Forum der Letteren. Jaargang 1978

[p. 118]

Thesaurus en taalkundig onderzoek B.P.F. Al

1. Inleiding

In meer dan één opzicht is het Centre de recherche pour un Trésor de la langue française⁽¹⁾ te Nancy vergelijkbaar met het Instituut voor Nederlandse Lexicologie. Beide instituten hebben een tweeledige taak: het zelfvervaardigen van één of meerdere woordenboeken en het als databank fungeren voor anderen. In beide gevallen wordt de lexicografische activiteit als een zware last ervaren waar men zo snel mogelijk vanaf wil om meer tijd te kunnen besteden aan het andere taakbestanddeel. Toch is de situatie in Frankrijk duidelijk gunstiger dan in Nederland al was het alleen maar omdat binnen het 1NL de afdeling Thesaurus naast het WNT functioneert, terwijl het 19e en 20e eeuwse Franse woordenboek het eerste en belangrijkst geachte produkt van de thesaurus is. Er is, mede daardoor, in Nancy al een grote ervaring opgedaan voor wat betreft de gebruiksmogelijkheden van een taalkundige databank.

Het doel van deze bijdrage is enerzijds om aan de hand van materiaal van de Trésor aan taalkundigen te laten zien welk belang zij kunnen hebben bij een goed opgebouwd en gemakkelijk toegankelijk taaiarchief. Anderzijds kunnen de Nederlandse thesauriers er mogelijk uit afleiden aan welke eisen het databestand moet voldoen wil het optimaal bruikbaar zijn voor taalkundig onderzoek.

(1) Sinds 1 oktober 1977 is de TLF opgegaan in het Institut de la langue frangaise.

2. De Trésor: primaire en afgeleide data

Feitelijk bestaat de Trésor uit een verzameling magneetbanden waarop met behulp van de computer enorme hoeveelheden gegevens zijn opgeslagen. Deze gegevens kunnen worden bewerkt: men kan ze anders rangschikken, onderling vergelijken, tellen, enz. In ieder stadium kunnen ze overgebracht worden op andere informatiedragers (papier, ponskaarten, b.v.). Gegevens die een bewerking hebben ondergaan noemen we afgeleide data. De op magneetband verzamelde originele (= primaire) data die momenteel de Trésor uitmaken zijn de volgende:

(A)	6.500.000 woordfiches (= de enkele tientallen jaren geleden met de hand bijeengebrachte Inventaire Général de la Langue Française - IGLF).
(B)	De volgende algemene woordenboeken: verschillende edities van de Dictionnaire de l'Académie, Littré, Guérin, Dictionnaire Général, Grand Robert, Petit Robert,

[p. 119]

	Grand Larousse de la Langue Française, Larousse du XXe siècle, Petit Larousse alsmede 471 technische woordenboeken.
(C)	Technische teksten uit de 19e en 20e eeuw, gespreid over 70 verschillende vakgebieden, te zamen ongeveer 20.000.000 tokens^(2).
(D)	Literaire teksten uit de 19e en 20e eeuw, te zamen ruim 70.000.000 tokens.
(E)	Literaire teksten uit vroegere eeuwen: ongeveer 30.000.000 tokens per eeuw (in uitvoering).

Als bijzonderheid moet worden vermeld dat de verzamelingen (C) en (D) onderverdeeld zijn in 15 elkaar opvolgende chronologische tranches, die elk als een onafhankelijk subcorpus behandeld kunnen worden en die in omvang variëren van 5,1 tot 6,8 miljoen tokens. De eerste tranche loopt van 1946 tot 1964, de laatste van 1789 tot 1815.

Ik ga hier niet in op de vraag of de Trésor wel representatief is voor het Frans, maar constateer slechts dat de gesproken taal ontbreekt⁽³⁾, terwijl ook ‘krantentaal’ niet vertegenwoordigd is⁽⁴⁾.

Op de hierboven opgesomde primaire data zijn een aantal standaardbewerkingen uitgevoerd, die geleid hebben tot de volgende soorten afgeleide gegevens:

(a)	Indices: de verschillende lemmata met hun vindplaatsen.
(b)	Concordanties: voor ieder lemma alle types met hun tokens^(5) uit de deelverzamelingen (C) en (D), vergezeld van maximaal 18 regels kontekst.
(c)	Frequentie-overzichten: voor elk lemma wordt aangegeven in welke algemene woordenboeken en in hoeveel technische woordenboeken het genoemd wordt en hoeveel maal het voorkomt in de deelverzamelingen (A), (C) en (D). M.b.t. het 19e en 20e eeuwse literaire corpus werd bovendien de relatieve frequentie berekend per halve eeuw (voor 4/7 van het materiaal zelfs per chronologische tranche) en per tekstsoort (poëzie ∿ proza ∿ rest; monoloog ∿ dialoog ∿ rest). Behalve een alfabetische ordening zijn ook een retrograde rangschikking en een ordening naar afnemende frequentie beschikbaar. Een deel van deze gegevens is gepubliceerd (Cf. Dictionnaire de fréquences. Vocabulaire littéraire des 19e et 20e siècles, 7 delen, Paris 1969-1971).
(d)	Binaire groepen: significante collocaties (= syntagmatische verbindingen) tussen twee woorden in de literaire en technische teksten van de 19e en 20e eeuw, met vermelding van hun vindplaatsen en hun significantiegraad.

Over het taalkundig belang van deze laatste categorie gegevens gaat de volgende para-

(2) Het lemma woordenboek bestaat uit twee types: woordenboek en woordenboeken. Elk van deze types kan in een tekst vele malen voorkomen. Dit zijn dan even zovele tokens van deze types.

(3) Zoals blijkt uit de bijdrage van Pijnenburg e.a. aan deze bundel, heeft men zich nog bijna nergens met de automatische verwerking van gesproken taal bezig gehouden. Vermeld kan worden dat de vakgroep Franse taalkunde aan de Vrije Universiteit momenteel het zgn. Orléans-corpus aan het verponsen is (een verzameling van naar schatting 4.500.000 tokens gesproken Frans). Ook hier worden echter prosodische verschijnselen buiten beschouwing gelaten.

(4) Voor het Zweeds is berekend dat krantentaal meer dan 70 procent van de totale hoeveelheid gedrukte tekst vormt (mededeling van S. Allèn tijdens een op 17-12-77 gehouden colloquium over corpus-linguïstiek).

(5) Zie noot 2 voor een verklaring van de termen lemma, type en token.

[p. 120]

graaf terwijl in paragraaf 4 de bruikbaarheid van de relatieve frequentie data voor het morfologisch onderzoek ter sprake komt.

3. Binaire groepen

3.1. Uiteenzetting⁽⁶⁾

Binaire groepen (voortaan BG) zijn ontwikkeld om de taak van de lexicograaf te vereenvoudigen. Hij diende immers de beschrijving van de hem toegewezen lemmata te baseren op het materiaal dat hem in de vorm van concordanties was aangereikt. Voor de frequente woorden was dit materiaal echter veel te omvangrijk om er zinvol mee te kunnen werken. Ondanks de intuïtie van de lexicograaf bleek de vraag of een voorbeeld, waarmee hij zijn beschrijving wilde staven, significant was of, integendeel, marginaal, steeds moeilijker te beantwoorden naarmate de hoeveelheid materiaal waaruit gekozen moest worden groeide. Het binaire groepen programma stelt te computer in staat te berekenen welke combinaties van twee woorden significant zijn. Alleen deze collocaties worden afgedrukt, met een beperkte kontekst (maximaal 12 woorden, de beide termen van de BG inbegrepen).

Wat is nu precies een BG? Een BG wordt gevormd door twee ‘semantisch volle woorden’, al dan niet van elkaar gescheiden door ten hoogste vijf ‘functionele woorden’. Hierbij gelden de volgende definities:

-	Een woord is een reeks letters omgeven door spaties en/of bepaalde punctuatietekens.
-	Een ‘functioneel woord’ is één van de ongeveer 300 woorden en tekens die als zodanig geklasseerd staan. Hieronder vallen lidwoorden, pronomina, voegwoorden en andere leden van gesloten woordklassen, maar ook bepaalde hulpwerkwoorden en de komma.
-	Een ‘semantisch vol woord’ is ieder woord dat niet tot de klasse der functionele woorden behoort. Een vervoegde werkwoordsvorm wordt, zo mogelijk, gelemmatiseerd.

Zo kunnen in de volgende zin 6 BG worden onderscheiden:

On conviendra aisément qu'il importait de maîtriser au plus vite une documentation aussi volumineuse.

1. convenir aisément	4. maîtriser vite
2. aisément importait	5. vite documentation
3. importait maîtriser	6. documentation volumineuse

Voor ieder semantisch vol woord kunnen nu twee verzamelingen BG worden aangelegd: die waarin het woord eerste term is en die waarin het woord als tweede term fungeert. Binnen beide verzamelingen worden de termen waarmee het woord in kwestie in collocatie treedt naar woordklasse geordend, en daarbinnen alfabetisch. De kontekst die voor iedere BG wordt genoteerd bestaat uit de twee woorden die aan de eerste term voorafgaan, de eventueel tussen de beide termen staande functionele woorden en de

(6) Voor meer details verwijs ik naar Gorcy e.a. (1970), waaraan ik veel van de in deze paragraaf vermelde gegevens heb ontleend.

[p. 121]

drie op de tweede term volgende woorden. Zie het bijgevoegde schema voor een concreet voorbeeld.

calibrés	1e term	(vindplaats)
	Categorie 2e term: substantief
calibrés pression
orifices rigoureusement	calibrés sous une pression bien plus élevée	... ...
	Categorie 2e term: deelwoord
calibrés provenant
de bois	calibrés provenant d'une première	... ...

calibrés	2e term
	Categorie le term: substantief
matériaux calibrés
formé en	matériaux bien calibrés .--
morceaux calibrés
cassé en	morceaux bien calibrés .--
	Categorie le term: bijwoord
rigoureusement calibrés
orienté et	rigoureusement calibrés .--
des orifices	rigoureusement calibrés sous une pression

Zoals reeds eeerder werd opgemerkt worden alleen de significante BG op deze wijze vastgelegd. Deze kunnen worden bepaald op basis van een vergelijking tussen het aantal keren dat een BG daadwerkelijk voorkomt en zijn theoretische frequentie (Q). Nu is waarbij a resp. b de reële frequentie uitdrukken van de beide termen van een BG binnen het bestudeerde corpus of een deel ervan (in dit geval een chronologische tranche) en N het totaal aantal BG dat binnen dezelfde tranche gevormd kan worden. Experimenteel kan worden vastgesteld dat a en b variëren van 1 tot 7000 en N van 2 tot 2,3 miljoen. Hieruit volgt:

Hoe kleiner Q. hoe groter de kans dat de vorming van de BG in kwestie niet aan het toeval te wijten is. Vgl. b.v. de theoretische frequenties van de volgende BG die allen twee

[p. 122]

maal daadwerkelijk voorkomen in de eerste chronologische tranche van het literaire corpus:

concurrence déloyale	0,000032
saule pleureur	0,000033
ondes hertziennes	0,000034
fille oreille	0,329819
partie courage	0,329900

Men kan nu uitrekenen hoe groot Q maximaal mag zijn om een BG die n maal daadwerkelijk voorkomt als significant te kunnen noteren (significantiegrens 0,01):

n	1	2	3	4	...	7	...	10	...
Q	0,010	0,148	0,436	0,823	...	2,330	...	4,130	...

Concurrence déloyale komt twee keer voor; de theoretische frequentie van deze BG is aanzienlijk kleiner dan 0,148; dus wordt deze BG als significant genoteerd. Daarentegen had partie courage minstens drie maal moeten voorkomen om voor vastlegging in aanmerking te komen. Gorcy e.a. (1970: 25) hebben geconstateerd d.m.v. een steekproef dat op deze manier 75% van alle intuïtief interessante BG geselecteerd worden terwijl 62% van de niet interessante BG worden geëlimineerd.

3.2. Taalkundige gebruiksmogelijkheden

Een verzameling woorden waarvan elk element in collocatie treedt met een bepaalde term, vertoont vaak een interne semantische coherentie. Vgl. b.v. de volgende woorden die als tweede term gevonden worden bij administrer (in de zin van ‘toedienen’): opium, paroles, piqûres, poison, purgation(s) en sacrement(s) of de volgende woorden die als tweede term bij courir optreden: agences, bibliothèques, salons, dancings, boutiques, parcs, ville en aventure, danger(s), risque(s), péril(s)⁽⁷⁾. Dergelijke verzamelingen kunnen grafisch gerepresenteerd worden als netwerken waarin woorden de knopen vormen en de georiënteerde takken een significante collocatie aanduiden. B.v.:



ledere tak kan voorzien worden van een getal dat de relatiesterkte tussen de twee betrokken woorden aangeeft. De knopen péril, risque, danger, enz. kunnen onderling eveneens verbonden worden door takken die men van een naam kan voorzien, afhankelijk van de paradigmatische relatie die tussen de woorden bestaat (synonymie, hyponynie, antonymie, enz.) en van een getal (gradaties binnen deze relaties). Van hieruit generaliserend kan men het lexicon zien als een immens multi-dimensioneel netwerk

(7) Gegevens over het werkwoord courir zijn afkomstig van Danièle Nebig.

[p. 123]

van n knopen die door maximaal benoembare takken onderling verbonden worden. Dat een dergelijke conceptie ook enige psychologische waarde heeft moge blijken uit paragraaf 2.5. van de bijdrage van Schreuder & Levelt aan deze bundel. Hoe dan ook, BG kunnen van grote betekenis zijn voor het onderzoek naar de syntagmatische relaties binnen het lexicon. Dit terrein ligt nog vrijwel braak.

Meer in het bijzonder stelt het BG-programma de taalkundige in staat idiomatische uitdrukkingen grondig Ie bestuderen, in de eerste plaats diachroon omdat het ontstaan en het verdwijnen van vaste uitdrukingen onmiddellijk is af te lezen uit de BG-staten dankzij het feit dat het Nancy-corpus is onderverdeeld in chronologische tranches. Maar ook synchroon zijn er interessante mogelijkheden. Zoals bekend bestaat er geen absolute tegenstelling tussen idiomatische verbindingen enerzijds en niet idiomatische uitdrukkingen anderzijds. Doordat voor iedere significante BG de verhouding tussen theoretische en daadwerkelijke frequentie kan worden vastgesteld, hoeft men niet met deze vage constatering te volstaan, maar kunnen falsifieerbare voorspellingen worden gedaan omtrent de relatieve sterkte van verbindingen tussen twee woorden. Falsificatie kan plaats vinden d.m.v. psycholinguïstische experimenten: rangordening van woordparen, toekenning van schaalwaarden aan woordparen of woordsortering (cf. Levelt 1973, III: 25-30).

Het principe van de BG kan ook gebruikt worden om anomalieën op te sporen. In paragraaf 3.1. is gesteld dat BG slechts worden geregistreerd als hun reële frequentie significant hoger is dan hun theoretische frequentie (Q). De overige BG blijven momenteel buiten beschouwing. Indien Q echter ⩾ 2 en de reële frequentie van een BG is signifïcant lager dan Q. in dat geval zou men kunnen spreken van een syntagmatische anomalie. Niet alle woorden van de Tresor lenen zich voor een dergelijke berekening. Aangezien en N ⩾ 2.10⁶, moet het produkt ab ⩾ 4.10⁶. We weten dat zowel a als b ⩽ 7000. zodat alleen woorden in aanmerking komen die in een bepaalde chronologische tranche een reële frequentie hebben ⩾ 572 (een noodzakelijke, maar geen voldoende voorwaarde). Dit is slechts het geval voor de ± 720 meest frequente woorden in iedere tranche.

Het valentie-onderzoek (= studie naar de syntactische en semantische verbindbaarheid van woorden met andere woorden), dat behalve in de DDR en de USSR nu ook in Frankrijk weer volop in de belangstelling staat⁽⁸⁾, kan aanzienlijk aan belang winnen als de in dit geval vaak zeer aanvechtbare intuïtieve oordelen vervangen worden door BG-data. Wel zou het in dit verband wenselijk zijn het BG-programma op twee punten te herzien: ook de zgn. functionele woorden zouden op hun collocationele eigenschappen bekeken moeten worden, aangezien hun collocationeel gedrag, in tegenstelling tot wat wel is gedacht, geenszins als neutraal kan worden aangemerkt. Bovendien zou meer aandacht besteed dienen te worden aan de factor afstand tussen de twee termen van een BG. Voor de meeste woorden kan nl. worden voorspeld op welke afstand wat voor woordklassen zullen worden aangetroffen. Cf. voor beide punten Jones & Sinclair (1974).

Tenslotte kan ook het stylistisch onderzoek dankzij de BG-data een nieuwe impuls

(8) Cf. Gross 1975 en Boons e.a. 1976, maar ook de in 1977 door Van Weeren te Leiden verdedigde dissertatie.

[p. 124]

krijgen. Vaak kan men immers constateren dat collocaties alleen significant zijn bij een bepaalde auteur. De bijdrage van de quantitatieve taalkunde aan de stylistiek hoeft dus niet beperkt te blijven tot zulke betrekkelijk elementaire feiten als gemiddelde zinslengte, relatieve verdeling van woordklassen en vocabulaire-rijkdom (type/token ratio).

4. Relatieve frequentie en productiviteit

In veel morfologische studies wordt een absoluut onderscheid gemaakt tussen productieve en improductieve regels. Productiviteit zou geen kwestie van graad zijn (Cf. b.v. Schultink 1961, Corbin 1976 en Booij 1977). Weliswaar zijn er beperkingen op productieve regels (‘dammen in stromend water’), maar deze zijn wederom absoluut. Zo vindt, b.v., in het Frans geen prefixering met RE- plaats indien de stam met een r- begint (Mok 1964: 111).

M.i. moeten deze beperkingen echter slechts worden opgevat als uitersten op een glijdende schaal, die men het beste met behulp van variabele, d.w.z. probabilistische regels kan verantwoorden. De morfologie zou op dat punt dan volledig vergelijkbaar zijn met de syntaxis, waar b.v. door vele grammatici is opgemerkt dat WH-movement in Franse vraagzinnen niet kan worden toegepast indien de WH-constituent door que/quoi wordt gevuld, maar daarentegen verplicht is bij gebruik van het vraagwoord pourquoi. Vgl.:

Pierre a fait quoi? *Que Pierre a fait?

*Pierre est parti pourquoi? Pourquoi Pierre est parti?

In werkelijkheid kan men echter alle vraagwoorden onderling rangschikken, afhankelijk van de vraag in hoeverre zij zich lenen voor WH-movement. Que/quoi en pourquoi vormen daarbij slechts de uiteinden van de volgende serie:

Het bestaan van dergelijke series rechtvaardigt de toepassing van probabilistische i.p.v. deterministische regels.

Naast onbekendheid met de werking van variabele regels⁽⁹⁾, is wellicht gebrek aan geschikt materiaal één van de redenen dat dit soort regels op het terrein van de morfologie nog geen ingang heeft gevonden. Zo zijn de mij bekende recente studies oversuffixatie in het Frans allemaal gebaseerd op materiaal dat deels uit woordenboeken, deels uit werken van andere taalkundigen afkomstig is (Dubois 1962, Guillet 1971, Zwanenburg 1975 en Corbin 1976). Maar een woordenboek is, zoals bekend, niet per se een getrouwe afspiegeling van de talige werkelijkheid. Met name blijken lexicografen vaak sterker te zijn in het opnemen van neologismen dan in het afstoten van verouderd mate-

(9) Aronoff toont in zijn proefschrift aan niet van deze mogelijkheid op de hoogte te zijn als hij opmerkt: ‘There is some intuitive sense of general productivity of an affix. # ness, on the whole, seems to be more productive than +ity. However, I know of no way of expressing this intuition, without losing, at the same time, the intuition that +ity is more productive in certain morphological environments’ (1976, hfdst. 3.1.)

[p. 125]

riaal (Zie de opmerkingen die Van Sterkenburg in deze bundel maakt). De waarde van b.v. de studie van Dubois 1962, die de uitgaven 1906 en 1961 van de Petit Larousse met elkaar vergelijkt, is daarom dubieus. Het verdient zeker de voorkeur om in dit geval de taalkundige beschrijving rechtstreeks te baseren op corpusgegevens zoals ze in een thesaurus gevonden kunnen worden, te meer omdat dan tevens iets gezegd kan worden over het aantal tokens van ieder bestudeerd type. Het belang van deze factor voor een productiviteitsonderzoek mag in verband met wat is opgemerkt over probabilistische regels niet worden onderschat. Helemaal mooi is het als het corpus, zoals bij de Trésor, onderverdeeld is in chronologische tranches. Dan kunnen overzichten worden opgesteld waarin voor ieder type de relatieve frequentie in iedere tranche wordt gegeven. Op basis daarvan kunnen dan voor de verschillende affixen expansie- en regressiecoëfficiënten berekend worden. Op verzoek heeft de Trésor onlangs een dergelijk overzicht vervaardigd voor de volgende suffixen van nomina actionis in het Frans: -age, -aison, -ment, -tion en -ing. Dit jaar zal een poging ondernomen worden om met behulp van dit materiaal de factoren op te sporen die het vóórkomen van elk van deze suffixen beïnvloeden en om vervolgens probabilistische woordvormingsregels te formuleren waarmee de geconstateerde productiviteitsverschillen kunnen worden verantwoord.

5. Besluit

Met de in het voorafgaande opgesomde toepassingen zijn de gebruiksmogelijkheden van een thesaurus door taalkundigen natuurlijk niet uitgeput. Wel is, naar ik hoop, duidelijk geworden dat, in tegenstelling tot wat velen nog schijnen te denken, indices en concordanties niet de enige produkten zijn die op basis van een geautomatiseerd databestand geleverd kunnen worden⁽¹⁰⁾. De meest interessante gegevens zijn m.i. die welke voortvloeien uit een vergelijking van meerdere gelijkwaardige deelverzamelingen. Een goede thesaurier zou er dus voor moeten zorgen dat zijn corpus op een zodanige wijze is gestructureerd en van een zodanige omvang is dat het in verschillende subcorpora kan worden opgesplitst, en wel op meer dan één manier: niet alleen in functie van de tijd, maar ook naar type spreker/schrijver en naar tekstsoort⁽¹¹⁾.

Vakgroep Franse taalkunde

Vrije Universiteit Amsterdam

(10) Zie in dit verband ook van Sterkenburg 1976.

(11) Voor een beperkt Nederlands corpus dat aan deze eis voldoet, zie Uit den Boogaart 1975

[p. 126]

Bibliografie

Al, B.P.F. 1975 La notion de grammaticalité en grammaire générative-transformationnelle. Etude géńerale et application à la syntaxe de l'interrogation directe en français parlé, Leiden

Arnoff, M. 1976 Word Formation in Generative Grammar, Cambridge Mass.

Booij, G.E. 1977 Dutch Morphology. A study of Word Formation in Generative Grammar, Lisse

Boons, J.-P. & Guillet, A. & Leclère C. 1976 La struclure des phrases simples en français. Constructions intransitives, Genéve-Paris

Corbin, D. 1976 ‘Le statut des exceptions dans le lexique’, Langue française 30, 90-110

Dubois, J. 1962 Etude sur la dérivation suffïxale en français moderne et contemporain, Paris

Gorcy, G. & Martin, R. & Maucourt, J. & Vienney, R. 1970 ‘Le traitement des groupes binaires’, Cahiers de lexicologie 17, 15-46

Gross, M. 1975 Méthodes en syntaxe, Paris

Guillet, A. 1971 ‘Morphologie des dérivations. Les nominalisations adjectivales en -té’, Langue française 11, 46-60

Jones, S. & Sinclair, J.McH. 1974 ‘English Lexical Collocations. A Study in Computational Linguistics’, Cahiers, de lexicologie 24, 15-61

Levelt, W.J.M 1973 Formele grammatica's in linguïstiek en taalpsychologie, 3 delen, Deventer

Mok, Q.I.M. 1964 ‘Le prefixe RE- en français moderne; essai d'une description synchronique’, Neophilologus 48, 97-114

Schultink, H. 1961 ‘Productiviteit als morfologisch fenomeen’, Forum der Letteren 2, 110-125

Sterkenburg, P.G.J. van 1976 De Nederlandse lexicologie tussen handwerk en machine, Groningen

Uit den Boogaart, P.C. 1975 Woordfrequenties in geschreven en gesproken Nederlands, Utrecht

Weeren, van J. 1977 Interferenz und Valenz. Zum Problem der ‘falschen Freunde’ für niederländische Germanistikstudenlen, Leiden

Zwanenburg, W. 1975 ‘Le suffixe -esque en français’, in Mélanges Lein Geschiere, Amsterdam, 209-237