Op weg naar W(E)TEN

Een nieuw wetenschappelijk woordenboek van het twintigste- en eenentwintigste-eeuwse Nederlands

3. Materiaalverzameling

Als men vastgesteld heeft wat de identiteit van het te compileren woordenboek is, rijst de vraag: ‘Hoe kom ik aan de noodzakelijke data die voor beschrijving in zo'n woordenboek in aanmerking komen?’

J.B. Drewes (1976), de bewerker van het woordenboek van M.J. Koenen, schreef in het voorwoord van zijn handwoordenboek: ‘Voor zover een taalbeschrijver daarvan nog niet doordrongen mocht zijn, heeft het gebruik van de computer in de taalkunde hem kunnen leren, dat hij slechts een zeer geringe taalervaring heeft en weinig taalfeiten kent’. Alle lexicografen roepen dan ook in koor om een corpus, een verzameling teksten. Maar er bestaan verschillende soorten corpora en welk type verschaft aan W(E)TEN het beste lexicale cement? Voor W(E)TEN, dat zoals gezegd een periode van 1960-2010 beschrijft, pleit ik voor een zeer groot corpus, in termen van tientallen miljoenen woorden. Het corpus moet zo groot mogelijk zijn en het moet representatief zijn. Helaas wordt het begrip representatief gekenmerkt door de gladheid van een epistel. Al in 1988 toonde mijn Amsterdamse collega Willy Martin aan, hoe moeilijk je het statistische begrip representativiteit kunt toepassen op de samenstelling van een tekstencollectie die als representatieve steekproef van ‘het’ Nederlands van een bepaalde periode moet dienen. De meeste deskundigen op dit gebied erkennen tegenwoordig dat representativiteit onmogelijk is. Het streven naar een zo groot en gevarieerd mogelijke verzameling, zonder de claim van statistische representativi-

[p. 19]

teit, wordt momenteel dan ook de meest haalbare optie geacht (Vgl. ook Kruyt 1995).

Voor W(E)TEN zou ik allereerst een referentiecorpus willen hebben. Een dergelijk corpus staat het dichtst bij het verlaten concept van het representatieve corpus en wordt daarom ook wel corpus met gebalanceerde samenstelling genoemd. Een referentiecorpus wordt samengesteld op basis van relevante variabelen waarover binnen de gemeenschap van linguïsten overeenstemming bestaat (Sinclair 1991; Teubert 1995: 120; Kruyt 1996). Dit corpus zou ik het basiscorpus willen noemen. Ik teken daarbij tevens aan dat het uit verschillende deelverzamelingen kan bestaan. Bijvoorbeeld uit een verzameling van literaire teksten, een verzameling van krantentaal en een verzameling van technisch Nederlands. Van zo'n basiscorpus moeten alle elementen op de een of andere wijze gehonoreerd worden voor het lexicon. Die honorering kan ook betekenen een plaats in een elektronische vergaarbak. Er is evenwel een tweede corpus nodig voor W(E)TEN en wel voor het voortdurend actualiseren van het materiaal. Wij starten immers met een woordenboek dat de periode bestrijkt van jaren die voor een deel nog moeten aanvangen. Ik pleit daarom ook voor een monitorcorpus. ‘Een monitorcorpus is een corpus dat vanuit een welomschreven uitgangssituatie veranderingen bijhoudt (“monitort”) binnen bepaalde goed te traceren taalvarianten - krantentaal bijvoorbeeld. Boven een zekere lexicografisch bepaalde verzadigingsgrens komen nieuwe voorkomens van een woordvorm (met hun directe context) niet bovenop, maar in plaats van, eerder geregistreerde voorkomens van dezelfde woordvorm (waarbij overigens wel de “totaalscore” van alle voorkomens per woordvorm wordt bijgehouden). Daarnaast geldt een bepaalde, automatische “vervalwaarde” voor woordvormen waarvoor geen nieuwe voorkomens worden geregistreerd. Op deze manier wordt het bestand a.h.w. voortdurend ververst, en kan worden bijgehouden welke woordvormen om zich heen grijpen en welke er in onbruik raken’ (Meys 1991: 321). Via zo'n monitorcorpus betrappen wij niet alleen nieuwe woorden, maar krijgen wij ook aanwijzingen over betekenisveranderingen van bestaande woorden op

[p. 20]

basis van veranderingen van de context waarin die woorden voorkomen. Bijvoorbeeld doordat andere woorden, zoals verpleging, ziekenhuis, patiënt in de omgeving van versterven frequenter worden.

Voor het registreren van contemporaine ontwikkelingen is alleen een monitorcorpus niet voldoende. Als dr. L.G.M. Stevens, hoogleraar fiscale economie aan de Erasmus Universiteit Rotterdam, in NRC/H. van 19 maart dit jaar als cri de coeur laat afdrukken: ‘Rigide onderwijsregels frustreren scharrelstudenten’, dan worden die scharrelstudenten wel door een monitorcorpus betrapt. Anders is het waar het gaat om betekenisveranderingen bij bestaande woorden. Ik geef een paar voorbeelden: koffieshop betekent ‘openbare gelegenheid waar men koffie kan drinken’. Hoe betrap ik via een monitorcorpus de hedendaagse betekenis ‘ruimte, gelegenheid waarin men (soft)drugs kan kopen en gebruiken’. Dezelfde vraag moet gesteld worden voor gotspe ‘banaliteit’, dat ten onrechte steeds vaker ook ‘godswonder’ gaat betekenen. Hoe attendeert mijn genoemde corpus mij op het feit dat surfen niet langer alleen maar betekent ‘zich staande op een plank voortbewegen op de branding van de zee’, maar ook ‘zappen op internet’. Hoe kom ik er achter dat jungle tegenwoordig ook verwijst naar ‘omgeving waar het recht van de sterkste geldt’? Om van het werkwoord mekken met de betekenissen ‘zaniken’ en ‘het voor geiten kenmerkende geluid maken’, maar te zwijgen. Wie van u weet al dat het ook ‘Mac Donald's bezoeken’ betekent? En dat het echt met een e gespeld wordt? Voor het opsporen van dat soort betekenisontwikkelingen schiet de computer nog te vaak te kort. Een netwerk van goed getrainde correspondenten is, naast dat monitorcorpus, voor de lexicograaf onontbeerlijk om dit soort vernieuwingen te signaleren, zoals bijvoorbeeld de redactie van Ordbog over Dansk Nutidssprog met Spordhund laat zien.

De twee corpora voor W(E)TEN, het referentie- en het monitorcorpus, omvatten corpora die bestaan uit volledige teksten en losse zinnetjes die door de zojuist genoemde zegslieden aangeleverd zijn. Die teksten zijn door de redactie zelf geselecteerd voor dit speciale lexicale product. Ieder taalkun-

[p. 21]

dig product stelt immers zijn eigen eisen aan de materiaalverzameling. Daarbij kan W(E)TEN een heleboel leren van de materiaalverzameling van het WNT (Van der Voort van der Kleij 1975; Moerdijk 1994), maar ook van de Europese expertise, zoals die ontwikkeld is in een aantal projecren als Network of European Corpora (Nerc) en Parole (Kruyt 1996). Een zo groot mogelijke variatie aan geschreven en gesproken teksttypen in de standaardtaal is daarbij vereist. Die typen kan men ondermeer indelen naar medium of naar topic. Met ‘naar medium’ bedoelen wij een verdeling van de verschillende teksten over bijvoorbeeld de categorieën woordenboek, boek, brief, kranr, magazine, brochure, advertentie en voor de gesproken taal over conversatie, discussie en debat. Topic staat dan voor domeinen als godsdienst, techniek, wetenschap, sport, kunst, politiek, geschiedenis, medicijnen, filosofie enz. Hoe de verhoudingen moeten liggen in de verdeling over medium, literair genre, topic, medium, e.d. wordt door de samenwerkende taalgebieden binnen Parole in ondergrenzen en bovengrenzen berekend.

Alleen een elektronisch referentie- en monitorcorpus zijn voor de lexicograaf niet genoeg. Voor hem is meer nodig dan de charme van een expositiehal. Die corpora moeten aan nog andere strenge eisen voldoen. Alle teksten en zinnetjes die er deel van uitmaken, moeten verrijkt worden. Met tekstverrijking bedoelen wij het toevoegen van allerlei soorten informatie aan elektronische teksten of aan taalkundige eenheden in die teksten. Daarom hebben wij een computerprogramma ontwikkeld dat woordvormen in een corpus automatisch verrijkt met woordsoortcodes en trefwoordvormen. Zo wordt bijvoorbeeld bij zagen automatisch vermeld, dat die vorm hoort bij het trefwoord zien en bij het zelfstandig naamwoord zaag. Door aan iedere woordvorm een woordsoortcode toe te kennen, is het mogelijk om bijvoorbeeld bij erg onmiddellijk te zien of wij met een zelfstandig naamwoord (geen erg in iets hebben) of met een bijvoegelijk naamwoord (het is meer dan erg) te maken hebben. Het hulpmiddel dat die lemmatisering alsmede de morfosyntactische codes per woordvorm aanbrengt, wordt in de vakliteratuur tagger-lemmatiseerder genoemd.

[p. 22]

Naast automatische taalkundige verrijkingsprogramma's moet er ook een opvraagsysteem ontwikkeld worden waarmee men kan zoeken naar afzonderlijke woorden of naar woordpatronen. Het resultaat van een zoekopdracht is altijd een lijst van woorden met frequentie- of spreidingsgegevens of woorden en woordpatronen in hun context. De analyse van de resultaten wordt ondersteund door diverse sorteermogelijkheden van de concordanties. Binnen het INL zijn al die verrijkingsprogramma's en retrievalsystemen ontwikkeld en operationeel. Dat is plezierig voor de lexicograaf, maar wat hij vooral nodig heeft alvorens hij met zijn beschrijving per woord kan beginnen, is de volledige trefwoordenlijst, de nomenclatuur, uit zijn corpus. En de belangrijkste vraag die nieuwe woordenboekplannen een grote spanning geeft, is in dat verband dan ook: ‘Kun je volledig langs automatische weg een nomenclatuur voor W(E)TEN afleiden?’ Het antwoord is ontkennend.

Altijd blijft de lexicograaf nodig om de door de lemmatiseerder niet gecodeerde woordvormen te beoordelen. Hij bepaalt of zich daartussen materiaal bevindt dat tot de nomenclatuur gerekend moet worden en neemt maatregelen om de vereiste morfosyntactische codes aan te doen brengen. Hij bepaalt ook welke vormen de toegang naar het lexicon ontzegd moeten worden, omdat zij uniek specificerend zijn of evident fout. Formules, dialect, vreemde talen enz. wijst hij af en in feite bepaalt hij ook wat er met hapaxen gebeurt (Vgl. Van Sterkenburg 1997a). Als er van de volgende vier voorbeelden maar één bewijsplaats in het hele corpus voorkomt, bepaalt de lexicograaf of hij deze woorden beschrijft of op een lexicale parkeerplaats achterlaat. De voorbeelden:

(1)

De vossenstand in de duinen is zo groot, dat het natuurlijke voedsel opraakt en de dieren steeds vaker hun kostje in de stad bij elkaar scharrelen. Het gezelschap van jagers en een enkele natuurliefhebber hoefde gisterenavond niet eens zo lang te wachten tot de ‘patatvossen’ - zoals ze al worden genoemd - zich lieten zien.’ Haagsche Courant 10 oktober 1996. Het gaat hier natuurlijk om de status van het woord patatvos.

[p. 23]

(2)	‘De Schotse BBC houdt vol dat de kerk als geheel sinds een jaar of vijf een “sekseverzekering” heeft. Het zou om een speciaal fonds gaan, ondergebracht bij een maatschappij in belastingparadijs Guernsey, waaruit zowel de slachtoffers van ongewenste pastorale intimiteiten als priesters die hiervan valselijk beschuldigd zijn schadeloos kunnen worden gesteld.’ Haagsche Courant 5 oktober 1996. Hier verdient sekseverzekering de aandacht van de lexicograaf.
(3)	‘Bij zijn oratie als bezetter van de Cleveringastoel aan de Leidse universiteit heeft mr. B. Asscher, de oud-president van de rechtbank in Amsterdam, het integratiebeleid vanmiddag sterk bekritiseerd. “Het integratiebeleid van de Nederlandse overheid faalt. De overheid probeert diverse problemen met tientallen minderheidsgroepen in één samenhangend beleid aan te pakken. Dit “stamppotbeleid” is echter tot mislukking gedoemd”, zei hij.’ Haagsche Courant 26 november 1996. In de stad van de ollapodrida of gewoon hutspot, twijfelt men wellicht minder aan het bestaansrecht van ‘stamppotbeleid’, maar de doorsnee-lexicograaf doet dat onmiskenbaar.
(4)	‘Minister Sorgdrager van Justitie heeft haar bedenkingen bij het moderne “onderhandelingshuishouden”, waarin kinderen en ouders op gelijke voet afspraken maken. Overleg is goed, maar de ouders zijn uiteindelijk verantwoordelijk voor de uitkomst. Een kind dat niet af en toe op ouderlijke grenzen stuit, zal het moeilijk krijgen: met zichzelf, met anderen en uiteindelijk met de samenleving, aldus Sorgdrager bij de opening van de studiedag van het Nederlandse Studiecentrum Criminaliteit en Rechtshandhaving op 16 oktober in Amsterdam.’ Staatscourant 210 17 oktober 1996. De vraag die de woordenboekmaker zich hier stelt, is: ‘Wat doe ik met onderhandelingshuishouden?’

Persoonlijke voorkeuren mogen geen rol spelen bij het opnemen van woorden. Altijd moet er een argumentatie aan de selectie ten grondslag liggen (Vgl. daarvoor Van Sterkenburg 1997a).

[p. 24]

De definitieve nomenclatuur van W(E)TEN zal, als wij het beknopt moeten samenvatten, berusten op: (a) de taalkundig verrijkte populatie van een referentie- en monitorcorpus, (b) materiaal van correspondenten dat actualiteitswaarde heeft, (c) een afgesproken frequentie en spreiding waarmee de woorden moeten voorkomen en (d) de expertise van de lexicograaf, die bij zijn beslissingen natuurlijk ook gebruik maakt van wat andere woordenboeken van het eigentijdse Nederlands gedaan hebben.

Nu wij weten hoe wij aan onze hedendaagse Nederlandse woorden kunnen komen, kunnen wij overgaan tot zaken die te maken hebben mer de wetenschappelijke interpretatie en beschrijving daarvan.