Kai žmonės išgirsta žodžių junginį „tekstynų lingvistika”, dažniausiai įsivaizduoja kažką labai akademiško – profesorius su akiniais, sėdinčius bibliotekose ir skaičiuojančius žodžius senuose rankraščiuose. Tiesą sakant, ši mokslo šaka šiandien yra viena iš svarbiausių dalykų, be kurių neįsivaizduojamas nei mašininis vertimas, nei kalbos technologijos apskritai. Jeigu naudojatės automatinio vertimo įrankiais, tikėtina, kad tekstynų lingvistikos rezultatai jums jau seniai tarnauja, net apie tai negalvojant.
Kas iš tikrųjų yra tas tekstynas
Tekstynas (angl. corpus) – tai didelė, sistemingai surinkta tekstų kolekcija, kuri naudojama kalbos tyrimams. Skirtingai nuo atsitiktinio teksto rinkimo internete, tikras tekstynas turi aiškią struktūrą: jame nurodoma, kokie tekstai įtraukti, kokiu laikotarpiu jie parašyti, kokio žanro, kokia jų kilmė. Kai kurie tekstynai apima milijonus žodžių, kiti – milijardus.
Įsivaizduokite, kad norite sužinoti, kaip lietuvių kalboje vartojamas žodis „kadangi” – po kablelio ar be jo, kokiame kontekste jis dažniausiai pasirodo, su kokiais kitais žodžiais linkęs „draugauti”. Vietoj to, kad spėliotumėte ar remtumėtės savo intuicija, tekstynas leidžia patikrinti realius vartojimo pavyzdžius iš tūkstančių tekstų. Būtent čia ir slypi visa esmė – kalba tiriama ne teoriškai, o remiantis tuo, kaip ji iš tikrųjų vartojama.
Kodėl vertėjams ir kalbos technologijų kūrėjams tai svarbu
Automatinio vertimo sistemos, ypač šiuolaikinės, paremtos neuroniniais tinklais, mokosi iš milžiniškų tekstynų. Kuo daugiau kokybiškų, gerai suderintų (lygiagrečių) tekstų sistema „matė”, tuo geriau ji supranta, kaip vieną kalbą natūraliai perteikti kita kalba. Lygiagretus tekstynas – tai du (ar daugiau) tekstai skirtingomis kalbomis, kurie yra vienas kito vertimai, sulygiuoti sakinys po sakinio arba net žodis po žodžio.
Kai mašininio vertimo sistema apmokoma naudojant tokį tekstyną, ji pradeda „jausti” tam tikrus dėsningumus: kada anglų kalbos „get” reikia versti kaip „gauti”, kada kaip „tapti”, o kada visai kitaip. Be didelio ir kokybiško tekstyno tokia sistema tiesiog neturėtų iš ko mokytis. Štai kodėl kai kurios vertimo sistemos su retesnėmis kalbų poromis veikia prasčiau – trūksta duomenų, iš kurių būtų galima mokytis.
Konkordansai – vertėjo geriausias draugas
Vienas praktiškiausių tekstynų lingvistikos įrankių, kuriuo gali naudotis ir paprastas vertėjas, yra konkordansas. Tai priemonė, rodanti visus tam tikro žodžio ar frazės pasirodymus tekstyne kartu su kontekstu iš abiejų pusių. Įsivaizduokite lentelę, kurioje eilutė po eilutės matote, kaip vartojamas jus dominantis žodis dešimtyse ar šimtuose skirtingų sakinių.
Tai neįkainojama, kai reikia išsiaiškinti, ar terminas tam tikroje srityje (pavyzdžiui, teisėje ar medicinoje) vartojamas su tam tikru linksniu, ar dažniau eina kartu su tam tikru veiksmažodžiu. Vietoj to, kad spėliotumėte ar remtumėtės viena vertimo atmintimi, galite peržiūrėti dešimtis realių pavyzdžių ir priimti pagrįstą sprendimą. Šiandien tokie įrankiai kaip Sketch Engine ar net paprastesni internetiniai konkordansai leidžia tai atlikti per kelias sekundes.
Kolokacijos ir kodėl jos apsunkina automatinį vertimą
Kalbos nėra tik žodžių rinkinys – tai sudėtingas tinklas, kuriame tam tikri žodžiai natūraliai eina kartu, o kiti – niekada. Anglų kalboje sakoma „make a decision”, o ne „do a decision”, nors abu veiksmažodžiai reiškia panašius dalykus. Lietuvių kalboje sakome „priimti sprendimą”, ne „daryti sprendimą”. Tokie natūralūs žodžių junginiai vadinami kolokacijomis, ir jų tyrimas – vienas centrinių tekstynų lingvistikos objektų.
Automatinio vertimo sistemoms kolokacijos kelia nemažai galvos skausmo. Sistema gali puikiai išversti kiekvieną atskirą žodį, bet suklysti jungdama juos į natūralią frazę. Būtent todėl geresnės vertimo sistemos treniruojamos ne tik pagal atskirus žodžius, bet ir pagal ištisas frazes bei jų dažnumą tekstynuose. Kuo dažniau tam tikra kolokacija pasirodo mokymo duomenyse, tuo didesnė tikimybė, kad sistema ją atkurs teisingai.
Nuo popierinių kortelių iki milijardų žodžių
Įdomu tai, kad tekstynų lingvistikos idėja nėra nauja – ji atsirado dar prieš kompiuterius. XX amžiaus viduryje kalbininkai rankomis rinko kalbos pavyzdžius į korteles, kataloguodavo juos ir analizuodavo rankiniu būdu. Tai buvo neįtikėtinai lėtas procesas, todėl tekstynai buvo palyginti nedideli – dešimtys ar šimtai tūkstančių žodžių atrodė daug.
Šiandien situacija visiškai kitokia. Tokie projektai kaip „Common Crawl” apima milijardus žodžių iš viso interneto, o didieji technologijų gigantai naudoja tekstynus, kurių dydis sunkiai įsivaizduojamas – trilijonai žodžių iš įvairiausių šaltinių. Ši evoliucija tiesiogiai paveikė mašininio vertimo kokybę: kuo daugiau duomenų, tuo tiksliau sistema gali atspindėti realų kalbos vartojimą, įskaitant retesnius atvejus, dialektus, žargoną ar naujausius terminus.
Lietuvių kalbos tekstynai – kur jų ieškoti
Lietuvių kalbai taip pat yra sukurta nemažai vertingų tekstynų. Vytauto Didžiojo universiteto Kompiuterinės lingvistikos centras administruoja Dabartinės lietuvių kalbos tekstyną, kuriame galima ieškoti žodžių vartojimo pavyzdžių, tikrinti dažnumą, analizuoti gramatines formas. Yra ir specializuotų tekstynų – teisės kalbos, administracinės kalbos, net socialinių tinklų kalbos tekstynai, kurie leidžia matyti, kaip kalba keičiasi skirtinguose registruose.
Vertėjams, dirbantiems su lietuvių kalba, tokie ištekliai gali būti tikras lobis, kai reikia patikrinti, ar tam tikras terminas ar konstrukcija natūraliai skamba lietuviškai, ar tai tiesiog pažodinis vertimo palikimas iš originalo kalbos. Verta paminėti, kad būtent didelės, gerai suderintos duomenų bazės leidžia tobulinti ir automatinio vertimo įrankius, orientuotus į lietuvių kalbą, – be jų sistemos tiesiog neturėtų pakankamai medžiagos, iš kurios mokytis specifinių lietuvių kalbos ypatybių, tokių kaip sudėtinga linksniavimo sistema ar laisva žodžių tvarka.
Ką visa tai reiškia paprastam vertimo įrankio naudotojui
Galbūt pagalvosite, kad visa ši informacija apie tekstynus ir jų analizę yra tik akademinis smalsumas, neturintis nieko bendro su kasdieniu naudojimusi automatinio vertimo paslaugomis. Iš tikrųjų yra atvirkščiai. Kai kitą kartą pastebėsite, kad vertimo įrankis vieną frazę verčia labai natūraliai, o kitą – gremėzdiškai, priežastis dažnai slypi būtent tekstynų kokybėje ir kiekyje, kuriuo remiantis buvo apmokyta sistema.
Retesnėms kalbų poroms, mažiau paplitusioms temoms ar specifinei terminijai (pavyzdžiui, teisinei ar medicininei kalbai) tekstynų būna mažiau, todėl ir vertimo kokybė gali svyruoti. Suprasdami šį mechanizmą, galite geriau interpretuoti, kodėl kartais reikia rankiniu būdu pataisyti automatinio vertimo rezultatą, ir nesijausti nustebę, kai sistema suklysta su retesniu terminu.
Vietoje išvadų: kaip patys galite pasinaudoti tekstynų galia
Jeigu jums patinka kalba ir norite tapti tikslesniu vertėju ar tiesiog geriau suprasti, kodėl vienas ar kitas žodžių junginys skamba natūraliau nei kitas, verta pačiam pabandyti dirbti su tekstynais. Nereikia būti kalbininku ar programuotoju – daugelis tekstynų turi patogias, internetines vartotojo sąsajas.
Keletas praktinių patarimų, kurie gali praversti:
- Jeigu abejojate, kaip natūraliau skamba tam tikra frazė, pasitikrinkite ją per lietuvių kalbos tekstyną – dažnai paaiškės, kad viena iš dviejų variantų vartojama kur kas dažniau.
- Naudodamiesi automatinio vertimo įrankiais sudėtingesniems tekstams, atkreipkite dėmesį į specifinę terminiją – jei tema nišinė, verta patikrinti rezultatą papildomai, nes tekstynų, iš kurių sistema mokėsi, tokiose srityse dažniausiai būna mažiau.
- Mokydamiesi užsienio kalbos, konkordansų įrankiai (net nemokami, internetiniai) padeda pamatyti, kaip žodžiai realiai vartojami gyvoje kalboje, o ne tik žodyno apibrėžimuose.
- Vertėjams verta susipažinti su tokiais įrankiais kaip Sketch Engine, COCA (anglų kalbai) ar minėtas VDU tekstynas – tai realiai sutaupo laiko, kai reikia priimti sprendimą dėl vieno ar kito vertimo varianto.
Galiausiai tekstynų lingvistika mums primena vieną paprastą, bet svarbią tiesą – kalba nėra statiška taisyklių sistema, o gyvas, nuolat besikeičiantis reiškinys. Ir kuo geriau technologijos (bei mes patys) mokame šią gyvą kalbą stebėti, tuo natūralesnis ir tikslesnis tampa kiekvienas vertimas, ar jį atliktų žmogus, ar mašina.
