Ons Erfdeel. Jaargang 44

[p. 615]

Taal- en cultuurpolitiek

Het Corpus Gesproken Nederlands Een Nederlands-Vlaams megaproject

2001, het eerste jaar van het derde millennium, is het Europees Jaar van de Talen. De Europese Unie en de Raad van Europa hebben hiertoe besloten. Via internet, andere communicatiemedia en talrijke manifestaties wordt in de loop van 2001 de aandacht van miljoenen Europeanen gevestigd op de talenrijkdom die het Europese culturele erfgoed uniek maakt in de wereld. Iedereen, jong en oud, wordt gestimuleerd een of meer talen te leren. Talen openen deuren: naar mensen, naar culturen, naar werk. Alle talen die in het oude continent gesproken worden, spelen in dit project een vooraanstaande rol, de grote talen, de middelgrote en de kleine, dus ook een vitale taal als het Nederlands.

Het Nederlands, de moedertaal van bijna tweeëntwintig miljoen Europeanen, is een middelgrote taal. Numeriek neemt zij de zesde plaats in binnen de Europese Unie, waarin momenteel elf talen een officiële status hebben: het Deens, Duits, Engels, Fins, Frans, Grieks, Italiaans, Nederlands, Portugees, Spaans en Zweeds. Steeds meer buitenlanders willen Nederlands leren, overigens om uiteenlopende redenen: zakelijke, literaire, culturele of persoonlijke. Aan circa tweehonderdvijfig universiteiten, verspreid over de hele wereld, wordt Nederlands gedoceerd. Zo'n tienduizend anderstalige studenten tonen belangstelling voor onze taal en cultuur, een ongekend aantal.

De notie het Nederlands is complex, net als de begrippen het Engels, het Duits, het Frans, enz. Naast de algemene taal die in het hele taalgebied bruikbaar is, het Standaardnederlands, kent die taal variatie van diverse aard: dialecten, regiolecten, sociale variëteiten (plat en bekakt bijvoorbeeld), vaktalen, groepstalen en de talrijke jargons, waaronder de jongerentaal en de taal van computerfreaks. Daar komt nog bij dat sommige vooraanstaande taalkundigen twee varianten onderkennen binnen het Standaardnederlands, de Nederlandse en de Belgische. De norm voor de cultuurtaal wijkt voor het Nederlandse Nederlands een beetje af van die in het Belgische Nederlands. Dat blijkt vooral op het gebied van de uitspraak en de woordkeus.

Een middelgrote taal als het Nederlands kan niet achterblijven in de sterk expanderende wereld van de spraak- en taaltechnologie. Dit is het domein van de machinale analyse en synthese van stem- en spraakpatronen en van de kunstmatige productie van taal. Voor de cultuur en economie van de Lage Landen zou dat achterop raken op technologisch vlak uiteindelijk verstrekkende negatieve gevolgen hebben. Het zou ook een ongunstig effect sorteren op het democratische gehalte van de Europese Unie. Elke burger uit de EU moet volwaardig - zeker wat zijn of haar taal betreft - aan de Europese samenleving kunnen deelnemen. Automatische spraakherkenning en andere technieken zullen op den duur een vloeiend gesprek tussen mens en machine mogelijk maken. Overigens blijven vooralsnog technische kunststukjes als die van de science-fiction-figuur kapitein Kirk uit Star Trek, die geregeld dialogeert met zijn superintelligente boordcomputer, (verre?) toekomstmuziek, evenals trouwens het subtiele machinale vertalen vanuit bijvoorbeeld het Nederlands naar het Frans en vice versa. Globaal machinaal vertalen van zakelijke teksten is minder problematisch.

In het multilinguale Europa moet het Nederlands wedijveren met andere talen, vooral met het Engels, verreweg de meest dominante taal in het digitale tijdperk. In de ontwikkeling en de toepassing van de informatie- en communicatietechnologie speelt het Engels een hoofdrol. Dat is onder meer verklaarbaar omdat die taal sinds enige jaren beschikt over de nodige onderzoeksbronnen, zoals grote databanken van gesproken en geschreven taal. Al in de periode 1991-1994 is het British National Corpus (BNC) opgezet: een immense verzameling van honderd miljoen Brits-Engelse gesproken en geschreven woorden in hun context. Samen geven die een goed idee van het Engels zoals standaardtaalsprekers in het Verenigd Koninkrijk dat gebruiken aan het eind

[p. 616]

van de twintigste eeuw. Voor het Amerikaanse Engels werd dit BNC niet geschikt geacht. Er bestaan tussen die twee varianten zoveel verschillen in taalgebruik dat sinds kort voor het Amerikaanse Engels een apart corpus ontwikkeld wordt, het zogenoemde ANC, American National Corpus. De opzet en de doelstelling zijn vergelijkbaar met die van het BNC.

Het British National Corpus heeft ook als inspirator gefungeerd voor het grote Nederlands-Vlaamse project Corpus Gesproken Nederlands (CGN) dat in juni 1998 van start is gegaan. Het heeft een looptijd van vijf jaar: de verwachting is dat het volledige corpus medio 2003 beschikbaar is. Dan is het mogelijk om voor het Engels ontwikkelde technologieën op het Nederlands toe te passen.

De initiatiefnemer is prof. dr. Willem Levelt, directeur van het Max Planck Instituut voor Psycholinguïstiek in Nijmegen. Het project wordt gefinancierd door de Nederlandse en Vlaamse regering en door de Nederlandse Organisatie voor Wetenschappelijk Onderzoek.

Er zijn twee coördinerende locaties aangewezen: Gent voor Vlaanderen en Nijmegen voor Nederland. Een bestuur, waarvan initiatiefnemer Levelt de voorzitter is, draagt de eindverantwoordelijkheid voor dit gigantische project. Tientallen deskundigen uit Noord en Zuid verlenen er hun medewerking aan, maar ook overheidsambtenaren en belanghebbenden uit het bedrijfsleven. Alle rechten zijn in handen van de Nederlandse Taalunie, sinds 1980 een officieel samenwerkingsverband tussen Vlaanderen en Nederland op het gebied van taal en letteren. De Taalunie houdt zich de laatste jaren behalve met corpusplanning (het vastleggen van de woordenschat, de grammatica, de spelling en terminologie) meer en meer bezig met wat statusplanning wordt genoemd. Het gaat de Taalunie dus niet alleen om het codificeren van het Nederlands, maar ook om de status en het prestige van die taal binnen de Europese Unie.

Het CGN-project is gericht op de aanleg van een databank van het hedendaagse ‘democratische’ Standaardnederlands zoals dat vandaag de dag door 80% van de volwassen Nederlanders en 50% van de volwassen Vlamingen gesproken wordt. Je kunt dus wel min of meer horen of een spreker uit Groningen, Utrecht, Leuven of Kortrijk komt. Geschreven Nederlands komt, anders dan bij het Britse en Amerikaanse corpus, niet in aanmerking voor het onderzoek: daarover is ruime informatie beschikbaar. Doordat het alleen gesproken taal betreft, verschilt ook de omvang: een duizendtal uren spraak (tien miljoen woorden), zijn ruimschoots toereikend voor het CGN. Tweederde van die woorden (met hun context) is afkomstig uit Nederland en eenderde uit Vlaanderen. De talrijke proefpersonen verschillen wat betreft sekse, leeftijd, beroep en opleiding; ze zijn bovendien afkomstig uit alle regio's van het Nederlandse taalgebied. Hun ongedwongen taalgebruik kenmerkt zich door een grote mate van diversiteit, ook qua spreekgenre: er zijn winkelgesprekken bij, tramconversaties, interviews, een directievergadering, lessen op school, een lezing, discussies en debatten, een preek, enz. De proefpersonen zijn uitgerust met een microfoon die op elk moment van de dag opneemt wat ze tegen welke gespreksgenoot dan ook zeggen. In studio's worden bovendien ruisvrije en technisch uitgekiende opnamen gemaakt. Die miljoenen geregistreerde woorden zijn ingebed in spontane en natuurlijk klinkende zinnen. Dat houdt onder meer in dat aarzelingen, versprekingen, taalfouten, afgebroken zinnen, verschillende spreeksnelheden, een kuch en een hoest, enz. ook worden opgenomen. Op een vernuftige en bewerkelijke manier worden die woorden geanalyseerd en voorzien van fonisch (fonetisch en fonologisch), semantisch, lexicologisch en ander taalkundig commentaar. Het doel is vooral te weten te komen hoe het huidige Standaardnederlands in al zijn gevarieerdheid klinkt en in elkaar zit. Er moeten zoveel Nederlandse taaluitingen worden geregistreerd dat een elektronisch apparaat als een spraakherkenner ze moeiteloos ‘verstaat’.

Behalve voor de taal- en spraaktechnologie, de digitalisering van taal, is het CGN ook van groot belang voor de taalkunde in brede zin: lexicografen, fonetici, fonologen, syntactici, semantici, socio- en psycholinguïsten en conversatie-analisten zullen hun voordeel kunnen doen met de verkregen resultaten. Bovendien is zo'n dieppeilend portret van het ‘vluchtige’ gesproken Nederlands relevant voor het onderwijs. Inzicht in het feitelijke, dagelijkse taalgebruik is zowel onontbeerlijk voor de

[p. 617]

samenstelling van cursussen Nederlands als tweede of vreemde taal als voor leraren in het basisonderwijs en op de middelbare scholen.

Belanghebbenden en belangstellenden krijgen via nieuwsbrieven, workshops, publicaties en lezingen op gezette tijden essentiële informatie over het CGN-project. Als het Corpus Gesproken Nederlands in 2003 volledig toepasbaar wordt voor wetenschappelijke, didactische en commerciële doelen komen de auteursrechten en het beheer in handen van de Nederlandse Taalunie. Tegen betaling kunnen bedrijven en wetenschappelijke instituten dan gebruikmaken van cd-roms waarop het corpus is aangebracht. Computerlinguïsten zullen, zoals bij het Britse model, dit enorme databestand geregeld actualiseren en aanpassen aan de nieuwste stand van de techniek.

Vooral in dit jaar, het Europees Jaar van de Talen, realiseren velen zich het grote belang van dit project. In brede kring (de overheid, de wetenschap, de industrie) is de wil aanwezig de Nederlandse taal een adequate rol te laten spelen in de meertalige informatiemaatschappij. Een serieuze aanwezigheid op spraak- en taal-technologisch gebied is belangrijk voor de economie in Vlaanderen en Nederland, voor de uitstraling van de Nederlandstalige cultuur in Europa en voor een democratisch Europees beleid. Nederland en Vlaanderen hebben dat uitstekend begrepen.

Anton Claessens

Informatie: http://lands.let.kun.nl/cgn/home.htm