Itzulpen-corpusak hiztegigintzan: baliabide eta bide berriak
David Lindemann

1. Sarrera

Egun, inork ez du zalantzan jartzen corpus hizkuntzalaritzak nabarmen aberastu duela hiztegigintza (ikus gaiaren oinarrizko aurkezpenak Atkins & Rundell 2008; Svensén 2009). Corpus revolution deitutako berrikuntzari esker (Rundell & Stock 1992; Krishnamurthy 2002), hizkuntzaren erabilera hobeto deskriba daiteke gaur. Corpus garaiaren aurreko hiztegiek, zenbait egilek nabarmendu dutenez (Klosa 2007), hitzen adiera (eta hiztegi elebidunez ari garenean, adieraren itzulpen-ordain) bakan edo arraroak aipatzen dituzte, eta baztertu egiten dituzte, aldiz, garrantzi edo maiztasun handikoak. Orain, maiztasun neurketak hiztegigintzaren tresneriaren ohiko osagai bihurtu dira, eta corpus datuetan oinarritutako hitzen profilek (word sketches, Wortprofile) hitzaren agerkideei eta erlazio sintaktikoei buruzko ebidentzia ematen digute (Kilgarriff & Tugwell 2002). Maiztasun datuak, hitzaren agertokietako testuinguruak islatzen dituzten konkordantziak eta hitz-profilak segundo batean baino denbora gutxiagoan sor eta ikusaraz daitezke, dagokion hizkuntzan testu-corpus behar bezain handiak eta hizkuntzaren prozesamendurako tresnak eskuragarri izanez gero.

Hiztegian erabilera-adibideak emateko, aurreko garaietan eskuz batu behar izaten ziren aipuak, zegokien lemaren arabera zapata kaxa famatuetan gorde eta hiztegia editatzean ateratzen zirenak. Corpusei esker, lipar batean sor ditzakegu hitz baten inguruko testuinguru edo konkordantziak, hiztegigintza-lanetan erabiltzeko. Baina hiztegigileari hiztegi baten edukia editatzen laguntzeaz gain, beste zeregin bat betetzen dute corpus-datuek hiztegigintza arloan: gero eta sareko hiztegi gehiagotan, erabiltzaileari erakusten zaion hiztegi sarrerari (editoriala eta estatikoa dei diezaiokegun horri) corpus datuetan oinarritutako edukiak gehitzen zaizkio, erabiltzaileak bilaketa gauzatzen duen momentuan sortuta, hala nola corpusetatik erauzitako adibide-esaldiak, bilatutako hitza dutenak. Hiztegi elebidun batentzat prestatutako datu-sortak direnean, esaldi bakoitzak dagokion itzulpena du alboan; hau da, konkordantzia edo KWIC (keyword in context) elebidun paraleloa. Paragrafo- edo esaldi-bikote elebidunak itzulpen-corpus batetik erauzi ahal izateko, corpusa lerrokatu behar da, hots, zein segmentu zein segmenturen itzulpena den zehaztu. Paragrafo edo esaldi mailan lerrokatutako itzulpen-corpusari, corpus paraleloa (parallel corpus) deitzen diogu.

Baliabide askoko hizkuntza handietan, alemanez, esaterako, hiztegigileak, baita beste edozein erabiltzailek ere, corpusetatik erauzitako datu-sortak ematen dituzten maila goreneko baliabideak ditu eskuragarri, DWDS hiztegi-atariaren eskaintza, kasu.¹ Corpus hiztegigintza batek zer eragin duen hiztegigintza lanetan eta corpusetako datuek zenbateraino aberastu ditzaketen sareko hiztegi baten edukiak, horra hor artikulu honetan interesatuko zaizkigun galderak.

2. Corpus elebakarrak hiztegigintza elebiduneko lanetan

Gure interesgune nagusia den hiztegigintza elebidunean murgildu baino lehen, ikus dezagun labur zer ekarpen zor diogun corpus hiztegigintzari ele bakarrari dagokionez. Alde batetik, hiztegi baten lemategia eraikitzeko lanak aipatuko ditugu, eta bestetik, lema bakoitzari dagozkion entitate sintaktikoak (kategoria gramatikalak) definitzekoak. Bi kasuetan, corpusetatik erauzitako maiztasun-datuak dira lanean erabiltzeko ebidentzia ematen digutenak. Horretaz gain, jakina, erabilera-adibideak dira corpusek ematen dituzten datu garrantzitsuak, euskara ele bakarrarentzat corpusetan oinarritutako Egungo Euskararen Hiztegiak², esaterako, baliatzen dituenak. Honetara hurrengo atalean itzuliko gara, hiztegigintza elebidunari begira.

Hitzen erabilera-maiztasuna eta hitz haiei dagozkien hiztegi-sarreren ikustaldi-kopurua erlazionatuta daude neurri handi batean (De Schryver et al. 2010; Wolfer et al. 2014). Horrek esan nahi du jokabide zentzuduntzat jo dezakegula hiztegiaren lemategia eraikitzeko lanak corpusetan oinarritutako maiztasun-zerrenda batetik abiatzea, hiztegi berri bat sortzean, bederen: erabiltzaileak maiz agertzen diren hitz hauek bilatuko ditu hiztegian. Aldi berean, datuak eskura edukiz gero, lemari lotutako maiztasun-informazioa eman ahal zaio erabiltzaileari hiztegi- sarreran bertan, ingelesezko hizkuntza-ikasleentzako hiztegigintzan aspalditik egiten den bezala (Kilgarriff 1997). Alemanez, esaterako, badaude era profesional batean hiztegigintzari lehengaia eskaintzeko asmoz sortutako maiztasun-zerrendak³. Euskaraz, maiztasun hiztegiak argitaratu dira, corpus batean maizen agertzen diren hitzen bildumak⁴. Guk ere proposatua dugu lehenago ere zer metodo erabil daitekeen eskuragarri ditugun euskarazko corpus handienetatik erauzitako maiztasun-zerrendetan oinarritutako lemategi bat sortzeko (Lindemann & San Vicente 2015). Euskarazko hiztegietan sarrera izanik ere egungo corpusetan agertzen ez diren lema-multzoak zehaztu ditugu, baita alderantziz ere: egungo corpusetan bai, baina gaur arteko hiztegietan agertzen ez zaizkigunak. Corpusetan agertzeak hitzaren erabilera egiaztatzen duela onartzen badugu, hutsetik abiatzen den hiztegigintza-asmo batentzat garrantzi handiko ebidentziatzat jotzen dugu bietan agertzea: hiztegietan eta corpusetan. Batez ere euskarazko web-corpusek lexema eta adiera berri asko dituztela azpimarratzen du Leturiak (2014). Corpusetan bai, baina hiztegietan (oraindik) agertzen ez diren euskarazko hitz haiek, lema bihurtzeko hautagai direnak, web-corpus batek dituen datu-masa erraldoian ezkutatzen dira, eta ez da erraza haiek iragaztea: eskuzko lana ezinbestekoa da zeregin honetan.

Bestalde, lemak entitate sintaktiko gisa identifikatzeko ebidentzia eskaintzen digute corpusek. Izan ere, corpus bateko edukiak prozesatzeko pauso bat hitz guztien etiketatze morfosintaktikoa da, Lemmatizer-PoS-Tagger deituriko tresna batez gauzatzen dena. Prozesatze horren funtzioa bikoitza da: alde batetik, testu-hitz bakoitzari dagokion forma kanonikoa zehaztea, hots, hiztegian sarrera-buru izan daitekeen lema zehaztea; eta bestetik, hitzaren kategoria (eta azpikategoria) gramatikala definitzea. Ikus dezagun adibide bat, euskarazko alegia formari webcorpus handi batean⁵ zehar EusTagger etiketatzaileak (Aduriz et al. 1996, 2007) esleitu dizkion kategoriak erakusten dituena:

1. taula: Elh200 corpusetik erauzitako maiztasun datuak alegia lemarentzat azpikategoria mailan

Agerpen kopururako atalase minimoa finkatzen badugu⁶, alegia lemari dagokion hiru hiztegi-sarrera (edo hiru ataleko sarrera bat) izan beharko ditu hiztegiak, datu horien arabera: alegia lokailuarena, alegia izen arruntarena, eta alegia (Alegia) herri izenarena. Ikusten dugunez, EusTagger tresnak maiztasun-datuak ematen dizkigu azpikategoria gramatikalari dagokionez (izen arrunta, izen berezia, etab.). Entitate sintaktiko bakoitzerako, beraz, maiztasun-datuak ditugu, hiztegi-sarrera batean ere eman daitezkeenak.

3. Corpus paraleloak eta hiztegigintza

3.1. Euskararekiko corpus paraleloak: artearen egoera

Elhuyar Fundazioaren web-corpusen atalean euskara-gaztelaniazko corpus paraleloa dago kontsultagai⁷. Corpusa automatikoki osatu da, eduki elebiduna duten domeinuak sarean bilatuz, eta domeinu horietatik elkarren itzulpena diren esaldiak erauziz. 18.753.613 testu-hitz ditu (7.891.104 euskaraz eta 10.862.509 gaztelaniaz). 659.630 segmentu elebidun ditu. Egungo euskara-gaztelaniako corpus paralelo handiena da, eta edonork erabil dezake bilaketak egiteko interfazea.

Euskal Herriko Unibertsitateko Euskara Zerbitzuak 2002. urte ingurutik argitaratzen dituen ikasliburuen itzulpenez osatua da EHUskaratuak corpus paraleloa. Giza zientzia, gizarte- zientzia, ingeniaritza eta teknologia, osasun-zientzia eta zientzia zehatz eta materiaren zientzia arloetako itzulpenak biltzen ditu, ingelesetik, frantsesetik eta gaztelaniatik burutuak; corpus paralelo eleaniztuna da, beraz. Sareko interfaze bat erabilgarri dago UPV/EHUko webgunean⁸. Corpusa Elhuyar Hizkuntza eta Teknologiak garatu du, eta itzulpen berriak gehituko zaizkio corpusari etorkizunean.

3.2. Euskara-alemanezko corpus paraleloak

Euskara-alemana hizkuntza-bikoteari bigarren mailakoa dei diezaiokegu, euskararen barne-erdarak (gaztelera eta frantsesa) edo kanpo-erdara nagusia (ingelesa) kide diren bikoteen atzean, hiztegigintza nahiz corpusgintzari begira. Atal honetan ikusiko dugunez, bigarren mailako bikote honetan kalitatezko corpus paraleloak sortzeko ahaleginak egin berri dira. Bigarren maila honetako beste bikote guztietan, berriz, egiteke geratzen zaizkigu oraindik, guk dakigunez.

EHUko Letren Fakultatean kokatutako TRALIMA/ITZULIK ikerketa taldean, alemanezko literatura-lanak nahiz euskarazko itzulpenak biltzen dituen corpus paralelo bat sortu du Uribarri, Sanz eta Zubillaga hirukoteak (Sanz et al. 2015). Corpusak itzulpen zuzenak eta zeharkakoak biltzen ditu. Alemanetik zuzenean euskaratu diren testuak alemanezko jatorrizkoan nahiz euskarazko bertsioan daude jasota; zeharka burutu diren itzulpenak, aldiz, jatorrizkoan, gaztelerazko zubi-bertsioan eta euskarazkoan. Azken kasu hauetan, beraz, corpusa hirueleduna da. Corpusa osatzen duten testuetatik, alemanezko 81 testu literario eta euskarazko itzulpen zuzenak izan ditugu eskuragarri, paragrafo edo esaldi mailan lerrokaturik, hiztegigintza arloko gure esperimentuetan erabiltzeko. Euskarazko testuen lematizatzea EusTagger tresnaren bidez gauzatu dugu⁹. SketchEngine (Kilgarriff et al. 2004) tresnaren bitartez, alemanezko testuen lematizatzea (TreeTagger, (Schmid 1995)) burutu eta, testu paralelo guztiak aplikazioan kargaturik, bilaketak egin eta konkordantzia paraleloak sortu ditugu. Horrela sortutako corpus paraleloak bina milioi testu-hitz inguru ditu euskaraz eta alemanez. Bestetik, Bibliaren alemanezko eta euskarazko bertsio bana erabili dugu corpus paraleloa sortzeko.¹⁰ Bibliatik corpus paraleloak sortzea nahiko ariketa erraza da, bertset-kodeen bitartez lerroka baitaiteke. Bibliaren itzulpena hainbat eta hainbat hizkuntzatan, eta, horretaz gain, hizkuntza bakoitzean maiz bertsio batean baino gehiagotan eskuragarri izatea oinarri egokia da era askotako konparaketak egiteko (Resnik et al. 1999; Nida & Taber 2003). Corpusak 700.000 bat testu-hitz ditu hizkuntza bakoitzean.

Eskuz hautatutako iturri literario hauetaz gain, euskara-alemanezko corpus paraleloak modu eraginkor batean osatzeko balioko luketen beste zenbait datu-iturri ere aipa daitezke: ikus-entzunezkoen azpitituluak eta software lokalizazioak.¹¹

3.3. Corpus paraleloak hiztegigintza lanetan

EuDeLex izeneko euskara-alemanezko gure egitasmo berriaren garapen prozesuan, aurreko atalean deskribatutako corpus elebiduna erabiltzen dugu. Batetik, konkordantzia paraleloak baliatzen ditugu alemanezko lemaren euskarazko ordainak definitzeko lanetan. Gure esperientziaren arabera, batez ere kontzeptu abstraktuen kasuetan lagungarriak izan dira itzultzaileen proposamenak euskarazko ordain egokienak hiztegi-sarrera elebidunerako hautatzeko, baita dagokion lema duten esapide eta lokuzioak itzultzeko ere. Bestetik, euskara-alemanezko glosarioak zirriborratu ditugu datu haietan oinarriturik: esaldi- edo paragrafo-mailako lerrokaketatik hitz-mailako lerrokaketara heltzen diren tresna automatikoen bitartez, aleman-euskarazko itzulpen-ordainen bikote izateko hautagaiak definitu ditugu (ikus Lindemann et al. 2014).

3.4. Corpus paraleloetatik erauzitako adibide-perpausak hiztegi-sarreraren osagai

Corpus paraleloetatik erauzitako konkordantziak hiztegi elebidunetako sarreretan islatzeko aukera 1990eko hamarkadaren hasieratik aipatu izan den arren (lehenengo aipamenak Atkins 1996; Dickens & Salkie 1996), aukera berri hori gauzatu izanaren zenbait adibide baino ez ditugu egun arte. Gorago esan bezala, corpusak hitzen adiera nagusiak edukitzen ditu, hiztegi sarrera editorial batean maiztasun gutxiagoko adieren artean ezkutaturik gera litezkeenak. Bestetik, hitz baten adiera helburu hizkuntzan islatzeko, itzultzaileek maiztasun gutxiko ordainak hautatzen dituzte maiz, hiztegi-sarrera editorial batean agertzen ez direnak. Wolfgang Teubert autorearen hitzetan, "the translator's design space is much larger than the language-neutral conceptual ontology (or the traditional bilingual dictionary) would leave us to believe" (Teubert 2002). Gainera, itzultzaile bat ez da mugatzen hitz bat hitz batez ordezkatzera; aitzitik, egitura sintaktikoa ere moldatu, laburbildu, garatu, edo helburu hizkuntzan egokia gertatzen den esapide batez itzul dezake, esaldi osoa modu egoki batean islatzeko bere arduraren arabera. Giza itzultzaileak baino sor ez ditzakeen moldapen horiek dira kalitatezko corpus paralelo batek eskaini dituen altxorrak.

2. taula. Corpus paralelotik erauzitako alemanezko Ärger lemaren konkordantziak

Egokitzapen ezberdinak ikusten ditugu goiko taulako euskara-alemanezko adibideetan. Corpus paraleloetako datuetan, beraz, itzultzaileek jorratutako bideak azaltzen zaizkigu, itzultzaileak zer prozeduraz baliatu diren, kasuz kasu, testuingurua aintzat harturik; eta horixe da hiztegi-sarrera elebidun batek bere estutasunean orain arte nekez aurreikus eta isla zezakeena. Horrelako datuetan hizkuntzalari konputazionalek bilatzen dute itzulpen-makinek oraindik imitatzen ez dakitena, taulan islatu duguna, "syntactically motivated transformation rules that explain human translation data" (Galley et al. 2004). Testuingurua duten itzulpenez, corpus paraleloz elikatzen dituzte estatistika hutsa baliatzen besterik ez dakiten itzulpen-tresna automatikoak, haiei giza itzultzaileen jokabideak ulertarazteko ahaleginean.

Hiztegi-sarrera editorial batean, lemak entitate sintaktiko gisa dituen izaerak (hau da, haren kategoria gramatikalak) mantendu ohi dira hizkuntza batetik bestera, helburu hizkuntzan posible den heinean, bederen.¹² Beraz, hiztegi-sarrera elebidunarekin batera benetako adibideen ondoan benetako itzulpenak ematea lagungarria da benetan erabiltzen den hizkuntza islatzeko, eta corpusetako konkordantzia paraleloak horretarako baliatzea jokabide egokia izan daiteke. Zalantzarik gabe, corpus paraleloaren edukien kalitatea aldagai garrantzitsua da; orain arteko gure esperientziaren arabera, liburuen itzulpenak dira helburu horretarako emankorrenak.

3.5. Konkordantzia paraleloak hiztegi elektronikoetan: artearen egoera

Itzulpen-corpusetatik erauzitako datuak hiztegi-erabiltzaileari zuzenean erakustea eta horrela erabiltzailearen galderari benetako erabilera-adibide eta haien itzulpenez erantzutea joera berria dugu hiztegigintza elebidun elektronikoan. Bide berriak jorratzen dituzten bi hiztegi- atari aipatuko ditugu.

Linguee izeneko egitasmoa 2007an sortu zen, eta 2009tik aurrera, erabiltzaile-interfazea erabilgarri dago edonorentzat.¹³ 2015ean, 25 hizkuntzatako datuak biltzen ditu eta haien arteko oinarrizko hiztegi-sarrera elebidunak eta itzulpen-adibideak eskaintzen ditu. Itzulitako esaldien datu-baseak Interneten aurkitutako testu paraleloak ditu. Ikus dezagun adibide bat, gaztelerazko falda lema polisemikoaren ingelesezko itzulpenak biltzen dituena (1. irudia):

1. irudia: Linguee hiztegiaren lagina

Ikusten denez, galderaren erantzunak biltzen dituen orri honetako goiko partean, hiztegi- sarrera elebiduna dator, gaztelerazko hitzaren ezaugarri morfosintaktikoak eta hiru adierentzako ingelesezko ordain bana ematen duena. Horretaz gain, hitzak entzuteko aukera ematen duten botoiak, eta falda parte duten unitate lexiko hitz anitzekoen ingelesezko ordainak ematen dira adibide gisa. Azpian, ingelesezko nahiz gaztelerazko wikipediek ematen dituzten definizio laburrak ikus daitezke, dagozkien gezietan klikatuz. Honaino, beraz, oso eskaintza oinarrizkoa da ikusten duguna.

Hortik behera, itzulitako adibide-esaldiak datoz, eta irudi honetan haien parte txiki bat baino ez dugu islatu. Ikusten denez, gaztelerazko hitza nahiz ingelesezko ordaina nabarmentzen dira, bilatutako hitza eta ordainak testuinguruetan zehar bizkorrago ikusteko. Honelako esaldi- bildumen balioa bistakoa da: hiztegi-erabiltzaileak bere kasuari hurbila zaion testuingurua bilatuko du, edota kasuz kasu nola itzuli den ikusi. Jakin nahi duena, beharbada, oso galdera berezitua da, termino gisako erabilera bat, ibilgailu-motorreko pistón de falda corta ingelesez short skirt piston ote den, adibidez, eta datu-base terminologiko egokia eduki ezean, hemen bai aurkitzen du erantzun bat, kasualitatea dei badiezaiokegu ere. Gaztelera-ingelesa konbinazioan badira banku terminologikoak kasu honetarako¹⁴; baliabide gutxiagoko hizkuntza-bikote baterako, aldiz, corpus paraleloak baliatzen dituen tresna bat edukitzea bereziki lagungarria dela iruditzen zaigu.

Linguee gunean bertan ematen diren ikustaldi handiko sarreren zerrenden arabera (ikus goiko zerrenda), ondorengoa bezalakoak dira oso maiz baliabide honen bitartez argitzen saiatzen diren kasuak: hizkuntza batek berezko dituen hitz anitzeko esapideak, gaztelerazko en cuanto a bezalakoak. Ikus ditzagun haren itzulpenak:

Ikusten eta espero dugunez, en cuanto a esapideak askotariko ordainak ditu ingelesez, testuinguruaren arabera. Ordain bakar bat ez da errepikatzen. Kasu batzuetan, ohiko hiztegi-sarrera batean aipatuko litzatekeen ordain zuzenik ez da, bigarren adibidean duguna, kasu: genitibozko egitura baten bitartez itzultzen da gaztelerazko esapidea. Aipatzekoa da, halaber, gaztelerazko laugarren adibideko en cuanto egiturak, grafiaren hurbiltasuna gorabehera, ez duela zerikusi semantikorik bilatutako en cuanto a esapidearekin; horra hor atari honetan erabilitako metodoaren muga bat. Erabiltzailearentzako onura, berriz, agerian dago: ohiko hiztegi-sarrera batean agertuko ez litzaizkiokeen itzulpenak, testuinguru ezberdinak dituzten itzulpenak datozkio hemen.

Bestetik, maizen gauzatzen diren bilaketa hauek ikusita, ondorengo susmoa sortzen zaigu: hitz anitzeko unitate ugari dira zerrenda hauetan; erabiltzaileek hitz anitzeko unitate haiek beste hiztegi batzuetan, testuingurua duten itzulpenak ematen ez dituzten hiztegietan, aurkitzea espero ez dutelako ote? Hiztegien erabileraren inguruko ikerketa-galdera irekia dugu hemen. Linguee, behintzat "a translators' favourite" bilakatu da epe motz batean (Kilgarriff 2013:92).

Linguee atariaren garatzaileek haien metodoen berri ematen ez badute ere, bistan da logaritmoak ere erabiltzen direla corpusak dituen adibide-esaldi guztien artean kontsulta bati erantzuteko egokienak hautatzeko, ez baitago esaldi motzegirik edo luzeegirik ezta oso testuinguru edo hitz bitxia daukan esaldirik. Adibide onak hautatzeko logaritmo automatikoak garatu izan dira, eta zenbait kasutan publikoak dira haiek erabiltzeko arautegiak, Kilgarriff (2008) adibide.

Glosbe hiztegi-ataria¹⁵ euskarazko esaldiak eta hiru erdara nagusiez gainerako hainbat hizkuntzatako itzulpenak eskaintzen dituen baliabide bakarra da egun, guk dakigunez. Izan ere, hizkuntza-bikote askorentzako itzulpenak ditu atari honetako datu-baseak. Euskaratik edo euskarara ehun bat hizkuntzatara ditu loturak, eta arlo jakin batzuetarako baliabide baliotsutzat jo dezakegu dagoeneko, informatikarekin zerikusia dutenetarako, bereziki. Izan ere, software lokalizazioetako edukietan oinarritzen dira Glosbe datu-basearen euskarazko laginak batez ere.

4. Ondorioak

Itzulpen-corpusak hiztegigintzan baliatzea aberasgarria da, zalantzarik gabe, hiztegigilearentzat nahiz hiztegi erabiltzailearentzat: corpusak tamaina eta osaeraren arabera eskaini ditzakeen adibide eta itzulpenek ohiko hiztegi elebidunen egitura aberasten dute. Adibide-esaldiak eskuz hautatzea eta dagokien hiztegi-sarreran txertatzea, corpusen garaiaren aurretik egiten zen legez, lan erraldoia izaten zen. Gaur, corpus-konkordantziek errazten diote hiztegigileari eduki egokienak hautatzeko lana. Ibon Sarasolaren Egungo Euskararen Hiztegia corpus elebakar batetik eskuz hautatutako erabilera-adibideak baliatzearen etsenplu bikaina da. Adibide egokienak eskuz aukeratzeko baliabiderik ez dagoenean edo ahalik eta adibide gehien eman nahi direnean, erabiltzaileak bilaketa egiten duen momentuan sorturiko corpus-konkordantziak erants dakizkioke hiztegi-sarrera estatiko bati, goian aipatutako DWDS atarian gertatzen den legez. Corpus paraleloetatik automatikoki erauzitako itzulpen-adibideak hiztegi elektroniko baten sarreretan zuzenean txertatzea joera berria da; eskuz landu gabeko hizkuntza-bikote askotan, corpus paraleloetan oinarriturik automatikoki sortutako hiztegiak dira eskuragarri dauden baliabide bakarrak. Dena den, kalitatezko corpus hiztegigintza batean ezin dugu ahaztu eskuzko lanaren premia, metodo automatikoen bitartez sortutako emaitza desegokiak iragazteko eta hutsuneak atzeman eta betetzeko orduan, batik bat.

5. Aipamenak

ADURIZ, I., ALDEZABAL, I., ALEGRIA, I., ARTOLA, X., EZEIZA, N. & URIZAR, R. (1996). EUSLEM: A lemmatiser/tagger for Basque. In Proceedings of EURALEX 1996. Göteborg: Göteborg University, pp. 17–26.

ADURIZ, I., ALEGRIA, I., ARRIOLA, J., ARTOLA, X., DÍAZ DE ILARRAZA, A., EZEIZA, N., GOJENOLA, K. & MARITXALAR, M. (2007). Different Issues In The Design Of A Lemmatizer/Tagger For Basque.

ATKINS, B.T.S. (1996). Bilingual dictionaries: Past, present and future. In Proceedings of EURALEX 1996. Göteborg: Göteborg University, pp. 515–546.

ATKINS, B.T.S. & RUNDELL, M. (2008). The Oxford Guide to Practical Lexicography. Oxford University Press.

DICKENS, A. & SALKIE, R. (1996). Comparing Bilingual Dictionaries with a Parallel Corpus. In Euralex'96 Proceedings. Göteborg: Göteborg University, pp. 551–559.

ETXEBARRIA, J.M. & MUJIKA, J.A. (1987). Euskararen oinarrizko hiztegia : maiztasun eta prestasun azterketa. Gasteiz: Eusko Jaurlaritzaren Argitalpen Zerbitzu Nagusia.

GALLEY, M., HOPKINS, M., KNIGHT, K. & MARCU, D. (2004). What's in a translation rule. In Proceedings of HLT/NAACL. Boston, pp. 273–280.

KILGARRIFF, A. (1997). Putting frequencies in the dictionary. In International Journal of Lexicography, 10, 135–155.

KILGARRIFF, A., HUSAK, M., MCADAM, K., RUNDELL, M. & RYCHLÝ, P. (2008). GDEX: Automatically finding good dictionary examples in a corpus. In Proceedings of EURALEX 2008.

KILGARRIFF, A., RYCHLY, P., SMRZ, P. & TUGWELL, D. (2004). The Sketch Engine. In Proceedings of EURALEX 2004. Lorient, France, pp. 105–116.

KILGARRIFF, A. & TUGWELL, D. (2002). Sketching words. In Corréard, M.-H. (ed.) Lexicography and natural language processing: a festschrift in honour of BTS Atkins. Euralex, pp. 125–137.

KLOSA, A. (2007). Korpusgestützte Lexikographie: besser, schneller, umfangreicher. In Kallmeyer, W. & Zifonun, G. (eds.) Sprachkorpora. Datenmengen und Erkenntnisfortschritt, Jahrbuch des Institut für Deutsche Sprache. Walter de Gruyter, pp. 105–122.

KRISHNAMURTHY, R. (2002). The Corpus Revolution in EFL Dictionaries. In Kernerman Dictionary News, 10.

LETURIA, I. (2014). The Web as a Corpus of Basque (PhD Thesis, UPV/EHU).

LINDEMANN, D. (2013). Bilingual Lexicography and Corpus Methods. The Example of German-Basque as Language Pair. In Procedia - Social and Behavioral Sciences, 95, 249–257.

LINDEMANN, D. & San Vicente, I. (2015). Euskarazko maiztasun lemategia gaurko teknologien ikuspuntutik. In Fernández Fernández, B. & Salaburu Etxeberria, P. (eds.) Ibon Sarasola, gorazarre. Homenatge, homenaje. Bilbo: UPV/EHU, pp. 441–456.

LINDEMANN, D., Saralegi, X., San Vicente, I., Manterola, I. & Nazar, R. (2014). Bilingual Dictionary Drafting. The example of German-Basque, a medium-density language pair. In Proceedings of the XVI Euralex International Congress. EURALEX, Bolzano: EURAC, pp. 563–576.

MITXELENA, K. & SARASOLA, I. (1988). Diccionario general vasco - Orotariko euskal hiztegia. Euskaltzaindia; Editorial Desclée de Brouwer.

NIDA, E.A. & TABER, C.R. (2003). The Theory and Practice of Translation. 4th ed. Brill.

RESNIK, P., OLSEN, M.B. & Diab, M. (1999). The Bible as a parallel corpus: Annotating the "Book of 2000 Tongues." In Computers and the Humanities, 33, 129–153.

RUNDELL, M. & STOCK, P. (1992). The corpus revolution. In English Today, 8, 45–51.

SANZ, Z., ZUBILLAGA, N. & URIBARRI, I. (2015). Estudio basado en corpus de las traducciones del alemán al vasco. In Sánchez Nieto, M.T. (ed.) Corpus-based Translation and Interpreting Studies: from description to application. Berlin: Frank & Timme, pp. 211–235.

SARASOLA, I. (1982). Gaurko euskara idatziaren maiztasun-hiztegia: 1977ko corpus batean oinarritua. Donostia: Gipuzkoako Aurrezki Kutxa Probintziala.

SCHMID, H. (1995). Improvements In Part-of-Speech Tagging With an Application To German. In Proceedings of the ACL SIGDAT-Workshop. Dublin, pp. 47–50.

DE SCHRYVER, G.-M., JOFFE, D., JOFFE, P. & HILLEWAERT, S. (2010). Do dictionary users really look up frequent words?–on the overestimation of the value of corpus- based lexicography. In Lexikos, 16.

SINCLAIR, J. (2005). Corpus and text-basic principles. In Wynne, M. (ed.) Developing linguistic corpora: A guide to good practice. Oxford: Oxbow Books, pp. 1–16.

SVENSÉN, B. (2009). A handbook of lexicography: the theory and practice of dictionary-making. Cambridge: Cambridge University Press.

TEUBERT, W. (2002). The role of parallel corpora in translation and multilingual lexicography. In Altenberg, B. & Granger, S. (eds.) Lexis in Contrast: Corpus-Based Approaches. John Benjamins Publishing, pp. 189–214.

TIEDEMANN, J. (2012). Parallel Data, Tools and Interfaces in OPUS. In Proceedings of the Eighth conference on International Language Resources and Evaluation. LREC 2012, Istanbul, pp. 2214–2218.

UZEI. (2004). Maiztasun Hiztegia. Donostia: UZEI.

WOLFER, S., KOPLENIG, A., MEYER, P. & MÜLLER-SPITZER, C. (2014). Dictionary Users do Look up Frequent and Socially Relevant Words. Two Log File Analyses. In Proceedings of the XVI Euralex International Congress. Bolzano/Bozen: Eurac, pp. 281–290.

1. http://dwds.de/. Atari honek, puntako baliabide eta teknologietan oinarrituta, alemanezko zenbait hiztegiren edukia, corpus konkordantziak eta hitz-profilak eskaintzen ditu, erabiltzaileak bere interesaren arabera molda dezakeen modu batean.

2. Ikus http://www.ehu.eus/eeh/.

3. Ikus http://www1.ids-mannheim.de/kl/projekte/methoden/derewo.html. Maiztasun-zerrenda guztiak lizentzia librekoak dira.

4. Hiru argitalpen ditugu: 1977ko corpus batean oinarritutako Sarasolaren (1982) lana, ahozko corpus batetik abiatzen den Etxebarria eta Mujikarena (1987), eta, hirugarrenik, UZEI (2004) maiztasun hiztegia, XX. Mendeko Corpusa oinarria duena.

5. Datu hauek Elhuyar200 web-corpusetik erauzi ditugu. Corpus horren garapena Igor Leturiari (2014) zor zaio.

6. Sinclair (2005) lanean 20 agerpen proposatzen dira, hiztegigintza lanetan esanahia definitzeko ebidentzia nahikoa izateko. Etiketatzaile morfosintaktikoak alegia forma kasu banatan adjektibo eta adberbio gisa etiketatu izana, beraz, ez da nahikoa alegia lemarentzat kategoria hauetako hiztegi-sarrerak egiteko, etiketatze hori zuzena ala okerra (prozesamendu errorea) den gorabehera.

7. Ikus http://webcorpusak.elhuyar.org/cgi-bin/kontsulta2.py.

8. Ikus http://ehuskaratuak.ehu.eus/bilaketa/.

9. EHUko IXA taldeko Gorka Labakari zor dizkiogu euskarazko lematizatze eta etiketatze lanak.

10. Elhuyar Fundazioko Xabier Saralegiri zor zaio lan hori, ikus Lindemann et al. (2014).

11. OPUS egitasmoak euskarazko eta beste hainbat hizkuntzatako datu paraleloak biltzen ditu, iturri haietatik batik bat (Tiedemann 2012). Euskara-alemanezko konbinazioan, adibidez, OPUS datu-basean batutako testu paraleloa aintzat hartzeko tamaina batera irits liteke datozen urteotan.

12. Batzuetan, helburu-hizkuntzan posible dena azken muturreraino erabiltzen da, kategoria gramatikala mantentzearren. Horrela, Euskal WordNet datu-base lexikalean ingelesezko hainbat izenetako ordainak eratorritako formak dira: adibidez, hainbat -t(z)ea eta -tasun izen agertzen dira euskarazko ordain gisa, ingelesezko iturria izena denean. Horietako asko ez dira eratorritako forma horretan agertzen euskarazko hiztegi-lemategietan: connivance, secret approval, tacit consent: 'ados jartze', spraying, crop-dusting: 'aerosolez bustitze', randomness, stochasticity: 'aleatoriotasun'.

13. Ikus http://www.linguee.com.

14. Egun, Europar Batasuneko hizkuntza ofizialak batzen dituen IATE datu-base terminologikoa puntako baliabidea dugu; ikus http://iate.europa.eu.

15. Ikus http://eu.glosbe.com/eu/.