszi). A
szótározási helyzetet felismerve a Google Fordító nem csak egyetlen „fordítást”,
hanem az 5. ábrán látható adatsort is visszaadja.
5. ábra: „Szótár” funkció a Google Fordításban, dob szóra keresve,
előzetesen magyar → angol fordítási irányt beállítva (http://translate.google.com)
A Google Fordító a magyar dob szóra 2 főnévi és 6 igei fordítási ekvivalenst
adott ebben a példában, és ezek mindegyikének szógyakorisági adatát
diagramon szemléltette. Ezen túlmenően mindegyik javaslatát „visszakereste” és
megadta azok gyakori magyar megfelelőit. Mivel ez a megoldás nem szótári
adatbázissal dolgozik, hanem párhuzamos korpuszokból nyer ki valószínűségi
adatokat, így az eredmény itt is elnagyolt, de kiindulási alapnak tulajdonképpen
hasonlóan jó, mint amit az ingyenes kétnyelvű szótárban jelenleg kap a
felhasználó.
A Google Fordító néhány összetett szót (pl. water meter ’vízóra’) és vonzatos
igét (pl. back up ’támogat’, stb.) is tud ezzel a módszerrel kezelni. Gépelés
közben szinonimákat is keres; angol, francia, spanyol stb. forrásnyelv esetén a
beírt szóhoz értelmezést kapunk szótári adatbázisból. Ezen kívül az általa
aktuálisan legjobbnak vélt fordítást folyamatosan kijelzi, ahogyan azt egy
statisztikai gépi fordítórendszertől (SMT) várjuk. Prószéky (2011) a
TÓTH ÁGOSTON
16
webforditas.hu tapasztalatai, felhasználói visszajelzései alapján megjegyzi,
hogy sokan talán éppen ezért használják a statisztika gépi fordítást szótár
helyett: így nem kell megküzdeniük az ekvivalensek seregével. A
webforditas.hu-n a fejlesztők egyébként „megdolgoztatják” (igényesebb
eljárásra ösztönzik) ezeket a felhasználókat: egyetlen szóra vonatkozó SMT
fordítási kérésre a webhely szótári üzemmódra vált.
5. A szavak együttes előfordulási gyakoriságának mérése
5.1 Elsőrendű együttes előfordulási gyakoriság
A szótárszerkesztők nem kizárólag a különálló szavak („minimális szabad
formák”), hanem szókapcsolatok dokumentálásával is foglalkoznak. Ezeket
többé-kevésbé kötött, „szinte előre gyártott elemekként” használhatjuk, és
együttes előfordulásuk önmagában is „képzeletkeltő” funkcióval bír (Bárdosi,
2012: 7). A kötöttség mértéke különböző lehet, korpuszadatok segítségével
pedig mérhető is.
Az éppen jellemzett címszó kollokációi sokszor szabad szemmel is láthatóvá
válnak a szó konkordanciáinak különböző kulcs szerint rendezett változataiban.
A szemrevételezés azonban nem túl hatékony, és könnyen elmehetünk érdekes
jelenségek mellett.
A szavak együttes előfordulási gyakoriságának mérése esetén meghatározzuk
a keresett szóalakok vagy lemmák helyzetét a korpuszban, és megszámoljuk
azokat az eseteket, amikor két vagy több keresett szó egymás adott méretű
környezetében együtt fordul elő. Gyakori az a helyzet, amikor csak az egyik
szóról rendelkezünk információval, a másik szóról pedig csak a szófaját vagy
akár semmit sem tudunk.
Korpusznyelvészeti értelemben a kollokációkat egy nagyon tág kategóriaként
látjuk. A lexikográfus számára azok a kollokációk fontosak, amelyek a szókincs
részeként kezelendők, és nem magyarázhatók kizárólag a mondattan saját
folyamataival. Ezzel kizárjuk például az egyszerű névelő + főnév kapcsolatot
(pl. the boy), ugyanakkor nem zárjuk ki a local/city/country boy szerkezeteket,
melyek ’helyi srác’ értelemben a szótárakban is helyet kaphatnak (lásd pl. OLD
online). A szótárszerkesztőt számítógépes módszerekkel, kvantitatív vizsgálattal
úgy tudjuk segíteni, hogy a potenciálisan figyelemre méltó együttes
előfordulásokat listázzuk és a kollokáció korpuszban megfigyelt mért erőssége
szerint rendezzük.
A kollokáció erősségének kiszámítása során figyelembe kell vennünk azt,
hogy az abban előforduló egyes szavak gyakorisága közvetlenül befolyásolja az
együttes előfordulásuk gyakoriságát is. Nagyobb valószínűséggel fog két
gyakori szó egymás környezetében előfordulni, mivel egyébként is gyakrabban
találkozunk velük. Nekünk azokat az eseteket kell azonosítanunk, amelyek nem
csupán ezzel a jelenséggel magyarázhatók, tehát a várt (statisztikai értelemben a
TÓTH ÁGOSTON
17
véletlennek köszönhető) együttes előfordulási gyakoriságuknál több együttes
előfordulást figyelünk meg.
A kollokáció mértéke a külön-külön fellelt és egymás környezetében
megfigyelt előfordulások számának függvénye, eredményül egy valós értéket
kapunk, kiszámításakor pedig különböző módszereket követhetünk. Manning és
Schütze (Manning–Schütze, 1999) részletesen ismerteti a számítógépes
nyelvészeti hátteret. Pecina (2009) a kollokáció erősségének mérésére 55
mértéket mutat be (képletekkel, forrásmegjelöléssel). Ezek némelyike (pl. t-
együttható, MI-együttható) gyakran implementált mérték, néhány korpusz
webes keresőfelülete közvetlenül is támogatja őket.
A 6. ábrán láthatjuk, hogy az MNSZ2 a dob lemmához (korpuszbeli
gyakoriság: 84265) milyen lemmákat ad vissza potenciális kollokátumként, ha a
keresőszó jobb oldali 3 szavas környezetét vizsgáljuk. A táblázatban az első 12
jelöltet látjuk (a webes felületen ennél sokkal több szerepel), minden sorban az
adott lemmára és a dob lemmára vonatkozó együttes előfordulási gyakorisági
értékkel (Freq), valamint a kiszámított t-score, MI-score és logDice
együtthatókkal. A lista rendezési szempontja itt a logDice érték, ami a weblapon
változtatható, így különböző módszerekkel kapott kollokáció-jelölteket is
figyelembe tudunk venni és össze tudjuk őket hasonlítani.
6. ábra: Kollokáció-jelöltek a dob lemmához az MNSZ2 korpusz webes felületén
(http://clara.nytud.hu/mnsz2-dev)
Jost és Carus (2003) egy konkrét lexikográfiai projekt (üzleti angol
kollokációs szótár) kapcsán, esettanulmány jelleggel mutatja be, hogy ezek az
adatok hogyan dolgozhatók fel.
A kiemelt lexikográfiai projektekben is használt Sketch Engine szintén
támogat számos mértéket, valamint a szavak közti asszociáció kiszámításánál (a
word sketchek létrehozása közben) a nyelvtani relációkkal, azok
szódisztribúcióra gyakorolt hatásával is tud kalkulálni.
TÓTH ÁGOSTON
18
5.2 Másodrendű együttes előfordulási gyakoriság
A szavak elsőrendű együttes előfordulási gyakoriságának a mérése során azt
vizsgáltuk, hogy kiválasztott szavak milyen más szavakkal fordultak elő. Ez a
(tág értelemben vett) kollokációs jelenségeknek, szintagmatikus viszonyoknak a
felderítésében nyújt segítséget. A szavak másodrendű együttes előfordulása
(„second-order word co-occurrence”) az a jelenség, amikor két vagy több szó
ugyanazokkal a szavakkal fordul elő (ami egy paradigmatikus kapcsolat),
függetlenül attól, hogy egymás környezetében megjelennek-e. Gyakorlatilag
tehát azt vizsgáljuk, hogy bizonyos szavak tipikus környezete mennyire hasonló.
Ennek a hasonlóságnak az oka a disztribúciós hipotézis értelmében jelentéstani
eredetű; a szavak ilyen irányú vizsgálatával pedig a disztribúciós szemantika
(„distributional semantics”) foglalkozik.
A másodrendű együttes előfordulás mérése az eredetileg elterjedt eljárás
szerint
2
a következő lépésekkel történik:
1. kiválasztjuk azokat a szavakat, amelyeket disztribúciós szempontból össze
fogunk hasonlítani (célszavak), és azokat a szavakat, amelyekkel a célszavak
tipikus környezetét jellemezni szeretnénk (környezetszavak; ezek száma
általában igen magas)
2. a célszavakat nagy korpuszban megkeressük
3. minden egyes találat esetén megvizsgáljuk, hogy a célszó adott
környezetében mely környezetszavak fordulnak elő, és a célszó-környezetszó
együttes (elsőrendű) előfordulási adatokból a célszavakat jellemző
tulajdonságvektorokat készítünk
4. a tulajdonságvektorokban tárolt értékeket súlyozzuk (t-score, MI-score, Dice,
stb.) ahhoz hasonlóan, ahogyan a kollokációjelöltekkel eljártunk fentebb
5. a tulajdonságvektorokat ezután összehasonlíthatjuk (pl. vektortávolság,
hajlásszög mérésével), klaszterezhetjük, stb.
Pszicholingvisztikai szempontból érdekes, hogy a szavak korpuszadatok
alapján kiszámolt hasonlósága korrelál a humán szóhasonlósági kísérletekben
kérdőíves módszerrel mért szubjektív szóhasonlósági eredményekkel; magyar
adatokért lásd (Tóth, 2013).
A Sketch Engine egy kiválasztott célszóhoz a fenti módszerrel automatikusan
tud generálni a lexikográfus számára tezauruszt
(https://www.sketchengine.co.uk/user-guide/user-manual/thesaurus/). Ez nem
olyan adat, ami automatikusan a szótárba kerülhet, csupán egy olyan lista, amely
disztribúciós hasonlóság alapján potenciális szinonimákat tartalmaz. Nem
kizárólag a tezauruszok, hanem általános szótárak is tartalmazhatnak
szinonimákat (pl. MW online, MAC online).
A szinonimák megkeresésén kívül a disztribúciós hasonlósági adatokat
potenciálisan felhasználhatjuk bármilyen olyan helyzetben, amelyben a szavak
hasonlóságának mérése releváns.
TÓTH ÁGOSTON
19
1. Ilyen például a címszavak hasonlóságának mérése. Kilgarriff (1998) alapján
tudjuk, hogy az LDOCE3 szótárban a hasonló szavak értelmezésének
konzisztenciáját biztosítani kellet, és a 13 részfeladat közül nehézségi
sorrendben ez a 7. volt. Ennek a részfeladatnak az első lépését, a hasonló
címszavak megkeresését, egy disztribúciós szemantikai eszköz felgyorsítja.
2. Az értelmezésekben használt szavak és a címszavak disztribúciós
kapcsolatának mérésére: kontrollált definíciós szójegyzék (CDV) használata
esetén a szójegyzékből kiválaszthatjuk azokat a szavakat, amelyek a
címszóhoz disztribúciós szempontból hasonlóak. Ez jelenleg egy járatlan
terület. Kilgarriff (1998) nehézségi listáján az első helyen szerepel az
értelmezések megírása, így ez a lehetőség a későbbiek során figyelmet
érdemel.
3. A disztribúciós szemantika egyik területe a többszavas kifejezések
kompozicionalitásának mérése (pl. Biemann–Giesbrecht, 2011; Katz–
Giesbrecht, 2006; Zhang et al., 2006). A szókapcsolatok kompozicionalitása
nagyban befolyásolja azt, hogy érdemes-e (kell-e) őket a szótárban
szerepeltetni. Kilgarriff (1998) felmérésének 4. legnehezebb feladata a
többszavas kifejezések beválasztása. Ennek a részfeladatnak a megoldásában
segíthet egy ilyen új eszköz a lexikográfus „elektronikus munkaasztalán”.
4. Elektronikus szótárakban történő keresés során a szóhasonlóságot is
figyelembe tudjuk venni. Erre példa a OneLook online metaszótár egyik
funkciója (a „kettőspont operátor”). A :beautiful keresőkifejezésre a 7. ábrán
látható szóhasonlósági listát adja vissza a szótár (a szavak hiperlinkek, így
egyszerűen kikereshetők a szótárból). Mint látjuk, a disztribúciós hasonlóság
kiszámításával kapott lista (a szótárakban megszokottaktól eltérően)
heterogén. A OneLook online a lista további feldolgozásához annyi
automatizált segítséget tud csak nyújtani, hogy a találatlistáját szófaj szerint
osztályozni tudja (így például a beautiful szóhoz kérhetjük az első 100
leghasonlóbb melléknév listázását).
TÓTH ÁGOSTON
20
7. ábra: A :beautiful keresőkifejezés eredménylistája (1-60. tétel) a OneLook szótárban
(http://onelook.com)
6. A szótárhasználó perspektívája: kérdőíves adatok
Az aktív szótárhasználók, valamint a szótárhasználatot (adott esetben
szótárdidaktikát) tanító oktatók szempontjából azért fontos ismerni a gyakorisági
adatok szótárakra gyakorolt hatását, mert ez hatékonyabb szótárhasználatot
eredményez, felfedezhetünk „rejtett” információkat, szükség esetén
módosíthatjuk szótárhasználati stratégiáinkat és a szótárak közötti választáshoz
is új szempontokat kapunk.
Egy 38 fős, angol szakos egyetemi hallgatókkal (többségükben leendő
tanárokkal) végzett anonim kérdőíves vizsgálat során a következőket
tapasztaltam:
1. Kedvenc egynyelvű szótárként kivétel nélkül ingyenes elektronikus szótárat
jelöltek meg (főleg OLD online, LDOCE online és CAD online). Kedvenc
kétnyelvű szótárakból többfélét említettek, ezek egyike sem volt domináns
helyzetben. Többen is valamelyik Magay–Országh nyomtatott szótárat
nevezték meg első választásként. Két válaszadó a Google Fordítót jelölte
meg kedvenc kétnyelvű szótáraként. A kedvenc szótárra vonatkozó kérdés
célja az volt, hogy a későbbi kérdésekben egy azonosítható és általuk
leginkább ismert szótárra lehessen rákérdezni.
TÓTH ÁGOSTON
21
2. A következő kérdés azt mérte, hogy a válaszadók mennyire vannak tudatában
annak, hogy kedvenc egynyelvű szótáruk címszólistájának összeállításakor
vizsgáltak-e gyakorisági adatokat. A válaszokat 5-fokozatú Likert-skálán
gyűjtöttem, a következő eredménnyel.
biztosan igen
azt gondolja,
hogy igen
nem tudja
azt gondolja,
hogy nem
biztosan nem
11%
64%
14%
11%
0%
3. Egy, az előzőhöz hasonló kérdés arról szólt, hogy a hallgatók mennyire
vannak tudatában annak, hogy kedvenc kétnyelvű szótáruk címszólistájának
összeállításakor alkalmaztak-e gyakorisági adatokat.
biztosan igen
azt gondolja,
hogy igen
nem tudja
azt gondolja,
hogy nem
biztosan nem
6%
67%
18%
6%
3%
Válaszuk helyességét sok esetben nem tudtam megítélni a megfelelő adatok
hiányában, de előfeltételezéseik így is látszanak. Számomra egyébként
meglepő volt, hogy ebben az esetben a válaszok aránya nagyon hasonlított az
előző kérdésben kapotthoz, miközben a kétnyelvű szótárak között több volt a
homályos hátterű, hiányosan dokumentált webszótári projekt.
4. Megkérdeztem őket arról is, hogy az általuk kedvencként megjelölt
egynyelvű szótár tudomásuk szerint az értelmezések megírásakor
egyszerűsített nyelvezetet használ-e, melyben gyakori szavakat találunk
(CDV-k használata, lásd 4.1. fejezet).
inkább igen
nem tudja
inkább nem
72%
6%
22%
A következő, ehhez kapcsolódó kérdésben arra válaszoltak, hogy a
nyelvtanulók számára egy ilyen megoldás hasznos-e, illetve hasznos lenne-e.
inkább igen
nem tudja
inkább nem
62%
14%
24%
A szótárszerkesztési gyakorlatban – éppen az egynyelvű angol tanulói
szótáraknál – ez a megoldás teljesen elfogadott és mára igen elterjedtnek
számít. A kérdőív alapján ezzel a helyzettel a hallgatók egy része nem volt
tisztában, sőt ennek a megoldásnak a megítélése is meglepően vegyes volt.
5. Kedvenc kétnyelvű szótárukkal kapcsolatos kérdés volt, hogy a gyakoribb
fordítási ekvivalensek tudomásuk szerint előbbre vannak-e sorolva a
ritkábbaknál (lásd 4.3. fejezet).
inkább igen
nem tudja
inkább nem
89%
0%
11%
TÓTH ÁGOSTON
22
Az igenek száma magas, és sokszor hibás feltételezésen alapul.
Szerintük egy ilyen rendezési sorrend hasznos-e?
inkább igen
nem tudja
inkább nem
76%
15%
9%
6. Azzal kapcsolatban, hogy a jelentések és jelentésárnyalatok sorrendezésénél
a szótárszerkesztők szerintük használtak-e gyakorisági információt, a
következő adatokat kaptam.
inkább igen
nem tudja
inkább nem
79%
13%
8%
Szerintük egy ilyen rendezési sorrend hasznos-e?
inkább igen
nem tudja
inkább nem
80%
20%
0%
A 80%-os támogatottság meggyőző annak ellenére, hogy a 4.2. fejezetben
látottaknak megfelelően ebben a kérdésen a lexikográfusok egyébként
megosztottak. Egy erre vonatkozó szótárhasználói igény mindenesetre a
felmérésből kirajzolódott.
A kérdőíves adatokat egy később elindított szeminárium megtervezéséhez
gyűjtöttem, egyrészt a szótárhasználati szokások feltérképezésére, másrészt
annak felmérésére, hogy a leendő hallgatók milyen előzetes információkkal
rendelkeznek a szótárszerkesztésről. 22 kérdés szerepelt a kérdőíven, ebben a
cikkben csak a gyűjtött adatok kis része látható.
A kedvenc kétnyelvű szótár majdnem mindig azon „elavult, pontatlan”
szólistára épülő ingyenes online szótárak egyike volt (Felvégi, 2013: 92),
melyek szerkesztési elveiről általában keveset tudunk. Sok esetben
tulajdonképpen nem is érdemes azt feszegetni, a készítőik vajon milyen
lexikográfiai módszerekkel dolgoztak; az angol egynyelvű és az angol–
magyar/magyar–angol kétnyelvű ingyenes szótárak között mély a minőségbeli
szakadék. Ezért arra számítottam, hogy egyrészt a kétnyelvű szótáraknál több
lesz a „nem tudja” válasz, másrészt az egynyelvű szótárakról kapott visszajelzés
pontosabb, megbízhatóbb lesz. Egyik feltevés sem igazolódott be, mivel az
egynyelvű szótárakra vonatkozó ismereteik is hasonlóan hiányosak voltak.
Ezzel kapcsolatban a kiadók felelősségét is meg kell említenünk: az
elektronikus szótárakhoz kevés kivételtől eltekintve nem készülnek alapos
dokumentációk, ahogyan azt Dringó-Horváth (2011: 143) is megállapítja. Egy-
egy jól megírt szótári bevezető beszámol a fontosnak ítélt szerkesztési elvekről,
és segít a szótárhasználónak eligazodni a szótárban. Az online szótárakban
sokszor keresve sem találunk leírást, dokumentációt, még akkor sem, ha a szótár
nyomtatott változatához jól kidolgozott anyagok készültek.
TÓTH ÁGOSTON
23
7. Befejezés
A szótárkészítés idő- és munkaigényes folyamat, amit a digitális számítógépes
technológiák fejlődése hatékonyabbá és gyorsabbá tett.
Egy – általában hosszú ideig tartó és rengeteg manuális munkát igénylő –
lexikográfiai projekt indítása, megtervezése alapvetően befolyásolja a teljes
szótárszerkesztési folyamat jellegét és kimenetelét, az elkészült mű
tulajdonságait, és meghatározza az adatbázissal később végezhető műveleteket.
A Collins kiadó COBUILD1 szótárának esetében egy teljes lexikográfiai
projektet terveztek meg egy korábban ki nem próbált platformon, új
megoldásokkal, köztük kvantitatív elemzési módszerekkel, az akkor elérhető
legkorszerűbb eszközökkel. Az LDOCE esetében láttuk, hogy a szógyakoriság-
alapú „Longman definíciós szójegyzék” (LDV) piacformáló fejlesztés volt. Az
Oxford szótársorozat története mutatja, hogy időről-időre szükséges a
megújulás, sokszor éppen az új technológiai lehetőségek kihasználása miatt.
Szótári adattáruk számítógépes adatbázissá alakítása (az OED2 szerkesztési
munkálatai kapcsán) nagy és költséges lépés volt, amit nem lehetett megkerülni.
Ugyanez a kiadó az OALD sorozatban saját „kontrollált definíciós
szójegyzéket” fejlesztett, szógyakorisági alapra helyezve a tanulói szótárukban
található értelmezések nyelvezetét (OALD5), egyben igazodva a Longman által
aktívan alakított piaci környezethez.
A szótárak leggyakrabban kereskedelmi termékként készülnek. Minden szót
teljeskörűen dokumentálni elvi okokból sem lehet, a gyakorlatban pedig
meghatározóak a kiadó által szabott feltételek. Amennyiben csökkenteni kell a
feladat mennyiségét, akkor részben a gyakorisági adatokban kell keresnünk a
megoldást: ha a ritka szavakat nem választjuk be címszóként, ha a ritka
szókapcsolatok értelmezésével nem foglalkozunk, akkor a munka időigényét
úgy csökkentjük, hogy a legkevésbé szembeötlő helyen kötünk
kompromisszumot. Mindez hasonlít arra, amit az informatika a hang- és
videóanyagok tömörítésekor tesz: a percepció szempontjából kevésbé lényeges
információt hagyja el, és így csökkenti a kezelendő adatok mennyiségét. A
szavak és azok jelentése kapcsán az észlelhetőség fontos kritériuma az adott adat
gyakorisága.
Ahogyan az a 6. fejezetből kiderült, a cikk megírásának egyik apropója egy
egyetemi szeminárium bevezetése volt. Ezzel kapcsolatos a cikk végére hagyott
megjegyzésem. Látjuk, hogy a szótár használói a lehető legkevesebb időt
akarják eltölteni szótárhasználattal. Ez számukra egy részfeladat, ami egy másik
feladat megoldásához szükséges, kényszerű lépés. Mégis: a kapkodó, felületes
munka éles kontrasztban áll azzal, hogy a szótárszerkesztők mennyi és milyen
színvonalú munkát fektetnek be egyetlen szócikk létrehozásába is, sokszor
milyen mesterműveket alkotnak. A tanárok, a szülők és a szótárakat gondozó
kiadók feladata és közös érdeke, hogy az igényes szótárhasználatot és annak
TÓTH ÁGOSTON
24
tanítását támogassák, a tanuló pedig a megszerzett tudással azért jár jól, mert a
szótárhasználatra szánt időt jobban ki tudja használni, biztosabb kézzel választ
szótárt, és pontosabban tudja, hogy mit, hol és hogyan kereshet.
A cikkben hivatkozott szótárak
CAD online = Cambridge Dictionary Online, https://dictionary.cambridge.org/
CIDE = Procter, P. (ed.) (1995) Cambridge International Dictionary of English (First Edition).
Cambridge: Cambridge University Press.
COBUILD1 = Sinclair, J. (ed.) (1987) Collins COBUILD English Language Dictionary (First
Edition). London/Glasgow: Collins.
COBUILD2 = Sinclair, J. (ed.) (1995) Collins COBUILD English Dictionary (Second Edition).
London/Glasgow: HarperCollins.
Collins online = Collins Dictionary online. http://www.collinsdictionary.com
LDOCE online = Longman Dictionary of Contemporary English online, http://www.ldoceonline.com/
LDOCE3 = Summers, D. (ed.) (1995) Longman Dictionary of Contemporary English (Third Edition).
Harlow: Longman.
MA = Magay T. & Országh L. (szerk.) (2012) Magyar–angol szótár + net + e-szótár. Budapest:
Akadémiai Kiadó.
MAC online = Macmillan Dictionary online, http://www.macmillandictionary.com
MED1 = Rundell, M. (ed.) (2002) Macmillan English Dictionary for Advanced Learners (First
edition). Oxford: Macmillan Education.
MW online = Merriam–Webster Dictionary online, http://www.merriam-webster.com
NMED = West, M.P. & Endicott, J.G. (eds.) (1935) The New Method English Dictionary. London:
Longmans, Green.
OALD5 = Crowther, J. (ed.) (1995) Oxford Advanced Learner's Dictionary of Current English (Fifth
Edition). Oxford: Oxford University Press.
OED2 = Simpson, J. & Weiner, E. (1989) Oxford English Dictionary (Second Edition). Oxford:
Clarendon Press.
OLD online = Oxford Learner’s Dictionaries online, http://www.oxfordlearnersdictionaries.com/
OneLook = OneLook Dictionary Search, http://onelook.com/
Szótár.net = Akadémiai Kiadó szótár.net oldala, http://www.szotar.net/
Webfordítás szótár = MorphoLogic Webfordítás webszótár, http://www.webforditas.hu/szotar
Felhasznált korpuszok
Brown = Francis, W. N. & Kučera, H. (compilers) (1964) A Standard Corpus of Present-Day Edited
American English, for use with Digital Computers. Rhode Island, Providence: Brown University.
GloWbE = Corpus of Global Web-Based English. http://corpus.byu.edu/glowbe/
MNSZ2 = Oravecz Cs., Váradi T. & Sass B. (2014) The Hungarian Gigaword Corpus. In:
Proceedings of LREC 2014. http://clara.nytud.hu/mnsz2-dev/
NOW = News on the Web korpusz. http://corpus.byu.edu/now/
Irodalom
Bárdosi V. (2012) Magyar szólások, közmondások adatbázisa. Budapest: Tinta Könyvkiadó.
Baroni, M., Dinu, G. & Kruszewski, G. (2014) Don’t count, predict! A systematic comparison of
context-counting vs. context-predicting semantic vectors. In: Proceedings of the 52nd Annual
Meeting of the Association for Computational Linguistics. 238–247.
Biemann, Ch. & Giesbrecht, E. (2011) Distributional semantics and compositionality 2011: Shared
task description and results. In: Proceedings of the Workshop on Distributional Semantics and
Compositionality (DiSCo).
Clear, J. (1987) Computing. In: Sinclair, J. (ed.) Looking up: An account of the COBUILD project in
lexical computing. London: HarperCollins Publishers. 41–61.
TÓTH ÁGOSTON
25
Cruse, A. (2011) Meaning in Language: An Introduction to Semantics and Pragmatics. Oxford:
Oxford University Press.
Dringó-Horváth I. (2011) Hogyan válasszunk elektronikus szótárat a nyelvtanuláshoz? Iskolakultúra.
2011/6–7. 141-156.
Felvégi Zs. M. (2013) Az ingyenes angol–magyar és magyar–angol online szótárakról. Modern
Nyelvoktatás. 19/4. 80–93.
Howard-Hill, T. H. (1979) Literary Concordances: A Complete Handbook for the Preparation of
Manual and Computer Concordances. Oxford; New York; Toronto; Paris; Sydney; Frankfurt:
Pergamon Press.
Jost, D. & Carus, W. (2003) Computing Business Multiwords: Computational Linguistics in Support
of Lexicography. Dictionaries: Journal of the Dictionary Society of North America. 24. 59–83.
Katz, G. & Giesbrecht, E. (2006) Automatic identification of non-compositional multi-word
expressions using latent semantic analysis. In: Proceedings of the Workshop on Multiword
Expressions. Sydney: COLING ACL. 12–19.
Kelemen J. (1966) Gépi adatgyűjtés és adatfeldolgozás a lexikográfia szolgálatában. In: Országh L.
(szerk.) Szótártani tanulmányok. Budapest: Tankönyvkiadó.
Kilgarriff, A. (1998) The hard parts of lexicography. International Journal of Lexicography, 11. pp.
51–54.
Kilgarriff, A., Baisa, V., Bušta, J., Jakubíček, M., Kovář, V., Michelfeit, J., Rychlý, P.,
Suchomel, V. (2014) The Sketch Engine: ten years on. Lexicography. Springer Berlin Heidelberg.
1 (1), pp. 7–36.
Koplenig, A. & Müller-Spitzer, C. (2014) General issues of online dictionary use. In: Müller-Spitzer,
C. (ed.) Using Online Dictionaries (Lexicographica Series Maior 145.) Berlin; Boston: Walter de
Gruyter. 125–141.
Krishnamurthy, R. (1987) The Process of Compilation. In: Sinclair, J. (ed.) Looking up: An account
of the COBUILD project in lexical computing. London: HarperCollins Publishers. 62–85.
Lew, R. (2013) Identifying, ordering and defining senses. In: Jackson, H. (ed.) The Bloomsbury
Companion To Lexicography. London: Bloomsbury Academic.
Manning, C. & Schütze, H. (1999) Foundations of Statistical Natural Language Processing.
Cambridge, MA: MIT Press.
Moon, R. (1987) The Analysis of Meaning. In: Sinclair, J. (ed.) Looking up: An account of the
COBUILD project in lexical computing. London: HarperCollins Publishers. 86–103.
Morton, H. C. (1994) The Story of Webster’s Third. Cambridge, New York, Melbourne: Cambridge
University Press.
Novák A. (2003) Milyen a jó Humor? In I. Magyar Számítógépes Nyelvészeti Konferencia, 138–144.
Szeged: SZTE.
Országh L. (szerk.) (1966) Szótártani tanulmányok. Budapest: Tankönyvkiadó.
Pajzs J. (1990) Számítógép és lexikográfia. Budapest: Magyar Tudományos Akadémia
Nyelvtudományi Intézete.
Pecina, P. (2009) Lexical Association Measures: Collocation Extraction. Prága: ÚFAL.
Prószéky G. (2011) A szótári világ átalakulási tendenciái az internet megjelentével. Modern
Nyelvoktatás 17/4, 3–13.
Prószéky G. (2013) How „Truly Electronic Dictionaries” of the 21st Century Should Look Like? In:
Stickel, G. & Váradi T. (eds.) Lexical Challenges in a Multilingual Europe. Frankfurt am Main;
New York; Berlin; Bern; Brüsszel; Oxford; Bécs: Peter Lang Academic Publishers. 51–60.
Prószéky G. & Kis B. (1999) A unification-based approach to morpho-syntactic parsing of
agglutinative and other (highly) inflectional languages. In Proceedings of the 37th annual meeting
of the Association for Computational Linguistics on Computational Linguistics, ACL ’99, 261–268,
Stroudsburg, PA: Association for Computational Linguistics.
Renouf, A. (1987) Corpus Development. In: Sinclair, J. (ed.) Looking up: An account of the
COBUILD project in lexical computing. London: HarperCollins Publishers. 1–39.
TÓTH ÁGOSTON
26
Summers, D. (1996) Computer lexicography – the importance of representativeness in relation to
frequency. In: Thomas, J. & Short, M. (eds.) Using Corpora for Language Research. London and
New York: Longman. 260–266.
Tóth Á. (2013) Az ember, a korpusz és a számítógép: Magyar nyelvű szóhasonlósági mérések humán
és disztribúciós szemantikai kísérletben. Argumentum 9, 301–310.
Trakultaweekoon, K., Porkaew, P. & Supnithi, T. (2007) LEXiTRON Vocabulary Suggestion
System with Recommendation and Vote Mechanism. In: Proceedings of Conference of SNLP2007,
43–48.
Trón V., Halácsy P., Rebrus P., Rung A., Vajda, P. & Simon E. (2006) Morphdb.hu: Hungarian
lexical database and morphological grammar. In: Proceedings of LREC 2006, 1670–1673.
Xu, H. (2012) A Critique of the Controlled Defining Vocabulary in Longman Dictionary of
Contemporary English. Lexikos 22. 367–381.
Young, I. D. (1965) A concordance to the poetry of Byron. Austin, TX: Pemberton Press.
Zhang, Y., Kordoni, V., Villavicencio, A. & Idiart, M. (2006) Automated Multiword Expression
Prediction for Grammar Engineering. In: Proceedings of the Workshop on Multiword Expressions.
Sydney: COLING ACL, 44–52.
Jegyzetek
1
Azonban a lookout szó értelmezését nem jól fogalmazták meg: look-out [noun] [countable] „4. a
place for a lookout to watch from”. A szót tehát önmagával értelmezik, az aláhúzott szó pedig olyan
hiperlink, ami ugyanerre a bejegyzésre mutat, ’hiperkörkörös’ definíciót eredményezve.
Összehasonlításként álljon itt az ehhez a jelentéshez tartozó értelmezés a Macmillan szótárból (MAC
online): „a place that is suitable for watching whether someone or something is coming, especially in a
dangerous situation”.
2
Ezt a szakirodalom újabban megszámolós, azaz „count” módszerként nevezi. Alternatívája a
konnekcionista gépi tanulást használó „predict” módszer, amely egy neurális hálózat rejtett rétegében
keletkező szóábrázolásokat (beágyazásokat, „word embeddings”) használ disztribúciós
tulajdonságvektorok helyett. A két módszer összehasonlításáért lásd (Baroni, 2014).
