Jazykovedkyňa Gajdošová To, čo je ďalekohľad pre astronómov, je pre nás lingvistov Slovenský národný korpus

Katarína Gajdošová pracuje viac ako dvadsať rokov ako vedecká pracovníčka v oddelení Slovenského národného korpusu v Jazykovednom ústave Ľudovíta Štúra SAV. Venuje sa tiež sprevádzaniu, koučingu a profesijnému aj osobnostnému rozvoju akademických pracovníkov.

Rozprávali sme sa spolu o Slovenskom národnom korpuse – nástroji, pomocou ktorého odborníci i bežní ľudia môžu skúmať slovenský jazyk. Ukázali sme si, ako sa dá v tejto databáze vyhľadávať, aké základné operácie v nej vieme robiť a čo treba spraviť, aby sme mohli korpus používať.

Čo je Slovenský národný korpus?

Je to databáza publikovaných textov – odborných, publicistických a beletristických – zhromaždených na jednom mieste. Spracúvajú sa jednotným spôsobom a sú obohatené o jazykové informácie, my im hovoríme anotácie. V tejto databáze sa dá vyhľadávať a používať rôzne nástroje na prácu s vyhľadaným materiálom.

Je to jazykový zdroj, pomocou ktorého možno skúmať slovenský jazyk v rôznych jeho podobách, nielen v písanej, ale aj v hovorenej, nárečovej, historickej...

Ako to celé vzniklo?

Na Slovensku vzniklo oddelenie Slovenského národného korpusu v roku 2002. Patrili sme k posledným trom slovanským krajinám, ktorým v tom čase korpus „chýbal“. Preto sa ministerstvo školstva, ministerstvo kultúry a Slovenská akadémia vied dohodli, že podporia vznik oddelenia Slovenského národného korpusu, v ktorom sa bude takáto databáza pripravovať.

Ide o národný projekt a budujeme primárne korpus národného jazyka. S korpusmi sa môžete stretnúť aj na iných pracoviskách, Slovenský národný korpus je špecifický napríklad aj tým, že je dostupný bezplatne. Stačí len registrácia.

Prečo vôbec vzniklo niečo ako národný korpus? Aký je jeho účel?

Je zdrojom materiálu na lingvistický výskum. Využívajú ho však aj korektori, redaktori, editori, prekladatelia, všetci tí, ktorí pracujú s jazykom. Učitelia si z korpusových dát pripravujú cvičenia pre svojich študentov, ale máme aj používateľov z iných oblastí, napríklad neurológie.

Jedným z praktických výstupov korpusu je frekvenčný slovník. Je cenným zdrojom informácií napríklad pre tých, ktorí pracujú s pacientmi po mozgových príhodách, keď stratili schopnosť reči a učia sa nanovo hovoriť. Pacientov nebudú učiť napríklad slovo krokodíl, ktoré nepatrí k vysoko frekventovaným, ale budú ich učiť také slová, ktoré sú častejšie a možno s nimi veľmi ľahko tvoriť základné vetné konštrukcie, napríklad byť, mať, a, sa.

Je užitočný aj pre tých, ktorí vyvíjajú aplikácie pracujúce s textom, napríklad na kontrolu gramatiky v textových editoroch. Pre nich slúži korpus ako testovací a trénovací materiál.

Niekedy používam príklad tortového korpusu, ktorý kúpite hotový a už ho len niečím doplníte. Presne tak funguje aj Slovenský národný korpus. Je to pripravená materiálová báza a vedci ju používajú nato, aby mohli v jazyku objavovať. Nikto z nás nie je schopný zhromaždiť si sám také množstvo textov. Preto sa texty zhromažďujú centrálne v niečom takom, ako je Slovenský národný korpus.

Foto: Postoj/Adam Rábara

Koľko zdrojov ho v súčasnosti tvorí?

Sú to desiatky tisícov a poviem vám aj číslo, koľko textových jednotiek má posledná verzia korpusu. To znamená, koľko slov vrátane interpunkcie v ňom nájdeme. V súčasnej desiatej verzii písaného korpusu je viac ako 1,6 miliardy textových jednotiek. V najbližších dňoch zverejníme jedenástu verziu, v nej ich bude viac ako 1,8 miliardy.

Takže 1,6 miliardy slov vrátane čiarok, bodiek a podobne.

Presne tak, rovnako tam patria aj číslice či špeciálne znaky. Takže napríklad veta Mama varí obed. – to sú štyri textové jednotky: tri slová a jedna bodka.

Je korpus užitočný aj pre bežných ľudí?

Bežným používateľom je pre nás vždy niekto, kto má záujem o jazyk. Ak ktosi pracuje v úplne inej oblasti, korpus preňho asi nebude zaujímavý.

Ktokoľvek však môže použiť korpus napríklad na zistenie predložkových väzieb, tvarov alebo frekvencie slov, ak si nie je niečím istý. Tu by som však upozornila, že korpus nenahrádza kodifikačné príručky.

To znamená, že v ňom môžu byť aj príklady nesprávneho používania slovenčiny.

Je tam veľa takých prípadov, pretože v textoch, ktoré sa do korpusu zaraďujú a sú reálne niekde publikované, sa chyby naozaj nachádzajú.

Ľudia sa nás zvyknú pýtať, či predtým, ako text zaradíme do korpusu, ho opravíme, ak je chybný. Nerobíme to, pretože korpus odráža reálny jazyk, aký v súčasnosti je.

A čo minulosť? Z akého obdobia sú texty, ktoré tvoria korpus?

Primárny korpus, ktorý zahŕňa súčasný slovenský jazyk, sa buduje z textov od roku 1955. V päťdesiatom treťom roku bola posledná jazyková reforma, a kým sa začala reálne uplatňovať, mohli uplynúť aj dva roky.

Okrem neho máme rôzne iné typy korpusov. Napríklad časovo vymedzené – historický korpus, kde sa nachádzajú texty predspisovného obdobia. Takisto u nás nájdete webový korpus, ktorý obsahuje texty zo slovenskej internetovej domény. Toto všetko sú samostatné korpusy v rámci celku Slovenského národného korpusu. V našej ponuke používateľ nájde viac ako sto korpusov. Keď sa zaregistruje, má k nim plný prístup.

Do korpusu pribúdajú aj nové texty?

V komunikácii s poskytovateľmi sme neustále, texty k nám prichádzajú denne. Novú verziu korpusu vydávame v dvojročných intervaloch. Koncepcia budovania korpusu je postavená na princípe obohacovania, čiže verzia 11 bude obsahovať všetko, čo obsahovala verzia 10, a aj nové texty, ktoré sa nám od poslednej verzie podarilo zazmluvniť.

Aby sa k nám texty dostali, museli sme podpísať licenčnú zmluvu s majiteľmi autorských práv, čo je niekedy veľmi prácna záležitosť.

Denník Postoj a jeho vydavateľstvo s vami takúto zmluvu uzavrel, budú teda naše texty súčasťou jedenástej verzie?

Niektoré azda áno. Nie som si istá, či sme stihli spracovať všetky. S denníkom Postoj sa nám však podarila aj ďalšia veľmi prospešná vec: zaradiť texty z vybraných stránok denníka do korpusu pomenovaných entít.

Ide o špecializovaný typ korpusu, v ktorom sú v textoch identifikované pomenované entity – vlastné mená. Naše nástroje sa učia rozpoznávať takéto miesta v texte a potom samy identifikujú, že nejaké slovo je meno, iné je priezvisko, toto je adresa, toto je číslo, toto je zas geografická lokalita.

Ako sa korpus používa?

Na hlavnej stránke Slovenského národného korpusu používatelia nájdu informácie o korpusoch a ich štruktúre. Okrem primárneho korpusu tam nájdu informácie napríklad aj o paralelných, teda dvojjazyčných slovensko-inojazyčných korpusoch. Najväčší z nich je slovensko-anglický. Niektoré z paralelných korpusov obsahujú aj texty z Európskej únie, iné sú zložené len z beletrie. Na začiatku všetkého je teda výber korpusu, v ktorom budeme hľadať.

Tak poďme si ukázať nejaký konkrétny príklad.

Vyhľadávať môžeme rôznymi spôsobmi, začiatočníkom poslúži najlepšie jednoduché hľadanie, kam možno zapísať slovo alebo slovné spojenie. Keď sme v Postoji, skúsme slovo postoj.

Ukáže sa nám výpis vyhľadaného slova, v ktorom jeden riadok zodpovedá jednému výskytu slova v konkrétnom texte. Vidíme, že hľadané kľúčové slovo sa našlo v rôznych tvaroch. Keď nás zaujíma širší kontext okolo slova, rozšíriť ho môžeme do istého rozsahu.

Tu je dôležitá aj informácia, že korpus nie je elektronická knižnica, takže my môžeme ten kontext rozširovať, ale len do rozsahu päťdesiat textových jednotiek vpravo a vľavo okolo hľadaného slova.

Koncový používateľ nikdy nemá k dispozícii celý text. Niekedy sa toho obávajú najmä vydavatelia, no vždy ich ubezpečujeme, že texty ako celky sa k používateľom nedostanú a zverené texty chránime.

Každému textu je priradená vonkajšia anotácia: čo je to za text, kto je jeho autorom, aký má názov, kedy vyšiel. V prípade prekladov aj kto ho prekladal, z akého jazyka a ďalej podrobná štýlovo-žánrová notácia. Na základe parametrov o texte si používateľ vie vyfiltrovať len tie vo vybraných typoch textov.

Výskyty slova postoj v Slovenskom národnom korpuse. Foto: Postoj/Adam Rábara

Z tohto vyplýva, že slovo postoj sa v rôznych tvaroch vyskytuje v korpuse 142-tisíckrát?

Presne tak.

V ľavom stĺpci vidíme rôzne možnosti ako triedenie, filter, frekvencia... Čo to znamená?

Je tu niekoľko nástrojov. Prostredníctvom nástroja Frekvencia si môžeme pozrieť, ktorý tvar slova postoj je najčastejší. Po kliknutí na Tvary KWIC, kde KWIC znamená kľúčové slovo v kontexte, sa ukáže graf, kde hneď odhalíme, že najčastejším tvarom z paradigmy postoj je samotné toto slovo v prvom páde, teda postoj. Nasledujú ho tvary postoje, postoja a tak ďalej, ale ich frekvencia je nižšia.

Používateľov môže zaujať nástroj Kolokácie, ktorý na základe štatistických mier ponúkne kolokáty so slovom postoj.

Čo je kolokát?

Jazyková jednotka, s ktorou sa naše kľúčové vyhľadané slovo spája v kontextoch a to spojenie nie je náhodné. Postoj a bodka sú štatisticky iste vysoko frekventované, ale nie je to spojenie ako triedna kniha. Cítite ten rozdiel?

Čo vám zíde na um, keď sa povie slovo postoj?

Správny postoj?

Vidíme, že najčastejším kolokátom slova postoj v tomto korpuse je slovo zaujať. Kolokácie sú zoradené podľa štatistickej miery logDice, ktorá sa v súčasnosti asi najviac používa na vyhodnocovanie kolokácií – vzťahov medzi dvoma slovami. Je to číselný údaj vyrátaný na základe vzorca.

Vidíme kolokáty ako zaujať alebo odmietavý a potom vidíme počet súvýskytov, teda že slová odmietavý a postoj sa v tomto korpuse nachádzajú spolu tritisícdvestokrát v rozpätí päť pozícií vľavo a vpravo okolo slova postoj.

Vrátane vyskloňovaných tvarov?

Áno. A samotné slovo odmietavý sa v tomto korpuse nachádza 7 181-krát.

Ukážme si ešte ďalšie funkcionality.

Možno by niekoho mohlo zaujímať, s akými predložkami sa spája nejaké sloveso. Napríklad slovo písať.

Na to, aby sme to zistili, použijeme funkciu filtra. Nástroju povieme, že za slovom písať sa na prvej pozícii musí nachádzať predložka.

Ako systém vie, akého slovného druhu je to-ktoré slovo?

Na začiatku som hovorila o obohatení textov o jazykové informácie – anotácie. Jednou je priradenie základného tvaru slova, my mu hovoríme lema, každému tvaru slova v texte. Aby nástroj mohol ukázať všetky tvary určitého slova, musí vedieť, k akému základnému slovu ten-ktorý tvar patrí. Tomuto procesu sa hovorí lematizácia. A deje sa automatizovane.

Ďalším typom anotácie je morfologická a slovnodruhová anotácia. Ľudia ručne označkovali isté množstvo textov, teda prešli vetu za vetou a určili, že toto je predložka spájajúca sa s nejakým pádom, toto je sloveso v minulom čase v dokonavom vide, v tretej osobe a tak ďalej. Ručne sme takto označkovali 1,2 milióna slov. Potom sme naučili nástroje, aby to robili vo veľkých korpusoch samy.

Takže toto, čo som tam v tejto chvíli vložila, je niečo, čo je založené na princípe morfologickej a slovnodruhovej anotácie. V korpuse sa v pozadí za každým slovom nachádza aj táto informácia.

Foto: Postoj/Adam Rábara

Je to značne komplikované.

Skúsime filter a možno to bude trošku jednoduchšie. Mám skúsenosť, že vidieť pri práci s korpusom pomáha ľahšie pochopiť. Výskytov slova písať bolo v korpuse viac ako 285-tisíc, ale je len niečo cez 54-tisíc takých, kde sa hneď za slovesom písať nachádza predložka. Na toto zistenie sme prišli vďaka funkcii Filter.

Teraz by nás mohlo zaujímať, ktoré všetky predložky tam sú. Na prvý pohľad vidíme o, v, z, pred, ale aké ďalšie sú ešte v tomto postavení za slovesom písať? Na to poslúži funkcia Frekvencia.

V zozname vidíme, že najfrekventovanejšie je spojenie písať o, potom písať v. Predložiek je tu kvantum, ale frekvencie idú rýchlo dole a niekde na konci budú iste aj nejaké preklepy.

Som v korpuse zaregistrovaný už niekoľko rokov, ale nikdy som sa ho nenaučil používať. Ako sa človek naučí využívať všetky tieto funkcionality?

Máme na to dva spôsoby. Jednak organizujeme pre používateľov korpusu semináre. Tie sú buď adresné, teda pozývajú nás inštitúcie, aby sme naučili ich zamestnancov pracovať s korpusom. Ide zväčša o homogénne skupiny – vysoké, stredné či základné školy. V každom roku máme sériu takýchto seminárov, záleží nám, aby študenti končiaci slovakistiku odchádzali do praxe s praktickou zručnosťou práce s korpusom.

Máme tiež otvorené semináre väčšinou raz do roka, kam sa môže prihlásiť ktokoľvek. Stačí len sledovať stránku Slovenského národného korpusu, kde zverejňujeme pozvánky na semináre.

No a druhá cesta je náš youtubový kanál, kde máme videonávody. Vlani sme začali vytvárať samostatnú sériu videí Korpus a školská prax pre učiteľov. Javí sa ako veľmi úspešná. V budúcom školskom roku chceme reagovať aj na žiadosti učiteľov a poskytnúť v Slovenskom národnom korpuse inovačné vzdelávanie, kde ich naučíme používať korpus.

Nedávno ste predstavili novinku. O čo ide?

Je to aplikácia Mapka, ktorú sme spustili v tomto roku. Ide o zobrazenie nárečových ukážok na mape. Používateľ má k dispozícii názov obce, ukážku a nárečovú charakteristiku. Napríklad z Párnice na Orave máme dva rozdielne nárečové zdroje zo šesťdesiatych a osemdesiatych rokov.

Každý záznam na mape obsahuje zvukovú stopu, nárečový prepis, slovníček pri tých slovách, ktoré môžu byť pre čitateľa problematické. Okrem toho je tu odborná charakteristika nárečia z príslušnej publikácie. V tejto chvíli máme na mape viac ako tridsať ukážok z rôznych lokalít a plánujeme ich ďalej rozširovať.

Za zmienku stojí aj členenie nárečí podľa Atlasu slovenského jazyka. Mapa je interaktívna, mení sa podľa voľby používateľa a možno v nej vyhľadať aj lokality, z ktorých aktuálne nemáme zdroje. Radi by sme Mapku obohatili tak, aby bolo Slovensko pokryté rovnomerne.

Aplikácia Mapka. Foto: Postoj/Adam Rábara

Táto aplikácia tiež spadá pod korpus?

Áno, je to samostatná aplikácia. Mapku sa nám v korpusovom oddelení podarilo spustiť vďaka spolupráci s kolegami z Ústavu Českého národného korpusu, kolegami z dialektologického oddelenia a ďalšími odborníkmi na nárečia, ktorí nám poskytli svoje zdroje. Veríme, že Mapka je užitočná aplikácia pre každého, kto má vzťah k nárečiam, a osobitne ju ocenia školy.

Vieme si pomocou korpusu ukázať aj niečo, čím by ste nás prekvapili?

V ktorom roku sa podľa vás prvýkrát objavilo slovo hoax?

Povedzme v roku 2006?

V rámci nástrojov je po vyhľadaní slova v korpuse k dispozícii aj funkcia Trendy. Tá zobrazí texty v korpuse na časovej osi. Ako vidíme, prvýkrát sa objavilo slovo hoax v roku 1955. Bolo to v texte Karla Čapka Vojna s mlokmi.

To je však asi pomerne anomália.

Zámerne som vám ju chcela ukázať. Potom sa hoax ďalej objavuje až v roku 2005 v blogových článkoch denníka Sme.

Takže v korpuse máte aj takéto texty?

Áno. Na stránke je zoznam poskytovateľov textov, ktorý sa neustále aktualizuje. V súčasnosti je ich viac ako 850. Od každého z nich je v korpuse rôzne množstvo textov. Niekto vydal svoje dve vlastné knihy, niekde máme všetky texty z veľkého vydavateľstva.

Pomocou korpusu teda môžeme zistiť, kedy sa niektoré slová začali používať?

Korpus môžeme nájsť ako zdroj vo viacerých aplikáciách. V našom jazykovednom ústave napríklad kolega Radovan Garabík pripravil viaceré takéto nástroje. Známe je zobrazenie časovej závislosti výskytu slov. Ukáže nám napríklad, či sa skôr začalo vyskytovať slovo mobil alebo tablet. Keď výpočet prebehne, nástroj ponúkne graf, kde vidíme spočiatku malé výskyty slova mobil, ale to bude zrejme v inom význame, ako ho poznáme dnes.

V deväťdesiatych rokoch začína v textoch mobil stúpať a tablet sa začína prvýkrát objavovať až niekedy okolo roku 2008. Potom trošku stúpa, ale vidíme, že nie veľmi prudko. Interpretujem to tak, že napriek tomu, že ide o zaujímavý technologický kúsok, nie je taký zaujímavý alebo tak často spomínaný v textoch ako mobil. Aj výskyt slova mobil začal okolo roku 2010 klesať. V dátach nového korpusu čoskoro uvidíme, ako sa to vyvíja ďalej.

Korpus je báza na pozorovanie. Je to pole, na ktorom všeličo rastie, a my môžeme sledovať, čo a ako rastie. Veľmi sa mi páči vyjadrenie, ktoré kedysi povedal docent František Štícha z Ústavu pre jazyk český Českej akadémie vied: čo je pre astronómov ďalekohľad, to je pre lingvistov korpus. Súhlasím s jeho slovami. Neboli by sme schopní vnímať toľké v jazyku, ak by sme nemali takú jazykovú bázu, akou je korpus.

Časová závislosť výskytu slov mobil a tablet. Foto: Postoj/Adam Rábara

Čo má bežný človek urobiť, aby mohol využívať korpus?

Na jeho stránke nájde informácie o registrácii. Treba, aby vyplnil online registračný formulár. Keď ho odošle, vygeneruje sa aj PDF súbor. Ten tiež vytlačí, podpíše a pošle k nám na pracovisko.

Z legislatívneho hľadiska je nevyhnutné, aby sme mali obe tieto podoby. Keď sa k nám dostanú, každý žiadateľ dostane svoje prihlasovacie meno a heslo a môže pracovať s korpusom. Používanie korpusu je bezplatné.

Ako mám postupovať, ak som napríklad napísal knihu alebo vydávam časopis a chcem pomôcť slovenskej vede? Ako môžem poskytnúť svoje texty do korpusu?

Na našej stránke sú dokumenty na poskytnutie textov alebo nás ktokoľvek, kto chce pomôcť slovenskej vede, môže kontaktovať e-mailom. Naši pracovníci sa s ním spoja, aby doladili spoluprácu.

Medzi dokumentmi na stránke sú licenčné zmluvy na elektronickú verziu alebo na vyhotovenie technickej rozmnoženiny v prípade starších textov, ktoré je potrebné skenovať. Budeme veľmi radi, ak nám čitatelia denníka Postoj poskytnú svoje publikované texty. Každý text rozšíri korpus a umožní, aby sme mohli jazyk pozorovať a objavovať v ňom dosiaľ nepoznané.

Môže to byť akýkoľvek text?

Vhodné sú publikované texty, ak sú však medzi čitateľmi nejakí básnici, ktorí ešte svoje texty nepublikovali, ale chceli by nám ich sprístupniť, radi ich prijmeme.

Je málo textov, ktoré sú nepublikované a sú súčasťou Slovenského národného korpusu, ale nájdu sa v ňom aj také.

Máte podporu zo strany štátu?

Náš projekt je podporovaný štyrmi partnermi – ministerstvom školstva, ministerstvom kultúry, Slovenskou akadémiou vied a Jazykovedným ústavom Ľudovíta Štúra SAV, kam oddelenie Slovenského národného korpusu patrí. Naši partneri nás podporujú a vďaka nim môžeme robiť spomínané dobré veci.

Je niečo, s čím zápasíte?

Sme oddelenie, v ktorom pracujú lingvisti aj programátori súčasne. V oblasti jazykovedy je tých programátorov vždy menej ako lingvistov. Ak by mal niekto túžbu pracovať s jazykom v našej programátorskej sekcii, budeme radi, ak sa spojíme a porozprávame sa o tom.