Orð og tunga - 01.06.2007, Síða 38

28
Orð og tunga
margræðum orðmyndum þannig að t.d. sé ljóst hvort langar sé birt-
ingarmynd so. langa eða lo. langnr og hvort vinna sé nafnorð eða sögn.
Mörkunin gerir notendum jafnframt mögulegt að leita að dæmum og
flokka þau eftir málfræðilegum einkennum óháð orðunum sem þau
birtast í (sjá dæmi um þetta í grein Eiríks Rögnvaldssonar í þessu
hefti). Mörkun stórra textasafna er unnin vélrænt með ákveðnum að-
ferðum en slík úrvinnsla verður ekki rædd frekar hér (sjá um það
efni t.d. Sigrún Helgadóttir 2004b og grein hennar í þessu hefti). Ekki
verður heldur fjallað um ýmis tæknileg atriði varðandi frágang slíkra
safna, sbr. lið (1)4.4
Þegar allt er talið eru til talsvert mörg textasöfn með íslenskum
textum en þau eru misstór og mjög mismunandi að innihaldi og um-
búnaði. Einungis hluti þeirra er öllum opinn og hin eru misaðgengileg
til nota í málrannsóknum. Auk eiginlegra textasafna má nefna að ver-
aldarvefurinn er í vaxandi mæli notaður sem n.k. textasafn með hjálp
leitarvéla eins og Google eða Emblu. Stærsta afmarkaða safnið með ís-
lenskum textum er án efa Textasafn Orðabókar Háskólans sem lengi hef-
ur komið að góðum notum við orðabókagerð og rannsóknir en það
geymir nú um 60 milljónir lesmálsorða. Aðgangur að safninu í heild
er takmarkaður við starfsfólk stofnunarinnar og aðra sem fengið hafa
sérstakt leyfi til að nota það. Önnur stór og gagnleg íslensk textasöfn
eru t.d. Gagnasafn Morgunblaðsins og Lagasafnið sem bæði eru aðgengi-
leg á vefnum og opin til leitar að orðum eða orðhlutum.
Ekkert ofangreindra safna getur þó talist vera málheild í þeim
skilningi sem hér er lagður í hugtakið, hvorki hvað varðar innihald
né umbúnað. í rauninni fullnægir bara eitt textasafn með íslensku nú-
tímamáli flestum þeim skilyrðum sem talin eru í (1) og það er texta-
safnið sem lagt var til grundvallar við gerð íslenskrar orðtíðnibókar
(1991). Safnið er lítið á nútímamælikvarða (um 500 þúsund orð) en það
er sett saman úr textabrotum af tiltekinni gerð og í ákveðnum hlutföll-
um (sbr. (1)1), textarnir eru fullmarkaðir m.t.t. orðflokks og beyging-
ar (sbr. (1)2) og í formála bókarinnar er gerð ítarleg grein fyrir sam-
setningu safnsins (sbr. (1)3 og 5). Aftur á móti er safnið ekki að fullu
4Benda má á grein Renouf (1987) þar sem lýst er gerð málheildarinnar sem lögð
var til grundvallar Cobuild og tekið á ýmsum þáttum sem varða innihald hennar,
efnisöflun, frágang og umbúnað textanna. Einnig á heimasíðu BNC (British National
Corpus) þar sem finna má skýrslur og greinagerðir um flest það sem lýtur að gerð
þeirrar málheildar.