Orð og tunga - 01.06.2005, Blaðsíða 16
14
Orð og tunga
veru". Þar skipti mestu að textasafn væri staðgengt (e. representative),
þ.e. að það væri raunsartnur fulltrúi þess sem átti að lýsa, nefnilega
tungumálsins. Af staðgengu textasafni mátti draga ályktanir sem giltu
fyrir tungumálið í heild. Þessi hugsanagangur er fenginn að láni úr fé-
lagsvísindum og tölfræði, textasafnið er úrtak úr tungumálinu og get-
ur skilað niðurstöðum sem gilda um tungumálið allt ef rétt er að mál-
um staðið. Hér hefur þó hlaupið snurða á þráðinn í framfarasókninni
því glöggir menn hafa bent á að tölfræðilega hliðin í þessu dæmi geng-
ur ekki upp. Þegar tekið er úrtak, verður að liggja fyrir hvert þýðið er,
þ.e. heildin sem úrtakið er dregið úr. Ella er ekki hægt að meta hvort
úrtakið er staðgengt, þ.e. hvort það er sannur fulltrúi heildarinnar og
þar með líklegt til að gefa marktækar niðurstöður. í tilviki textasafns-
ins er þýðið tungumálið sjálft en þótt flestir þykist kaimast bærilega
við það og jafnvel vita hvað það er, er það öldungis óskilgreind stærð í
tölfræðilegu tilliti. Reyni menn að berja í brestina og skilgreina tungu-
málið sem hvaðeina sem sagt er og skrifað af tilteknu fólki á tilteknu
tímabili, bætir það lítið úr skák; það blasir við að engin leið er að fá
sannar fréttir af stærð og samsetningu slíks mengis. Og þó svo að það
væri mögulegt, virðist augljóst að öll textasöfn sem gerlegt er að setja
saman teldust ónothæf sem úrtak. Þar nægir að benda á að það sem
sagt er á íslensku (að ekki sé talað um útbreiddari mál) er margfalt
meira að vöxtum en það sem er skrifað og staðgengt textasafn þyrfti
því að samanstanda af töluðu máli fyrst og fremst. Þessar hremmingar
hafa orðið til þess að menn hafa að mestu horfið frá hugmyndinni um
staðgengi og tölfræðilega marktækni. í staðinn kom fram nýtt hug-
tak, jafnvægt textasafn (e. balanced corpus). í því felst einkum að texta-
valið á að vera fjölbreytt og í skynsamlegum hlutföllum án þess að
til þess séu gerðar sérstakar tölfræðilegar kröfur. Auk þess að velja
texta um fjölbreytt efni, leitast menn við að taka ýmsa aðra þætti með
í reikninginn. Nefna má atriði sem lúta að höfundum texta, s.s. kyn
þeirra, aldur, uppruna og félagslega stöðu, sambærilegar upplýsingar
um ætlaða lesendur/viðtakendur textanna, miðilinn sem textinn birt-
ist í o.s.frv. Um þetta liggja þó ekki fyrir neinar samræmdar eða sam-
þykktar reglur og í rauninni við fátt að styðjast nema hugvitið þegar
spurt er: Hvað eru skynsamleg hlutföll? Hvernig á að flokka texta? og
fleira í þeim dúr. Þegar öllu er á botninn hvolft má kannski segja að
rafræn textasöfn séu í eðli sínu ekki stórlega frábrugðin gömlu seðla-
söfnunum; þau grundvallast á endanum á vali þess sem setur þau