Maken van een woordenboek:4 hoofdfasen

Maat: px

Weergave met pagina beginnen:

Download "Maken van een woordenboek:4 hoofdfasen"

Alexander de Jong
8 jaren geleden
Aantal bezoeken:

1 Maken van een woordenboek:4 hoofdfasen 1. het maken van een concept + het testen van het concept door middel van proefartikelen hoe moet je woordenboek er inhoudelijk uitzien? 2. opbouw van een materiaalverzameling die past bij het concept welk taalmateriaal is een geschikte basis voor het woordenboek? 3. het redigeren (schrijven) van het woordenboek lexicografische bewerking van de ingangen volgens concept 4. publicatie van het woordenboek

2 Woordenboek: macrostructuur: welke woorden ((of andere elementen)) uit de taal staan in het woordenboek? lijst van ingangen / lemmata / trefwoorden ( nomenclatuur ) microstructuur: de soorten van informatie bij iedere ingang: ( informatiecategorieën ) (bijvoorbeeld: woordsoort, betekenis, voorbeeldzin, )

lijst van ingangen / lemmata / trefwoorden ( nomenclatuur ) microstructuur:

3 Materiaalverzameling: digitaal tekstcorpus voor een wetenschappelijk woordenboek van de algemene taal statistisch representatief corpus: niet haalbaar -> gebalanceerd corpus, d.w.z.: - veel verschillende soorten tekst ( teksttypen ) - goede kwantitatieve verhoudingen tussen de teksttypen Maar hoe precies? -> lexicografische corpora verschillen van elkaar, ondanks soortgelijk doel (bijv. Cobuild, Longman en andere)

: - veel verschillende soorten tekst ( teksttypen ) - goede kwantitatieve verhoudingen tussen de

4 Corpora voor het Algemeen Nederlands Woordenboek ANW I. Voor de periode voor 2000 (ca mln woorden / tokens ) reeds bestaande INL-corpora: 5, 27 en 38 mln corpora, PAROLE corpus: niet lexicografisch 50 mln corpus: wel lexicografisch ander beschikbaar materiaal op het INL II Voor de periode na 2000 ( ca mln. woorden / tokens ) opbouw nieuwe corpora: Domeinencorpus Nederlands ( ) Domeinencorpus Vlaams ( ) Corpus van literaire teksten ( ) Neologismencorpus ( ) Pluscorpus (2004)

corpus: wel lexicografisch ander beschikbaar materiaal op het INL II Voor de periode na 2000 ( ca. 30-40 mln.

5 Algemeen Nederlands Woordenboek ANW: corpora (2) Domeinencorpus Nederlands ( ) Domeinencorpus Vlaams ( ) selectie van teksten op basis van: - domeinen van rubrieken in de samenleving - Google -> Ned.: 1121 Nederlandse domeinen, 18 mln tokens Vlaams: 1199 domeinen, ruim 11 mln tokens + wederzijds ontbrekende domeinen kenmerk: grote inhoudelijke diversiteit

nl: rubrieken in de samenleving - Google -> Ned.

6 Algemeen Nederlands Woordenboek ANW: corpora (3) Corpus van literaire teksten ( ) Teksttypen: essays romans verhalen toneel onderverdeling in: oorspronkelijk en vertaald werk Noord (= Nederland) en Zuid (België) Verwerving van de teksten: downloaden of scannen + OCR Omvang: 15 mln tokens gepland

onderverdeling in: oorspronkelijk en vertaald werk Noord (= Nederland) en

7 Algemeen Nederlands Woordenboek ANW: corpora (4) Neologismencorpus ( ): nieuwe woorden, betekenissen, verbindingen Verwerving: dagelijks op basis van websites van ca. 20 dag- en weekbladen en nieuwssites Omvang: 20 mln tokens gepland; lijst op internet ( Pluscorpus (2004) Woorden van voor 2000 uit het INL-lexicon die nog niet in het ANW-corpus met materiaal van na 2000 aanwezig waren Verwerving teksten: via Google

20 dag- en weekbladen en nieuwssites Omvang: 20 mln tokens gepland; lijst op internet (www.inl.

8 In het Corpus Gesproken Nederlands onderscheiden componenten (versie 1.0) Componenten: a. Spontane conversaties ('face-to-face') b. Interviews met leraren Nederlands c. Telefoondialogen opgenomen m.b.v. platform d. Telefoondialogen opgenomen m.b.v. minidisc recorder e. Zakelijke onderhandelingen f. Interviews en discussie uitgezonden op radio en televisie g. Discussie, debatten, vergaderingen (m.n. politieke) h. Lessen i. Spontane commentaren (o.a. sport) uitgezonden op radio en televisie j. Actualiteitenrubrieken en reportages uitgezonden op radio en televisie k. Nieuwsbulletins uitgezonden op radio en televisie l. Beschouwingen en commentaren uitgezonden op radio en televisie m. Missen, lezingen, plechtige toespraken n. Colleges, voordrachten, lezingen o. Voorgelezen teksten

Discussie, debatten, vergaderingen (m.n. politieke) h. Lessen i. Spontane commentaren (o.a. sport) uitgezonden op radio en televisie j.

9 Automatische taalkundige verrijking (annotatie) van het corpus t.b.v. frequentietellingen en zoeksysteem (1) Verrijkt (geannoteerd) tekstfragment ontleend aan een oud INLcorpus: trefwoord en woordsoort (niet volgens de huidige TEI standaard) Ondanks_v{ondanks} de_l{de} uitwijzing_z{uitwijzing} en_c{en} de_l{de} politieke_a{politiek} spanningen_z{spanning} die_p{die} ze_p{ze} tot_v{tot} gevolg_z{gevolg} hebben_w{hebben}, biedt_w{bieden} Rabins_a{Rabins#} premierschap_z{premierschap} de_l{de} Palestijnen_z{Palestijn} nog_b(nog) altijd_b{altijd} de_l{de} beste_a{best} kansen_z{kans} om_v{om} ETC.

10 Automatische taalkundige verrijking (annotatie) van het corpus t.b.v. frequentietellingen en zoeksysteem (2) Verrijkt (geannoteerd) tekstfragment ontleend aan het zoeksysteem voor het PAROLE-corpus

11 Lexicografisch werkstation 3 componenten: materiaalverzameling (o.a. digitaal + verrijkt corpus) digitale redactionele werkomgeving digitaal woordenboek opslag: gestructureerd bestand lexicale database -> gedrukt woordenboek elektronisch woordenboek met zoeksysteem

digitaal woordenboek opslag: gestructureerd bestand lexicale

12 Voorbeelden van functionaliteiten van het VMNW-systeem (op basis van de traditionele lexicografische praktijk) - opvragen en bekijken van informatief materiaal - opvragen van citaten + aantekeningen maken bij een citaat - de citaten op diverse manieren groeperen, bijv per betekenis of per groep teksten + aantekeningen maken bij een groep citaten - de citaten op diverse manieren sorteren - aantekeningen maken bij een betekenis - citaten selecteren, aanpassen en overbrengen naar de lexicale database, als bewijs bij een bepaalde betekenis - een al bewerkt woord opvragen uit de lexicale database door de redacteur - wijzigen van artikelen door de redacteur - administratie van welke redacteur het artikel gemaakt heeft + wanneer, wie het gecontroleerd heeft + wanneer etc.

manieren sorteren - aantekeningen maken bij een betekenis - citaten selecteren, aanpassen en overbrengen naar de lexicale database, als bewijs bij een bepaalde betekenis - een al bewerkt woord

13 Minimale eisen aan lexicografische werkomgeving Basiszoekmogelijkheden op een corpussysteem: o.a. - selecteren van een subcorpus (deel van het corpus) - zoeken op woordvorm, trefwoord en woordsoort - gebruik van hulpmiddelen bij de zoekvraag ( bijv. wildcards, jokers, AND/OR/ANDNOT) - opvragen van concordanties : woord in een beperkte context verschillende sorteermogelijkheden gegevens over de bron waaruit het woord komt variabele context links en rechts van concordantiewoord - spreiding van een woord over de bronnen, een periode - statistische collocaties lexicografische bewerking: speciale tekstverwerker met behoud van structuur van de data (bijv. XML) snel en gebruikersvriendelijk

komt variabele context links en rechts van concordantiewoord - spreiding van een woord over de bronnen, een periode - statistische collocaties lexicografische bewerking:

14 Literatuur in dit college: Van Sterkenburg (2003): 1.2 Geeraerts, D. & G. Janssens (1982), Wegwijs in woordenboeken. Van Gorcum, Assen. Hoofdstuk 1. Kruyt, J.G. & E. Putter (1992), Corpus Design Criteria. INL Working Papers Moerdijk, F. (2004), Het Algemeen Nederlands Woordenboek (ANW), in: Nederlandse Taalkunde 9,

Kruyt, J.G. & E. Putter (1992), Corpus Design Criteria. INL Working Papers 92-11.

Vergelijkbare documenten

Wat is een corpus en waarvoor wordt het gebruikt?

Wat is een corpus en waarvoor wordt het gebruikt? Een corpus is een verzameling teksten of getranscribeerde geproken taal met een samenstelling en proportionering van teksttypen die geschikt is voor een