Szógyakoriság – magyar/orosz összevetési játék

A legutóbbi posztban azt írtam, hogy érdekes lenne a leggyakoribb magyar/orosz szavakat összehasonlítani. Ez persze nyelvészeknek való, komoly munka, de egy kis kutakodás a neten is érdekes dolgokat hoz fel. Például azt, hogy a rendelkezésre álló magyar szógyakoriság lista elég kutyaütő. Először is, láthatólag nem építettek be semmiféle morfológiai elemzést, így sajnos a Magyarország és a Magyarországon két szónak van véve. A másik probléma a korpusz összetétele: mindent-bele elven készült, ami leginkább az internetet jelenti. Erősen túlreprezentált a számítógépes lexika és még angol szavak is akadnak (láthatólag csak gépi munkára támaszkodtak a készítők). Az orosz korpusz ehhez képest kifinomultabb: pontosan megadja, milyen arányban szerepelnek benne különböző műfajú szövegek. A fentiek ellenére mégis jó játék egymás mellé illeszteni a két szólistát, mert olyan dolgokra derül fény, hogy az oroszban a nő, a magyarban pedig a férfi gyakoribb; mindkét nyelvben számos a lehetőség és probléma, azonban az eredmény a magyarban ritkábban fordul elő; vagy hogy a munka az oroszban jóval gyakoribb, mint nálunk.

	orosz szó	magyar fordítás	magyar szó
1	год	év	kft
2	человек	ember	ember
3	время	idő	rendszer
4	дело	dolog	nap
5	жизнь	élet	emberek
6	день	nap	semmi
7	рука	kéz	világ
8	работа	munka	isten
9	слово	szó	idő
10	место	hely	dolog
11	вопрос	kérdés	jog
12	лицо	arc	cég
13	глаз	szem	törvény
14	страна	ország	élet
15	друг	barát	oldal
16	сторона	oldal	Budapest
17	дом	ház	ország
18	случай	eset	film
19	ребенок	gyerek	has
20	голова	fej	október
21	система	rendszer	város
22	вид	kinézet	kérdés
23	конец	vég	kormány
24	отношение viszony		Péter
25	город	város	munka
26	часть	rész	óra
27	женщина	nő	lehetőséget
28	проблема	probléma	férfi
29	земля	föld	hét
30	решение	megoldás	Magyarországon
31	власть	hatalom	Magyarország
32	машина	gép, autó	linux
33	закон	törvény	kép
34	час	óra	József
35	образ	alak	este
36	отец	apa	felhasználó
37	история	történelem	jelen
38	нога	láb	felhasználók
39	вода	víz	vezető
40	война	háború	neve
41	возможность	lehetőség	forint
42	компания	társaság	Ferenc
43	результат	eredmény	internet
44	дверь	ajtó	szervezet
45	бог	isten	játék
46	народ	nép	csapat
47	область	terület	elnöke
48	число	szám	napja
49	голос	hang	minden
50	развитие	fejlődés	jövő
51			ideje
52			betű
53			Gábor
54			iskola
55			Sándor
56			könyv
57			probléma
58			név
59			személy
60			szervezetek
61			György
62			fórum
63			Jézus
64			társadalom
65			szeptember
66			információk
67			tanár
68			Zoltán
69			anyag
70			század
71			király
72			látogató
73			család
74			támogatás
75			válasz
76			programok
77			eljárás
78			nevét
79			képet
80			vendég
81			víz
82			november
83			feladat
84			lány
85			múlt
86			dolgot
87			tér
88			önkormányzat
89			lap
90			ára
91			állam
92			otthon
93			reggel
94			vezetője
95			olasz
96			Tamás
97			termék
98			hónap
99			intézmény
100			Pál

A leggyakoribb orosz szavak – a szógyakoriság rejtelmei

Nemrég írtam arról, hogy a leggyakoribb orosz szavak 10-20 százaléka könnyedén megérthető, ha ismerünk más nyelveket (jövevényszavak, nemzetközi szavak, etc.).

További érdekes adatra bukkantam: a leggyakoribb ezer orosz szó lefedi a szövegek 64 százalékát, 2000 szó ismeretével elméletileg 71 százalékot értünk meg egy átlagos szövegből, 3000 szó 76%-ra, míg 5000 szó 82%-ra tornássza fel ezt az arányt. Ezek az adatok egyrészt bíztatóak, hisz már egy alapfokú nyelvtudással is (elméletileg) 1000-1500 szó (pontosabban: lexikai elem) birtokában vagyunk. Másrészt viszont az is látható, hogy a lexikai bázis növelése egy bizonyos pont után egyre kisebb „haladást” eredményez: ha 3000 szóhoz hozzátanulunk még 2000-ret, azzal csak 6 százalékkal nagyobb részt hasítunk ki a potenciálisan előforduló lexikából.

Persze ez nem túl nagy felismerés: a nyelvtanulás kezdetben mindig nagy lépésekkel halad, a későbbi szakaszokban pedig már kisebb, finomabb dolgokkal foglalkozunk inkább (és ez nem is kifejezetten csak a szótanulásra vonatkozik).

Na de: ha az első ezer szó ismerete lefedi egy átlagos orosz szöveg hetven százalékát, miért nem tudunk az alapfokú lexikával labdába rúgni Dosztojevszkijnél vagy egy cikk elolvasásakor? És valójában ugyanezt mondhatjuk el még középfokon is (2-3000 szó), ahol már ismerni illik majd’ a teljes nyelvtant?

Erre én nem fogok tudni választ adni, de miután rábukkantam az orosz nemzeti korpusz alapján készült, „Az orosz lexika új szógyakorisági szótára” c. műre, elkezdett derengeni egy-két dolog. A szógyakoriság-elemzés, ugyanis, komoly tudomány, és az elmúlt évtizedekben sokat fejlődött, hisz’ az addigi minden bizonnyal kínkeserves emberi munkát felváltotta a számítógépes szövegfeldolgozás. Az elemzendő szövegmennyiség a szó szoros értelmében ezerszeresére nőtt: a nyomtatott szótárak 100.000-400.000 szón alapuló korpuszait lecserélték már csak géppel feldolgozható százmilliós korpuszokra.

Adatbázissal sokkal több dolgot lehet csinálni, mint szótárral: például ki lehet deríteni a szavak gyakorisága mellett a koncentráltságukat is. A nyelv ugyanis sajnos olyan, hogy nem egyenletesen oszlanak el benne a szavak: a ritka szavak jellemzően gyakran fordulnak elő olyan szövegekben, amelyek valamilyen szempontból sajátosak (ez lehet téma vagy műfaj, például). Így hiába tudunk nagyon jól oroszul, lehet, hogy katonai vagy üzleti témájú szövegeket nem értünk meg. Azt is megfigyelhető az adatbázis segítségével, hogy különböző típusú és műfajú szövegek is alapvetően más lexikával dolgoznak. Teljesen más szavak számítanak gyakorinak a beszélt nyelvben, a sajtóban, vagy a szépirodalomban. Ez eléggé megnehezíti a nyelvkönyvírók dolgát, amikor ki kell találniuk: mely szavakra szűkítsék le a „megtanulandó” szavak körét?

Érdekességként kimásolom a leggyakoribb 50 főnevet (a többi itt van); érdekes lenne összehasonlítani, vajon más nyelvekben ez melyek? De ezt majd máskor…

1          год      év

2          человек          ember

3          время  idő

4          дело    dolog

5          жизнь élet

6          день    nap     

7          рука     kéz

8          работа munka 

9          слово  szó      

10        место  hely     

11        вопрос            kérdés 

12        лицо   arc

13        глаз     szem   

14        страна ország 

15        друг     barát   

16        сторона          oldal    

17        дом     ház      

18        случай            eset

19        ребенок          gyerek 

20        голова fej       

21        система          rendszer          

22        вид      kinézet

23        конец  vég

24        отношение viszony    

25        город  város   

26        часть   rész     

27        женщина        nő       

28        проблема       probléma        

29        земля  föld     

30        решение         megoldás        

31        власть hatalom           

32        машина          gép, autó         

33        закон   törvény

34        час      óra      

35        образ   alak

36        отец    apa

37        история          történelem       

38        нога    láb

39        вода    víz       

40        война  háború

41        возможность lehetőség         

42        компания       társaság

43        результат        eredmény        

44        дверь  ajtó     

45        бог      isten    

46        народ  nép     

47        область           terület  

48        число  szám

49        голос   hang

50        развитие        fejlődés