Woordcombinaties

Woorden krijgen vaak pas echt betekenis als ze gebruikt worden in context, dus in combinatie met andere woorden. Zo wordt pas duidelijk in welke betekenis het werkwoord blazen gebruikt is als we het zien in combinatie met wind, rook, bestuurder, aftocht, lachen, enz. De wind blaast is een ander blazen dan hij blies de rook in mijn gezicht, hij blies de aftocht, dat is lachen geblazen of de bestuurder moest blazen. Woordenboeken illustreren betekenissen dan ook meestal met voorbeeldzinnen zodat men woorden in context kan zien. Maar vaak zijn voorbeeldzinnen alleen niet genoeg. Wie een vreemde taal bijna even vloeiend wil leren spreken en schrijven als een moedertaalgebruiker, moet ook een behoorlijk aantal vaste en minder vaste woordcombinaties leren om goed te kunnen communiceren.

Corpusmateriaal

Sinds de ontwikkelingen in de computationele corpuslinguïstiek en de e-lexicografie hebben lexicografen nu de beschikking over immense verzamelingen taalmateriaal (corpora) die ze met lexicografische tools kunnen ontsluiten. Waar vroeger de registratie van combinaties handmatig gebeurde op basis van citatenverzamelingen die beperkt waren in omvang en diversiteit, kunnen we nu in grote corpora met statistische methodes beter inventariseren welke woorden zich graag in elkaars gezelschap ophouden. Combinaties als zwarte chocolade en donkere chocolade, bijvoorbeeld, zijn niet onmogelijk in het Nederlands, maar de combinatie pure chocolade is wel de meest gebruikelijke, zo blijkt uit het Nederlandse corpusmateriaal [1].  In het Engels daarentegen is dark chocolate de gebruikelijke uitdrukking [2]. Pure chocolade en dark chocolate zijn, met andere woorden, geconventionaliseerde woordcombinaties in het Nederlands respectievelijk het Engels. Dankzij de taaltechnologische ontwikkelingen kunnen we dergelijke combinaties nu systematischer en sneller opsporen en registreren.

Taalonderwijs

Competentie in taalproductie vereist kennis van en snelle toegang tot deze taalconventies. Een andere ontwikkeling die dan ook belangrijk is voor de manier waarop we nu onze taal beschrijven, is de toenemende belangstelling vanuit het taalonderwijs in het algemeen en het NT2-onderwijs in het bijzonder voor woordcombinaties, computerondersteund taalleren (computer-assisted language learning, CALL) en de daarbij horende taaltools die leerders ondersteunen bij taalproductie (het spreken en schrijven). Traditionele woordenboeken schieten als productietool tekort, omdat ze voornamelijk geschreven zijn vanuit het standpunt van taalreceptie: ze verklaren woorden en uitdrukkingen, maar geven niet systematisch aan hoe woorden gebruikt worden in context. Met andere woorden, ze geven vooral antwoord op de vraag Wat betekent dit woord of deze uitdrukking?, maar niet of nauwelijks op de vraag Hoe gebruik ik dit woord of deze uitdrukking in een zin of in combinatie met een ander woord? In het Nederlands kunnen we een vrouw versieren, in het Engels niet (*to decorate a woman). Een ander voorbeeld: je kan iemand aanmoedigen vanaf de zijlijn, maar je kan niet iemand supporteren of animeren vanaf de zijlijn. Nochtans worden supporteren, animeren, aanzetten, enz., in een aantal woordenboeken genoemd als synoniemen voor aanmoedigen, maar de werkwoorden worden niet in alle syntactische patronen en betekenissen door elkaar gebruikt.

Het project Woordcombinaties

Het Instituut voor de Nederlandse Taal wil werk maken van een meer systematische inventarisatie en beschrijving van combinaties in een nieuw project Woordcombinaties dat zal bestaan uit een database en een online applicatie voor gebruikers. Een pilot wordt eerst ontwikkeld voor een selectie werkwoorden, omdat een systematische beschrijving van zinspatronen met werkwoorden tot nog toe onderbelicht is gebleven in woordenboeken. 'Combinaties' gebruiken wij in het project als overkoepelende term voor:

  • collocaties: frequente en/of typische semi-vaste combinaties als een aanbod accepteren of afslaan, spelers fanatiek of enthousiast aanmoedigen, supporteren voor, rekenen op, huiswerk maken, boodschappen doen.
  • idiomen: vastere combinaties, vaak met een figuurlijke betekenis, bv. de boot afhouden, de kat de bel aanbinden, Spreken is zilver, zwijgen is goud.
  • patronen: syntactische constructies die corresponderen met bepaalde betekenissen. Patronen met werkwoorden zijn de zogenaamde valentiepatronen waarin zinsdeelplaatsen bezet worden door sets van woorden (lexicale sets, lexical sets) uit een bepaalde semantische categorie (semantisch type, semantic type). In het patroon 'iemand versiert iets' in de zin van 'versieringen aanbrengen', bijvoorbeeld, wordt de dummy 'iets' meestal bezet door woorden uit de categorieën 'fysiek object' of 'ruimte' (de kerstboom, de muur, de kamer). De semantische types zijn dus 'fysiek object' en 'ruimte'. De lexicale set bestaat uit de kerstboom, de muur, de kamer, enz. In het patroon 'iemand1 versiert iemand2' in de zin van 'verleiden' daarentegen, wordt 'iemand2' bezet door het semantisch type 'persoon', ingevuld door de lexicale set een vrouw, een meisje, een man, enz.

Met de systematische beschrijving van bovengenoemde combinatietypes ontstaat op termijn als het ware geen lexicon (een inventaris van woorden), maar een 'constructicon' van de Nederlandse taal (een inventaris van constructies).

Doelgroepen

Gevorderde NT2-leerders en NT2-docenten zijn belangrijke doelgroepen van het project. Het instituut zal dan ook een belangrijke leverancier worden van taaldata op combinatorisch gebied voor taalleerders en docenten, maar daarnaast hebben meer gebruikers baat bij Woordcombinaties:

  • tekstschrijvers in de ruimste zin van het woord: professionele schrijvers, amateurschrijvers, leerlingen en studenten die werkstukken en ander proza schrijven. Zij kunnen het woordenboek als schrijfhulp gebruiken.
  • lexicografen van algemene woordenboeken en vertaalwoordenboeken. Zij kunnen het materiaal in hun woordenboeken opnemen. Ook het INT-project Algemeen Nederlands Woordenboek (ANW) kan het materiaal verwerken.
  • taalkundigen in het algemeen en computerlinguïsten. Zij kunnen het materiaal gebruiken voor taalkundig onderzoek of voor toepassingen in natural language processing (NLP), bijvoorbeeld automatisch vertalen (machine translation). Bestaande computationele lexica kunnen uitgebreid worden met nieuwe meerwoordexpressies en het materiaal kan gebruikt worden als trainingsmateriaal voor machine learning t.b.v. semantisch parseren (semantic parsing), d.i. automatische zinsontleding met de semantische types als toegevoegde betekenisinformatie, hetgeen automatische vertaalprogramma's aanzienlijk kan verbeteren.
  • ontwikkelaars van taalprogramma's voor specifieke doelgroepen. Te denken valt aan Woordcombinaties on demand in de toekomst, waarbij een opdrachtgever een lemmalijst uit zijn domein kan aanleveren als input voor uitdrukkingen uit dat specifieke domein. Bijvoorbeeld: uitdrukkingen die voor nieuwkomers relevant zijn voor een goede communicatie in de spreekkamer van een zorgverlener, bv. de huisarts; uitdrukkingen die gebruikelijk zijn in bepaalde situaties of in iemands werkomgeving; terminologische combinaties uit een bepaald vakgebied, enz.

Opbouw

Woordcombinaties zal in fasen opgebouwd worden. In de eerste fase zullen we goede voorbeeldzinnen aanbieden en woordschetsen met het globale gebruiksprofiel van het werkwoord in lijsten met woorden of woordgroepen die vaak of typisch voorkomen bij het werkwoord. In een volgende fase komen de patronen aan bod. Na de werkwoorden kan het woordenboek uitgebreid worden met combinaties van de naamwoorden (adjectieven en substantieven).

Noten


[1] Zwarte chocolade komt 216 keer (0.07 per miljoen) voor in het Dutch Web Corpus 2014 dat meer dan 2,5 miljard woorden bevat. Donkere chocolade 596 keer (0.20 per miljoen) en pure chocolade 3409 keer (1.13 per miljoen).

[2] Met 43.800 of 1.90 per miljoen treffers in het English Web Corpus 2013 van meer dan 19,5 miljard woorden.