Onze Taal. Jaargang 80

[p. 208]

Zoekt en gij zult niet altijd vinden
De betrouwbaarheid van digitaal doorzoekbare tekstbestanden
Nicoline van der Sijs

Wanneer kwam het woord verzuiling voor het eerst voor? Tegenwoordig kan op allerlei manieren digitaal worden gezocht in oude boeken, kranten en tijdschriften. Maar hoe betrouwbaar zijn die zoekresultaten? Hoe argwanend moet je worden als zo'n programma niet verzuiling leest, maar vervulling of verzuchting?

Wat niet digitaal is, bestaat niet. Dat lijkt het motto te zijn in de huidige bibliotheekwereld. Het jongste wapenfeit is de lancering op 26 mei van de website Early Dutch Books Online (www.earlydutchbooksonline.nl). Daarmee krijg je toegang tot meer dan 10.000 Nederlandse boeken en tijdschriften uit de periode 1781-1800. Al die boeken zijn gescand en gelezen met een programma voor optische tekenherkenning, en kunnen nu dus digitaal worden doorzocht. De gebruiker kan in een zoekvenster een woord of een reeks woorden intikken, waarna onder elkaar alle plaatsen worden gepresenteerd waar het woord voorkomt.

Stel, je wilt de etymologie beschrijven van de woorden waterstof en zuurstof. Om te beginnen wil je dan weten wanneer die woorden voor het eerst in het Nederlands voorkwamen. Als je ze opzoekt via de website Early Dutch Books, blijkt dat ze voor het eerst genoemd worden in 1789. In de daaropvolgende jaren komen de woorden enkele malen voor in het tijdschrift Algemeene vaderlandsche letter-oefeningen. Via die vermeldingen kom je erachter dat aanvankelijk de leenwoorden oxygéne (of oxygène) en hydrogène werden gebruikt, die direct teruggaan op de door de Franse scheikundige A.L. Lavoisier in 1783 respectievelijk 1787 geïntroduceerde namen oxygène en hydrogène. Via een kritisch stuk uit 1799 kom je er bovendien achter dat ook toen al wetenschappelijke nieuwlichterij met de nodige scepsis werd ontvangen. De contouren van een mooi etymologisch artikel dienen zich aan. Geweldig dus, dat digitale materiaal. Maar als we het preciezer bekijken, slaat de twijfel toe.

■ Verslikt

Al een tijdje probeer ik een oudere datering te vinden voor het begrip verzuiling. In het Etymologisch woordenboek van het Nederlands (EWN) staat dat zuil als metafoor voor ‘een van de grote levensbeschouwelijke stromingen in Nederland’ in de jaren dertig van de twintigste eeuw moet zijn opgekomen, en dat het begrip verzuiling voor het eerst in 1953 voorkomt. In de datering zit dus enige speling: het is heel goed mogelijk dat het woord verzuiling wat ouder is dan 1953. Dat kunnen we mooi nakijken in de Historische Kranten van de Koninklijke Bibliotheek (Kranten.kb.nl). Als we de zoekterm verzuiling intikken, krijgen we maar liefst 27 resultaten tussen 1804 en 1937. Wow, zou verzuiling al begin negentiende eeuw bekend zijn geweest?

De teleurstelling slaat toe als we de krantenpagina's precies bestuderen. In alle gevallen blijkt sprake te zijn van een ander woord, bijvoorbeeld vergoding, verspilling, vervulling, verzaking, verzameling, verzanding, verzending, verzoeking, verzoening, verzorging, verzuchting en verzwering. Het tekenherkenningsprogramma heeft zich dus telkens verslikt. Hoe goed worden woorden nu eigenlijk herkend? Op de website is daar een indruk van te krijgen. Een willekeurig voorbeeld uit het Algemeen Handelsblad van 24 november 1866 levert de volgende schrikbarende ‘herkenning’ op:

Wij kunnen niet zeggen, dat dezo toekomst zoo bijzonder begeeilnk schijnt en al keurt uien dus den oorsprong vtn lu-t keizerrijk m o -zeer af, men komt aanhoudend in de verzuiling om té wensdien. dit bet iv stand blgve. Pe'.sr een dragelijk kwaad, da:i een onbereikbaar goed. Am'de i*ï..n.--i.. len wordt uit Mexico het volgende ;;eme'd. Keizer Öaxini-Uiaun is .;. • ;eo ten.g-rd, wi een uitstapje d&m Oaeinav.ica.

Het woord verzuiling is goed herkend, maar verder is het een ratjetoe. Dit plaatst de opzoekbaarheid van gegevens in digitale bestanden wel in een nieuw perspectief: de door de computer geleverde vindplaatsen zijn absoluut niet betrouwbaar; in ieder geval moeten ze handmatig met het origineel worden vergeleken om de fouten van de computer eruit te halen. Voor een beperkt etymologisch onderzoek is dat nog te doen, maar het gevaar blijft dat onkritische of haastige gebruikers die moeite niet nemen en verzuiling dateren op 1804.

De digitale mogelijkheden staan nog in de kinderschoenen. Desondanks kun je ook nu al prachtige, onverwachte vondsten doen.

■ Culturele trends

De steeds omvangrijkere hoeveelheid gedigitaliseerd materiaal nodigt uit tot statistische analyses en het stellen van

[p. 209]

vragen als: hoe vaak komt een bepaald woord, begrip of citaat, of een bepaalde naam of uitdrukking in een bepaalde periode voor? Zoekmachine Google heeft voor de beantwoording van dergelijke vragen begin december 2010 de zogenoemde Ngram Viewer gelanceerd (ngrams.googlelabs.com), een website waarop een selectie van ruim vijf miljoen boeken uit de Google Books-collectie doorzocht kan worden op reeksen van maximaal vijf woorden (‘n-grammen’, in de Google-terminologie, waarbij n staat voor een reeks van maximaal vijf). De resultaten worden prachtig overzichtelijk gepresenteerd in een grafiek. Volgens een artikel van de twee belangrijkste ontwikkelaars, J. Michel en E.L. Aiden, in Science van 16 december 2010, brengt Ngram Viewer culturele trends in kaart, waardoor er een nieuw vakgebied is ontstaan dat zij ‘culturomics’ noemen.

Laten we eens testen in hoeverre Ngram Viewer ons kan helpen bij etymologische vraagstukken. De Viewer werkt vooralsnog niet op Nederlandstalige boeken, maar wel op Engelstalige uit de periode 1800-2000. We zijn benieuwd wanneer de begrippen Zeeman effect en Lorentz force bekend geraakt zijn in het Engelstalige gebied, en wat de frequentie van de woorden in de daaropvolgende decennia is. Ter opfrissing van het geheugen: in 1902 ontvingen de Nederlandse natuurkundigen Pieter Zeeman en Hendrik Lorentz samen de Nobelprijs voor natuurkunde, en beiden hebben een ontdekking op hun naam staan: het ‘zeemaneffect’ en de ‘lorentzkracht’.

In de eerste grafiek (rechtsboven) zien we de culturele doorwerking door de tijd van de woorden Zeeman effect en Lorentz force - dat wil dus zeggen: het aantal malen dat ze voorkomen in de doorzochte bronnen. Voor een compleet etymologisch verhaal is het aardig dit te vergelijken met het voorkomen van alleen de achternamen van de twee natuurkundigen, dus zonder de woorden effect en force. Vergelijking van deze tweede grafiek (linksonder) met de eerste levert een interessant resultaat op.

■ Brute rekenkracht

Het meest in het oog springend is dat de naam Zeeman een grote piek vertoont in de jaren 1830, lang voor de geboorte van Pieter dus. Hier blijkt een probleem van de Viewer: de computer zoekt met brute rekenkracht alle namen Zeeman en Lorentz op, en telt alle gevallen bij elkaar op. Maar wij zoeken naar een specifieke Zeeman en Lorentz, namelijk P. (Pieter) en H.A. (Hendrik). De namen zoeken met initialen blijkt nul resultaten op te leveren; de namen zoeken met voornamen levert wel iets op, maar voor Zeeman beginnen die opnieuw al vóór de geboorte van ‘onze’ Pieter. Zolang we geen idee hebben hoeveel verschillende Zeemannen en Lorentzen voorkomen in de teksten die Google heeft doorzocht, hebben we niet veel aan de grafiek.

Grafiek 1. Via Ngram Viewer van Google is na te gaan hoe vaak Zeeman effect en Lorentz force procentueel voorkomen binnen het totaal aan tweewoordcombinaties in de periode 1800-2000.

Als je dat optelt bij het feit dat de Ngram Viewer gebaseerd is op optische tekenherkenning, waarvan in het voorbeeld van verzuiling al is gebleken dat die ernstig tekortschiet, en dat de Ngram Viewer bovendien geen rekening houdt met spelvarianten en verschillende betekenissen, dan ga je toch wel grote vraagtekens zetten bij de waarde van de gepresenteerde grafieken.

■ Oplossingen

Zoeken in digitale tekstbestanden levert momenteel dus niet per definitie betrouwbare resultaten op. Is daar iets aan te doen? Leesfouten vallen deels te omzeilen door zo veel mogelijk gebruik te maken van gecorrigeerde teksten, bijvoorbeeld die op de website van de Digitale Bibliotheek voor de Nederlandse Letteren. Daarmee zijn echter de problemen met spelvarianten of gelijknamige personen nog niet opgelost. Die oplossingen bestaan wel: er zijn computerprogramma's ontwikkeld die iedere woordvorm in een tekstbestand herleiden tot een trefwoord, zodat bijvoorbeeld de spelvarianten leelyke en lelik allebei worden gekoppeld aan lelijk. Als men dan het woord lelijk in een tekstbestand zoekt, vindt men automatisch ook alle spelvarianten. En eveneens kan een computerprogramma achternamen inclusief initialen of voornamen indexeren, zodat men verschillende personen uit elkaar kan houden.

Grafiek 2. Het percentage van voorkomens van Zeeman en Lorentz binnen het totaal aan losse woorden tussen 1800 en 2000.

Sites als Early Dutch Books Online, Historische Kranten en Ngram Viewer zijn veelbelovend, maar demonstreren tegelijk dat de digitale mogelijkheden nog in de kinderschoenen staan. Desondanks kun je ook nu al prachtige, onverwachte vondsten doen. Zo kwam ik er onlangs tot mijn verbazing achter dat de uitdrukking eigener beweging, met die verbuigingsuitgang -er op grond waarvan je toch zou zweren dat het gaat om een uitdrukking die minstens uit de Middeleeuwen stamt, pas aan het eind van de achttiende eeuw is opgekomen. Gezien dat tijdstip zal de uitdrukking geen relict zijn uit de oude Nederlandse doos. Ik vermoed dat ze is ontleend aan het vroeger gebruikelijke Duitse aus eigener Bewegung - tegenwoordig zeggen de Duitsers meestal aus eigenem Antrieb. Eigener beweging, zonder alle digitale mogelijkheden, was ik hier nooit achter gekomen.