Onze Taal. Jaargang 50

Onze Thesaurus

Het oktobernummer van 1980 bevatte een bijdrage over het wel en wee van het WNT, het Woordenboek der Nederlandsche Taal. Deze eindigde met de belofte dat u nog inzicht geboden zal worden in de toekomstplannen, met name de opzet van een 20^e-eeuws woordenboek en de plaats van de computer daarin.

Immers in haar installatierede van het bestuur van de Stichting Instituut voor Nederlande Lexicologie in 1969 gaf de toenmalige minister van onderwijs en wetenschappen a.i. mej. dr. M.A.M. Klompé als nieuwe taak aan het bestuur onder andere: ‘het tot stand brengen van een zo volledig mogelijke woordkartotheek van de Nederlandse taal met behulp van machines.’

Deze nieuwe taak is toebedeeld aan een afdeling, waarvoor de naam Thesaurus (= schatkamer) is gekozen.

Het hoeft geen betoog dat de gehele woordenschat van het Nederlands enorm omvangrijk is: in het Bericht voor de tiende uitgave van Van Dale's Groot Woordenboek der Nederlandse Taal p. IX schat Kruyskamp het aantal ‘woorden die ooit wel eens in het Nederlands gebruikt zijn’ in de laatste eeuw op twee tot vijf miljoen. Als men zich daarbij realiseert dat deze woordenschat vele keren opnieuw (nl. voor elke periode van het Nederlands) vertegenwoordigd moet zijn, dan begrijpt men om wat voor taken het gaat.

Deze enorme hoeveelheid woorden moet nu met behulp van machines in een woordkartotheek worden opgeslagen.

Daartoe is nodig 1) een studie van de methode hoe het snelst deze miljoenen woorden bijeengebracht kunnen worden, 2) hoe ze verwerkt kunnen worden, 3) hoe ze opgeslagen kunnen worden en 4) hoe de uiteindelijke kartotheek geraadpleegd kan worden.

Het is duidelijk dat niet willekeurig alle teksten machinaal verwerkt kunnen worden, maar dat er een zinvolle selectie uit het tekstaanbod moet worden gemaakt, zinvol met het oog op de representativiteit van het Nederlands in al zijn diachrone (b.v. ouden middelnederlands), regionale (b.v. de vlaamse dialecten) en sociale varianten (b.v. de typische taaleigenaardigheden van de verschillende sociale lagen in onze samenleving).

Is de selectie eenmaal gemaakt, dan moeten deze teksten machinaal verwerkt worden. De snelle opmars van computer en randapparatuur die een verdubbeling van het tempo en halvering van de kosten met zich meebracht, maakt hierdoor de oorspronkelijke werkwijze onrendabel.

De te verwerken teksten vallen uiteen in twee groepen:

a) teksten die reeds op magnetische informatiedragers (magneetbanden, te vergelijken met de bandjes van een band-recorder; schijven, een soort grammofoonplaat en zgn. floppy-discs, een slap 45-toeren plaatje) staan en b) teksten die nog op informatiedragers moeten worden overgebracht. Bij a) valt te denken aan zettapes van drukkerijen of reeds gebruikte informatie van andere onderzoeksinstellingen. Bij b) aan alle overige teksten. Zijn de teksten op

[p. 55]

informatiedragers overgebracht dan moeten zij eerst gecodeerd (d.i. voorzien van taalkundig relevante informatie) worden om voor vele doeleinden bruikbaar te kunnen zijn. Om te dienen als basismateriaal voor een woordenboek moet dan allereerst het complete materiaal gealfabetiseerd en gelemmatiseerd worden (d.i. het samenbrengen van de verschillende vormvarianten van een woord, bijv. enkel- en meervoudsvormen, onder een noemer). Met de hand sorteren van miljoenen kaartjes met verschillende vormen duurt jaren. Als je echter op grond van een handcodering wetmatigheden afleidt dan kunnen die aan een automatische lemmatiseerprocedure ten grondslag gelegd worden. Natuurlijk blijven er altijd teksten (oudste taalfasen, dialectteksten) die hoofdzakelijk met de hand gecodeerd moeten worden. Uiteraard kan met een gecodeerd corpus ook ander dan lexicografisch onderzoek verricht worden. Met een relatief geringe extra inspanning bij het inbrengen van de codes kan ook voor basismateriaal t.b.v. fonologisch (spraakklanken), morfologisch (buigingsverschijnselen, samenstellingen) en syntactisch (zinsbouw) onderzoek gezorgd worden.

Aan verschillende universiteiten werd of wordt reeds onderzoek verricht aan de hand van een tekstcorpus. Voor één specifiek doel werd dit dan gecodeerd en dus alleen voor dit specifieke doel kon hiervan gebruik worden gemaakt.

Hierin schuilt het grote verschil met het door de Thesaurus beoogde corpus. Wij willen een multifunctioneel corpus, dat bruikbaar is in principe voor alle soorten taalkundig onderzoek met de nadruk op lexicologisch.

Samenvattend onderscheidt zich het door ons beoogde tekstarchief van alle met een specifiek doel ingerichte tekstcorpora op de volgende punten: 1) representativiteit (de gehele Nederlandse taal in al zijn diachrone, diatopische en sociale variaties) 2) omvang (in samenhang met 1) denken we aan een corpus van vele miljoenen tokens (= verschillende woordvormen) 3) codering (gericht op vele soorten linguïstisch onderzoek, met name op de lexicologie) 4) toegankelijkheid (het materiaal dient ieder ter beschikking te staan, die onderzoek wil verrichten).

Met bepaalde onderdelen van grote uitgeverijen zijn afspraken gemaakt over het ter beschikking stellen van hun zettapes voor wetenschappelijk onderzoek. De Werkgroep Frequentie-Onderzoek van het Nederlands stond ons een kopie van haar banden af, waarop zij o.a. het onder redactie van P.C. Uit den Bogaart gepubliceerde onderzoek Woordfrequenties in geschreven en gesproken Nederlands (Utrecht 1975) (±720.000 woorden) baseerde.

Zelf hebben we grote aantallen Nederlandstalige werken verponst en, met de ponsband als invoer, soms ook ongepubliceerd materiaal uitgegeven. Het belangrijkste hiervan is het Corpus van Middelnederlandse teksten, uitgegeven door M. Gysseling, een complete verzameling van het 13e-eeuwse materiaal in de volkstaal. Het bevat ca. 2100 niet-literaire documen-Het bevat ca. 2100 niet literaire documenten, voor het merendeel voor het eerst uitgegeven. Voor de literaire handschriften zijn vijf delen voorzien, waarvan het eerste deel, Fragmenten, in februari 1980 is verschenen. Het bevat 1) het Oudnederlands materiaal (en dat is beslist véél meer dan het bekende liefdesversje: hebban olla vogala...) en 2) de resten, snippers, fragmenten en bladvullingen van eertijds grotere handschriften, die in deze gehavende toestand tot ons gekomen zijn.

Hoewel ook deze tekstuitgaven een wezenlijke bijdrage vormen voor het verdere onderzoek van vooral het oudste Nederlands, komen zij tot stand in functie van ons woord- en tekstarchief. Vooral aan het moderne gedeelte zullen we in de komende jaren onze (codeer-)werkzaamheden wijden. Van deze enorme, gecodeerde verzamelingen modern tekstmateriaal worden alle woorden gealfabetiseerd en, van context voorzien, op fiche-lijsten uitgevoerd.

Hiermee gaat een nieuwe generatie redacteuren aan de slag om een eigentijds woordenboek te schrijven. De woorden en woordbetekenissen weerspiegelen dan de geestelijke activiteit van de eigen generatie deskundigen op veel terreinen van het geestelijk en maatschappelijk leven.

De moeizame arbeid om dit alles aan een redacteur ter bewerking aan te bieden geschiedt machinaal (alfabetiseren, lemmatiseren, contextkaarten maken). De rest is en blijft handwerk.

W.J.J. Pijnenburg

Instituut voor Nederlandse Lexicologie

Leiden