Nataša Logar Berginc, Miha Grčar, Marko Brakus, Tomaž Erjavec, Špela Arhar Holdt in Simon Krek Korpusi slovenskega jezika Gigafida, kres, ccGigafida in ccKres: gradnja, vsebina, uporaba Zbirka Sporazumevanje Urednik zbirke Simon Krek Recenzentki Irena Stramljič Breznik, Darja Fišer Prevod povzetka Iztok Kosem Oblikovna zasnova zbirke Tomato Košir Prelom Roman Ražman Naslovnica Tomato Košir Avtor črkovne vrste »BadNews« Samo Ačko Založila Znanstvena založba Filozofske fakultete Univerze v Ljubljani Izdal Center za jezikovne vire in tehnologije Univerze v Ljubljani Za založnika Roman Kuhar, dekan Filozofske fakultete Univerze v Ljubljani Ljubljana, 2020 Prva e-izdaja. Publikacija je v digitalni obliki prosto dostopna na https://e-knjige.ff.uni-lj.si/ DOI: 10.4312/9789610603542 To delo je ponujeno pod licenco Creative Commons Priznanje avtorstva-Deljenje pod enakimi pogoji 4.0 Mednarodna licenca. / This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. Kataložni zapis o publikaciji (CIP) pripravili v Narodni in univerzitetni knjižnici v Ljubljani E-knjiga COBISS.SI-ID=21029635 ISBN 978-961-06-0354-2 (pdf) Korpusi slovenskega jezika Gigafida, KRES, ccGigafida in ccKRES: gradnja, vsebina, uporaba avtorji: Nataša Logar Berginc Miha Grčar Marko Brakus Tomaž Erjavec Špela Arhar Holdt Simon Krek 4 Kazalo vsebine 13 1 Zbiranje besedil in vsebina korpusa Gigafida 13 1.1 Uvod 13 1.1.1 Cilj 14 1.1.2 Namen 14 1.2 Merila gradnje 15 1.2.1 Standard za zbiranje gradiva 18 1.2.2 Taksonomija 19 1.2.2.1 Tisk in internet 19 1.2.2.2 Knjižnost, periodičnost in drugo 19 1.2.2.2.1 Leposlovje in stvarna besedila 20 1.2.2.2.2 Časopisi in revije 21 1.3 Zbiranje besedil 21 1.3.1 Podatki za zbiranje 21 1.3.1.1 Nacionalna raziskava branosti 22 1.3.1.2 Izposoja v knjižnicah 23 1.3.1.3 Knjižne nagrade 24 1.3.1.4 Naklada 24 1.3.1.5 Spletne strani: obiskanost, uglednost 24 1.3.1.6 ajpes: izdajatelji knjig; udeleženci knjižnega sejma 25 1.3.1.7 Besedilodajalci in besedila pri Fidiplus 25 1.3.2 Evidence besedil in besedilodajalcev, stik z besedilodajalci 26 1.3.3 Pogodba z besedilodajalci 27 1.4 Priprava besedil za vključitev 27 1.5 Označitev 29 1.6 Kolofon korpusnih dokumentov: Vrsta besedila in Vir 29 1.6.1 Vrsta besedila in Vir: internet 30 1.6.2 Vir: založba oz. naslov besedila 31 1.6.3 Vir: rtv Slovenija, Državni zbor Republike Slovenije 31 1.7 Vsebina korpusa 31 1.7.1 Taksonomija, čas in besedilodajalci 31 1.7.1.1 Obseg in delež besed po taksonomiji 34 1.7.1.2 Število besed po letih 36 1.7.1.3 Avtorji in založbe 36 1.7.2 Uspešnost zbiranja 37 1.7.2.1 Časopisi in revije 38 1.7.2.2 Leposlovje in stvarna besedila 43 1.8 Zbiranje po Gigafidi 43 1.9 Zaključek 45 2 Spletna besedila korpusa Gigafida 45 2.1 Uvod 46 2.2 Merila izbire in izbrane spletne strani 46 2.2.1 Besedila novičarskih portalov 5 47 2.2.2 Predstavitvene strani podjetij in ustanov 51 2.3 Tehnologije za zajemanje spletnih besedil 52 2.3.1 Zajemanje spletnih vsebin 53 2.3.1.1 Spletni pajki 54 2.3.1.2 Spletno pajkanje v projektu ssj 55 2.3.2 Odstranjevanje spremnih in vnaprej pripravljenih besedil 56 2.3.2.1 Obstoječi pristopi 60 2.3.2.2 Odstranjevanje spremnih in vnaprej pripravljenih besedil v projektu ssj 60 2.3.3 Detekcija jezika 63 2.3.3.1 Detekcija jezika v projektu ssj 64 2.3.4 Detekcija dvojnikov in približnih dvojnikov 65 2.3.4.1 Detekcija dvojnikov in približnih dvojnikov v projektu ssj 66 2.3.5 Nekaj zanimivih statistik 67 2.4 Zaključek 68 3 Zapis korpusa Gigafida 68 3.1 Zapis znakov Unikod 70 3.2 Jezik za označevanje xml 71 3.3 Priporočila za označevanje besedil tei 72 3.3.1 Kolofon tei 75 3.4 Besedilne oznake Gigafide 76 3.5 Zaključek 77 4 Gradnja ter vsebina korpusov kres, ccGigafida in ccKres 77 4.1 Reprezentativnost, uravnoteženost 79 4.2 kres 79 4.2.1 Taksonomski deleži 80 4.2.2 Izbira besedil in njihovega obsega 81 4.2.2.1 Tisk 81 4.2.2.1.1 Knjižno 81 4.2.2.1.1.1 Leposlovje 81 4.2.2.1.1.2 Stvarna besedila 81 4.2.2.1.2 Periodično 81 4.2.2.1.2.1 Časopisi 85 4.2.2.1.2.2 Revije 89 4.2.2.1.3 Drugo 89 4.2.2.2 Internet 89 4.2.2.2.1 Novičarski portali 90 4.2.2.2.2 Podjetja in ustanove 90 4.2.3 Končno število besed in število besed po letih 92 4.3 ccGigafida in ccKres 94 4.4 Postopek vzorčenja 95 4.5 Primerjava pogostosti lem v kres-u in ccGigafidi 97 4.6 Zaključek 98 5 Konkordančnik ssj z vmesnikom korpusa Gigafida 98 5.1 Od Konkordančnika asp32 do Konkordančnika ssj 99 5.2 »Splošni« uporabnik besedilnega korpusa 6 100 5.2.1 Starost in poklic korpusnih uporabnikov 100 5.2.2 Namen uporabe korpusa 101 5.2.3 Pogostost uporabe korpusa 102 5.2.4 Uporaba korpusu sorodnih jezikovnih virov 102 5.2.5 Način seznanitve s korpusom 103 5.3 »Splošna« uporaba besedilnega korpusa 104 5.3.1 Enostavno in razširjeno iskanje 104 5.3.2 Iskanje po kanalih 106 5.3.3 Napredne možnosti izdelave iskalnega pogoja 107 5.3.4 Obdelava konkordančnega niza 108 5.4 Novosti Konkordančnika ssj z vmesnikom Gigafida 109 5.4.1 Začetek dela s korpusom 109 5.4.2 Pomoč pri delu s korpusom 109 5.4.3 Vmesniška navigacija 110 5.4.4 Enostavno iskanje 111 5.4.5 Napredno iskanje 112 5.4.6 Izdelava seznama kolokatorjev 112 5.4.7 Izdelava besednega seznama 113 5.4.7 Podatkovni filtri 114 5.4.9 Tiskanje in izvod podatkov 114 5.5 Prikaz jezikovni podatkov v vmesniku Gigafida 114 5.5.1 Konkordančni niz 115 5.5.2 Seznam kolokatorjev 117 5.5.3 Besedni seznam 118 5.6 Zaključek 119 6 fida in Fidaplus kot predhodnika korpusa Gigafida 119 6.1 Korpus fida 119 6.1.1 Zgodovina 121 6.1.2 Sestava 122 6.1.2.1 Taksonomija prenosnik 124 6.1.2.2 Taksonomija zvrst 126 6.1.2.3 Taksonomija lektorirano 127 6.1.2.4 Število besed po letih 128 6.1.3 Besedilodajalci 131 6.1.4 Format in metapodatki 137 6.2 Korpus Fidaplus 137 6.2.1 Zgodovina 139 6.2.2 Taksonomija in število besed po letih 142 6.2.3 Besedilodajalci 142 6.2.4 Format in metapodatki; konkordančnik 143 6.3 Zaključek 144 7 Povzetek 147 8 Summary 150 9 Literatura 155 10 Priloge 7 Kazalo tabel 17 Tabela 1.1: Zgradba Fideplus glede na zvrst 18 Tabela 1.2: Taksonomija Fideplus 20 Tabela 1.3: Predvideni delež besed po taksonomiji v Gigafidi 22 Tabela 1.4: Cobiss: najbolj izposojane knjige slovenskih avtorjev v letu 2009 28 Tabela 1.5: Natančnost statističnega označevalnika Obeliks 30 Tabela 1.6: Dvajset založb oz. naslovov besedil, ki so v Gigafido prispevali največ besed 32 Tabela 1.7: Število besed po taksonomiji v Gigafidi 32 Tabela 1.8: Končni in predvideni delež besed po taksonomiji v Gigafidi 34 Tabela 1.9: Delež besed po taksonimiji: primerjava med Gigafido in Fidoplus 35 Tabela 1.10: Število in delež besed po letih v Gigafidi 37 Tabela 1.11: Časopisi, ki niso na lestvici nrb 2010, so pa vključeni v Gigafido 38 Tabela 1.12: Revije, ki niso na lestvici nrb 2010, so pa vključene v Gigafido 39 Tabela 1.13: Najbolj brani avtorji v letu 2009 (po Cobissovem seznamu najbolj izposojanih in največkrat rezerviranih knjig), kateri besedila so vključena v Gigafido 40 Tabela 1.14: Najbolj izposojani slovenski avtorji v letu 2009, katerih besedila so vključena v Gigafido 41 Tabela 1.15: Stvarna besedila v Gigafidi (naključni izbor) 47 Tabela 2.1: Pajkanje: novičarske strani 48 Tabela 2.2: Pajkanje: predstavitvene strani podjetij 49 Tabela 2.3: Pajkanje: predstavitvene strani ustanov 79 Tabela 4.1: Načrtovani delež in število besed po taksonomiji v kres-u 79 Tabela 4.2: Delež besed po besedilnih zvrsteh v nekaterih tujih referenčnih korpusih 82 Tabela 4.3: Pridobljeni in nepridobljeni dnevniki, večdnevniki, tedniki ter brezplačniki iz nrb 2010 po branosti 84 Tabela 4.4: Časopisi: načrtovano število besed za kres po branosti 84 Tabela 4.5: Število besed najbolj branih prilog v Gigafidi 85 Tabela 4.6: Pridobljeni in nepridobljeni tedniki, dvotedniki ter mesečniki iz nrb 2010 po branosti 87 Tabela 4.7: Revije: načrtovano število besed za kres po branosti 89 Tabela 4.8: Najpogosteje obiskane novičarske spletne strani: število in delež prikazov za Slovenijo po merjenju moss (julij 2010) 90 Tabela 4.9: Načrtovano število besed z novičarskih portalov za kres 90 Tabela 4.10: Internetna besedila, ki so v Gigafido prišla iz korpusa fida 91 Tabela 4.11: Število besed po taksonomiji v kres-u 91 Tabela 4.12: Število in delež besed po letih v kres-u 122 Tabela 6.1: Taksonomija prenosnik v korpusu fida 123 Tabela 6.2: Število in delež dokumentov ter besed po taksonomiji prenosnik v korpusu fida 8 124 Tabela 6.3: Taksonomija zvrst v korpusu fida 125 Tabela 6.4: Število in delež dokumentov ter besed po taksonomiji zvrst v korpusu fida 126 Tabela 6.5: Taksonomija lektorirano v korpusu fida 126 Tabela 6.6: Število in delež dokumentov ter besed po taksonomiji lektorirano v korpusu fida 127 Tabela 6.7: Število in delež besed po letih v korpusu fida 128 Tabela 6.8: Pokritost tematskih sklopov v korpusu fida 129 Tabela 6.9: Besedilodajalci (institucije) korpusa fida in število besed, ki so jih prispevali v korpus 137 Tabela 6.10: Atribut @msds pridevnika mladinski v korpusu fida 139 Tabela 6.11: Število in delež besed po letih v Fidiplus 140 Tabela 6.12: Taksonomija prenosnik: število besed v Fidiplus ter razmerja med deleži besed v Fidiplus in korpusu fida 141 Tabela 6.13: Taksonomija zvrst: število besed v Fidiplus ter razmerja med deleži besed v Fidiplus in korpusu fida 142 Tabela 6.14: Največji besedilodajalci Fideplus ter število in delež besed, ki so jih prispevali v korpus 9 Kazalo slik 13 Slika 1.1: Povezanost ciljev projekta ssj 19 Slika 1.2: Taksonomija Gigafide 22 Slika 1.3: Cobiss: najbolj izposojane knjige v letu 2009 23 Slika 1.4: Cobiss: slovenski avtorji najbolj izposojanih knjig v letu 2009 29 Slika 1.5: Del konkordančnih vrstic besede sodelovati v Gigafidi s filtroma Vrsta besedila in Vir 32 Slika 1.6: Število besed po taksonomiji v Gigafidi 34 Slika 1.7: Število besed iz besedil, izdanih do leta 2005 in pridobljenih pri novem zbiranju za Gigafido 36 Slika 1.8: Število besed po letih v Gigafidi 51 Slika 2.1: Cevovod za zajem besedil v projektu ssj 53 Slika 2.2: Visokonivojska arhitektura tipičnega spletnega pajka 56 Slika 2.3: Tipična novičarska spletna stran 58 Slika 2.4: Prvih nekaj nivojev odločitvenega drevesa za odstranjevanje spremnih in vnaprej pripravljenih besedil 62 Slika 2.5: Referenčna jezikovna profila za slovenski (levo) in angleški jezik (desno) 62 Slika 2.6: Korelacija med slovenskim besedilom in slovenskim jezikovnim profilom (levo) ter korelacija med slovenskim besedilom in angleškim jezikovnim profilom (desno) 66 Slika 2.7: Pajkanje: nekaj zanimivih statistik 70 Slika 3.1: Primer dokumenta xml 72 Slika 3.2: Struktura dokumenta tei v Gigafidi 73 Slika 3.3: Primer kolofona tei v Gigafidi (1. del) 74 Slika 3.4: Primer kolofona tei v Gigafidi (2. del) 75 Slika 3.5: Oznake besedila v Gigafidi 91 Slika 4.1: Število besed po taksonomiji v Kres-u 92 Slika 4.2: Število besed po letih v kres-u 97 Slika 4.3: Frekvenčni profil lem kres-a in ccGigafide 115 Slika 5.1: Del konkordančnega niza za iskalni pogoj medvedki 116 Slika 5.2: Del seznama kolokatorjev za iskalni pogoj medved 117 Slika 5.3: Del besednega seznama za iskalni pogoj medved* 121 Slika 6.1: Vstopna stran spletnega konkordančnika korpusa fida 124 Slika 6.2: Delež besed po taksonomiji prenosnik v korpusu fida 125 Slika 6.3: Delež besed po taksonomiji zvrst v korpusu fida 128 Slika 6.4: Število besed po letih v korpusu fida 131 Slika 6.5: Začetek dokumenta v formatu sgml v korpusu fida 132 Slika 6.6: Primer kolofona tei v korpusu fida 140 Slika 6.7: Število besed po letih v Fidiplus 10 Spremna beseda »Pripravi naj se par strani dolgo besedilo o namenu korpusa in razlogih zbiranja materialov – namenjeno ljudem in institucijam, od katerih bomo skušali dobiti material.« Tako se je začelo. Bil je 24. januar 1997, skupaj so sedeli Tomaž Erjavec, Vojko Gorjanc, Simon Krek in Marko Stabej ter navedeno sprejeli kot sklep. V naslednjih mesecih je nastal še sgml/tei »muštr za dzs proto korpus«, seznam meril za uravnoteževanje, glava korpusnih dokumentov, poskusno »tagiranje«, za-metek konkordančnika in še marsikaj, pa seveda tudi – in to natanko na današnji dan pred 15 leti – pogodbena zaveza k izvedbi projekta ter uradno poimenovanje cilja: Korpus slovenskega jezika fida. Enak sklep je bil sprejet še dvakrat in bil v svojem »bomo skušali dobiti material« ter vsem, kar še sodi zraven, uresničen najprej kot Fidaplus, pred kratkim pa še kot Gigafida. Leta 2008 smo se lotili štetja objav izsledkov raziskav, ki so vključevale vsaj vpogled v korpusa fida in Fidaplus. Prišli smo do številke 60, nato pa ugotovili, da je tega še veliko več ... in − zavedajoč se, da količina ni vse, a smo lahko z njo zadovoljni − nehali šteti. Nedvomno lahko zapišemo, da sta oba predhodnika Gigafide v raziskovanje sodobne slovenščine ter razvoj jezikovnih tehnologij za slovenščino prinesla veliko sprememb: raziskovalno ugodje ob merljivosti podatkov, nove poglede na stara jezikovna prepričanja, presenetljive menjave v jeziku tipičnega in posebnega, še večjo previdnost pri posploševanju ter interpretaciji vsega slovenističnega in porast statističnih metod, povezanih z jezikom, uresničljivost možnosti strojnega prevajanja slovenskih besedil, samodejnega učenja sistemov na podlagi učnih zbirk ter še in še. Gradnja korpusa je seveda veliko več kot zbiranje, pretvarjanje in označevanje besedil, je tudi nenehno ponovno premišljanje o stvareh, ki so bile že premišljene, a jim je jeziko(slo)vni in informacijskoteh-nološki razvoj pokazal nove poti naprej, zato smo se odločili v knjigi predstaviti interno razumevanje stvari, utemeljiti odločitve, ki so bile kdaj tudi subjektivne, predstaviti dejavnike, ki so na naše delo vplivali od zunaj, ter pokazati na spoznanja domačih in tujih strokovnjakov, po katerih smo se zgledovali. 11 Zahvaljujemo se vsem besedilodajalcem, ki so nam brezplačno odstopili svoja besedila, marsikdaj pa zraven pripisali še prijazen »Z veseljem bomo sodelovali pri vašem delu, ker menimo, da bo koristilo razvoju slovenskega jezika«. Gradnja vseh štirih korpusov skupaj z vmesniškim delom je bila kompleksna ter ni niti približno rezultat dela samo piscev te knjige – pri gradnji, vsebini in uporabnosti Gigafide, kres-a, ccGigafide ter ccKres-a so sodelovali tudi Miro Romih, Peter Holozan, Rok Rejc, Simon Rigač, Iztok Kosem in Simon Šuster. Hvala vsem, z veseljem še kdaj! Ljubljana, Kopenhagen, Škofja Loka, 1. julij 2012 Avtorji 12 1 Operacijo je delno financirala 1 Zbiranje besedil in vsebina Evropska unija iz Evropskega socialnega sklada ter Ministrstvo za izobraževanje, znanost, kulturo korpusa Gigafida in šport Republike Slovenije. Operacija se je izvajala v okviru Operativnega programa razvoja človeških virov za obdobje 2007−2013, razvojne prioritete: 1.1 Uvod razvoj človeških virov in vseživljenjskega učenja; prednostne usmeritve: izboljšanje 1.1.1 Cilj kakovosti in učinkovitosti sistemov izobraževanja in Izgradnja referenčnega, enojezičnega in pisnega korpus slo-usposabljanja 2007−2013. venščine Gigafida pomeni uresničitev enega od ciljev projekta Sporazumevanje v slovenskem jeziku ( http://www.slovenscina.eu, http:// www.projekt.slovenscina.eu, dalje ssj).1 Cilji projekta so bili sicer trije: 1. referenčni korpus in leksikalna baza slovenskega jezika s slovničnim analizatorjem, 2. jezikovne tehnologije kot del didaktičnih pristopov v vzgojno-izobraževalnih procesih, 3. pedagoška korpusna slovnica in slogovni priročnik. Na kakšen način je Gigafida kot korpus vpeta v vse tri cilje, prikazuje naslednja slika: Slika 1.1: Povezanost ciljev projekta SSJ. učni korpus pisno gradivo govorni korpus označevalnik & razčlenjevalnik pedagoški leksikon vmesnik nova didaktika korpus slogovni leksikalna pedagoška priročnik baza korpusna slovnica Končni cilj gradnje referenčnega korpusa je bil nov javno in prosto dostopen pisni korpus v obsegu do ene milijarde pojavnic oz. besed, ki bo izdelan po zgledu korpusov fida in Fidaplus ter zapisan v formatu xml tei p5; določeno je bilo, da bo korpus lematiziran, v celoti oblikoskladenjsko označen, v določenem delu skladenjsko razčlenjen 13 in bo imel orodje za avtomatsko prepoznavo lastnih imen. Kot bo natančneje razvidno v nadaljevanju, je bil cilj v celoti dosežen. (O drugih ciljih projekta gl. http://www.slovenscina.eu ter med drugim: Gantar 2008; Arhar Holdt 2009; Gantar 2009; Gantar, Krek 2009; Gantar 2010; Krek, Arhar Holdt 2010; Verdonik in dr. 2010; Rozman, Krapš Vodopivec 2010; Gantar, Krek 2011; Kosem, Može 2011; Zwitter Vitez, Krapš Vodopivec 2011; Zwitter Vitez 2011; Arhar Holdt 2011; Verdonik, Zwitter Vitez 2011; Kosem in dr. 2011; Gantar 2011.) 1.1.2 Namen Namen Gigafide v okviru projekta ssj je povezan s prikazom re-alne podobe slovenskega jezika v pedagoški korpusni slovnici, slo-govnem priročniku in leksikalni bazi slovenskega jezika, in sicer tako v smislu iz korpusa pridobljenih podatkov ter njihovih interpretacij kot konkretnih zgledov. Sicer pa je Gigafida namenjena raziskovanju jezika na več ravneh. Ob odgovorih na posamezne sprotne poizvedbe je še pomembneje, da daje podatke o celotni podobi jezika, tako da je danes skoraj edini razmeroma zanesljiv vir za izdelavo sodobnih slovnic, slovarjev in različnih jezikovnih priročnikov za slovenščino, uporablja pa se tudi v jezikovnih tehnologijah. Z Gigafido želimo se-znaniti ne le znanstvenike in raziskovalce v jezikoslovju, temveč tudi učitelje slovenščine v osnovnih in srednjih šolah, tiste, ki se sloven- ščine učijo kot drugega ali tujega jezika, pa tudi vse, ki gredo namesto na knjižno polico odgovor na svojo jezikovno zadrego raje iskat na svetovni splet. 1.2 Merila gradnje Gigafida je nadgradnja referenčnega korpusa slovenskega jezika Fidaplus ( http://www.fidaplus.net), ki je v obsegu več kot 621 milijonov besed na spletu prosto dostopen od leta 2006 in že vključuje (oz. nadgrajuje) prvi tak korpus slovenščine, tj. v letih 1997–2000 nastali korpus fida (več o teh dveh korpusih gl. v 6. pogl. in tam navedeni literaturi). Da bi dosegli cilj milijardnega korpusa, smo morali Fidoplus do-polniti s približno 380 milijoni besed, nabor besedil, s katerim smo želeli to doseči, pa so vodila merila gradnje, ki smo jih določili v Standardu za redno zbiranje pisnega gradiva za referenčni korpus (december 2008; Kazalnik 1 na projektni spletni strani; dalje Standard za zbiranje gradiva). 14 1.2.1 Standard za zbiranje gradiva Standard za zbiranje gradiva vključuje izhodiščni premislek lastnosti, ki jih lahko pripišemo besedilom oz. jih prepoznamo v besedilih in na podlagi katerih usmerjamo zbiranje gradiva ter uravnotežujemo korpus. Merila zbiranja smo določili na podlagi v domači in tuji literaturi popisanih spoznanj (npr. Atkins, Clear, Ostler 1992; Gorjanc 2002: 32–33; Arhar Holdt 2004; McEnery, Xiao, Tono 2006), na podlagi izku- šenj, pridobljenih pri gradnji korpusov fida in Fidaplus, ter na podlagi pogovorov med člani ožje projektne skupine, povezane s pisnim korpusom (po abecednem vrstnem redu: Š. Arhar Holdt, P. Gantar, V. Gorjanc, P. Kocjančič, S. Krek, N. Logar Berginc, M. Stabej, M. Šorli in S. Šuster). Merila zbiranja besedil so bila naslednja: besedilna zvrst/ vrsta, področje/tema, dolžina besedil, ustroj dokumenta, avtorstvo, ciljna publika, branost, prenosnik, objavljenost/internost/zasebnost, čas izdaje/nastanka, prevedenost in lektoriranost. V nadaljevanju smernice za zbiranje gradiva na kratko povzemamo. a) Besedilna zvrst/vrsta: Za novi korpus smo zbirali javno obja-vljena pisna besedila raznoterih zvrsti/vrst in žanrov. Glede na to, da je bilo v Fidiplus umetnostnih besedil 3,48 %, vseh drugih (brez upoštevanja neopredeljenih besedil) pa 96,41 % (Tabela 1.1), smo si prizadevali dobiti čim več umetnostnih besedil. Ta so bila v Fidiplus razdeljena na prozna, dramska in pesniška, v novem korpusu pa leposlovje ni podrobneje členjeno, saj je bilo utemeljeno pričakovati, da bo podobno kot v Fidiplus delež dramskih in pesniških besedil izredno majhen (več o tem gl. v točki 1.2.2). b) Področje/tema: Pri zbiranju smo si prizadevali dobiti gradivo z različnih področij in različnih tem: • aktualni dogodki • gospodarstvo, politika • vzgoja in izobraževanje • narava, dom, hišni ljubljenci • ljudje, družina, moški, ženske, otroci, mladina • zdravje, hrana • posel, finance • prosti čas, glasba, film, razvedrilo, moda • šport, turizem • kultura, umetnost • religija, duhovnost • računalništvo, avtomobilizem itd. c) Dolžina besedil: Pri dolžini besedil za vključitev v novi korpus ni bilo omejitev, smo pa za dela, ki bi izstopala po svojem velikem obsegu 15 ali bi zanje tako željo izrazil avtor oz. založba, predvideli možnost in-dividualne odločitve o skrajšanju ali vključitvi le določenih delov. č) Ustroj dokumenta: Korpusni dokument (z eno besedilno glavo oz. kolofonom) je lahko sestavljen iz enega besedila (npr. cel roman) ali več besedil (časopis, revija, zbirka pesmi ipd.). Naknadna členitev večbesedilnih dokumentov na enobesedilne se pri gradnji korpusa ni izvajala. Veljalo je tudi obratno: besedil, pridobljenih v več dokumentih, nismo združevali v en dokument. d) Avtorstvo: Pri gradivu, pri katerem je avtorstvo razvidno oz. merljivo, smo bili pozorni na to, da posamezni avtorji ne bi bili pre-komerno zastopani, kjer števila avtorjev in obsega njihovih besedil ni bilo mogoče na preprost način nadzorovati (časopisi, revije, internet, drugo), pa smo to merilo zanemarili. Pri tem lastnosti, kot so spol, starost, tip (posameznik, ustanova), regijska pripadnost, nacionalnost in prvi jezik avtorja ter število (eden, več) avtorjev, naknadno nismo ugotavljali ter na zbiranje niso vplivale. Le pri časopisih in revijah smo bili pozorni na regijsko razpršenost (lokalno, izseljensko, zamej-sko). Ime in priimek avtorja sta del bibliografskih podatkov v kolofonu korpusnih dokumentov pri tistih enobesedilnih dokumentih, ki imajo podatek na voljo brez iskanja. e) Ciljna publika: Spol, starost, regijska pripadnost in raven izo-brazbe ciljne publike niso vplivali na zbiranje. Zahtevnih specializiranih besedil za korpus nismo pridobivali. f) Branost: Branost je najpomembnejši kazalnik recepcije pisnih besedil (več gl. nadaljevanju tega poglavja in v 4. pogl.). g) Prenosnik: Za novi korpus smo zbirali pisna besedila, ki so (a) tiskana (in sicer periodična, če je zanje značilna rednost ali po-gostnost izhajanja, ter knjižna) in (b) internetna. Pri zadnjih smo se omejili na strani z informativnimi vsebinami, in sicer z dveh vsebin-skih vidikov – zajeli smo: besedila novičarskih portalov ter predstavitvene strani podjetij in državnih, pedagoških, raziskovalnih, kulturnih ipd. ustanov (več o tem gl. v 2. pogl.). h) Objavljenost/internost/zasebnost: Novi korpus vsebuje ob-javljena besedila, ki jih razumemo kot javno dostopna besedila. Zasebnih in internih besedil, kot so npr. okrožnice v podjetju, zapi-sniki ter vabila, ki so namenjeni ožji, znani skupini ljudi, na novo nismo zbirali. 16 i) Čas nastanka/izdaje: Čas nastanka/izdaje je relevanten z dveh vidikov: – Vidik produkcije: Besedilodajalce, ki so v Fidoplus že prispevali besedila, smo prosili za dela, ki so jih izdali po letu 2005; pri novih besedilodajalcih smo skušali dobiti besedila, ki so jih izdali po letu 1995. – Vidik recepcije: branost in izposoja tiskanih del ter obiskanost spletnih strani niso nujno povezane z novejšim datumom nastanka del. Če npr. podatki o izposoji v knjižnicah kažejo visoko branost starejših del (zlasti t. i. klasikov), smo si ta besedila prizadevali dobiti. j) Prevedenost/izvirnost: V novi korpus so vključena tudi prevedena dela, njihov delež vnaprej ni bil določen. Zaželeno je bilo, da so izvirniki v različnih jezikih. k) Lektoriranost: V Fidiplus je bila oznaka »nelektorirano« pripisana le zelo majhnemu delu korpusa (0,6 %), oznaka »lektorirano« pa večinoma avtomatsko vsemu periodičnemu in knjižnemu gradivu. V novem korpusu lektoriranosti nismo beležili in je tudi nismo razumeli kot uravnoteževalne lastnosti, saj je njeno naknadno ugotavljanje časovno potratno, pridobitev znatnega deleža nelektoriranih besedil pa prav tako zelo zamudna ter primernejša za specializirani korpus (prim. tudi točko 6.1.2.3 v 6. pogl.). Premisleku o različnih lastnostih besedil je sledila ocena okvir-nih deležev besed, ki jih bodo v novi korpus prinesle posamezne besedilne zvrsti/vrste (prim. Tabelo 1.1, v kateri so podatki o zgradbi Fideplus glede na zvrst). To pomeni, da je bila delu zgoraj predsta-vljenih lastnosti že v času priprav na zbiranje pripisana okvirna ko-ličina, ki smo jo želeli vključiti v korpus. Hkrati so nekatere od teh lastnosti postale kategorije korpusove taksonomije. Tabela 1.1: Zgradba Fideplus glede na zvrst.* Taksonomija zvrst FidaPLUS: FidaPLUS: SKUPAJ število besed delež v % v % NI PODATKA 709.344 0,11 0,11 Ft.Z.N (neumetnostna) 368.208 0,06 Ft.Z.N.N (nestrokovna) 536.314.007 86,34 Ft.Z.N.P (pravna) 124.817 0,02 Ft.Z.N.S (strokovna) 4.530.801 0,73 Ft.Z.N.S.H (humanistična in družboslovna) 19.331.249 3,11 96,41 Ft.Z.N.S.N (naravoslovna in tehnična) 38.202.106 6,15 17 Ft.Z.U (umetnostna) 543.750 0,09 Ft.Z.U.D (dramska) 480.957 0,08 Ft.Z.U.P (pesniška) 366.215 0,06 3,48 Ft.Z.U.R (prozna) 20.178.021 3,25 SKUPAJ 621.149.475 100,00 100,00 * Podatki so iz Erjavec 2008. 1.2.2 Taksonomija Medtem ko je bila taksonomija Fideplus tridelna (prenosnik, zvrst, lektoriranost; Tabela 1.2) in tudi dalje notranje dokaj podrobno členjena (prim. npr. periodično, ki je imelo podkategoriji časopisno ter revijalno, znotraj druge pa nato še tedensko, štirinajstdnevno, me-sečno, redkeje kot na mesec in občasno), smo taksonomijo Gigafide poenostavili v enodelno in členjeno do tretje podravnine (Slika 1.2). Tabela 1.2: Taksonomija Fideplus. Ft.P – prenosnik Ft.P.P.N.J – javno Ft.P.G – govorni Ft.P.P.N.I – interno Ft.P.E – elektronski Ft.P.P.N.Z – zasebno Ft.P.P – pisni Ft.P.P.O – objavljeno Ft.Z – zvrst Ft.P.P.O.K – knjižno Ft.Z.U – umetnostna Ft.P.P.O.P – periodično Ft.Z.U.P – pesniška Ft.P.P.O.P.C – časopisno Ft.Z.U.R – prozna Ft.P.P.O.P.C.D – dnevno Ft.Z.U.D – dramska Ft.P.P.O.P.C.V – večkrat tedensko Ft.Z.N – neumetnostna Ft.P.P.O.P.C.T – tedensko Ft.Z.N.S – strokovna Ft.P.P.O.P.R – revijalno Ft.Z.N.S.H – humanistična in družboslovna Ft.P.P.O.P.R.T – tedensko Ft.Z.N.S.N – naravoslovna in tehnična Ft.P.P.O.P.R.S – štirinajstdnevno Ft.Z.N.N – nestrokovna Ft.P.P.O.P.R.M – mesečno Ft.P.P.O.P.R.D – redkeje kot na mesec Ft.L – lektorirano Ft.P.P.O.P.R.O – občasno Ft.L.D – da Ft.P.P.N – neobjavljeno Ft.L.N – ne 18 2 Posredno o večji vplivnosti Slika 1.2: Taksonomija Gigafide. govorijo podatki raziskave Slovenija in internet 2005−2008 (Raba interneta v Sloveniji): delež tisk gospodinjstev, ki uporabljajo knjižno internet, se je s 43 % v letu 2004 povzpel na 58 % v letu 2008, prav leposlovje tako se je povečal delež dnevnih stvarna besedila uporabnikov interneta z 28 % v letu 2005 na 42 % v letu 2008. periodično 3 Korpus govorjene slovenščine časopisi GOS (http://www.korpus-gos.net/), ki je prav tako nastal v projektu revije SSJ, namreč vključuje le spontani drugo govor (Zemljarič Miklavčič in dr. 2009; Verdonik, Zwitter Vitez internet 2011). V nadaljevanju bomo predstavili razloge, ki so nas vodili k oblikovanju take taksonomije – v skladu z dejstvom, da gre za nadgradnjo že obstoječega korpusa, so ti razlogi podani primerjalno s Fidoplus oz. temeljijo na povratnih informacijah v zvezi z njo. 1.2.2.1 Tisk in internet Tradicionalnemu pisnemu prenosniku – tisku – se je v javnih sporočanjskih položajih vsaj v zadnjem desetletju kot vsakodnevni način prenosa sporočil pridružil še elektronski. V Fidiplus je internetnega gradiva 1,24 %. V nastajajočem korpusu smo se zaradi večje vplivnosti2 odločiti ta delež povečati, ker pa je šlo tudi v tehničnem in metodološkem smislu za prvi večji poskus pridobivanja besedil s svetovnega spleta za referenčni korpus pri nas, smo se – kot smo že zapisali – omejili na strani z informativnimi vsebinami (več gl. v 2. pogl.). 1.2.2.2 Knjižnost, periodičnost in drugo V obliki knjige izdana besedila so v Fidoplus prinesla slabih 9 % besed, skoraj vse drugo izhaja iz publicistične periodike. Načinu izhajanja – enkrat (z možnostjo ponatisa) : večkrat – smo poskusno pridružili še deloma odprto skupino »drugo«. Zanjo smo se odločili zbirati podnapise tujih filmov, nadaljevank in dokumentarnih oddaj (vključno s podnapisi za slušno prizadete) ter besedila, ki so v različ- nih oddajah brana – t. i. scenarije in postprodukcijska besedila.3 1.2.2.2.1 LEpoSLovjE iN STvArNA BESEdiLA Kot je razvidno v Tabelah 1.1 in 1.2, je bila v Fidiplus uporabljena delitev na umetnostna in neumetnostna besedila. Določitev, ali gre za umetnostna besedila ali ne, je samodejno mogoča le pri knjižnem gradivu (pri časopisju, ki tudi lahko vsebuje besedila umetnostne zvrsti, zaradi večbesedilnosti dokumentov to skoraj ni mogoče (vsekakor pa ni časovno gospodarno)), zato ti dve skupini v novi enodelni 19 4 Korošec (1976: 106) je znotraj taksonomiji umeščamo kot podravnini v kategorijo knjižno. Namesto publicistike izrecno ločil le na sicer na tradiciji slovenske zvrstnosti temelječega poimenovanja ne-vsakodnevno izhajanje vezano poročevalstvo – kajti vsakodnevno umetnostni, ki izraža pravzaprav to, česa v tej skupini ni (z izločitvijo pisanje o podobnih ali publicistike pa postane hkrati tudi preširoko), smo se knjižna bese-ponavljajočih se situacijah je najpomembnejši objektivni dila z nefikcijsko vsebino odločili poimenovati stvarna besedila (tudi stilotvorni dejavnik časopisnega oznaka strokovna besedila je namreč zavajajoča), njej nasprotno sku-poročevalstva, ki je od jezika zahteval prilagoditev novi vlogi in pino pa leposlovje. s tem nastanek novega, tj. poročevalnega stila (prim. tudi Kalin Golob 2003). 1.2.2.2.2 ČASopiSi iN rEvijE Delež časopisne in revijalne periodike je v korpusu Fidaplus daleč največji – več kot 85-odstotni. Tudi na podlagi odzivov stalnih uporabnikov tega korpusa (sicer zaznanih povsem nesistematično) v smislu, da je – čeprav najvplivnejši – novinarski jezik v korpusu količinsko preveč izpostavljen, smo se odločili, da bomo v uravnoteženem 100-milijonskem delu Gigafide, tj. v korpusu kres (o njem gl. 4. pogl.), delež publicistike zmanjšali, opustili pa smo tudi delitev na tedensko, štirinajstnevno ipd., ker je raziskave slovenskega poročevalstva kot stilotvorno ali jezikovnorazlikovalno relevantne (še) niso potrdile,4 za referenčni korpus pa je preveč podrobna. Tabela 1.3: Predvideni delež besed po taksonomiji v Gigafidi. Taksonomija Oznaka Delež besed v % tisk T 50–90 knjižno T.K 15–35 leposlovje T.K.L 20–50 stvarna besedila T.K.S 30–60 periodično T.P 20–40 časopisi T.P.C 30–70 revije T.P.R 30–70 drugo T.D 5–10 internet I 10–50 Pri oblikovanju taksonomije z deleži nas je vodilo tudi pravilo, ki smo ga posredno že nakazali: vključili smo le kategorije, za katere je bilo pričakovati, da bomo zanje lahko dobili toliko besedil, da bo obstoj kategorije upravičen, tj. da bo dosegel vsaj 5 % v 100-milijonskem KRES-u. Opustili smo kategorije, ki zahtevajo več notranjega uravnoteževanja in več časa pri zbiranju, saj je zanje bolj smiselna gradnja specializiranih korpusov (npr. korpus zasebnih besedil ali korpus nelektoriranih besedil). Za opustitev nekaterih podravnin taksonomije smo se odločili tudi na podlagi podatkov o načinih iskanja po Fidiplus. Analiza iskanj, opravljena v novembru 2008, je pokazala, da je bilo kar 93 % izdelav konkordanc v Fidiplus izvedeno pri osnovnem iskanju, le 7 % zahtev po pridobitvi konkordančnih nizov 20 pa je potekalo v razširjenem iskanju z izbiro taksonomskih kategorij, časa nastanka dela ali izpisa Cobiss. V teh primerih so bila nekatera iskanja izredno redka, tako so bile npr. podkategorije pri revijalnih in časopisnih besedilih glede na pogostost izhajanja izbrane v manj kot enem odstotku razširjenih iskanj. Sicer pa je bil v okviru razširjenega iskanja prenosnik izbran v 15 %, čas nastanka dela v 35 %, zvrst v 17 %, lektoriranost v 18 % in izpis Cobiss v 4 % (prim. tudi podatke v 5. pogl. ter v Arhar Holdt 2009b in 2010). Kljub na videz manjši izbirno-sti vnaprej pripravljenih možnosti razširjenega iskanja zaradi enodel-ne in poenostavljene taksonomije je uporabnikom novega korpusa še vedno omogočena izdelava podkorpusov na podlagi podatkov v kolofonu korpusnih dokumentov oz. korpusovih filtrov (več o tem v točki 5.4.8 v 5. pogl.). Čeprav smo pregledali stanje v tujih korpusih (ki pa je zelo različ- no, prim. Tabelo 4.2 v 4. pogl.), so bili deleži v taksonomiji Gigafide v končni fazi subjektivna odločitev sestavljalcev korpusa, zavedali pa smo se, da bo uporabnikom korpusa treba dati možnost prepoznanja teh subjektivnih odločitev v smislu, da je korpus sicer zaznamovan s teoretičnimi prepričanji in odločitvami svojih snovalcev, vendar mora biti uporabnikom omogočeno, da to zaznamovanost razberejo in presežejo (Stabej 1998: 98). 1.3 Zbiranje besedil 1.3.1 Podatki za zbiranje V slovenskem prostoru je mogoče podatke, iz katerih lahko okvirno sklepamo o recepciji besedil, dobiti iz več virov. 1.3.1.1 Nacionalna raziskava branosti V okviru Nacionalne raziskave branosti (dalje nrb) se zbirajo podatki o bralnih navadah bralcev časopisov in revij. Raziskavo izvaja družba Valicon, d. o. o., njen naročnik pa je Svet pristopnikov k nrb, ki deluje v okviru Slovenske oglaševalske zbornice. Splošni podatki iz raziskave so objavljeni dvakrat na leto na spletni strani http://www. nrb.info/. Pri zbiranju besedil za Gigafido, še bolj pa pri uravnoteževanju korpusa kres (4. pogl.), smo izhajali iz podatkov nrb za leta 2006, 2007, 2008, 2009 in 2010 (podatki za leto 2010 − valutno obdobje: 2. polovica leta 2009 in 1. polovica leta 2010 − so v Prilogi 1). Tako je npr. iz nrb 2010 razvidno, da je bil najbolj bran časopis (tj. besedilo, ki je v korpusu označeno kot časopis, t.p.c) brezplačnik Žurnal, sledil mu je Nedeljski dnevnik, nato zopet brezplačnik Dobro jutro, na četrtem mestu so bile Slovenske novice itd. Med revijami (t.p.r) je bila najbolj brana Lady, sledili so ji Ognjišče, Motorevija, Zdravje itd. 21 1.3.1.2 Izposoja v knjižnicah Drugi vir podatkov o branosti je knjižnična izposoja, ki pove, katere knjige so bile v knjižnicah, ki so vključene v sistem Cobiss ter imajo avtomatsko izposojo, najbolj izposojane in največkrat rezervirane ter kateri slovenski avtorji in njihova dela so bili najbolj izposojani (gre za avtorje, ki so upravičeni do knjižničnega nadomestila). Podatki so na voljo na spletni strani http://www.cobiss.si/. Prvih deset najbolj izposojanih knjig v letu 2009 prikazuje Slika 1.3. Na tem seznamu je izmed stotih del 17 del slovenskih avtorjev (Tabela 1.4), vsa druga dela so prevodi. Iz Tabele 1.4 je razvidno, da so najbolj izposojane knjige domačih avtorjev bodisi otroška ali mladinska literatura bodisi obvezno šolsko branje. Prvih 10 slovenskih avtorjev, katerih dela so bila v letu 2009 najbolj izposojana, prikazuje Slika 1.4. Slika 1.3: Cobiss: najbolj izposojane knjige v letu 2009. Tabela 1.4: Cobiss: najbolj izposojane knjige slovenskih avtorjev v letu 2009. Mesto na lestvici Avtor Delo 11. Goran Vojnović Čefurji raus! 19. Od Ivana Preglja do Cirila Kosmača: izbor novel 26. Ela Peroci Muca Copatarica 27. Prežihov Voranc Solzice 29. Desa Muck Anica in Grozovitež 40. Ivan Cankar Na klancu 48. Ivan Tavčar Visoška kronika 55. Tone Seliškar Bratovščina Sinjega galeba 66. Ivan Cankar Hlapci 70. Frane Milčinski Zvezdica Zaspanka 71. Svetlana Makarovič Sapramiška 77. Desa Muck Anica in počitnice 78. Vid Pečjak Drejček in trije marsovčki 22 79. Kajetan Kovič Maček Muri 82. Desa Muck Anica in prva ljubezen 93. Svetlana Makarovič Kosovirja na leteči žlici 94. Desa Muck Anica in Jakob Slika 1.4: Cobiss: slovenski avtorji najbolj izposojanih knjig v letu 2009. 1.3.1.3 Knjižne nagrade Eno od meril za izbiro besedil za korpus so lahko tudi knjižne nagrade, ki lahko posredno govorijo o priljubljenosti ali večji branosti nekega dela. Za leposlovje je v Sloveniji mogoče dobiti več nagrad ( http://www.drustvo-dsp.si/), med njimi so (v oklepaju navajamo dobi-tnike za leto 2009 oz. za zadnje leto pred tem): • desetnica za mladinsko literaturo (2009: Marjana Moškrič, Stvar) • fabula za zbirko kratke proze (2009: Peter Rezman, Skok iz kože) • Jenkova nagrada za poezijo (2009: Aleš Debeljak, Tihotapci) • kresnik, nagrada za najboljši roman (2009: Goran Vojnović, Čefurji raus! ) • nagrada za prvenec (2009: Vesna Lemaič, Popularne zgodbe) • Prešernova nagrada, najvišje priznanje Republike Slovenije za dosežke na področju umetnosti; nagrada Prešernovega sklada (2006: Milan Dekleva; 2006: Milan Kleč) • Rožančeva nagrada za esejistično zbirko (2009: Ifigenija Simonović, Konci in kraji) • Stritarjeva nagrada za literarno kritiko (2009: Goran Dekleva) • Veronikina nagrada za pesniško zbirko (2009: Jože Snoj, Kažipoti brezpotij) • večernica za leposlovno mladinsko delo (2000: Bina Škampe Žmavc, Cesar in roža) • Župančičeva nagrada, priznanje ustvarjalcem iz Ljubljane za življenjsko delo in stvaritve iz leta pred podelitvijo (2009: Miklavž Komelj, Andrej Rozman Roza) 23 1.3.1.4 Naklada Pri vključevanju besedil v korpus smo bili pozorni tudi na podatke o nakladi. Ti podatki sicer neposredno ne govorijo o besedilni recepciji, kljub temu pa število izdanih izvodov običajno sledi potrebam in željam bralcev; še bolj to velja za podatek o ponatisu oz. dopolnjeni izdaji (preglednice tiskanih in prodanih naklad časopisov ter revij so dostopne na spletni strani Slovenske oglaševalske zbornice ( http:// www.soz.si/). 1.3.1.5 Spletne strani: obiskanost, uglednost Obstaja več merjenj obiskanosti spletnih strani, med njimi npr. moss ( http://www.soz.si/projekti_soz/moss_merjenje_obiskanosti_spletnih_strani), Alexa ( http://www.alexa.com) in projekt Raba interneta v Sloveniji ( http://www.ris.org). Najbolj smo se oprli na podatke raziskave moss, ki jo izvaja družba Valicon, d. o. o., v sodelovanju s podizva-jalcem, podjetjem Gemius s.a. Naročnik raziskave je Slovenska ogla- ševalska zbornica in pod njenim okriljem Svet pristopnikov k moss. Podatki raziskave moss za julij 2010, tj. za začetni del obdobja, v katerem smo pridobivali spletna besedila (2. pogl.; Priloga 2), kažejo, da med 10 najbolj obiskanih strani sodijo: 24.ur.com, najdi.si, siol.net, rtvslo.si, bolha.com, zurnal24, avto.net, itis.si, zadovoljna.si in enaa.com. Pri izbiri predstavitvenih strani slovenskih podjetij smo izhajali iz lestvic najuglednejših, največjih in najuspešnejših podjetij, ki jih pripravlja časopis Finance ( http://www.finance.si/), ter lestvice največjih slovenskih podjetij, ki je izšla v Delu ft 25. 5. 2009. 1.3.1.6 AJPES: izdajatelji knjig; udeleženci knjižnega sejma Na drugi strani smo vidik besedilne produkcije skušali ujeti tako, da smo iz seznama AJPES-a, tj. Agencije Republike Slovenije za jav-nopravne evidence in storitve ( http://www.ajpes.si), izpisali pravne osebe, ki imajo kot svojo dejavnost opredeljeno (tudi) izdajanje knjig (oznaka 58.110), ter nato ta seznam zožili na tiste, ki so v zadnjih treh letih izdali vsaj pet del. Tako je od prvotnih 206 na seznamu ostalo 89 založb (izločenih je bilo 41 založb z manj kot petimi izdajami in 76 založb brez izdaj v zadnjih treh letih). Razumljivo je, da tudi med de-javnimi založbami prihaja do nihanj v intenzivnosti izdajanja. Poleg tega bi nekatere založbe lahko opisali kot splošne, druge kot specializirane (npr. ekonomija, duhovnost in samozavedanje). Da bi torej lahko dobili vtis o tem, koliko publikacij je založba izdala in kakšno je to gradivo, smo izdelali dodatne sezname, v katere so bili vključeni izpisi 24 5 Celotni tovrstni popis Fideplus iz Cobissa. Na tak način smo dobili celovitejši pregled nad tem, koliko je nastal šele decembra 2009 v publikacij je založba izdala in kakšno je to gradivo. Ta seznam smo projektu ssj. 6 Pri pridobivanju besedil so nato dopolnili še z ustanovami, ki izdajanja knjig nimajo opredelje-sodelovali tudi študenti: Matic nega kot primarne dejavnosti (med takimi so tudi večje založbe, npr. Korošec, Teja Roglič, Mateja Grča, Urška Sančanin, Tamara Ambrožič dzs), in založbami, ki so se predstavljale na Knjižnem sejmu 2008 v in Mitja Knapič. Njihovo delo je v Ljubljani. Sklepali smo, da udeležba na dobro obiskanem sejmu kaže prvih dveh letih zbiranja usmerjal Simon Šuster. Pri naboru in na željo založb po večanju ali ohranjanju prepoznavnosti. pridobitvi zamejskih ter izseljenskih medijev nam je pomagala Nataša Gliha Komac. 1.3.1.7 Besedilodajalci in besedila pri Fidiplus Naštetim seznamom smo pridružili še nekatere – vse s težnjo po objektiviziranju nabora in izbora besedil, izhodiščna pa sta bila seveda dva nabora, povezana še s predhodnim korpusom: a) seznam besedilodajalcev, ki so svoja besedila že prispevali za korpusa fida in Fidaplus (skupaj z datumom podpisa pogodbe in osebo, ki je pogodbo podpisala, ter morebitnimi opombami v zvezi s tem), b) seznam besedil, ki so bila vključena v Fidoplus (s podatki o naslovu publikacije ter obsegu v letih, mesecih in/ali številkah pri časopisih in revijah ter s podatki o naslovu, avtorju, letu izdaje in založbi pri knjigah).5 Na osnovi tako pripravljenih podatkov in seznamov smo januarja 2009 začeli »časovno in organizacijsko najzahtevnejši del projekta« (Arhar Holdt, Gorjanc 2007: 98), tj. zbiranje besedil v elektronski obliki in pogodbeno urejanje avtorskopravnih razmerij za Gigafido. V nadaljevanju v točki 1.7 natančneje pojasnjujemo, ali smo bili pri pridobitvi zgoraj naštetih in drugih besedil ter besedilodajalcev z različnih seznamov uspešni ali ne. 1.3.2 Evidence besedil in besedilodajalcev, stik z besedilodajalci Vse prej predstavljene sezname smo združili v exelovo tabelo z na-slednjimi podatki: naslov publikacije, tip publikacije, izdajatelj, naslov izdajatelja, telefonska številka izdajatelja, e-pošta izdajatelja, direktor, telefonska številka direktorja, e-pošta direktorja, urednik, telefonska številka urednika, e-pošta urednika, Fidaplus (da/ne). Tabela se je sproti dopolnjevala z naslednjim: dopis poslan dne X, podpisana pogodba (da/ne), datum podpisa pogodbe in status (pridobivanje/končano/ ustavljeno), prav tako pa je bila po vsakem stiku z besedilodajalcem v tabelo dodana opomba tipa (primeri so napaberkovani):6 3. 7. 2009 klicala, a se nihče ne oglasi naslednji teden še 1x pogodbo 17. 11. 2009 klicala, a je direktorica odsotna, kliči spet v četrtek 25 4. 2. dobili mail, po tehtnem premisleku so se odločili, da ne bodo sodelovali 1. 7. ne dobim nikogar, tajnica pravi, da so na sestanku, še enkrat po- šljem mejl, še isti dan me ga. /A. B./ pokliče nazaj, zadevo ji podrobno razložim, pravi, da načeloma ni problema, me pokliče do konca tedna nazaj, se pogovori še z uredniki 30. 4. dobimo pogodbo, podpisana 29. 4. 5. 11. jutri lahko pridem po besedila Evidence so bile tako kot mnoga druga gradiva sodelavcem projekta dostopne na interni spletni strani. Besedila smo začeli pridobivati januarja 2009 in smo jih pridobivali do konca maja 2012, pri čemer so v Gigafido vključena besedila, ki smo jih prejeli do 29. 5. 2010 (tisk) oz. do 11. 4. 2011 (internet). Vsa besedila smo dobili brezplačno in v elektronski obliki. Prvi stik z besedilodajalcem smo navezali s pisnim vabilom k sodelovanju, v katerem smo pojasnili, kdo je izvajalec projekta, kdo je financer, kaj je korpus, kakšen je njegov namen in kako je poskrblje-no za varovanje avtorskih pravic. Pri prepričevanju besedilodajalcev v to, da nam besedila brezplačno odstopijo, je bil med drugim koristen sklic na izkušnje pri korpusih fida in Fidaplus (npr. podatek, da je pri gradnji Fideplus sodelovalo več kot 200 založb in medijskih hiš ter da vse od nastanka korpusa fida leta 2000 niso bile nikoli kršene avtorske pravice), dalje argument, da je besedilo v korpusu vidno le v obsegu enega odstavka, in nenazadnje da gre za pomemben raziskovalni projekt, povezan s slovenskim jezikom. 1.3.3 Pogodba z besedilodajalci Ker je Gigafida javno in prosto dostopni korpus (trenutno še na http://demo.gigafida.net/, načrtujemo pa prenos na http://www.gigafida. net), so za vsa besedila v njem – razen za internetna besedila, pri katerih to ni potrebno – avtorskopravna razmerja urejena s Pogodbo o zbiranju in uporabi besedilnega korpusa v okviru projekta Sporazumevanje v slovenskem jeziku (Priloga 3). Pogodba je bila sklenjena med Fakulteto za družbene vede Univerze v Ljubljani kot naročnikom na eni strani in avtorjem oz. založbo kot imetnikom pravic na drugi strani. Največjo razliko v primerjavi s pogodbo, ki se je sklepala pri Fidiplus, je prinesel člen, ki se glasi: Imetnik » pravic dovoli, da se do 10 % dela uporabi na način, kot to določa licenca Creative Commons. V tem delu na naročnika neizključno, neodplačno in brez časovnih omejitev prenaša pravico reprodukcije, distribucije, dajanja v najem, priobčitve javnosti in predelave avtorskega dela, ki je predmet te pogodbe in njegovih predelav v skladu ter na način, kot to določa licenca Creative 26 7 Spletni servis in različica za Commons: ‘priznanje avtorstva’ + ‘nekomercialno’ + ‘deljenje pod samostojno uporabo sta na voljo istimi pogoji’. Ta licenca dovoli uporabnikom avtorsko delo in na straneh: http://oznacevalnik. slovenscina.eu/ in http:// njegove predelave reproducirati, distribuirati, dajati v najem, priobčiti sourceforge.net/projects/obeliks/. javnosti in predelovati samo pod pogojem, da navedejo avtorja, da ne 8 Lematizator je nekoliko prilagojeni program LemmaGen: gre za komercialno uporabo in da tudi oni naprej širijo izvirna dela/ http://lemmatise.ijs.si/Software/. predelave pod istimi pogoji.« 9 Učni korpus je dostopen na spletni strani: http://www. slovenscina.eu/tehnologije/ Uporabo licence Creative Commons nam je v Pogodbi o sofinan-ucni-korpus/. ciranju izvedbe projekta št. 3311-08-986003 v okviru Operativnega programa razvoja človeških virov za obdobje 2007–2013 določil sofinancer, tj. Ministrstvo za izobraževanje, znanost, kulturo in šport Republike Slovenije, in prav ta člen je imetnikom pravic povzročal največ skrbi oz. zadržkov v smislu, da je prenos pravic prevelik. Do junija 2012 je bilo z besedilodajalci sklenjenih več kot 200 pogodb, ki se hranijo v arhivu Fakultete za družbene vede. 1.4 Priprava besedil za vključitev Različni avtorji in organizacije svoja besedila pišejo ter shranju-jejo v različnih formatih: html, rtf, pdf, Microsoft Word, PostScript, QuarkXPress idr. Pri tokratnem zbiranju smo največ besedil dobili v datotekah s končnicami .doc, .jae, .odt, .xtg, .jpg, .rtf, .txt, .sxw, .pdf in .eps. Ne glede na izvorni format smo vsa besedila pretvorili v enotni tekstovni format .txt z enkodiranjem Unikod in poenotili kodne tabele (več o tem gl. v 3. pogl.). Pretvorbi formatov je sledilo dodajanje kolofonov z bibliografskimi podatki in taksonomsko kategorijo, temu pa označitev korpusa. 1.5 Označitev Za razliko od korpusov fida in Fidaplus, ki sta bila označena z Amebisovim označevalnikom, ki deluje na podlagi pravil, je Gigafida označena s statističnim označevalnikom Obeliks,7 ki je bil tako kot sam korpus izdelan v okviru projekta ssj. Označevalnik vključuje tri module, povezane v en program: tokenizator, ki deluje na podlagi pravil, ter statistična modula za lematizacijo8 in označevanje. Statistično označevanje Gigafide je potekalo v dveh krogih, saj sta gradnja in označevanje korpusa potekala vzporedno. V prvem krogu je bil ozna- čevalnik prvič testiran na večji količini besedil, na podlagi rezultatov pa so bila dodana jezikovno specifična pravila v oba statistična modula. Končna natančnost označevalnika v različici, ki je bila uporabljena pri končnem označevanju korpusa Gigafida, je bila izmerjena na uč- nem korpusu ssj500k9 z desetkratnim prečnim preverjanjem: 27 10 O tabeli oznak gl.: http://nl.ijs. Tabela 1.5: Natančnost statističnega označevalnika Obeliks. si/jos/msd/html-sl/msd.specs.html. Označevanje Dodatni pogoji Vrednost v % 1. natančnost na znanih besedah 93,16 2. natančnost na neznanih besedah 54,40 3. skupna natančnost 92,56 4. natančnost na znanih besedah samo b. v. 98,77 5. natančnost na neznanih besedah samo b. v. 86,99 6. skupna natančnost samo b. v. 98,58 7. natančnost na znanih besedah brez ločil 92,12 8. natančnost na neznanih besedah brez ločil 54,36 9. skupna natančnost brez ločil 91,44 10. natančnost na znanih besedah samo b. v., brez ločil 98,55 11. natančnost na neznanih besedah samo b. v., brez ločil 86,96 12. skupna natančnost samo b. v., brez ločil 98,34 Lematizacija 1. natančnost lematizacije brez ločil 98,00 2. natančnost lematizacije male črke, brez ločil 98,62 V Tabeli 1.5 posebej navajamo podatke o znanih in neznanih besedah, torej pri tem razlikujemo med pojavnicami, ki jih vsebuje učni korpus s 500.295 besedami, ter tistimi, ki jih ta ne vsebuje. Razlika je za označevalnik razmeroma pomembna, saj učni korpus (poleg leksikona) za označevalni program predstavlja ključno učno množico. Kjer je naveden dodatni pogoj »samo b. v.«, pri merjenju natančnosti upo- števamo samo vrhnjo kategorijo v oznaki, ki je sestavljena iz osnovne kategorije in njenih lastnosti, denimo: Somei = S – samostalnik, o – občno ime, m – moški spol, e – ednina, i – imenovalnik.10 V tem primeru torej merimo, ali je označevalnik besedi pravilno pripisal kategorijo »samostalnik«, čeprav se je morda zmotil pri eni ali več lastnostih. Kjer je naveden dodatni pogoj »brez ločil«, to pomeni, da smo pri merjenju upoštevali zgolj 500.295 besed v učnem korpusu ssj500k, v nasprotnem primeru pa so bile upoštevane vse pojavnice v korpusu, vključno z ločili, simboli itd., ki jih je skupaj 586.248. Razlika med obema kategorijama je torej v tem, ali je posamezni pojavnici mogoče pripisati oznako iz tabele oznak jos ( http://nl.ijs.si/jos/) ali ne. Najbolj relevantna podatka iz Tabele 1.5 sta vrstica 9 pri označevanju (natančnost 91,44 %) in vrstica 1 pri lematizaciji (natančnost 98,00 %). Velja torej, da – če statistične podatke malce poenostavimo – se označevalnik pri oblikoskladenjskih oznakah v eni ali več lastnostih zmoti približno pri vsaki enajsti besedi, pri čemer se glede same besedne vrsto zmoti le pri približno 1−2 besedah na sto. Lematizator pa zgreši le pri dveh besedah na sto. Natančnejše podatke o delovanju označevalnika Obeliks in natančnosti označevanja korpusa Gigafida je mogoče dobiti na spletni strani projekta ssj. 28 1.6 Kolofon korpusnih dokumentov: Vrsta besedila in Vir O kolofonu korpusnih dokumentov Gigafide podrobneje pišemo v 3. pogl. Tu bomo pojasnili le dva elementa kolofona, ki sta v vmesniku Gigafide vidna kot filter Vrsta besedila in Vir (Slika 1.5; prim. tudi enoto 5.4.8 v 5. pogl.). Razlog za odločitve, ki jih pojasnjujemo v naslednjih treh podtočkah, je ta, da smo želeli s filtri ob konkordančnih vrsticah uporabniku korpusa dati takojšnjo informacijo o najobsežnejšem viru pojavitev (vir prav vsake konkordance je sicer viden, če nanjo kliknemo), omejen prostor pa nas je prisilil v izbor; podobno odločitev za prikaz največjih besedilodajalcev v prvem stolpcu ob konkordančni vrstici, ki so jo sprejeli že avtorji Fideplus (šlo je za eno opaznejših sprememb pri prikazu korpusnih pojavitev glede na korpus fida), so namreč uporabniki sprejeli zelo pozitivno. Slika 1.5: Del konkordančnih vrstic besede sodelovati v Gigafidi s filtroma Vrsta besedila in Vir. 1.6.1 Vrsta besedila in Vir: internet Kot je razvidno na levi strani Slike 1.5, so v filtru Vrsta besedila vidne najnižje kategorije korpusove taksonomije. V prvem pogledu vidimo prvih pet kategorij glede na pogostost pojavljanja iskane besede v njih (Slika 1.5: časopisi, revije, internet, stvarna besedila, drugo), zadnjo, šesto, v kateri je iskana beseda najbolj redka (v našem primeru leposlovje), pa vidimo, če kliknemo na povezavo Več (na Sliki 1.5 smo 29 to tudi storili). Kar je za to točko pomembno, je to, da imajo v tem filtru vsa besedila s spleta vedno skupno kategorijo internet. Drugače pa je v naslednjem filtru, tj. filtru Vir. Tam smo spletne strani, s katerih smo pridobili besedila (gl. točko 2.2 v 2. pogl.), ločili v dve skupini: − pet naslovov, s katerih je v korpusu največ besed, tj. štirje naslovi novičarskih portalov ( rtvslo.si, siol.net, 24ur.com, najdi.si) in en naslov ustanov ( dz-rs.si), je poimenovanih samostojno; − vse druge naslove smo poimenovali združeno, bodisi kot (a) internet, novice ali (b) internet, ustanove (na Sliki 1.5 je viden vir internet, ustanove). 1.6.2 Vir: založba oz. naslov besedila V filtru Vir je 20 založb oz. naslovov, ki so poimenovani samostojno (pri poimenovanju smo izbrali najbolj povedno kombinacijo založbe in naslova besedila; gl. Tabelo 1.6). Gre za vire, iz katerih smo dobili največ besedil glede na število besed (sedem časopisnih založb, tri založbe, ki izdajajo revije, ter po šest založb leposlovnih in stvarnih del). Pri vseh drugih založbah oz. naslovih v filtru Vir piše drugo (kot je vidno tudi na Sliki 1.5). Tabela 1.6: Dvajset založb oz. naslovov besedil, ki so v Gigafido prispevali največ besed. Založba oz. besedilo V filtru Vir piše ČASOPISI: Dnevnik Dnevnik Delo Delo Salomon 2000 (Ekipa) Ekipa Gorenjski glas (Gorenjski glas in drugi časopisi te založbe) Gorenjski glas Dolenjski list Dolenjski list Večer Večer Finance Finance REVIJE: Mladina Mladina Delo Revije (Moj mikro, Naša žena, Stop, Delo Revije Anja, Smrklja, Lepa in zdrava, Rože in vrt idr.) Adria Media (Cosmopolitan, Playboy, Nova, Adria Media Story, Avto magazin, Men’s Health, Elle, Lisa, Lea idr.) LEPOSLOVJE: Mladinska knjiga Založba Mladinska knjiga DZS DZS Študentska organizacija Univerze, Študentska založba Študentska založba Didakta Didakta Litera Litera Tuma Tuma 30 STVARNA BESEDILA: DZS DZS Mladinska knjiga Založba Mladinska knjiga Krtina Krtina GV Založba GV Založba Tehniška založba Slovenije Tehniška založba Zavod Republike Slovenije za šolstvo Zavod za šolstvo 1.6.3 Vir: RTV Slovenija, Državni zbor Republike Slovenije Izmed besedil, ki imajo taksonomsko kategorijo drugo, smo samostojno poimenovanje v filtru Vir ohranili pri podnapisih, ki smo jih dobili na rtv Slovenija, in pri zapisih sej Državnega zbora Republike Slovenije. Preostala besedila v tej taksonomski kategoriji (npr. besedilni drobiž, besedila neznanih avtorjev, interna besedila iz Fideplus) imajo v filtru Vir oznako drugo. 1.7 Vsebina korpusa V tej točki predstavljamo, kaj vse v korpusu Gigafida je in česa ni, čeprav smo to želeli dobiti. 1.7.1 Taksonomija, čas in besedilodajalci Ključni podatki o korpusih so vedno povezani z njihovo notranjo členitvijo, obdobji, iz katerih zajemajo besedila, in besedilodajalci. 1.7.1.1 Obseg in delež besed po taksonomiji Vseh besed je v Gigafidi 1.187.002.502. Razporeditev besed po taksonomiji prikazuje Tabela 1.7. Iz nje, še hitreje pa iz Tabele 1.8 ali Slike 1.6, v katerih so deleži prikazani v odstotkih, je razvidno, da imajo v Gigafidi več kot polovični delež časopisna besedila, tem nato sledijo z 21 % revije. Periodika ima v Gigafidi skupaj 77-odstotni obseg oz. vanjo prinaša 918.936.054 besed. Knjige imajo v Gigafidi 6-odstotni delež ali 74.356.531 besed, od tega sta 2 % besed iz leposlovja, 4 % besed pa prihajajo iz stvarnih besedil. Celotni tisk ima 84-odstotni delež, preostalih skoraj 16 % pripada internetnim besedilom. 31 Tabela 1.7: Število besed po taksonomiji v Gigafidi. Taksonomija Oznaka Število besed tisk T 1.001.244.035 knjižno T.K 74.356.531 leposlovje T.K.L 23.969.196 stvarna besedila T.K.S 50.387.335 periodično T.P 918.936.054 časopisi T.P.C 663.664.965 revije T.P.R 255.271.089 drugo T.D 7.951.450 internet I 185.758.467 SKUPAJ 1.187.002.502 Tabela 1.8: Končni in predvideni delež besed po taksonomiji v Gigafidi. Taksonomija Končni delež v % Predvideni delež v % tisk 84,35 50−90 knjižno 6,26 15−35 leposlovje 2,02 20−50 stvarna besedila 4,24 30−60 periodično 77,42 20−40 časopisi 55,91 30−70 revije 21,51 30−70 drugo 0,67 5−10 internet 15,65 10−50 SKUPAJ 100,00 100 Slika 1.6: Število besed po taksonomiji v Gigafidi. 700.000.000 600.000.000 500.000.000 400.000.000 300.000.000 200.000.000 100.000.000 0 leposlovje stvarna b. časopisi revije drugo internet 32 Če primerjamo prvotno načrtovane deleže in končne deleže besed po taksonomiji (Tabela 1.8), opazimo, da smo načrtovane deleže uresničili le v razmerju med tiskom in internetom, pa še pri teh dveh smo pri prvem blizu zgornje meje (90 %) in pri drugem pa blizu spo-dnje meje (10 %). Zbiranje besedil z interneta je bilo sicer v tehničnem smislu poskusno, a se je pokazalo, da je mogoče obseg teh besedil hitro povečati, tako da je popravek razmerja med tiskom in internetom – če bi se zanj odločili pri morebitnem naslednjem povečanju korpusa – dokaj neproblematičen. Kategorija drugo je majhna, manj kot enoodstotna, a v absolutni številki še vseeno dovolj velika, da izpolnjuje merilo 5-odstotnega dele- ža v 100-milijonskem kres-u. Vanjo 65,58 % besed prinesejo zapisi sej Državnega zbora Republike Slovenije, ki so bili že v Fidiplus (na novo jih nismo pridobivali), ter podnapisi in postprodukcijska besedila z rtv Slovenija. Gre za raznorodno, poskusno uvedeno kategorijo, ki pa ji je skupna povezanost z govorom. Če se bo v nadaljevanju projekta izka-zalo, da gre za raziskovalno zanimiv del jezika, je mogoče in smiselno zlasti obseg podnapisov ter postprodukcijskih besedil še povečati. Precej preveč optimistična je bila želja po dosegu 15–35 % knjižne-ga gradiva: tako leposlovja kot stvarnih besedil smo dobili približno desetkrat premalo, da bi pri prvem dosegli vsaj 20 %, pri drugem pa vsaj 30 % korpusa. Na drugi strani je pri periodiki delež revij manjši od 30 %, delež časopisov pa se sicer nahaja znotraj načrtovanega širo-kega razpona 30–70 %, a je vseeno 2,5-krat večji od deleža revij. Tolikšno odstopanje končnih deležev znotraj knjižnega in periodičnega je mogoče povezati z dvema dejstvoma: (a) mesečna, večte-denska oz. dnevna produkcija periodike, merjena v številu besed, je že sama po sebi mnogo obsežnejša, kot je knjižna produkcija, hkrati (b) pa so avtorji in založniki leposlovnih del, pa tudi vsega, kar smo označili kot stvarna literatura, mnogo bolj previdni pri prenosu avtorskih pravic, kot to velja za medijske hiše, pristop k vsakemu po-sameznemu avtorju pa je glede na izplen (spet merjen zgolj v številu besed) časovno potratnejši. Velja pa izpostaviti še dva vidika: a) V Gigafidi je vse gradivo, ki smo ga dobili in so zanj urejene avtorske pravice; bolj uravnotežena razmerja med zvrstmi besedil smo namreč že predhodno načrtovali in jih tudi uresničili v kres-u (4. pogl.). b) Predvidene deleže besed, kakršne prikazuje Tabela 1.8, smo sku- šali doseči na že sicer glede na naše želje »neugodni« podlagi: skoraj 50 % Gigafide predstavlja Fidaplus, v kateri so besedilnozvrstna razmerja močno v prid periodiki (gl. oznako nestrokovno v Tabeli 1.1); če namreč v Fidiplus seštejemo število besed iz umetnostnih in strokovnih besedil (kar približno ustreza novima kategorijama leposlovje in stvarna besedila), dobimo podatek (Tabela 1.9), da oboje v Fidoplus skupaj prinaša 13,49 % besed, preostali 86,34-odstotni delež pa je iz nestrokovne zvrsti (kar približno ustreza novi kategoriji periodično). 33 A vendarle: če obenem iz Gigafide zgolj zaradi primerjave izpustimo internetna besedila, v Fidiplus pa besedila s kategorijama ni podatka in neumetnostna umestimo pod drugo, preračun pokaže naslednjo sliko: Tabela 1.9: Delež besed po taksonomiji: primerjava med Gigafido in Fidoplus. Taksonomija Gigafide Delež v Gigafidi v % Delež v FidiPLUS v %* (brez interneta) tisk 100,00 100,00 knjižno 7,43 13,49 leposlovje 2,40 3,48 stvarna besedila 5,03 10,01 periodično 91,78 86,34 drugo 0,79 0,17 * Pretvorba v novo taksonomijo je približna. Čeprav gre zaradi drugačne taksonomije za približno primerjavo, lahko na podlagi podatkov v Tabeli 1.9 vseeno ugotovimo, da smo bili v prizadevanju po pridobitvi več leposlovja in stvarnih besedil kljub vsemu neuspešni, saj se je delež pri obeh v primerjavi s Fidoplus še zmanjšal, delež periodike pa povečal. Če bomo v prihodnje v referenčnih korpusih želeli imeti večji delež knjižnega gradiva, bomo oz. bodo njegovi izdelovalci morali biti pri stikih s knjižnimi založbami in avtorji še prepričljivejši; druga možnost je seveda večja omejitev pri časopisih ter revijah. 1.7.1.2 Število besed po letih Večina besedil, objavljenih do vključno leta 2006, je v Gigafido pri- šla s Fidoplus. Od besedilodajalcev smo v tokratnem zbiranju sicer dobili še kar nekaj naslovov, izdanih med letoma 1995 in 2005 (Slika 1.7), vsa dela, izdana (tisk) od vključno leta 2007 dalje, pa so bila pridobljena med januarjem 2009 ter majem 2010, torej v približno letu in pol zbiranja. Slika 1.7: Število besed iz besedil, izdanih do 2005 in pridobljenih pri novem zbiranju za Gigafido. 50.000.000 40.000.000 30.000.000 20.000.000 10.000.000 0 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 34 Število besed glede na leto izida, kot ga za celotno Gigafido prikazujeta Tabela 1.10 in Slika 1.8 spodaj, kaže dokaj stalno letno pove- čevanje količine gradiva, ima pa − če pustimo ob strani leto 2011, za katero imamo samo del internetnih besedil, ne pa tudi besedil iz tiska − dva upada: v letih 2004−2005 in v letu 2009. Tudi leto 2010 je nekoliko posebno: število besed v tem letu je veliko, a zgolj zato, ker je iz tega leta večina internetnih besedil, medtem ko je iz tiska iz tega leta v korpus vključeno zgolj gradivo, ki smo ga zbrali do konca maja 2010, to pa prinaša le dobre 4 milijone besed. Oba upada (2004−2005, 2009) je mogoče razložiti s tem, da se besedila iz tiska predvsem pridobijo za približno leto in nekaj let nazaj, manj pa je zbiranje osredotočeno na tekoče leto, tj. leto najintenzivnejšega zbiranja (za Fidoplus sta bili to druga polovica leta 2004 in prva polovica leta 2005, za Gigafido pa leto 2009). Smiselno je zato sklepati, da bi redno zbiranje ali vsaj intenzivnejše zbiranje na vsaka tri do štiri leta take vrzeli omililo. Tabela 1.10: Število in delež besed po letih v Gigafidi. Leto Število besed Delež v % 1990 27.333 0,002 1991 1.488.078 0,125 1992 2.244.699 0,19 1993 3.137.625 0,263 1994 7.516.925 0,63 1995 8.303.878 0,70 1996 16.678.140 1,41 1997 31.007.015 2,61 1998 41.824.419 3,52 1999 57.927.942 4,88 2000 66.665.948 5,62 2001 75.976.476 6,40 2002 73.962.122 6,23 2003 84.597.588 7,13 2004 73.875.353 6,22 2005 56.890.951 4,80 2006 80.777.613 6,80 2007 108.140.924 9,11 2008 121.702.007 10,25 2009 84.356.305 7,11 2010 145.793.413 12,28 2011 44.107.748 3,72 SKUPAJ 1.187.002.502 100,00 35 Slika 1.8: Število besed po letih v Gigafidi. 150.000.000 120.000.000 90.000.000 60.000.000 30.000.000 10.000.000 3 4 7 1990 1991 1992 199 199 1995 1996 199 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 1.7.1.3 Avtorji in založbe Poimensko je bilo avtorje korpusnih besedil v kolofonu mogo- če navesti le pri knjigah, torej pri leposlovju in stvarnih besedilih. Leposlovna dela, vključena v Gigafido, je napisalo 334 oseb (pri čemer ne vključujemo pravnih oseb), stvarna pa 927 oseb; skupaj gre torej za 1.261 avtorjev. Besedila smo dobili bodisi od avtorjev bodisi od založb, s tem da je bil prvi stik vedno najprej vzpostavljen z založbo, nadaljnja pot pa je bila nato odvisna od urejenosti avtorskopravnih razmerij med avtorjem ali prevajalcem in založbo ter urejenosti arhivov pri prvem ali drugem. Založbe, ki so nam odstopile besedila, in avtorje, ki so največ pripomogli k izdelavi korpusa, smo našteli v Prilogi 4. 1.7.2 Uspešnost zbiranja Zgoraj smo kritično ovrednotili zlasti besedilnovrstni obseg dobljenega gradiva glede na načrtovane deleže. Zdi pa se vredno, da vsebino korpusa ocenimo še enkrat, tokrat z večjim izhodiščem na zbiranju − ovrednotenje lastnega dela, ki sledi v nadaljevanju, namreč razumemo kot pomemben del gradnje korpusa. Kot smo predstavili v točki 1.3, smo pred zbiranjem poiskali več podatkov o recepciji: pri revijah in časopisih smo jih dobili iz nrb, o branosti knjig pa smo skušali sklepati iz lestvic knjižnične izposoje ter seznamov prejemnikov knjižnih nagrad in naklade. 36 11 Taksonomsko razvrščanje 1.7.2.1 Časopisi in revije periodičnih publikacij med časopise (t.p.c) in revije (t.p.r) je bilo deloma predmet osebne Na lestvici nrb 2010 je 37 časopisov, od katerih smo jih za Gigafido presoje označevalca in preteklih uspeli dobiti 20, in 87 revij, od katerih smo jih za Gigafido uspeli dobi-pripisov kategorij (Fidaplus); pri nekaterih primerih bi bilo ti 54.11 V 4. pogl. je v Tabelah 4.3 in 4.6 razvidno, da gre pri časopisih, mogoče utemeljiti tudi drugačne ki jih nismo dobili, za naslove, kot so Žurnal24, Goriška, Vestnik Murska rešitve. Sobota itd., ter pri revijah za naslove, kot so Razvedrilo, Salomonov ugankar, Vzajemnost itd. Po maju 2010 smo uspeli pridobiti še štiri časopise s tega seznama ( Ljubljana, Kranjčanka, Savinjski utrip, Ločanka), vendar pa v Gigafido niso vključeni. Kljub zgolj dobremu polovičnemu uspehu pri pridobitvi najbolj branih časopisov in revij, upoštevajoč lestvico nrb 2010, je treba po-udariti, da je v Gigafido vključenih še dodatnih 31 časopisov (Tabela 1.11) in 73 revij (Tabela 1.12). Med prvimi prevladujejo lokalni časopisi, od tega sta dva časopisa Slovencev v Italiji: Novi Matajur ter Novi glas, pri drugih gre za zelo raznorodno skupino, ki sega od stripa ( Alan Ford) do znanstvenih revij (npr. Medicinski razgledi). Zadnjih sicer v novem zbiranju nismo pridobivali, saj je njihovo vključevanje primernejše za gradnjo specializiranih korpusov strokovnih besedil (Logar Berginc 2007), smo pa v Gigafidi obdržali tovrstna besedila, ki so bila že v Fidiplus. Tabela 1.11: Časopisi, ki niso na lestvici nrb 2010, so pa vključeni v Gigafido. Časopis 1. Blogorola 17. Novi glas 2. Celjan 18. Novi Matajur 3. Demokracija 19. Novi tednik 4. Deželne novice 20. Novice 5. Informativni fužinar 21. Novice izpod Krvavca 6. Kamniški občan 22. Pivški list 7. Koroški fužinar 23. Portorožan 8. Logaške novice 24. Postojna 1909 9. Loški glas 25. Radovljiški glas 10. Loški utrip 26. Tribuna 11. Nakeljski glas 27. Tržaški glas 12. Naš čas 28. Udarni list 13. Naš časopis 29. Vaš mesečnik 14. Notranjske notice 30. Viharnik 15. Notranjske novice 31. Vizita 16. Notranjsko-kraške novice 37 Tabela 1.12: Revije, ki niso na lestvici NRB 2010, so pa vključene v Gigafido. Revija 1. Revija 2000 38. Men’s Health 2. Acta Histriae 39. Mentor 3. Adrenalin 40. Misteriji 4. Ambient 41. MM 5. Alan Ford 42. Mobil 6. Annales 43. Mobinet 7. Antena 44. Motokatalog 8. Apokalipsa 45. Mrgolazen 9. Aura 46. Muska 10. Avtokatalog 47. Naša lekarna 11. Bukla 48. National Geographic Junior 12. Ciciban za starše 49. Navtika 13. Connect 50. Novi medij 14. Delovni zvezki 51. Novi tednik NT-RC 15. Dialogi 52. Novice Dolenjske banke 16. Ekonomski izzivi 53. Okno 17. Ekonomsko ogledalo 54. Omama 18. Etnolog 55. PC & mediji 19. Evrobilten 56. Poslovna asistenca 20. Folklornik 57. Premiera 21. Frka 58. Profit 22. Geografski obzornik 59. Prostočasnik 23. Gloss 60. Revija Šport 24. Horus 61. Socialni razgledi 25. HRM 62. Sodobna pedagogika 26. IB revija 63. Svet in ljudje 27. Kapital 64. Študent 28. Katedra 65. Tim 29. Kažipot 66. Tunning scena 30. Kinotečnik 67. V materini šoli 31. Lady križanke 68. Vestnik 32. Lepota 69. Vode in mi 33. Ljubezenske zgodbe 70. Vrelci zdravja 34. Lord 71. Vzgoja 35. Mag 72. Vzgojiteljica 36. Mariborčan 73. Zlati kapital 37. Medicinski razgledi 1.7.2.2 Leposlovje in stvarna besedila Izmed 100 najbolj izposojanih in največkrat rezerviranih knjig v letu 2009 (vrhnji del seznama smo predstavili na Sliki 1.3) jih je v Gigafidi zastopanih osem (Tabela 1.13 spodaj, tretji stolpec, ležeči tisk). Morda celo bolj smiselno si je isti seznam ogledati z vidika avtorjev. 38 Ker je na Cobissovi lestvici več knjig istih avtorjev (npr. sedem knjig Kathleen E. Woodiwiss), je na seznamu stotih v resnici le 49 imen. Od teh jih je v Gigafidi zastopanih 11 (Tabela 1.13, prvi stolpec). Tabela 1.13: Najbolj brani avtorji v letu 2009 (po Cobbisovem seznamu najbolj izposojanih in največkrat rezerviranih knjig), katerih besedila so vključena v Gigafido. Avtor Cobiss: najbolj izposojane in največkrat Knjige tega avtorja v Gigafidi* rezervirane knjige v letu 2009 1. Brown, Dan Da Vincijeva šifra (2004), Angeli in demoni Da Vincijeva šifra (2004), Angeli in demoni (2005), (2005), Digitalna trdnjava (2005), Ledena Digitalna trdnjava (2005) prevara (2006) 2. Dahl, Roald Matilda (1989) Čarli in tovarna čokolade (2003) 3. Higgins Clark, Mary Deklici v modrem (2007) Ko se spet vidimo (2002), Preden se poslovim (2003), V ulici, kjer živiš (2003), Naredi se, da je ne vidiš (2004) 4. Kinsella, Sophie Strastna zapravljivka in njena sestra (2006) Moje skrivnosti (2005) 5. Kovič, Kajetan Maček Muri (1975) Zgodnje zgodbe: ob pisateljevi 75-letnici (2006) 6. Krentz, Jayne Ann Krhko steklo (2005) Krhko steklo (2005) 7. Patterson, James Medeni tedni (2006), 1. umor (2007), 3. stopnja V pajkovi mreži (2005), Zbogom, dekleta (2006) (2008), 4. julij (2008), Cross (2009) 8. Pečjak, Vid Drejček in trije Marsovčki (2003) Drejček in trije Marsovčki (2003) 9. Quick, Amanda Skrivnostni čar (2005), Poželenje (2006), Skrivnostni napoj (2001), Nevarnost (2002), Izgubljena čast (2007), Lahkomiselna (2008) Skrivnostni čar (2005) 10. Sparks, Nicholas Beležnica (2002), Viharna noč (2006), Usodni Beležnica (2002), Viharna noč (2006) ovinek (2006), Dragi John (2009) 11. Steel, Danielle Hiša (2007), Dvorec (2008), Sestre (2009) Sladko in grenko (2001), Poroka (2002), Hiša na Ulici upanja (2003), Potovanje (2004) * Knjige, ki so hkrati tudi na seznamu najbolj izposojanih in največkrat rezerviranih, so tiskane ležeče. Če bi si lestvico najbolj izposojanih del ogledali še za katero drugo leto, bi se seznam uspešno pridobljenih še nekoliko podaljšal (izmed največkrat izposojanih in rezerviranih knjig za leto 2008 sta v Gigafidi npr. knjiga Cecelie Ahern P. S. Ljubim te (2007) in Warrna Adlerja Nemirna srca (2005)), podatki za leto 2009, ki smo si jih ogledali najbolj natančno, pa kažejo, da smo bili pri pridobitvi najbolj branih avtorjev okrog 20-odstotno uspešni. Na lestvicah najbolj izposojanih in največkrat rezerviranih avtorjev sicer prevladujejo tuji avtorji – in ravno tu je vzrok za razmeroma nizek delež pridobljenih knjig: založbe so bile prav pri prevodih največkrat v dvomih, ali imajo dovoljšnje pravice, da nam besedilo lahko odstopijo. Iz previdno-sti so se pogosto raje odločile, da tega ne storijo. Posledično se nam ni uresničila želja, da bi med avtorje besedil v Gigafidi zapisali tudi Kathleen E. Woodiwiss, Stephenie Meyer, Raya Kluuna, Roalda Dahla, Julie Garwood in druge. Po drugi strani smo bili bolj uspešni pri domačih avtorjih, čeprav spet ne tako zelo, da bi bili povsem zadovoljni. Kot je bilo razvidno že v prejšnji tabeli, je od 17 knjig slovenskih avtorjev, ki so se v letu 39 2009 uvrstile na seznam najbolj izposojanih in največkrat rezerviranih del (vseh 17 smo našteli v Tabeli 1.4), je v Gigafidi le ena: Drejček in trije Marsovčki (2003) Vida Pečjaka. Ogledali smo si tudi seznam 100 najbolj izposojanih slovenskih avtorjev, ki so bili v letu 2009 upravi- čeni do knjižničnega nadomestila. Od teh jih je v Gigafidi zastopanih 22, nekateri med njimi z več deli (Tabela 1.14). Seveda bi med njimi radi videli še Deso Muck, Svetlano Makarovič, Tatjano Kokalj, Ferija Lainščka, Heleno Kraljič in druge. Tudi pri pridobivanju del, ki so bila v zadnjih letih nagrajena s katero od nagrad za leposlovje, smo bili neuspešni oz. uspešni le v enem primeru: v korpusu je roman Svinjske nogice Tadeja Goloba, ki je leta 2010 prejel nagrado kresnik. Izmed nagrajenih avtorjev vletih 2009 in 2010 imamo v korpusu po eno delo Marjana Moškriča, Andreja Rozmana Roze, Nejca Gazvode, Iva Svetine in Matjaža Zupančiča, vendar ne gre za dela, za katera so avtorji prejeli nagrado. Tabela 1.14: Najbolj izposojani slovenski avtorji v letu 2009, katerih besedila so vključena v Gigafido. Avtor* Knjige tega avtorja v Gigafidi Suhodolčan, Primož Veliki Bum Bum Čigum (2008), Ti kanta požrešna! (2003), Kuža, zaljubljen kot pes (2005) Sivec, Ivan Hišica v cvetju (2004), Krokarji viteza Erazma (1997), Čarobna violina (1998), Ljubezen za eno poletje (2005), Julija iz Sonetnega venca (2006), Bližnje srečanja z medvedko Pepco (2006) Novak, Bogdan Življenje na Marsu: kratke zgodbe (2008), Grajski strah (2005), Usodni piknik (2006), Morska skrivnost (2005), Hudobna graščakinja (2005), Bela past (2006) Vidmar, Janja Matic v bolnišnici (2004), Matic prespi pri prijatelju (2005), Matic je kaznovan (2003), Peklenske počitnice (1999), Bučko superga (2006) Podgoršek, Mojiceja Med reši vsako zmedo (2007), O polžu, ki je zajcu rešil življenje (2007) Pavček, Tone Pavcek.doc: za domišljijsko potovanje in domače branje (2007) Kovič, Kajetan Zgodnje zgodbe: ob pisateljevi 75-letnici (2006) Berni, Romana Zmaga srca (2009) Rozman Roza, Andrej Nezavedna kombi nacija (2008) Pečjak, Vid Drejček in trije Marsovčki (2003) Pregl, Slavko Odprava zelenega zmaja (2001) Partljič, Tone Dopust s taščo (2005) Maurer, Neža Od mene k tebi: materine pesmi (2008) Majhen, Zvezdana Čas brez vode: ekološka pravljica (2007) Mal, Vitan Žardna in ukradeni angel (2005), Žardna in Četrtek (2006), Na ranču veranda (2000) Gradišnik, Branko Strogo zaupno na Irskem (1996) Omahen, Nejka Življenje kot v filmu (2000) Zupan, Dim Žametni soj (2000), Hudo brezno (2005), Štirinajst in pol (2005) Möderndorfer, Vinko Ležala sva tam in se slinila ko hudič (1996), Pokrajina št. 2: zgodba o morilcu (1998), Total: smešno grenke zgodbe (2000), Omejen rok trajanja (2003), Druga soba: novelete (2004), Ljubezni Sinjebradca (2005) 40 Rudolf, Mojca Nenavadna želja (2005) Mazzini, Miha Čas je velika smetanova torta (1999), Telesni čuvaj (2000) Bizjak, Ivan Zaljubljeni maček: pasja razlaga mačje ljubezni (2008) * V tabeli ohranjamo zaporedje avtorjev s Cobissove lestvice. Med načeli, ki so usmerjala zbiranje, je bilo tudi naslednje: »Če podatki o izposoji v knjižnicah kažejo visoko branost starejših del (zlasti t. i. klasikov), si bomo ta besedila prizadevali dobiti.« Načrta nismo uspeli uresničiti, zato so na seznamu zaželenih del še vedno: Sophoclesova Antigona, Dostojevskega Zločin in kazen, Shakespearjeva Romeo in Julija, Vorančeve Solzice, Cankarjeva Na klancu in Hlapci, Tavčarjeva Visoška kronika ipd. (pri vseh gre za obvezno šolsko branje), pa tudi npr. Stare grške bajke (ur. Eduard Petiška, 2009) ali Zgodbe svetega pisma (ur. Janko Kos, 2009). Po drugi strani pa tudi te lestvice ne povedo vsega niti o recepciji leposlovnih besedil, še manj o njihovi produkciji. Pri pridobivanju besedil za korpus smo težili k avtorski, tematski, zvrstni in drugi razpršenosti, zato je pomembno vsako besedilo, ki so nam ga avtorji odstopili. V celoti imamo tako v taksonomiji leposlovje 534 različnih del 55 različnih založnikov, kar pa je številka, s katero smo zadovoljni. Ker na omenjenih lestvicah, iz katerih lahko okvirno sklepamo o branosti, skoraj ni besedil, ki smo jih v korpusu označili kot stvarna besedila, se je treba pri kategoriji t.k.s še toliko bolj zavedati, da je nabor besedil v njej naključen. Oznako stvarno besedilo ima sicer 1.082 različnih del 89 različnih založnikov. Gre v glavnem za srednje-in osnovnošolske učbenike, priročnike ter vodnike, torej za polju-dnostrokovna in strokovna besedila z različnih področij ter različnih tem, je pa vmes tudi nekaj znanstvenih monografij, ki smo se jim sicer − kot smo že zapisali − izogibali. Podrobnejša nadaljnja analiza bo pokazala, kje so v tem delu še pomembne vrzeli ali izstopajoče posebnosti. V Tabeli 1.15 podajamo 60 naključno izbranih naslovov iz tega dela korpusa. Tabela 1.15: Stvarna besedila v Gigafidi (naključni izbor). Naslov 1. Aromaterapija 2. Astronomija 3. Biologija. Genetika: učbenik za gimnazije 4. Bivalni vrt 5. Bralni izzivi mladinske književnosti 6. Branje z dlani 7. Danes kuham jaz: najboljši recepti po ugodni ceni 8. Do zdravja z zdravo hrano 9. Družinska enciklopedija zdravil 10. Enciklopedija digitalne fotografije: popolni vodnik v svet fotografije in digitalne obdelave slik 41 11. Evro − za vse nas. Prihaja evro 12. Evropski parlament 13. Fizika ob koncu devetletke: zbirka nalog za fiziko v 9. razredu devetletnega osnovnošolskega izobraževanja 14. Geografija za 7. razred 15. Gorenjska: gorskokolesarski vodnik 16. Gradim slovenski jezik 4: Učbenik za slovenščino v 4. razredu osnovne šole 17. Homeopatija 18. Jezus nas uči moliti 19. Kariera iz strasti: o ljubezni, genogramih, strasti in poslanstvu 20. Kuhamo z vokom 21. Leksikon mitologije 22. Letno poročilo o izvedbi nacionalnega preverjanja znanja v šolskem letu 2005/2006 23. Mala zgodovina Slovenije 24. Mali družinski katekizem 25. Mamografija: metoda za zgodnje odkrivanje raka dojk 26. Maturitetni izpitni kataloga za splošno maturo 2009 27. Moč pozitivnega delovanja 28. Moški v formi 29. Nacionalno preverjanje znanja: informacije za učence in starše 30. Najboljši recepti 31. Naučite se sami Microsoft Access 2000 v 24-ih urah 32. Novi ogrevalni sistemi: gradnja z lahkoto 33. O urbanizmu: Kaj se dogaja s sodobnim mestom? 34. Od dobre gostilne do nobel prenočišča v Sloveniji 2007 35. Odkrivam svoje okolje 3: moj učbenik o okolju 36. Osnove glasbene teorije 37. Otrokovi čuti 38. Politika drog: pogledi uporabnikov in uporabnic 39. Pomladanska napoved gospodarskih gibanj 40. Popolna nega in vzgoja psa 41. Pravljične poti Slovenije: družinski izletniški vodnik 42. Prehrana za vitkost 43. Premagovanje stresa 44. Protokol, simfonija forme 45. Puberteta in odraščanje 46. Skrivna družba: zgodovina in simbolika prostozidarjev 47. Slovenija in Evropska unija: o pogajanjih in njihovih posledicah 48. Slovenska zunanjepolitična razpotja 49. Spolno življenje diktatorjev 50. Strategije motiviranja v športu 51. Šola in otrokov razvoj 52. Športna vzgoja ob koncu devetletke: zbirka nalog za športno vzgojo v 9. razredu devetletnega osnovnošolskega izobraževanja 53. Učim se pisati 42 54. Uspešno vodenje 55. Vaše potrošniške pravice − Kako Evropska unija varuje vaše interese 56. Vodnik za vsako žensko 57. Vrtni raj na balkonu, terasi in strehi 58. Zakaj si umivam zobe? 59. Zunanje preverjanje znanja v funkciji merjenja učinkovitosti šol 60. Zvoki divjine. Dinozavri Podani pregled je pokazal odstopanja od predhodnega načrta in posledično mesta, pri katerih bi se dalo Gigafido še izboljšati. Naj omenimo še to, da je natančno dokumentiranje vsebine korpusa in vseh vidikov zbiranja povsem na koncu, ko popravki že niso bili več mogoči, pokazalo tudi nekaj nedoslednosti pri podatkih v kolofonu korpusnih dokumentov − ti so bili namreč v veliki meri vneseni in popravljani ročno, v precejšnjem delu pa hkrati ob tem še podedovani iz obeh predhodnikov Gigafide. Nanje tu posebej ne bomo opozarjali, ker na iskanje po korpusu ne vplivajo, povsem mogoče pa je, da jih bo zelo pozoren bralec in uporabnik Gigafide opazil. Ob morebitni posodobitvi Gigafide jih bomo seveda odpraviti. 1.8 Zbiranje po Gigafidi Pojasnili smo že, da vsebuje Gigafida besedila iz korpusov fida in Fidaplus ter besedila, ki so bila iz tiska zbrana od januarja 2009 do 29. 5. 2010, z interneta pa od 1. 4. 2010 do 11. 4. 2011. Zbiranje obojega gradiva se je nadaljevalo tudi po navedenem datumu in se je zaključi-lo leto zatem, tj. 29. 5. 2012. Čeprav smo načrtovali še eno posodobitev Gigafide pred iztekom projekta oz. njeno spremljevalnost, je vendarle nismo izvedli, saj smo se odločili več raziskovalne pozornosti name-niti zelo zahtevnemu razvoju novega označevalnika in vmesnika (o zadnjem gl. 5. pogl., zlasti 5.6). Gradivo, ki je bilo zbrano naknadno (gre za 126 naslovov), tako čaka na naslednjo gradnjo referenčnega korpusa slovenščine. 1.9 Zaključek Predstavili smo glavne premisleke iz priprave na zbiranje besedil za novi korpus slovenskega jezika – pravzaprav za štiri korpuse: prvega, ki je dolgo časa nosil delovno ime Korpus ssj (kar je danes povsem neustrezno, saj je korpusov, nastalih pri projektu ssj, skupaj kar šest), za Gigafido pa smo ga krstili 12. 11. 2011; drugega, ki je bil zamišljen kot njegov uravnoteženi del ter je istega dne postal kres; naknadno pa smo obema pridružili še ccGigafido in cckres, enako strukturirana, vendar le 9-odstotna dela Gigafide oz. kres-a, ki sta kot podatkovna 43 baza odprta za prenos pod licenco Creative Commons (več o ccGigafidi in ccKres-u je zapisano v 4. pogl.). Opisali smo potek zbiranja besedil, se na kratko ustavili pri označitvi korpusa z označevalnikom Obeliks in njegovi natančnosti ter nato prek vsebine korpusa povratno ocenili lastno (ne)uspešnost pri »zbiralnem« delu gradnje; presodili smo namreč, da bi bila taka samorefleksija lahko koristna za izostritev prioritet pri zbiranjih besedil za naslednje korpuse slovenščine. Gigafido smo že pred časom dali v javno uporabo ( http://demo. gigafida.net/), računajoč na odzive in analize s strani različnih uporabnikov. V kratkem bodo javno dostopni tudi ostali trije korpusi: KRES v istem konkordančniku kot Gigafida na http://www.korpus-kres. net/, oba 9-odstotna korpusa pa kot baza podatkov na http://www.slovenscina.eu/korpusi/proste-zbirke. Zavedamo se, da je za vse vpletene kakršenkoli stik s korpusom vedno vsaj malo tudi učni proces, zato bomo odzive uporabnikov Gigafide, kres-a, ccGigafide ter ccKres-a razumeli kot dobrodošlo dopolnitev premislekov v tem in naslednjih poglavjih knjige. 44 12 Ne v smislu orodja, kakršno je 2 Spletna besedila korpusa npr. BootCaT (Baroni, Bernardini 2004), in njegovih rezultatov, ki se potrjujejo kot uporabni ne le Gigafida pri specializiranih, temveč tudi pri splošnih korpusih (Sharoff 2006), temveč vsaj kot postopek, ki bi morda lahko deloma nadomestil časovno potratno in 2.1 Uvod avtorskopravno zapleteno zbiranje tiskanih izdaj časopisov O » ktobra 2007 se je za internetne uporabnike izreklo 66 % ter revij. vprašanih v populaciji od 12 do 65 let. Ocenjujemo, da je v populaciji od 10 do 75 let 63 % uporabnikov interneta oziroma 1.057.893 prebivalcev /Republike Slovenije/.« (Vehovar, Brečko 2007: 1.) »Število bralcev tiskanih medijev /se/ vse bolj znižuje. V letu 2008 se je prvič zgodilo, da v Sloveniji ni več /nobene/ tiskane edicije, katere eno izdajo bi v povprečju bralo več kot 400.000 ljudi, saj ljudje berejo novice na spletu.« ( Http://www.ris.org/db/27/10387/.) Raziskave potrjujejo, da postaja podajanje pisnega jezika v javni rabi vse manj domena tiska in vse bolj domena elektronskih medijev. Podatki za Slovenijo sicer kažejo, da so daleč najbolj pogosta oblika uporabe interneta iskalniki, ki dosegajo 64 % dnevnih aktivnosti uporabnikov interneta, medtem ko je že na drugem mestu s 34-odstotnim obsegom branje dnevnih novic, na tretjem (32 %) pa branje drugih novic in vsebin na drugih spletnih straneh oz. portalih (Zorko 23. 1. 2009). Pri projektu ssj smo se odločili, da tradicionalnemu prenosniku – tisku – pridružimo tudi internetnega. Pravzaprav tokrat niti ni šlo za prvo vključitev internetnih besedil v referenčni korpus slovenščine, saj je že Fidaplus vsebovala 1,24 % internetnega gradiva, enajst dokumentov z besedili s spletnih strani pa je postalo del referenčnega korpusa fida že daljnega leta 1998 (vsebovali so 20.999 pojavnic oz. besed). Ob tem naj spomnimo, da izmed sedmih tujih nacionalnih korpusov, ki smo jih navedli v Tabeli 4.2 (če oba bolgarska pustimo ob strani), internetna besedila vsebuje le referenčni korpus poljskega jezika, in sicer v obsegu 7 %, gre pa za besedila s forumov, sporočila, razposlana prek dopisnih seznamov (angl. mailing list), besedila iz klepetalnic ipd. (Przepiórkowski in dr. 2010). Svojo v tem smislu drugačno odločitev, tj. da v Gigafido vključimo besedila s spletnih strani (in ne npr. klepetalnic), utemeljujemo s tem, da je šlo v metodološkem smislu za prvi večji tak poskus pri nas, ki bi lahko oblikoval smernice za prihodnjo gradnjo referenčnih korpusov slovenščine12 ter nakazal nekatere zanimive (besedilnozvrstno primerjalne) jezikoslovne analize. Sicer pa je bil načrtovani delež besed s tega medija zelo okviren oz. širok: ocenili smo, da bi v končnem korpusu spletna besedila lahko prispevala od 10 do 50 % besed (Tabela 1.3). 45 2.2 Merila izbire in izbrane spletne strani Pri izbiri spletnih besedil za Gigafido smo se omejili na strani z informativnimi vsebinami, in sicer na: a) besedila novičarskih portalov in b) predstavitvene strani podjetij ter državnih, pedagoških, raziskovalnih, kulturnih ipd. ustanov. 2.2.1 Besedila novičarskih portalov Ključno merilo izbire novičarskih portalov je bila obiskanost. Pri tem smo predvsem izhajali iz podatkov, objavljenih v raziskavi moss – merjenje obiskanosti spletnih strani ( http://www.soz.si/projekti_soz/ moss_merjenje_obiskanosti_spletnih_strani/), ki jo − kot smo že zapisali − za Slovensko oglaševalsko zbornico oz. njen Svet pristopnikov k moss izvaja podjetje Valicon, d. o. o., skupaj s podjetjem Gemius S.A. (Priloga 2). Primerjalno smo k tem podatkom pridružili še podatke s spletne strani Alexa ( http://www.alexa.com/) in podatke iz raziskave Raba interneta v Sloveniji ( http://www.ris.org). Alexa obiskanost spletnih strani meri avtomatsko po vsem svetu in daje podatke po državah. Njen merilnik deluje tako, da si uporabnik v brskalnik naloži Alexino orodno vrstico, prek katere nato Alexa meri, kolikokrat je uporabnik obiskal neko spletno stran. Drugi primerjalni vir je bila raziskava, ki jo že nekaj let izvaja Center za metodologijo in informatiko Fakultete za družbene vede Univerze v Ljubljani. Podatki iz poročila Spletna obiskanost 2010 (Brečko 2010), ki so sicer pridobljeni telefonsko, so zelo podobni ugotovitvam obeh prej omenjenih merjenj: v vrhu obiskanosti novičarskih spletnih strani v Sloveniji so 24ur.com, siol.net in rtvslo.si. Da bi se besedila ne podvajala, med spletne strani, na katerih smo izvedli pajkanje, nismo vključili strani, kot so npr. delo.si, vecer.si ali finance.si, saj so Delo, Večer in Finance, kakršni izidejo v tiskani izdaji, v korpus že vključeni (čeprav smo se zavedali, da spletne izdaje časopisov zajemajo tudi vsebine, ki jih v tiskani obliki časopisov ni, prim. Ficko 2010); smo pa v pajkanje vključili spletno stran Primorskih novic, katerih tiskane izdaje za korpus nismo mogli dobiti. Pajkanje smo izvedli na 10 novičarskih spletnih straneh (Tabela 2.1), in sicer je šlo pri vseh za dnevno pajkanje v času od 1. 4. 2010 do 11. 4. 2011 (z nekaj izpuščenimi dnevi; prim. Prilogo 5). Na večini strani je bilo izvedenih približno 350 pajkanj. 46 13 V korpusu je tudi dokument z Tabela 2.1: Pajkanje: novičarske strani. besedili, pridobljenimi iz leta Spletna stran Izdajatelj Število pajkanj Število besed v Gigafidi 1998 s portala sta.si (Slovenska tiskovna agencija). Gre sicer za 24ur.com PRO PLUS 356 34.963.385 besedila, ki izvirajo še iz korpusa arhivo.com Arhivo 262 426.341 fida in smo jih vključili tudi v Gigafido. V tem razvidu jih zaradi govori.se Adria Media Ljubljana 352 1.379.141 skupnega števila besed v zadnjem najdi.si Najdi, informacijske 356 7.789.209 stolpcu navajamo le v Tabeli 2.1, storitve sicer pa njihovo obravnavo opuščamo, saj niso bila n-tv.si N-tv 137 251.119 pridobljena s pajkanjem. pozareport.si Report 355 3.299.379 14 Pri tem smo nekajkrat izvedli še dodatna pajkanja določenih primorske.si Primorske novice ČZD 337 3.670.242 spletnih mest, zato statistike v revija-reporter.si Prava smer 219 1.534.410 Tabelah 2.2 in 2.3 ne sledijo strogo omejenim pajkalnim rtvslo.si RTV Slovenija 356 27.294.954 režimom. siol.net Planet 9 357 36.103.293 Pregled dogodkov v … Slovenska tiskovna 1 369 (1998), sta.si13 agencija SKUPAJ 3.088 116.711.842 2.2.2 Predstavitvene strani podjetij in ustanov Pri izbiranju predstavitvenih strani slovenskih podjetij smo izhajali iz lestvic najuglednejših, največjih in najuspešnejših podjetij, ki jih pripravlja časopis Finance, ter lestvice največjih slovenskih podjetij, ki je izšla v Delu ft 25. 5. 2009, nato pa smo po lastni presoji izbrali še spletne strani vidnejših državnih, pedagoških, raziskovalnih in kulturnih ustanov. Pri zadnjih je bil izbor omejen na dve kategoriji: izmed inštitutov izven univerz in sazu-ja smo vključili prvih 15 inštitutov, ki smo jih z iskalnikom google.si dobili s ključno besedo inštitut/institut (seznam smo izdelali decembra 2008); pri kulturnih ustanovah pa smo za izhodišče vzeli delovna področja Ministrstva za kulturo Republike Slovenije s ključnimi besedami gledališče, glasba, ples, vizualne umetnosti in knjižnice. Pri obojem, tako pri podjetjih kot drugih ustanovah, smo upoštevali tudi podatke o obiskanosti spletnih strani iz merjenja moss, ki pa so izbrana podjetja in ustanove zajeli le v majhnem številu. Pri branju Tabele 2.1, pa tudi v nadaljevanju Tabele 2.2 in Tabele 2.3 je treba vedeti, da podani števili, tj. število pajkanj in število besed v Gigafidi, prikazujeta stanje po »čiščenju« zajetih spletnih vsebin in torej odražata le obseg besedil, ki je bil dejansko vključen v korpus (pajkanje ter čiščenje spletnih vsebin podrobneje obravnavamo v naslednjem razdelku). Če pustimo ob strani 10 strani, ki prihajajo še iz korpusa fida in smo jih v Gigafidi ohranili, smo s pajkanjem zajeli 91 strani, in sicer strani 29 podjetij (Tabela 2.2) in 62 ustanov (Tabela 2.3). Pajkanje je bilo bodisi enkratno bodisi mesečno,14 izvedeno pa je bilo med 1. 4. 2010 in 7. 4. 2011. Pogostost pajkanja posameznega spletnega mesta smo določili intuitivno, in sicer smo večkrat pajkali spletna mesta, ki 47 občasno objavljajo sporede in novice o dogodkih, relativno statična spletna mesta pa smo pajkali manj pogosto. Število pajkanj večine od teh strani se giblje od ena do 28, število dokumentov (in posledično tudi besed), ki smo jih zajeli, pa je odvisno predvsem od velikosti (tj. globine ter razvejanosti oz. števila podstrani) in dinamičnosti spletnega mesta (npr. statične strani brez osveževanja; sveže vsebine vsak mesec, nekajkrat mesečno). Tabela 2.2: Pajkanje: predstavitvene strani podjetij. Spletna stran Podjetje Število pajkanj Število besed v Gigafidi abanka.si Abanka 21 142.857 adria.si Adria Airways 19 54.975 btc-city.com BTC City 22 495.238 cimos.eu Cimos 3 6.747 eles.si Eles 1 49.432 enaa.com Menea 351 5.463.099 engrotus.si Engrotuš 14 163.771 gorenje.si Gorenje 22 183.213 kolosej.si Kolosej 25 3.403.682 kompas.si Kompas 28 739.542 krka.si Krka 25 139.097 lek.si Lek 20 123.803 lesnina.si Lesnina 18 8.838 mercator.si Mercator 23 689.517 merkur.eu, merkurgroup.eu Merkur 24 96.495 mobitel.si Mobitel 24 474.488 nlb.si NLB 22 174.210 omv.si OMV 4 27.667 petrol.si Petrol 22 353.370 pivo-lasko.si Pivovarna Laško 20 15.020 pivo-union.si Pivovarna Union 1 98 posta.si Pošta Slovenije 1 71.871 revoz.si Revoz 7 11.039 simobil.si Simobil 20 157.119 slo-zeleznice.si Slovenske železnice 21 100.789 sportina.si Sportina 24 58.809 telekom.si Telekom 24 67.507 toyota.si Toyota 21 117.137 zito.si Žito 15 27.631 SKUPAJ 842 13.417.061 48 Tabela 2.3: Pajkanje: predstavitvene strani ustanov. Spletna stran Ustanova Število pajkanj Število besed v Gigafidi 1. Državne ustanove gov.si Republika Slovenija (RS) 26 3.415.076 vlada.si Vlada RS 22 309.080 up-rs.si Predsednik republike RS 22 921.412 dz-rs.si Državni zbor RS 23 27.737.001 ds-rs.si Državni svet RS 23 400.808 us-rs.si Ustavno sodišče RS 22 3.234.407 sodisce.si Vrhovno sodišče RS 24 5.776.609 rs-rs.si Računsko sodišče RS 21 65.373 dt-rs.si Vrhovno državno tožilstvo RS 17 38.511 dp-rs.si Državno pravobranilstvo RS 7 9.819 varuh-rs.si Varuh človekovih pravic RS 24 788.943 dkom.si Državna revizijska komisija RS 22 657.160 ip-rs.si Informacijski pooblaščenec RS 24 3.735.755 2. Raziskovalno-pedagoške ustanove a) univerze, akademije, fakultete, visoke šole s povezavami na članice uni-lj.si Univerza v Ljubljani 25 1.671.215 uni-mb.si Univerza v Mariboru 24 754.585 upr.si Univerza na Primorskem 24 465.416 ung.si Univerza v Novi Gorici 24 251.593 b) SAZU, ZRC SAZU s povezavami na inštitute sazu.si SAZU 1 80.235 zrc-sazu.si ZRC SAZU 2 304.692 c) inštituti izven univerz in SAZU-ja ijs.si Inštitut Jožef Stefan 1 68.242 ki.si Kemijski inštitut 2 18.693 nib.si Nacionalni inštitut za biologijo 1 43.923 ivz.si Inštitut novejše zgodovine 2 93.118 mirovni-institut.si Mirovni inštitut 2 2.061.098 inv.si Inštitut za narodnostna 1 10.673 vprašanja izum.si Inštitut informacijskih znanosti 2 70.719 pei.si Pedagoški inštitut 1 7.968 itr.si Inštitut za trajnostni razvoj 1 42.953 onko-i.si Onkološki inštitut Ljubljana 1 48.204 imt.si Inštitut za kovinske materiale 1 6.667 in tehnologije ier.si Inštitut za ekonomska 1 142 raziskovanja urbinstitut.si Urbanistični inštitut 1 326 gozdis.si Gozdarski inštitut Slovenije 1 6.745 irssv.si Inštitut RS za socialno varstvo 1 5.766 49 3. Kulturne ustanove a) gledališče drama.si Slovensko narodno gledališče 20 63.567 Drama Ljubljana sng-mb.si Slovensko narodno gledališče 20 65.424 Maribor sng-ng.si Slovensko narodno gledališče 20 246.063 Nova Gorica slg-ce.si Slovensko ljudsko gledališče 16 151.658 Celje mladinsko.com Slovensko mladinsko gledališče 24 112.367 mgl.si Mesno gledališče ljubljansko 16 50.815 lgl.si Lutkovno gledališče Ljubljana 2 200 lg-mb.si Lutkovno gledališče Maribor 9 10.276 pgk.si Prešernovo gledališče Kranj 19 83.476 teaterssg.org Slovensko stalno gledališče Trst 18 22.020 spasteater.si Špas teater 20 74.054 kud-fp.si KUD France Prešeren 9 70.068 b) film film-sklad.si Filmski sklad RS 13 15.956 vibafilm.si Viba film 3 4.436 c) glasba, ples cd-cc.si Cankarjev dom 33 342.375 ljubljanafestival.si Festival Ljubljana 23 135.486 filharmonija.si Slovenska filharmonija 19 31.165 opera.si Slovensko narodno gledališče 17 52.939 Opera in balet Ljubljana č) muzeji, galerije narmuz-lj.si Narodni muzej Slovenije 2 664 pms-lj.si Prirodoslovni muzej 17 139.057 tms.si Tehniški muzej Slovenije 21 62.502 mestnimuzej.si Mesni muzej Ljubljana 21 79.657 etno-muzej.si Slovenski etnografski muzej 22 445.943 muzej-nz.si Muzej novejše zgodovine 10 31.729 Slovenije ssolski-muzej.si Slovenski šolski muzej 8 50.510 ng-slo.si Narodna galerija 16 104.096 mg-lj.si Moderna galerija Ljubljana 22 58.884 d) knjižnica nuk.si Narodna in univerzitetna 2 620 knjižnica SKUPAJ 838 55.608.934 50 2.3 Tehnologije za zajemanje spletnih besedil Kadar imamo opraviti s tekstovnimi dokumenti, ki jih dobimo neposredno od lastnikov vsebin, so ti navadno v taki obliki, da zahtevna priprava ni potrebna. V teh primerih gre navadno za vsebine, ki jih dobimo neposredno iz uredništev tiskanih medijev in pri katerih imamo naslov, povzetek, glavno besedilo, datum objave ter ostale tekstovne elemente jasno določene in označene. Take vsebine ne vsebujejo spremnih in vnaprej pripravljenih besedil (angl. boilerplate), kot so oglasi, izjave o avtorskih pravicah, navigacijski elementi, priporočila ipd. Ti elementi pa, po drugi strani, spremljajo skoraj vsako spletno stran. Spletne strani torej same po sebi niso primerne za nadaljnjo obdelavo. Vsebujejo namreč veliko »šuma«, ki ga je treba identifici-rati in odstraniti. Programska oprema za zajem in obdelavo besedil s spleta (imenovana tudi cevovod za zajem besedil), prikazana na Sliki 2.1, je zato sestavljena iz različnih tehnologij, ki pri zajemu in pripravi besedil delujejo kot celota. Njena naloga je zajemanje nestrukturira-nih podatkov (tj. dokumentov tipa html) iz različnih spletnih virov, odkrivanje relevantnih vsebin v spletnih dokumentih, odstranjevanje podvojenih in nerelevantnih dokumentov ter shranjevanje besedil v obliki, primerni za nadaljnjo obdelavo (npr. za oblikoslovno označevanje in razčlenjevanje). S tehničnega vidika cevovod sestavljajo naslednje komponente: (i) spletni pajek (angl. Web crawler), (ii) odstranjevalnik spremnih in vnaprej pripravljenih besedil (angl. boilerplate remover), (iii) detektor jezika (angl. language detector) ter (iv) odstranjevalnik dvojnikov in približnih dvojnikov (angl. near-duplicate remover). V naslednjih podpoglavjih podrobneje obravnavamo te komponente in tehnologije, na katerih so osnovane. Slika 2.1: Cevovod za zajem spletnih besedil v projektu SSJ. Odstranjevalnik spremnih Odstranjevalnik Splet Spletni Detektor dvojnikov pajek in vnaprej Gigafida pripravljenih jezika in približnih besedil dvojnikov Spremna Tujejezična Dvojniki in in vnaprej besedila približni dvojniki pripravljena besedila 51 2.3.1 Zajemanje spletnih vsebin Spletne vsebine navadno zajemamo prek protokola http (angl. hyper-text transfer protocol) ali prek protokolov, ki so osnovani na pro-tokolu http, kot sta npr. protokola RSS (angl. really simple syndication) in soap (angl. simple object access protocol). http je v svoji osnovi protokol za dostop do spletnih vsebin. Spletni odjemalec (angl. Web client), npr. spletni brskalnik (angl. Web browser), spletnemu strežniku (angl. Web server) pošlje zahtevo (angl. http request) in od strežnika prejme odgovor (angl. http response). Zahteva npr. vsebuje referenco na spletno vsebino (angl. url ali uniform resource locator), ki jo strežnik nato v odgovoru pošlje odjemalcu. Tak »cikel« komuniciranja med odjemalcem in strežnikom se zgodi ob vsakem kliku na povezavo v spletnem brskalniku ali ob vnosu spletnega naslova v navigacijsko vrstico. To načelo za zajemanje spletnih vsebin izkoriščajo tudi spletni pajki, ki simulirajo sistematično brskanje po spletu. Kot smo že omenili, služi protokol http tudi za prenos komuniciranja po višjenivojskih protokolih, kot sta protokola rss in soap. Protokol rss odjemalcu omogoča, da prejema obvestila o svežih vsebinah z blo-gov, spletnih forumov, novičarskih spletnih mest in spletnih mest, ki agregirajo novice. Spletna mesta, ki podpirajo rss, prek rss-kanalov (angl. rss channel) periodično objavljajo sezname svežih vsebin. rss-kanal ni nič drugega kot spletni naslov, prek katerega rss-odjemalci, tj. rss-bralniki (angl. rss readers), dostopijo do pripadajočega rss-dokumenta. rss-dokument je dokument tipa xml, ki vsebuje naslove in povzetke svežih vsebin. V rss-dokumentu navadno ni glavnega besedila neke objave, je pa povezava na spletno stran, na kateri si uporabnik lahko v celoti prebere vsebino. Čeprav je protokol rss za zajemanje spletnih vsebin zelo priročen, saj lahko odjemalec na standardiziran način dostopi do seznama povezav na sveže vsebine, ga seveda ne podpirajo vsa spletna mesta (še zlasti ne tista z manj dinamičnimi vsebinami). Protokol soap je v osnovi namenjen komuniciranju odjemalcev s spletnimi servisi (angl. Web services). Spletni servisi so programske knji- žnice, ki »živijo« na spletu. Odjemalec (npr. uporabniški program) prek enega od omenjenih protokolov strežniku posreduje ime operacije in pripadajoče parametre, strežnik pa operacijo izvede ter rezultat posreduje nazaj odjemalcu. Spletni servisi imajo še posebej smisel, kadar operacije zahtevajo vire, ki so bodisi dragi, netipični (npr. senzorji) ali pa zelo zmogljivi in ki jih lahko zagotovi le strežniški sistem (npr. ra- čunalništvo v oblaku; angl. cloud computing). Podobna situacija je pri dostopu do novic in sorodnih vsebin, ki jih lastniki in posredniki hranijo v relativno velikih podatkovnih bazah. Taka posrednika novic sta npr. Bloomberg in Interactive Data, ki za plačilo ponujata programske vmesnike za dostop do finančnih novic ter finančnih podatkov (npr. gibanja tečajev delnic). Vsebine, do katerih dostopamo prek takih 52 vmesnikov, so običajno pripravljene za nadaljnjo obdelavo, kar pomeni, da jih spremljajo potrebne informacije (npr. jezik besedila), ne vsebujejo spremnih in vnaprej pripravljenih besedil, semantične enote (npr. naslov, povzetek, glavno besedilo) pa so jasno označene. Seveda pa so taki vmesniki dostopni le v nekaterih specifičnih domenah (npr. domena finančnih trgov), njihova uporaba pa praviloma ni brezplačna. 2.3.1.1 Spletni pajki Spletni pajek je program, ki na sistematičen način avtomatsko »brska« po spletu. Za zagon potrebuje seznam začetnih naslovov, s katerih svoj sprehod nadaljuje glede na določeno načelo obiskovanja spletnih strani (npr. obiskovanje spletnih strani v širino; angl. breadth-first page selection policy). Spletni pajek z vsake obiskane spletne strani izlušči povezave (tj. vsebovane spletne naslove) in jih shrani v čakal-no vrsto spletnih naslovov (angl. url queue). Vsebina vsake obiskane strani se navadno v svoji osnovni obliki (tj. html) shrani v datoteko ali podatkovno bazo. Spletni pajek mora na svoji poti uspešno razre- šiti mnoge tehnične probleme, kot so izbiranje in normalizacija povezav, zaznava ciklov, ravnanje z dinamično naloženimi vsebinami ter učinkovita paralelizacija zajemanja vsebin. Hkrati pa mora upoštevati navodila, ki jih prejme od spletnih strežnikov, in se tako omejiti na področja, na katerih je pajkanje dovoljeno, ter s primerno nizko po-gostostjo dostopov do strani omogočiti, da lahko pravi uporabniki s spletnimi brskalniki nemoteno dostopajo do vsebin. Visokonivojska arhitektura tipičnega spletnega pajka je prikazana na Sliki 2.2. Slika 2.2: Visokonivojska arhitektura tipičnega spletnega pajka. Splet Spletne strani v obliki html Čakalna vrsta Zajem in razčlenitev spletnih naslovov vsebin Podatkovna baza Novi spletni naslovi 53 15 Strežnik pajku posreduje V: Rekli smo, da spletni strežniki podpirajo pajkanje celo do te navodila za pajkanje v tekstovni mere, da pajkom posredujejo navodila za pajkanje.15 Kaj pa imajo datoteki robots.txt, ki se navadno nahaja v korenu spletnega mesta spletni strežniki oz. pripadajoča spletna mesta od pajkanja? (npr. http://24ur.com/robots.txt). O: Pajkanje je sestavni element sožitja med spletnimi mesti in spletnimi iskalniki (angl. Web search engines). Spletni iskalniki kot npr. Google – Googlov pajek se imenuje Googlebot – s pomočjo pajkanja spleta gradijo in posodabljajo centralne indekse spletnih vsebin. Končni uporabniki do spletnih vsebin vsakodnevno v veliki meri dostopajo prek spletnih iskalnikov in tako je v interesu praktično vsakega spletnega mesta, da je zapisano v indeksih spletnih iskalnikov. Po drugi strani pa je v interesu iskalnikov, da jih obišče čim večje število uporabnikov, saj iskalnikom denar prinaša predvsem oglaševanje. Prav zaradi tega morajo iskalniki poskrbeti tudi za to, da se v njihovih indeksih odraža čim večji del spleta in da so indeksirane vsebine čim bolj sveže. 2.3.1.2 Spletno pajkanje v projektu SSJ V projektu ssj smo preizkusili nekaj odprtokodnih spletnih pajkov, in sicer spletne pajke HarvestMan ( http://code.google.com/p/ harvestman-crawler/), OpenWebSpider ( http://www.openwebspider. org/) in httrack ( http://www.httrack.com/). Kritično smo jih ocenili z naslednjih vidikov: (i) odvisnost od operacijskega sistema in drugih programskih knjižnic, (ii) sposobnost omejevanja globine in domene pajkanja, (iii) sposobnost filtriranja vsebin glede na tip in velikost, (iv) prisotnost in prijaznost programskega vmesnika, (v) prijaznost do spletnih strežnikov, (vi) sposobnost posodabljanja zajetih vsebin, (vii) dostopnost do zajetih vsebin, (viii) sposobnost obravnave skrip-tov in preusmeritev ter (ix) zmožnost nadaljevanja zajemanja vsebin po prekinitvi. Od naštetih spletnih pajkov se je httrack izkazal za najboljšega, zato smo za zajemanje spletnih vsebin za korpus Gigafida izbrali tega. Zbrane semenske spletne naslove (Tabele 2.1, 2.2 in 2.3) smo intuitivno razdelili na tri sezname, ki so predstavljali tri režime pajkanja: dnevno, mesečno in enkratno pajkanje. Izdelali smo program, ki je prožil spletno pajkanje glede na te režime. Dnevno smo zajemali vsebine z novičarskih portalov (npr. 24ur.com, siol.net in rtvslo.si), meseč- no s spletnih mest, ki občasno objavljajo sporede in novice o dogodkih (npr. sng-ng.si, drama.si in kud-fp.si), enkratno pa s spletnih mest podjetij in ustanov (npr. posta.si in ijs.si), ki imajo relativno statične spletne strani. Iz takega načina pajkanja seveda sledi, da smo zbrali veliko podvojenih vsebin, kar smo reševali naknadno z odpravljanjem dvojnikov v eni od sledečih stopenj cevovoda. 54 2.3.2 Odstranjevanje spremnih in vnaprej pripravljenih besedil Tipična spletna stran vsebuje različne tekstovne elemente. Za primer vzemimo stran z novico, ki jo prikazuje Slika 2.3. Za nadaljnjo obravnavo besedila so primerni predvsem naslov, povzetek in glavno besedilo. Ostali tekstovni elementi so manj zanimivi in za nekatere vrste nadaljnje obravnave (npr. vsebinsko kategorizacijo strani) lahko celo škodljivi. Tem tekstovnim elementom pravimo spremna in vnaprej pripravljena besedila ter so del predloge (npr. navigacijski elementi in izjave o avtorskih pravicah) ali pa z novico niso neposredno povezani (npr. oglasi). Največkrat pod spremne elemente štejemo tudi priporočila in komentarje uporabnikov, čeprav ti običajno vsebinsko sovpadajo z novico. V splošnem je odločitev, katere tekstovne elemente je treba izločiti, odvisna od problema, ki ga rešujemo, oz. od tipa analize, ki sledi pripravi besedil. Poleg preučevanja sodobnega slovenskega jezika, kar je eden glavnih ciljev projekta ssj, je treba spletne strani »očistiti« tudi za mnoge druge aplikacije, kot so grajenje indeksov za spletne iskalnike, detekcija vsebinsko enakih in podobnih spletnih strani ter prikazovanje spletnih strani na majhnih zaslonih (npr. na mobilnih telefonih). Če pomislimo na številčnost aplikacij, za katere je treba s spletnih strani odstraniti spremna in vnaprej pripravljena besedila, je zanimi-vo, da opisni jezik html ne vsebuje semantičnih značk, s katerimi bi izdelovalci spletnih strani označili različne tekstovne segmente (npr. glavno besedilo, določeno z značko , povzetek z značko ipd.). Zaradi pomanjkanja te informacije je treba uporabiti algoritme za detekcijo pomembnih vsebin oz. – gledano z naspro-tnega vidika – za detekcijo spremnih in vnaprej pripravljenih tekstovnih elementov. Ti algoritmi temeljijo bodisi na hevristikah, regularnih izrazih (angl. regular expressions) ali celo kompleksnih klasifikacijskih modelih, zgrajenih s pomočjo strojnega učenja (angl. machine learning). Čeprav so lahko hevristike dokaj enostavne (npr. obravnavamo samo tekstovne segmente, ki so daljši od določenega števila znakov) in čeprav kljub preprostosti dokaj dobro delujejo, so le redko primerne za zahtevnejše aplikacije. Če je nabor oblikovnih predlog omejen (npr. ena sama predloga), je smiselno uporabiti regularne izraze, ki za določeno predlogo natančno opišejo, kje v predlogi se nahaja pomembna vsebina. Žal imamo največkrat opraviti z velikim številom predlog, preproste hevristike pa ne dajejo dovolj dobrih rezultatov, zato moramo uporabiti enega od zahtevnejših pristopov. 55 Slika 2.3: Tipična novičarska spletna stran.* * Za nadaljnjo analizo so pomembni predvsem naslov, povzetek in glavno besedilo, ki so označeni na sliki, vsa ostala besedila na strani pa so spremna ter vnaprej pripravljena besedila, ki jih je treba odstraniti. 2.3.2.1 Obstoječi pristopi Omenili smo, da lahko spremna in vnaprej pripravljena besedila zaznamo s hevristikami ali regularnimi izrazi. Ta dva pristopa sta žal toga in običajno za zahtevnejše aplikacije nista primerna. Zato je v literaturi mogoče zaslediti mnogo kompleksnejših pristopov. Ob pogledu na tipično novičarsko spletno stran (npr. Slika 2.3) se nam upravičeno zazdi, da isti semantični tipi tekstovnih segmentov na spletni strani navadno zavzemajo podobno lego: glavno besedilo je na sredini, povzetek in naslov sta nad njim, komentarji uporabnikov so spodaj, oglasi, navigacijski meni in podobne manj pomembne vsebine pa so ob straneh. Pristop k odstranjevanju spremnih in vnaprej pripravljenih besedil, znan kot vizualna segmentacija strani (angl. visual page segmentation ali vips), izkorišča prav to dejstvo. Tekstovne segmente razporedi v semantične kategorije glede na njihov položaj na spletni strani (Cai in dr. 2003). Ta metoda je zahtevna 56 z implementacijskega vidika, saj je treba izračunati položaj in razse- žnosti vsakega tekstovnega elementa. To vsekakor ni enostavno in edina programska oprema, ki to postavitev dosledno izvaja, so spletni brskalniki. Pri implementaciji te metode bi zato morali uporabiti eno od programskih knjižnic, na katerih so osnovani spletni brskalniki. To v program za odstranjevanje spremnih in vnaprej pripravljenih besedil vnese precejšnjo kompleksnost, ki pa ne prinese vedno zadostne konkurenčne prednosti. Popolnoma drugače spletno stran obravnava metoda za odkrivanje maksimalnega podniza (angl. maximum subsequence segmentation) (Pasternack, Roth 2009), ki spletno stran najprej razčleni na značke in besede, nato pa poišče tisto besedo, s katero se glavno besedilo začne, in tisto, s katero se glavno besedilo konča. To stori tako, da vsakemu osnovnemu členu (tj. znački ali besedi) najprej pripiše neko vrednost (ki je lahko tudi negativna), nato pa poišče tak zvezni podniz členov, da je vsota teh vrednosti največja možna. Lokalne verjetnosti, na podlagi katerih se izračunajo vrednosti, pripisane besedam in značkam, se določijo z naivnim Bayesovim klasifikatorjem (angl. naive Bayes classifier), ki je eden od dobro poznanih postopkov strojnega učenja. Da je metoda za odkrivanje maksimalnega podniza lahko uspešna, mora biti glavno besedilo zvezno (tj. neprekinjeno) in dovolj dolgo v primerjavi s spremnim besedilom. Značke in kontekst, ki se v dokumentu html pojavijo znotraj glavnega besedila, je treba z raznimi hevristikami naknadno odstraniti. Čeprav je ta metoda učinkovita in dokaj uspešna pri detekciji dolgega zveznega tekstovnega segmenta, je žal omejena zgolj na detekcijo glavnega besedila in ne ponuja fle-ksibilnosti, ki je potrebna za detekcijo drugih pomembnih vsebin. Mnogo bolj je s tega vidika fleksibilen algoritem, ki temelji na plitvih tekstovnih značilkah (angl. shallow text features) (Kohlschütter, Fankhauser, Nejdl 2010). Ta algoritem iz dokumenta html najprej izlušči vse zvezne tekstovne segmente (tj. tekstovne segmente, ki se začnejo in končajo z neko html-značko) in jih nato opiše s plitvimi jezikovno neodvisnimi značilkami. Oznaka »plitve značilke« izhaja iz dejstva, da se pri računanju značilk algoritem ne poglablja v vsebino, ampak zgolj izračuna kopico »površinskih« lastnosti trenutnega tekstovnega segmenta (npr. število besed in število ločil v tekstovnem segmentu). S preučitvijo nabora značilk, ki opisujejo dani tekstovni segment, algoritem nato segment klasificira v eno od semantičnih kategorij (glavno besedilo, naslov, komentar, vnaprej pripravljeno besedilo ipd.). Omenjeni algoritem temelji na načelih strojnega učenja in za klasifikacijo tekstovnih segmentov uporablja odločitveno drevo (angl. decision tree). Kot je tipično za aplikacije nadzorovanega strojnega učenja (angl. supervised learning), logika za izgradnjo odlo- čitvenega drevesa najprej preuči veliko število dokumentov html, v katerih so semantične enote ročno označene. Na podlagi tako 57 pridobljenega znanja zgradi odločitveno drevo, kakršno je prikazano na Sliki 2.4. Na odločitveno drevo lahko pogledamo kot na skupek če-potem pravil (angl. if-then rules), ki jih je moč razbrati s »sprehodom« od korena proti listom drevesa. Odločitveno drevo na Sliki 2.4 (oz. pripadajoči klasifikacijski algoritem) za klasifikacijo trenutnega tekstovnega segmenta preuči značilke predhodnega, trenutnega in slede- čega tekstovnega segmenta. Kot je razvidno iz slike, algoritem najprej preveri značilko c.LnkDns (tj. delež teksta, ki v trenutnem tekstovnem segmentu opisuje povezave). Če je njena vrednost manjša ali enaka 0,1562, klasifikacijski algoritem preveri vrednost značilke c.Wrds (tj. število besed v trenutnem tekstovnem segmentu). V nasprotnem primeru pa preveri vrednost značilke c.CapWrdRtio (tj. delež besed, ki so v trenutnem tekstovnem segmentu napisane z veliko začetnico). Na podlagi vrednosti značilk se algoritem odloča, kako bo nadaljeval sprehod po odločitvenem drevesu. Algoritem vedno konča sprehod v enem od listov drevesa, ki trenutnemu tekstovnemu segmentu pripi- še eno od semantičnih kategorij. Slika 2.4: Prvih nekaj nivojev odločitvenega drevesa za odstranjevanje spremnih in vnaprej pripravljenih besedil. c.LnkDns <= 0,1562 c.Wrds <= 15 c.CapWrdRtio <= 1,087 n.Wrds <= 13 n.RelPos <= p.Wrds <= 20 0,987382 n.InP = 0 Spremno ali Spremno ali Spremno ali Vsebina vnaprej pripravljeno vnaprej pripravljeno Vsebina vnaprej pripravljeno Vsebina besedilo besedilo besedilo Značilke za klasifikacijo tekstovnih segmentov so lahko definirane na različnih nivojih. Tako poznamo značilke, ki opisujejo pripadajoče spletno mesto (angl. site features), strukturne značilke, ki opisujejo strukturo pripadajočega html-dokumenta (angl. structural features), značilke, ki opisujejo tekstovne segmente na nivoju jezikovno neod-visnih »površinskih« lastnosti (angl. shallow features), jezikovne in 58 vsebinske značilke (angl. language and content features) ter densitometrične značilke, ki predstavljajo gostoto določenega elementa (npr. povezav) znotraj tekstovnega segmenta (angl. densitometric features). V naslednjem seznamu povzemamo nekaj značilk za klasifikacijo tekstovnih segmentov, ki jih je mogoče najti v literaturi (Kohlschütter, Fankhauser, Nejdl 2010; Spousta, Marek, Pecina 2008; Gibson, Wellner, Lubar 2007; Evert 2008): • Vsebovanost tekstovnega segmenta v specifični znački (npr.

,

,
) • Število in tip zaporednih značk med dvema tekstovnima segmentoma • Število in/ali delež določenih znakov v tekstovnem segmentu (npr. presledkov, števk, ločil) • Pozicija tekstovnega segmenta (absolutna, relativna) v html-dokumentu • Število povedi v tekstovnem segmentu (običajno izračunano z enostavnim štetjem končnih ločil) • Povprečna dolžina povedi (v smislu števila besed) • Prisotnost določenih elementov v tekstovnem segmentu (npr. datumov in spletnih naslovov) • Jezikovni profil (angl. language profile) tekstovnega segmenta (tj. verjetnostni opis zaporedja besed v nekem besedilu) • Gostota povezav (tj. delež besedila, ki v trenutnem tekstovnem segmentu opisuje povezave) • Število odkritih poimenovanih entitet v tekstovnem segmentu (tj. podjetja in ustanove, ljudje, kraji ipd.; angl. named entities) • Število besed, ki se začnejo z veliko začetnico • Razmerje med vrednostjo neke značilke predhodnega segmenta in vrednostjo iste značilke trenutnega segmenta (npr. razmerje med prejšnjim in trenutnim številom besed ali med prejšnjo in trenutno gostoto povezav) V: Ali je opisni jezik html osnovan na razširljivem opisnem jeziku xml (angl. extensible markup language)? O: Ni. html in xml imata skupnega prednika, sgml (angl. standard generalized markup language), katerega zametki segajo v 60. leta prejšnjega stoletja. html se prvič omenja leta 1991, medtem ko se ime xml pojavi šele proti koncu 90. let. xml je osnovan na strožjih pravilih in posledično je xml-dokumente lažje razčleniti (angl. parsing). html je bolj ohlapno definiran in se je razvijal »organsko« skupaj s spletom, kar povzroča preglavice brskalnikom ter drugi programski opremi, ki mora razčlenjevati html-dokumente. Zaradi tega se je leta 2000 pojavil standard xhtml (angl. extensible hyper-text markup language), ki predlaga inačico html-ja, osnovano na jeziku xml. 59 2.3.2.2 Odstranjevanje spremnih in vnaprej pripravljenih besedil v projektu SSJ Za zajem internetnih besedil smo se v projektu ssj po preučitvi problema, literature in trenutnih praks odločili za algoritem, ki temelji na plitvih tekstovnih značilkah (Kohlschütter, Fankhauser, Nejdl 2010). Našo izbiro je poleg zadovoljive klasifikacijske točnosti nare-kovalo predvsem dejstvo, da so značilke, ki jih izračuna algoritem, jezikovno neodvisne. To pomeni, da je mogoče klasifikator naučiti na angleških ročno označenih html-dokumentih in potem z njim klasi-ficirati tekstovne segmente v slovenskem jeziku. Ročno označevanje semantičnih enot v html-dokumentih tako ni bilo potrebno, saj so ročno označeni html-dokumenti v angleškem jeziku javno dostopni na spletu ( http://www.l3s.de/~kohlschuetter/boilerplate/). Prav tako pa je na spletu dostopna odprtokodna implementacija izbrane metode, ki so jo avtorji poimenovali Boilerpipe ( http://code.google.com/p/ boilerpipe/). 2.3.3 Detekcija jezika V projektu ssj smo besedila s spleta zajeli za izgradnjo korpusa slovenskega jezika. Zaradi tega je bilo treba izločiti besedila, ki niso bila napisana v slovenščini. Detekcija jezika je v primerjavi z odstra-njevanjem spremnih in vnaprej pripravljenih besedil za računalnik precej lažji problem. Uporablja se predvsem v cevovodih za rudarje-nje podatkovnih tokov (angl. stream data mining), saj so tehnologije za procesiranje naravnega jezika (angl. natural language processing ali nlp) navadno jezikovno odvisne. Tako so oblikoslovno označevanje (angl. pos tagging), skladenjsko razčlenjevanje (angl. natural language parsing), členitev na besede (angl. tokenization) in celo členitev na stavke (angl. sentence splitting) prilagojeni specifičnemu jeziku. Podobno je z nekaterimi postopki, ki se uporabljajo pri rudarjenju besedil (angl. text mining), kot sta pretvarjanje besed v osnovne oblike (angl. lemmatization) in odstranjevanje praznih besed (angl. stop word removal). Detektor jezika ima nalogo, da besedila, ki vstopajo v cevovod, pravilno delegira jezikovno odvisnim procesnim enotam in izloči besedila v jezikih, ki jih procesne enote ne znajo obravnavati. Večina algoritmov za detekcijo (klasifikacijo, identifikacijo) jezika je osnovanih na statističnih lastnostih jezika in uporablja nadzorova-no strojno učenje za tvorjenje jezikovnih profilov (angl. language profiles). Za aplikacijo teh postopkov je treba besedilo najprej razčleniti na osnovne enote, kot so črkovna zaporedja (angl. character n-grams) ali besede. Jezikovni profil ni nič drugega kot verjetnostna porazde-litev teh osnovnih enot oz. njihovega sosledja, to pa se da »naučiti« 60 iz dovolj velikega jezikovnega korpusa (v nekaterih primerih celo iz leksikona besed). Ena od metod, ki temeljijo na besedah, zgradi jezikovni profil iz pogostih kratkih besed (Grefenstette 1995; Ingle 1976), spet druga pri izgradnji profila dolžine besed ne omejuje (Souter in dr. 1994; Cowie, Ludovic, Zacharski 1999). Metoda, ki namesto besed obravnava črkovna zaporedja (Cavnar, Trenkle 1994), je manj občutljiva na področje, ki ga besedilo obravnava (npr. lahko zgradimo profil iz poljudnih besedil in ga aplici-ramo na strokovna), ter celo na napake v črkovanju. Zaradi tega, predvsem pa zaradi svoje klasifikacijske točnosti in preprostosti se ta metoda v praksi uporablja pogosto. Ta metoda sodi v zvrst nadzorovanega strojnega učenja. Algoritem v fazi učenja iz jezikovnih korpusov izračuna referenčne jezikovne profile (tj. jezikovne mo-dele). Slika 2.5 prikazuje dva taka referenčna jezikovna profila – za slovenski in angleški jezik. Lahko vidimo, da je profil v tem primeru zgolj po številu urejen seznam črkovnih zaporedij dolžine 1 in 2. Iz profilov na sliki je mogoče videti podobnosti in razlike med jezikoma: medtem ko je črka E najpogostejša črka v obeh jezikih, lahko vidimo, da so v slovenskem jeziku najpogostejša dvočrkovja »je«, »na« in »ni«, v angleščini pa je ena najpogostejših besed »the«, kar se kaže v velikem številu pojavitev dvočrkovij »th« in »he«. V fazi detekcije jezika klasifikacijski algoritem najprej iz besedila tvori jezikovni profil besedila (z vidika strojnega učenja gre za vektor značilk, pri katerem so značilke črkovna zaporedja) in ga nato primerja z vsemi znanimi referenčnimi jezikovnimi profili. Za izračun podobnosti med dvema profiloma se uporablja vrsta mere korelacije oz. njenega inverza, ki jo avtorji imenujejo mera out-of-place. Manj ko se vrstni red po številu urejenih črkovnih zaporedij prvega profila ujema z vrstnim redom drugega, večjo vrednost ima omenjena mera, saj z dodatnimi točkami »kaznuje« vsako črkovno zaporedje, ki ni na svojem mestu. Korelacijo med dvema profiloma se da grafič- no prikazati z razpršenim grafikonom (angl. scatter plot), ki za vsako črkovno zaporedje z izriše točko ( x, y), pri čemer je x število črkovnih zaporedij z v jezikovnem profilu, y pa število črkovnih zaporedij iste vrste v profilu besedila. Črkovna zaporedja so ob osi X urejena po številu pojavitev v jezikovnem profilu. Bolj ko so izrisane točke blizu diagonale, ki teče od koordinatnega izhodišča pa do zgornjega desnega kota, bolj sta dva profila korelirana (v primeru popolne korelacije, npr. pri primerjavi profila samega s seboj, vse točke ležijo na diagonali). Slika 2.6 prikazuje dva taka grafikona. Prvi prikazuje korelacijo med slovenskim besedilom in slovenskim jezikovnim profilom, drugi pa korelacijo med slovenskim besedilom in angle- škim jezikovnim profilom. Lahko vidimo, da je besedilo bolj kore-lirano s slovenskim jezikovnim profilom in tako lahko sklepamo, da gre za besedilo v slovenščini. 61 Slika 2.5: Referenčna jezikovna profila za slovenski (levo) in angleški jezik (desno). Slika 2.6: Korelacija med slovenskim besedilom in slovenskim jezikovnim profilom (levo) ter korelacija med slovenskim besedilom in angleškim jezikovnim profilom (desno). a a dil dil ese ese ega b ega b vensk vensk ofil slo ofil slo Pr Pr Slovenski jezikovni profil Angleški jezikovni profil 62 Detektor jezika se da uporabiti za reševanje še enega pomembne-ga problema, in sicer za detekcijo kodne strani (angl. code page), na podlagi katere je kodirano besedilo. Vedeti moramo, da so računalniške datoteke (in tudi spletni dokumenti) zgolj zaporedja bajtov (tj. vrednosti med 0 in 255), in tako je vsaki črki pripisana neka vrednost, kot je to definirano s pripadajočo kodno stranjo. Zadnja stopnja cevovoda za zajem besedil zapiše besedila v datoteke po standardiziranem kodirnem postopku Unikod. Prav zaradi tega je pomembno poznati izvorno kodno stran, saj je treba izvorne znakovne kode ustrezno pre-slikati v znakovne kode Unikod. Detektorja jezika ni težko uporabiti za detekcijo kodne strani. Namesto da zgradimo en sam referenčni jezikovni profil za določen jezik, zgradimo po en profil za vsako kodno stran, ki jo želimo zaznati v okviru jezika. Tako dobimo referenčne profile iz parov . Ko algoritem v fazi klasifikacije izbere enega od takih profilov, tako ne določi zgolj jezika, ampak tudi kodno stran, na podlagi katere je kodirano vhodno besedilo. V: Ali ni informacija o jeziku in kodni strani vsebovana v kolofonu vsakega html-dokumenta? O: Res je, da opisni jezik html omogoča vnos informacije o jeziku, v katerem je napisana vsebina. Na žalost pa uporaba tega atributa ni obvezna. Prav tako je ta informacija velikokrat podana napačno. Razlog za to so urejevalniki html-dokumentov, ki jezik nastavijo na neko privzeto vrednost (npr. angleščina), izdelovalci strani pa tega ne popravijo. Nekoliko drugače je z informacijo o kodni strani. Če je ta podana narobe, spletni brskalniki vsebine ne prikažejo pravilno (npr. šumniki niso pravilno prikazani), zato so izdelovalci spletnih strani to informacijo primorani podati pravilno. Podatek o kodni strani posreduje tudi strežnik, ko odjemalcu pošlje html-dokument. Če je informacija, ki jo posreduje strežnik, drugačna od tiste v html-dokumentu, je po priporočilih, ki spremljajo html-standard, treba upoštevati informacijo, ki jo odjemalcu v kolofonu odgovora posreduje strežnik. 2.3.3.1 Detekcija jezika v projektu SSJ V projektu ssj smo uporabili detektor jezika, ki temelji na črkovnih zaporedjih. Referenčne jezikovne profile smo zgradili iz dveh jezikovnih korpusov, multext-East (Erjavec 2004) in jrc-Acquis (Steinberger in dr. 2006), in sicer za 18 jezikov (8 vzhodnoevropskih jezikov, danšči-no, nizozemščino, angleščino, finščino, francoščino, nemščino, italijan- ščino, portugalščino, španščino in švedščino). Detektorja jezika nismo uporabili za detekcijo kodne strani; sledili smo priporočilom, ki spremljajo html-standard, in informacijo o kodni strani prebrali iz kolofona odgovora strežnika ali pa iz kolofona html-dokumenta. 63 2.3.4 Detekcija dvojnikov in približnih dvojnikov Pri zajemanju besedil s spleta se ne moremo izogniti dejstvu, da se bo v našem naboru znašlo veliko dvojnikov in približnih dvojnikov. O približnih dvojnikih govorimo, kadar besedila niso popolnoma enaka izvirnikom, ne vsebujejo pa dovolj originalne vsebine, da bi jih obravnavali kot izvirnike. Število dvojnikov je še posebej veliko, kadar uporabimo spletno pajkanje, saj vsebine z istega spletnega mesta, ki vklju- čuje veliko statičnih strani, zajemamo znova in znova. Detekcije dvojnikov in približnih dvojnikov se lahko lotimo z analizo podzaporedij besed (angl. shingling) (Broder in dr. 1997). Pri tej metodi vsako besedilo predstavimo z množico vseh podzaporedij besed dolžine n (angl. n-shingles). Podobnost med dvema besediloma je v tem primeru definirana kot Jaccardova razdalja med pripadajočima množicama podzaporedij besed. Zanimiva nadgradnja klasične analize podzaporedij besed je metoda SpotSigs (Theobald, Siddharth, Paepcke 2008). Temelji na predpostavki, da so prazne besede (angl. stop words), kot so npr. »in«, »ne« in »če«, prisotne le v pomembnih tekstovnih se-gmentih, ne pa tudi v spremnih in vnaprej pripravljenih besedilih, kot so npr. oglasi in navigacijski elementi. Pri tej metodi zato obravnavamo le podzaporedja, ki vsebujejo vsaj eno prazno besedo. Tako nam za potrebe detekcije približnih dvojnikov ni treba iz besedil predhodno odstraniti spremnih in vnaprej pripravljenih tekstovnih elementov. Za nas ta glavna prednost metode SpotSigs ni tako pomembna, saj smo morali besedila za potrebe izgradnje jezikovnega korpusa v vsakem primeru očistiti. Ker naivna implementacija primerjave podzaporedij besed ni primerna za velike količine besedil, se v takih primerih uporablja skiciranje (angl. sketching). Novo besedilo najprej po točno določenem postopku pretvorimo v množico m števil (pri čemer je m relativno majhno število), ki ji pravimo skica (angl. sketch), in nato na učinkovit način poiščemo vsa besedila, ki smo jih že obravnavali in so novemu besedilu dovolj podobna. Za mero podobnosti nam na tem mestu še vedno služi prvotna Jaccardova razdalja, a jo zaradi kompaktnejših predstavitev besedil zdaj lahko zgolj aproksimiramo. Nekoliko drugače problematiko detekcije dvojnikov in približnih dvojnikov obravnava algoritem, ki temelji na podobnostni razpršilni funkciji (angl. similarity hash function), imenovani Simhash (Charikar 2002). Funkcija Simhash preslika besedilo v 64-bitno število, imeno-vano prstni odtis (angl. fingerprint), pri čemer velja, da sta si odtisa dveh podobnih besedil v smislu Hammingove razdalje (angl. Hamming distance) bolj podobna kot odtisa dveh različnih besedil. Hammingova razdalja je definirana kot število različnih istoležnih bitov v dveh 64 prstnih odtisih. Dve besedili sta približno enaki, če je število različ- nih istoležnih bitov v pripadajočih prstnih odtisih manjše ali enako neki zgornji meji k (npr. k = 3). Tako se problem iskanja približnih dvojnikov prevede v problem hitrega računanja Hammingove razdalje med trenutnim besedilom in vsemi že prej obdelanimi besedili. Pri velikih količinah besedil je naivno primerjanje prstnih odtisov prepočasno, zato v takih primerih uporabimo vpogledne tabele (angl. lookup tables), ki nam omogočajo hitro iskanje dvojnikov in približnih dvojnikov, ki so od obravnavanega besedila oddaljeni k bitov ali manj (Manku, Jain, Sarma 2007). 2.3.4.1 Detekcija dvojnikov in približnih dvojnikov v projektu SSJ V projektu ssj smo za detekcijo dvojnikov in približnih dvojnikov sprva uporabili algoritem, ki temelji na podobnostni razpršilni funkciji Simhash. Približne dvojnike smo iskali z uporabo vpoglednih tabel, ki so omogočale detekcijo približnih dvojnikov z občutljivostjo k = 3 biti ali manj. Izkazalo se je, da z vidika izgradnje jezikovnega korpusa tak način odstranjevanja (približnih) dvojnikov ni zadosten. V mnogih dokumentih, ki sicer vsebujejo zadosti originalne vsebine, da niso obravnavani kot približni dvojniki, se pojavljajo isti (vsebinski) tekstovni segmenti. To z vidika marsikatere aplikacije ni problematično, sploh če je osnovna enota za nadaljnjo uporabo celotno besedilo (npr. prikaz vsebin za branje, arhiviranje in indeksiranje, kategorizacija), za izdelavo jezikovnega korpusa, katerega osnovni namen je pogostostna in konkordanč- na analiza, pa so taki podvojeni tekstovni segmenti nezaželeni. Tekstovne segmente s tehničnega vidika določi že odstranjevalnik spremnih in vnaprej pripravljenih besedil ter jih obravnava kot osnovne enote za prepoznavanje vsebine. Na koncu cevovoda vsak tak segment po enostavni normalizaciji (tekstovni segment pretvorimo v zaporedje malih črk, vse ostale znake pa izločimo) pretvorimo v razpršilno kodo (angl. hash code) z uporabo postopka md5 ( http:// en.wikipedia.org/wiki/md5), ki se sicer uporablja v kriptografiji. Kode segmentov hranimo v razpršilni tabeli (angl. hash table), kar nam omogoča, da na učinkovit način preverimo, ali smo neki segment že zapisali v korpus, kar pomeni, da ga v takem primeru ne zapišemo še enkrat. Tako smo na pragmatičen način dokaj splošen cevovod za zajemanje spletnih vsebin uspešno prilagodili potrebam projekta. 65 2.3.5 Nekaj zanimivih statistik Za konec navajamo nekaj zanimivih statistik, ki jih je bilo mogoče izračunati iz zajetih vsebin. Spletne vsebine smo zajemali v obdobju od 1. 4. 2010 do 11. 4. 2011 (torej nekaj več kot eno leto). V tem času smo s 101 slovenskega spletnega mesta zajeli 11.305.250 spletnih dokumentov. 8.275.307 od teh dokumentov je vsebovalo znački za za- četek in konec html-dokumenta (tj. in ) ter besedilo, dolgo vsaj 100 znakov (po odstranitvi spremnih in vnaprej pripravljenih besedil). S tem preprostim filtrom smo odstranili dokumente, ki niso bili html-dokumenti ali pa niso vsebovali dovolj besedila. Teh 8.275.307 html-dokumentov smo z odstranitvijo html-značk ter spremnih in vnaprej pripravljenih besedil pretvorili v pripadajoča besedila. Detektor jezika je 7.685.402 besediloma pripisal slovenski jezik. Po odstranitvi dvojnikov in približnih dvojnikov z občutljivostjo k = 3 biti nam je ostalo le še 1.422.512 izvirnih besedil, iz katerih smo, kot smo to opisali v prejšnjem razdelku, odstranili podvojene tekstovne segmente. Izvirna besedila so skupaj sprva vsebovala 2.482.735.191 znakov, po odstranitvi podvojenih segmentov pa le še 1.162.438.041 znakov (46,82 %). Zajete spletne vsebine so v korpus Gigafida na koncu prispevale prek 185 milijonov besed (prim. tudi Sliko 2.7). Slika 2.7: Pajkanje: nekaj zanimivih statistik. izvirna besedila (od tega smo ohranili le 46,82 % tekstovnih segmentov): 13 % dokumenti, ki ne vsebujejo HTML-značk ali vsaj 100 znakov besedila: 27 % tujejezična besedila: 5 % dvojniki in približni dvojniki: 55 % 66 2.4 Zaključek Opisali smo zajemanje in pripravo spletnih besedil, ki so del Gigafide. Predstavili smo cevovod za zajem besedil, ki združuje različne gradnike, ki pri zajemu in pripravi besedil delujejo kot celota. Opisali smo delovanje spletnih pajkov, odstranjevalnika spremnih in vnaprej pripravljenih besedil, detektorja naravnega jezika ter odstranjevalnika dvojnikov in približnih dvojnikov. Upamo, da smo bralce uspeli prepričati, da ta na videz dokaj preprosta naloga, tj. zajem besedil s spleta, vendarle vsebuje dobro mero kompleksnosti. V tem poglavju opisane tehnologije in postopki so bili razviti ter se še naprej razvijajo in dopolnjujejo v okviru projekta first ( Large scale information extraction and integration infrastructure for supporting financial decision making), ki ga izvajamo na Odseku za tehnologije znanja, Institut Jožef Stefan, in je sofinanciran s strani Evropske ko-misije po pogodbi št. 257928. 67 16 Ostanke teh problemov vidimo 3 Zapis korpusa Gigafida v korpusu fida (in posledično tudi v Gigafidi, saj ta vsebuje korpus fida), kjer je bilo veliko znakov, predvsem ločil, pretvorjenih v V poglavju bomo predstavili računalniški zapis korpusa Gigafida enotne znake, s čimer so se izvorni znaki izgubili. Pri tem se in iz njega izvedenih podkorpusov (ccGigafida, kres in ccKres), je treba zavedati, da so bile pri čemer veljajo podobna načela označevanja tudi za Korpus go-izvorne digitalne predloge zapisane v zelo raznovrstnih vorjene slovenščine gos ( http://www.korpus-gos.net/; Verdonik 2010; formatih, zato bi bil razvoj Zemljarič Miklavčič in dr. 2009; Zwitter Vitez 2011; Zwitter Vitez, natančnih pretvorb za vsak format predrag in prezamuden. Krapš Vodopivec 2011; Verdonik, Zwitter Vitez 2011), ki je prav tako nastal v projektu ssj. Za zapis uporabljamo mednarodne standarde in priporočila, s čimer zagotavljamo, da bo korpuse mogoče uporabiti za različne namene ter na različne načine in da bodo nadgradljivi ter zavarovani pred tehnološkim zastaranjem. 3.1 Zapis znakov Unikod Znaki so v pisnem korpusu atomi informacij in nosilci besedila, zato je pomembno, da so v korpusu skladno in verno zapisani. V računalništvu se je koncept nabora znakov razvijal in spreminjal od samega začetka področja, pri čemer so nabori znakov tradicionalno slabo podpirali črke neangleških abeced, npr. slovenščine, ob tem pa so bili tudi omejeni pri podpori ločil. Zato so različni programi kodirali take znake na različne načine, kar je bila huda ovira pri pretvorbi korpusov v enoten format.16 Univerzalna rešitev nabora znakov je prišla šele s standardom Unikod, ki se od svojih začetkov izredno hitro razvija; različica 6.0 (Unicode Consortium 2011) definira prek 100.000 znakov in pokriva 93 pisav. Tudi v Gigafidi uporabljamo nabor znakov Unikod v kodiranju utf-8, pri čemer je bila za konsistentno in pravilno uporabo tega nabora znakov potrebna normalizacija in čiščenje »surovega« korpusa. Kot osnova za pravilen zapis nam je služila tabela, v katero smo zapisali vse znake Unikod v korpusu Gigafida skupaj z njihovo kodo in številom pojavitev znaka v korpusu ter številom besedil, v katerih se znak pojavlja. Vsak znak je opremljen s svojim imenom iz standarda. Del tabele, ki v celoti vsebuje prek 1.400 znakov, je podan v Tabeli 3.1. Kot vidimo, je distribucija znakov izrazito neenakomerna, saj večina znakov nastopa samo nekajkrat ali le v enem dokumentu (datoteki). 68 Tabela 3.1: Primeri uporabljenih znakov v Gigafidi. Koda znaka Znak Pojavitev % Dokumenti % Ime znaka U+005A Z 9.088.389 0,123 34.654 96,133 LATIN CAPITAL LETTER Z U+0179 Ź 32 0,000 9 0,025 LATIN CAPITAL LETTER Z WITH ACUTE U+017D Ž 1.885.847 0,025 28.297 78,498 LATIN CAPITAL LETTER Z WITH CARON U+017B Ż 56 0,000 19 0,053 LATIN CAPITAL LETTER Z WITH DOT ABOVE U+0132 IJ 2.215 0,000 6 0,017 LATIN CAPITAL LIGATURE IJ U+0152 Œ 1.192 0,000 36 0,100 LATIN CAPITAL LIGATURE OE U+271D † 8 0,000 1 0,003 LATIN CROSS U+01C2 ‡ 2 0,000 1 0,003 LATIN LETTER ALVEOLAR CLICK U+1D00 a 1 0,000 1 0,003 LATIN LETTER SMALL CAPITAL A U+028F y 1 0,000 1 0,003 LATIN LETTER SMALL CAPITAL Y U+0061 a 584.767.734 7,901 36.040 99,978 LATIN SMALL LETTER A S pomočjo tabele in vpogleda v primere iz korpusa smo nato identificirali »prepovedane« skupine znakov. Prepovedani znaki so znaki, katerih kode ne ustrezajo nobenemu znaku Unikoda; ne spadajo v osnovno večjezično ravnino Unikoda (angl. basic multilingual plane); so v področju za zasebno uporabo (angl. private use area) ali pa so se izkazali kot tipični kazalniki problemov s kodiranjem. Programsko smo nato iz te, neprečiščene različice korpusa Gigafida odstranili vse odstavke, ki so vsebovali katerega od prepovedanih znakov, s čimer smo izgubili približno 1 % »šumnih« odstavkov. Pri kodiranju z Unikodom je še dodatna težava ta, da je možno pomensko enake znake oz. zaporedja znakov zapisati na več načinov. Tako je npr. »č« tipično zapisan kot en znak (u+010d, latin small letter c with caron), vendar ga v korpusu najdemo tudi kot kombinacijo znaka »c« in naglasnega znamenja »ˇ« brez širine (u+030c, combining caron). Podobno se lahko »fl« zapiše kot zaporedje dveh znakov ali pa kot en znak, ligatura »fl« (u+fb02, latin small ligature fl). Ker takšne dvoumnosti povzročajo težave tako pri iskanju po korpusu kot tudi programom za jezikoslovno označevanje, smo zapis pretvorili v normalizirano obliko Unikoda, v katerem smo sestavili naglasna znamenja z nosilno črko oz. razstavili ligature, z izjemo tistih, ki so del neke pisave. Tako se npr. na Sliki 3.1 ligatura »IJ« pretvori v zaporedje dveh znakov, medtem kot »Œ« ostane zapisan kot en znak, saj se uporablja npr. v francošči-ni in latinščini. Podobno normalizacijo smo izvedli tudi s presledki, pri katerih smo vseh 15 presledkov z različnimi širinami, ki jih definira Unikod, normalizirali v standardni presledek (u+0020, space). Z opisanim hevrističnim postopkom smo dobili na ravni zapisa znakov sorazmerno čist korpus, ki pa vseeno vsebuje še zelo bogat nabor znakov: skupaj nekaj čez 1.000, pri čemer se jih okoli 300 pojavi več kot stokrat. V naboru srečamo črke cirilične, grške, hebrejske, 69 17 Po konvenciji pišemo imena arabske, kitajske in japonske pisave, kot tudi obilico ločil – npr. sedem atributov s predpisano @, da jih različnih deljajev oz. vezajev in 13 različnih navednic, kar je korak k razlikujemo od imen elementov. omogočanju korpusno osnovanih raziskav pravopisa, katerih možnost je pogrešal Weiss (2009) v korpusu Fidaplus. 3.2 Jezik za označevanje XML Standard xml (w3c 2008) formalno definira način, kako zapisati in strukturirati digitalno besedilo. Jezik xml je postal lingua franca zapisa raznovrstnih digitalnih podatkov, predvsem tam, kjer je namen njihova izmenjava in hranjenje. Tako je xml tudi standardni jezik za označevanje jezikovnih korpusov, tem bolj, ker je še najbolj uporaben za polstrukturirane podatke, kot so to (označena) besedila. Uporaba xml ima obilico prednosti, saj obstaja mnogo pridruženih standardov, pa tudi programov, ki te standarde implementirajo, tako da je mogoče dokumente xml enostavno validirati, pretvarjati ali po njih iskati. xml definira drevesni podatkovni model, v katerem so elementi sestavljeni – z izjemo praznih elementov – iz začetne oznake, vsebine in zaključne oznake, vsebina pa iz nadaljnjih elementov ali besedila ali mešanice obeh. Kot kaže Slika 3.1, je dokument xml sestavljen iz zaznamka, ki definira dokument kot xml, in korenskega elementa (tu div). Korenski element je v primeru na Sliki 3.1 sestavljen iz nadaljnjih elementov (head, lb, gap), ti pa iz besedila (head), nadaljnjih elementov (lg), lahko pa so ti elementi tudi prazni (gap). Nadalje xml omogoča zapis lastnosti posameznih elementov z uporabo parov atribut="vrednost", ki so pripisani začetni oznaki elementa. Lastnosti pomagajo kategorizirati elemente (@type)17 ali pa služijo kot identi-fikatorji elementov (@xml:id). S pomočjo identifikatorjev je nato mo-goče kazati tudi na posamezen element; tako bi lahko npr. v nekem drugem dokumentu xml imeli zapis »kot piše Jenko v pesmi Uvod«. Slika 3.1: Primer dokumenta XML.
Uvod. Dvigni se! ukaz mi reče. Srce pade mi v oblasti Silne, prej neznane strasti, Ki ko živi ogenj peče.
70 Standard xml ne definira imen elementov, pač pa omogoča izdelavo shem xml, ki so formalne gramatike, s katerimi definiramo do-ločen nabor elementov, dovoljena gnezdenja teh elementov, kot tudi njihove atribute in tipe njihovih vrednosti. Sheme xml tako omogo- čajo definicijo besedišč za označevanje poljubnih zvrsti dokumentov, kot so pesmi, slovarji, jezikoslovno označeni korpusi itd. Obstajajo standardne sheme xml, ki so bile izdelane za raznovrstne digitalne vsebine, kot so npr. računalniški priročniki (DocBook), matematične formule (Mathxml), notni zapisi (Musicxml) in bibliografski podatki (comarc-xml), podprte pa so z raznimi orodji za prikaz oz. procesiranje dokumentov, skladnih s temi shemami. Seveda pa standardizirana besedišča oznak zajemajo poleg formalne sheme tudi razlago oznak v naravnem jeziku, torej dokumentacijo pomena vsake od definiranih oznak. 3.3 Priporočila za označevanje besedil TEI Iniciativa za zapis besedil tei (angl. Text Encoding Initiative) je bila ustanovljena leta 1987 pod pokroviteljstvom več mednarodnih zdru- ženj, nastala pa je z namenom, da se standardizira zapis besedil, ki se uporabljajo v znanstvene namene. tei je izdal Priporočila za ozna- čevanje besedil (tei Guidelines), ki so po eni strani knjiga, ki opisuje nabore oznak za posamezne zvrsti besedil, po drugi pa nabor modu-lov za izdelavo sheme xml za določen namen oz. projekt. Priporočila, kot tudi orodja za procesiranje dokumentov tei so prosto dostopna prek spletne strani leta 2000 ustanovljenega konzorcija tei, ki skrbi za razvoj Priporočil tei. Priporočila tei vsebujejo poglavja (module), ki opisujejo različne zvrsti besedil (proza, drama, tekstnokritične izdaje, opisi rokopisov itd.), med drugim tudi module za jezikovne korpuse, osnovno jezikoslovno analizo ter medsebojno povezovanje elementov. Priporočila tei so bila uporabljena že za kodiranje korpusa fida (Erjavec 1998), za kodiranje korpusa Gigafida pa uporabljamo najnovejšo različico priporočil, tei p5 (tei Consortium 2011). Za namene korpusa Gigafida in pridruženih korpusov smo naredili parametrizacijo tei oz. izdelali shemo tei, na osnovi katere je nato mogoče prek spletnega vmesnika Roma, ki je dosegljiv na straneh konzorcija tei, narediti shemo xml, ki je neposredno uporabna za validacijo dokumentov korpusa Gigafida. Vsako besedilo korpusa Gigafida je zapisano kot ena datoteka, ki je obenem tudi samostojen dokument xml. Na Sliki 3.2 podajamo osnovno strukturo datoteke na primeru prvega dokumenta v korpusu z identifikatorjem F0000001. 71 Slika 3.2: Struktura dokumenta TEI v Gigafidi.* … … * Dokument se začne z zaznamkom, da je to dokument xml različice 1.0 in v kodiranju utf-8, čemur sledi korenski element TEI. Temu v atributu @xmlns podamo njegov imenski prostor, ki nakazuje, da gre za dokument, skladen s priporočili tei, poleg tega pa še njegov identifikator v @xml:id in jezik v @xml:lang. Ta je za vse dokumente v korpusu kar »sl«, ki je koda iso 639-1 za slovenščino. Vrhnji element tei nato vsebuje dva podelementa; prvi je kolofon tei (teiHeader), ki vsebuje metapodatke o besedilu, drugi pa besedilo (text), ki v korpusu vsebuje en sam podelement, body, ki je telo besedila. 3.3.1 Kolofon tei Vsak dokument tei vsebuje poleg besedila tudi njegove metapodatke, ki so zajeti v kolofonu tei (teiHeader). Kolofon tei je verjetno ena najbolj bogatih metapodatkovnih shem nasploh, saj lahko poleg bibliografskih podatkov vsebuje tudi strukturirane podatke o zapisu datoteke, uredniških posegih v besedilo, taksonomske razvrsti-tve besedila itd. Kolofon tei lahko pretvorimo v druge formate, npr. osnovni nabor elementov Dublin Core, ali pa v bogato strukturirani html. Pretvorbo v slednjega smo tudi izvedli, tako da so kolofoni vseh dokumentov oz. datotek korpusa dostopni na spletu v formatu, primernem za branje. V spletni predstavitvi kolofonov so angle- ška imena elementov tei prevedena v slovenske razlage, npr. kot respStmt (Responsibility Statement) kot navedba odgovornosti (lokali-zacija, kot tudi parametrizacija sheme tei je podrobneje opisana v Erjavec 2010a). V nadaljevanju tega razdelka bomo opisali vrhnje elemente kolofona tei, kot so uporabljeni za dokumentacijo posameznih besedil v korpusu Gigafida. Opis datoteke (fileDesc) vsebuje bibliografski opis datoteke vključ- no z bibliografsko informacijo njenega vira. Kot vidimo na Sliki 3.3, vsebuje opis datoteke najprej naslovno izjavo (titleStmt), sestavljeno iz naslova besedila in financerja projekta, nato sledi navedba izdaje korpusa (editionStmt), obseg besedila (extent) ter navedba objave 72 (publicationStmt), ki vsebuje identifikacijski zaznamek (idno), naved-bo o dostopnosti (availability) in datum objave elektronskega besedila (date). Naslednji razdelek je opis vira (sourceDesc), v katerem so navedeni bibliografski podatki o viru besedila: ti so sestavljeni iz naslova, avtorja, datuma objave in založnika. V primeru s slike se ti podatkih nanašajo na besedilo z interneta, pri katerem je avtor tipično neznan. Pri neznanem avtorju, naslovu oz. založniku je to dejstvo dodatno označeno z atributom @n, katerega vrednost je '???'. Pri založniku lahko ta atribut vsebuje tudi razdelitev »založnika« v nekaj vrhnjih kategorij, kot so npr. »internet, ustanove«, »24ur.com«, »Finance« itd. Dodatno ima opis vira pri enotah korpusa iz Fideplus, ki so zavedene v bibliografski bazi Cobiss, tudi (kot opombo, note) zapis listka Cobiss v formatu Comarc. Slika 3.3: Primer kolofona tei v Gigafidi (1. del). Gigafida: INTERNET (2010-04-01) Operacijo delno financira … 1.0 86 besed lek.si

Avtorske pravice za to izdajo ureja …

2012-04-15 INTERNET neznani avtor 2010-04-01 lek.si 73 Naslednji razdelek kolofona je opis zapisa (encodingDesc), ki dolo- ča odnos med elektronskim besedilom in njegovim virom. Omogoča podroben opis tega, kako (in če) je bilo besedilo normalizirano pri transkripciji, kako je označevalec razrešil dvoumnosti v viru, katere ravni analize so bile izvedene itd. Kot kaže Slika 3.4, je v dokumentih Gigafide podan kratek opis projekta (projectDesc), ki mu sledijo nače-la označevanja (tagsDecl), ki povedo, kateri elementi (in kolikokrat) so uporabljeni v imenskem prostoru tei za označevanje besedila (več o teh elementih gl. v naslednji točki). Načela klasifikacije (classDecl) vsebujejo taksonomije zvrsti besedil v korpusu. Na sliki je prikazan samo začetek taksonomije besedilnih zvrsti Gigafide, medtem ko kolofoni tei vsebujejo tudi še stare taksonomije iz korpusa fida oz. Fidaplus (o taksonomijah gl. razdelke 1.2.2 v 1. pogl. ter 6.1.2.1−6.1.2.3 za korpus fida in 6.2.2 za Fidoplus v 6. pogl.). Medtem ko je v načelih klasifikacije podana celotna taksonomija korpusa, pa je uvrstitev konkretnega besedila v taksonomski razred oz. razrede zapisana v opisu značilnosti besedila (profileDesc), znotraj njega pa v klasifikaciji besedila (textClass) – v primeru s Slike 3.4 gre za uvrstitev v SSJ.I: besedilo je torej z interneta. Slika 3.4: Primer kolofona TEI v Gigafidi (2. del).

Projekt Sporazumevanje v slovenskem jeziku.

 tisk knjižno leposlovno 74 ... internet ... 3.4 Besedilne oznake Gigafide Priporočila tei sicer definirajo zelo bogat nabor oznak, ki jih lahko uporabimo znotraj besedila, vendar se formati izvornih digitalnih predlog besedil preveč razlikujejo, da bi jih bilo mogoče kakovostno pretvoriti v oznake, kot so razdelek besedila (div), naslov (head), seznam (list) itd. Znotraj telesa besedila (body) so v korpusu Gigafida (Slika 3.5) zapisani samo odstavki (p), ki označujejo tudi naslove, po-stavke seznama itd. in lahko torej vsebujejo tudi podstavčne enote. Znotraj odstavkov, če izvzamemo jezikoslovne oznake, je le golo besedilo; tako v korpusu ni oznak za poudarjeno besedilo, nadpisane ali podpisane znake itd. Znotraj odstavkov so na prvem nivoju avtomatsko označeni stavki oz. povedi (s), znotraj teh pa besede (w), ločila (c) in presledki. Slednji omogočajo ohranjanje izvirne stičnosti med posameznimi pojavnicami, pri čemer znaki presledka ne spadajo v standardni tei in so ozna- čeni s praznim elementom S. Slika 3.5: Oznake besedila v Gigafidi.

Slovenski medicinski e - slovar 75

Vpišite iskano besedo :

Besede so označene z lemo oz. geselsko iztočnico (@lemma) in oblikoskladenjsko oznako (@msd). Že korpusa fida in Fidaplus sta uporabljala sistem oblikoskladenjskega označevanja multext-East, v korpusu Gigafida pa uporabljamo oznake iz specifikacij multext-East različice 4.0 (Erjavec 2010b; http://nl.ijs.si/ME/V4/msd/), ki sicer definirajo oznake še za 11 drugih jezikov, med njimi vse večje slovanske. Specifikacije za slovenski jezik so bile razvite v okviru projekta jos (Erjavec, Krek 2008) z namenom, da bi naredili čim bolj kakovosten nabor oznak za slovenščino, zato se od tistih v Fidiplus (multext-East različica 3.0) razlikujejo v vrsti podrobnosti. Oznake so podrobno opisane in naštete na spletni strani jos ( http://nl.ijs.si/jos/); vseh skupaj je prek 1.900, izražene pa so lahko tako v angleščini kot v slovenščini. V korpusu Gigafida uporabljamo slovenske oznake – tako npr. oznaka Ggdvdm pomeni glagol vrsta=glavni vid=dovršni oblika=velelnik oseba=druga število=množina, to pa lahko prek tabele prevedemo v bolj mednarodno Vmem2p oz. Verb Type=main Aspect=perfective VForm=imperative Person=second Number=plural. Velja še opomba, da shema tei, ki smo jo uporabili pri Gigafidi, definira atribut @msd, in to tako, da je njegova vrednost omejena na oznake, skladne s specifikacijami multext-East 4.0 oz. ekvivalentno s specifikacijami jos različice 1.1. 3.5 Zaključek Predstavili smo zapis korpusa Gigafida, ki uporablja nabor znakov Unikod, jezik za označevanje xml in shemo xml, ki sledi priporočilom tei p5. Opisana je bila struktura kolofona tei za Gigafido in zapis oblikoskladenjsko označenega besedila. Shema tei, kot tudi izvedene sheme xml so dostopne na spletni strani http://nl.ijs.si/ssj/. Tam je mogoče najti tudi vse kolofone korpusa Gigafida, podane tako v izvornem zapisu xml kot v izvedenem zapisu html. 76 4 Gradnja in vsebina korpusov KRES, ccGigafida in ccKRES V začetnem poglavju knjige smo pojasnili, da smo v Gigafido vklju- čili vse gradivo, ki smo ga dobili in so zanj pogodbeno urejena avtorskopravna razmerja, medtem ko smo bolj uravnotežena razmerja med zvrstmi besedil že predhodno načrtovali ter jih tudi uresničili v 100-milijonskem podkorpusu: kres-u ( http://www.korpus-kres.net/). Dodatno smo izdelali še dva korpusa, ki sta v celoti dostopna za prenos po licenci Creative Commons »priznanje avtorstva« + »nekomercialno« 2.5 Slovenija. Prvi korpus po imenu ccGigafida ima ravno tako kot kres 100 milijonov pojavnic oz. besed, vendar pa vsebuje zgolj 9 % vsakega besedila iz Gigafide, drugi, ccKres, pa vsebuje 9 % vsakega besedila iz korpusa kres in ima torej 10 milijonov besed. 4.1 Reprezentativnost, uravnoteženost Skrbnemu načrtovanju zgradbe korpusa je bil zgled postavljen že pred več desetletji, tj. s korpusom Brown (1964). Poslej so nastali številni premisleki o tem, kako zgraditi korpus, ki bi čim bolj celovito predstavljal celotni jezik, s tem da bi v čim večjem obsegu ujel pale-to jezikovnih značilnosti, ki so sicer v besedilu, med besedili in med besedilnimi vrstami razporejene zelo različno, ter da bi posledično dovoljeval posplošitve na korpusu nastalih ugotovitev. Ali kot je napisal Stabej (1998: 97): »Vprašanje je /.../, katero končno število /besed, stavkov, besedil/ lahko vzamemo za metonimijo neskončnega.« P » omembno je, da se vnaprej zavedamo, da je reprezentiranje jezika – ali le dela jezika – problematična naloga. /.../ Vendar pa bo to, da smo /pri gradnji korpusa/ pozorni na določena vprašanja, omogočilo čim večjo reprezentativnost korpusa glede na naše trenutno vedenje o jeziku.« (Biber, Conrad, Reppen 1998: 246.) V » praksi je korpus ‘reprezentativen’ do te mere, da se spoznanja, ki temeljijo na njegovi vsebini, lahko posplošijo na večji hipotetični korpus. /.../ Danes je treba v predpostavko o reprezentativnosti preprosto verjeti.« (Leech 1991: 27.) Atkins, Clear, Ostler (1992: 6) so raje kot reprezentativni uporabili izraz uravnoteženi korpus, pa še tega s previdnostjo: »z 'uravnoteženim korpusom' je (očitno) mišljen korpus, ki je tako natančno ugla- šen, da ponuja obvladljivo majhen model jezikoslovnega gradiva, ki ga želijo oblikovalci korpusa proučevati«. Pregled več tujih in doma- čih korpusov (Gorjanc 2005: 28–55) je pokazal, da so avtorji korpusov 77 tudi vprašanja uravnoteženosti reševali (in jih še vedno rešujejo) zelo različno, pri čemer so nabori uravnoteževalnih parametrov lahko na eni strani zelo okvirni, kot so hkrati – na drugi strani – vedno vsaj deloma tudi subjektivni. Sodobna praksa opisov konkretnih referenčnih korpusov ni eno-umna. Ogledali smo si spletne strani nekaterih od njih (Tabela 4.2) in ugotovili, da je češki korpus opisan kot reprezentativni in uravnote- ženi, poljski kot uravnoteženi, madžarski kot uravnoteženi referenčni korpus, ki želi biti reprezentativen, korpus angleščine bnc kot zbirka vzorcev pisnega in govorjenega jezika, oblikovana z namenom, da bi predstavljala sodobno britansko angleščino, in nemški Kerncorpus kot referenčni korpus; medtem ko slovaški, hrvaški ter bolgarski nacionalni korpus take samoopredelitve nimajo – njihovi avtorji so na za- četnih korpusnih straneh podali le bolj ali manj podroben opis tega, kaj v korpus je. Tudi pri kres-u se bomo oznaki reprezentativnosti izognili in bomo ostali le pri referenčnosti (od tod tudi ime kres < korpus, referenčni, slovenščina), da pa bi lahko uporabniki kres-a bolje razumeli, v kolikšni meri je kres tudi »metonimija neskončnega«, v nadaljevanju podrobneje predstavljamo uravnoteževalna merila, ki smo jih upoštevali pri njegovi gradnji. Na to, da bi bila besedilom različnih zvrsti, avtorjev, letnic izida itd. v korpusu dana ustrezna – morda je bolje reči: vsaj neka – »teža«, smo bili pravzaprav pozorni ves čas zbiranja, se pravi že pri pridobivanju besedil za Gigafido, večji poudarek vključenosti besedil glede na raz- širjenost in vplivnost, ki jo imajo v celotni populaciji, pa smo dali šele gradnji kres-a. V nadaljevanju tega poglavja – kot že rečeno – pojasnjujemo, na kakšen način, v Prilogi 6 pa v natančno kolikšnem obsegu. 78 4.2 kres 4.2.1 Taksonomski deleži Vnaprej predvideni deleži besed po taksonomiji so bili za kres naslednji: Tabela 4.1: Načrtovani delež in število besed po taksonomiji v kres-u. Delež v % Delež v številu besed tisk 80 80.000.000 knjižno 35 35.000.000 leposlovje 17 17.000.000 stvarna besedila 18 18.000.000 periodično 40 40.000.000 časopisi 20 20.000.000 revije 20 20.000.000 drugo 5 5.000.000 internet 20 20.000.000 novičarski portali 8 8.000.000 podjetja in ustanove 12 12.000.000 SKUPAJ 100 100.000.000 Čeprav smo pregledali stanje v tujih korpusih (ki pa je zelo različ- no, prim. Tabelo 4.2), so bili deleži besed po taksonomiji v kres-u v končni fazi naša subjektivna odločitev. Uporabnikom kres-a na tem mestu »razkrivamo« to subjektivnost prav zato, da bodo lahko rezultate svojih poizvedb ustrezneje vrednotili ter interpretirali. Tabela 4.2: Delež besed po besedilnih zvrsteh v nekaterih tujih referenčnih korpusih.* Korpus Besedilna zvrst Delež v % Angleščina Britanski nacionalni korpus (BNC) (100 milijonov) knjižno 58 http://www.natcorp.ox.ac.uk/ periodično 30 različno – objavljeno 6 različno – neobjavljeno 4 govorjeno – brano 2 Nemščina Digitalni slovar nemškega jezika 20. stoletja (DWDS) leposlovje 26 – Kerncorpus (100 milijonov) periodično 27 http://www.dwds.de/resource/kerncorpus/ znanstvena besedila 22 stvarna besedila 20 transkribirana govorjena besedila 5 Češčina Češki nacionalni korpus – SYN2010 (100 milijonov) leposlovje 40 http://ucnk.ff.cuni.cz/english/syn2010.php strokovna besedila 27 periodično 33 79 Poljščina Poljski nacionalni korpus NKJP (1 milijarda besed, leposlovje 16 300-milijonski uravnoteženi podkorpus) stvarna besedila 13 http://nkjp.pl/ periodično 50 (Przepiórkowski in dr. 2010) govorjena besedila 10 internetno 7 besedilni drobiž 4 Slovaščina Slovaški nacionalni korpus SVN periodično 73 (različica 5.0: 719 milijonov) leposlovje 14 http://korpus.juls.savba.sk/ strokovna besedila 12 nerazvrščeno 1 Hrvaščina Hrvaški nacionalni korpus (100 milijonov); informativna besedila ciljna, a še ne dosežena sestava korpusa – časopisi 37 http://hnk.ffzg.hr/ – revije 16 – stvarna besedila 21 leposlovje 23 mešana besedila 3 Bolgarščina a) Korpus pisnih besedil (29 milijonov) leposlovje 31 periodično 33 stvarna besedila 28 drugo 8 b) Korpus tiskanih izdaj 1945–2009 (285 milijonov) http://www.ibl.bas.bg/en/BGNC_en.htm knjige 58 periodično 42 Madžarščina Madžarski nacionalni korpus (187 milijonov) periodično 45 http://corpus.nytud.hu/mnsz/index_eng.html leposlovje 20 stvarna besedila 13 uradni dokumenti 11 zasebno 10 * Ogled smo opravili oktobra 2011. 4.2.2 Izbira besedil in njihovega obsega Kennedy (1999: 63, 64) je po Summers (1991) naštel več pristopov k izbiri pisnih besedil za korpus, med njimi: vplivnost, naključni izbor, razširjenost, branost, subjektivno presojo tipičnosti, dostopnost besedil v elektronski obliki in demografsko vzorčenje bralnih navad. Predlagal je upoštevanje več pristopov hkrati ter izbiranje besedil iz različnih virov in različnih zvrsti, upoštevajoč pri tem razširjenost ter vplivnost. Naše odločanje o tem, katera besedila iz Gigafide bomo vključili v kres, predvsem pa v kolikšnem obsegu jih bomo zajeli, je vodilo dvoje: a) vnaprej dogovorjeni deleži (Tabela 4.1) ter b) podatki o branosti tiskanih besedil in obiskanosti spletnih strani (torej posledično podatki o razširjenosti ter vplivnosti), s tem da je pri obojem veljala omejitev: podatke o branosti smo imeli le za časopise in revije, podatke o obiskanosti spletnih strani pa v glavnem le za novičarske portale. 80 4.2.2.1 Tisk Iz tiska smo za kres zajeli 80 milijonov besed, od tega 35 milijonov iz knjižnega dela Gigafide, 40 milijonov pa iz periodičnega dela. 4.2.2.1.1 KNjižNo Kategorija knjižno ima v Gigafidi dva dela: leposlovje in stvarna besedila. Dogovorili smo se, da iz leposlovja v kres vključimo 17 milijonov besed, iz stvarnih besedil pa 18 milijonov besed. 4.2.2.1.1.1 Leposlovje Ker leposlovje v Gigafidi obsega 23.969.196 besed, smo v kres zajeli 70,92 % te celote, in sicer na ta način, da smo 70,92-odstotni delež besed zajeli iz vsakega naslova, s čimer smo ohranili Gigafidino besedilno in avtorsko pestrost. 4.2.2.1.1.2 Stvarna besedila Stvarnih besedil je v Gigafidi več kot leposlovja: obsegajo 50.387.335 besed. Da bi dosegli dogovorjenih 18 milijonov besed, je zadoščal zajem 35,72 % vseh stvarnih besedil; tudi ta delež smo dobili tako, da smo ga naključno vzorčili iz vsakega naslova. 4.2.2.1.2 pEriodiČNo Da bi za kres iz Gigafide pridobili čim bolj vpliven del revij in časopisov v obsegu 40 milijonov besed, smo za izhodišče vzeli podatke iz raziskave nrb 2010 (Priloga 1). 4.2.2.1.2.1 Časopisi V Gigafido časopisi prinašajo 663.664.965 besed, za kres pa smo jih potrebovali le 20 milijonov, kar je 3,01 % celote. Izbrali smo jih tako, da smo izmed vseh 53 dnevnikov, večdnevnikov, tednikov in brezplačnikov z lestvice raziskave nrb 2010 v kres vključili vse, kar ima v Gigafidi taksonomsko kategorijo t.p.c. Nastala je Tabela 4.3, ki prikazuje tudi naslove, ki so na seznamu najbolj branih, a jih do 29. 5. 2010 nismo uspeli dobiti za korpus (pripis: nepridobljeno). 81 Tabela 4.3: Pridobljeni in nepridobljeni dnevniki, večdnevniki, tedniki ter brezplačniki iz nrb 2010 po branosti. Časopis NRB 2010 v 000 ŽURNAL* 414 NEDELJSKI DNEVNIK 355 DOBRO JUTRO 336 SLOVENSKE NOVICE 318 ŽURNAL24 (nepridobljeno) 294 LADY** 223 NEDELO 157 KMEČKI GLAS 142 DELO 130 VEČER 127 JANA 125 DNEVNIK 118 ABC ZDRAVJA (nepridobljeno) 107 DRUŽINA 97 NOVA 91 NAŠA LEKARNA 84 GORIŠKA (nepridobljeno) 83 MOJA GORENJSKA (nepridobljeno) 72 PREMIERA 63 HOPLA 62 LJUBLJANA (nepridobljeno) 62 LISA 60 MLADINA 59 OBRAZI 59 POSAVSKI OBZORNIK 58 FINANCE 57 DOLENJSKI LIST 56 SALOMONOV OGLASNIK (nepridobljeno) 54 PRIMORSKE NOVICE (nepridobljeno; v Gigafidi so besedila s spletne strani) 53 VESTNIK MURSKA SOBOTA (nepridobljeno) 50 VAŠ MESEČNIK 50 LEA 49 STOP 49 STORY 49 MARIBORSKI UTRIP (nepridobljeno) 48 GORENJSKI GLAS 45 CITY MAGAZINE 45 NOVI TEDNIK 43 KRANJČANKA (nepridobljeno) 43 BUKLA 41 MOBIL 40 KAMNIŠKE NOVICE (nepridobljeno) 39 82 KRANJSKI GLAS 39 MERCATOR MESEC (nepridobljeno) 39 ŠTAJERSKI TEDNIK 38 EKIPA 37 JESENIŠKE NOVICE 37 UTRIP (SAVINJSKI) (nepridobljeno) 35 LOČANKA (nepridobljeno) 34 ISTRA (nepridobljeno) 32 REPORTER 29 DELO MATURANT&KA (nepridobljeno) 20 CELJSKI OGLASNIK (nepridobljeno) 18 * Žurnal, ki je pod naslovom Ljubljanski Žurnal vključen v Gigafido, obsega 1.281.336 besed. Za celotni delež v kres-u bi potrebovali okrog 3.500.000 besed, to pomeni, da je količina za dve tretjini premajhna, zato smo se odločili, da Ljubljanskega Žurnala v kres ne vključimo. ** Prečrtana so besedila, ki so v Gigafidi označena kot revije in smo jih upoštevali v naslednji točki. Na ta način smo izmed 53 naslovov (oz. 37, če odštejemo revije) dobili 20 najbolj branih časopisov. Če odštejemo še Žurnal, jih za kres ostaja 19. Tabela 4.4 prikazuje, koliko besed smo nato iz teh 19 časopisov glede na branost (drugi in tretji stolpec) želeli dobiti za kres iz vsakega naslova. V nadaljevanju smo število besed iz vsakega naslova razdelili še po letnikih, in to tako, da smo celotno število besed iz določenega časopisa delili s številom letnikov, ki jih imamo v Gigafidi (gl. Prilogo 6). Pri tem smo kot »samostojen letnik« razumeli letnico izida skupaj z naslovom in založnikom, kar pomeni, da smo v primeru, ko je del letnika nekega časopisa vpisan pod enim naslovom, del letnika pa pod drugim naslovom (tj. kot naslov skupaj s podnaslovom) ali ko je del letnika nekega časopisa vpisan k enemu založniku, del letnika pa k drugemu založniku, šteli, kot da gre za različne letnike (prim. npr. Finance v Prilogi 6). Če je bilo v katerem od letnikov število besed premajhno, smo manjkajoči delež razdelili na vse ostale letnike. Pri dveh časopisih ( Dobro jutro, Družina) je bilo skupno število besed premajhno, zato smo manjkajoči del vzeli iz dodatnih časopisov, in sicer iz Demokracije in Novega Matajurja (gl. dodatek v Prilogi 6). Omeniti je treba še to, da zaradi razvidnosti metodologije zadnji stolpec Tabele 4.4 (enako velja za Tabeli 4.7 in 4.9 v nadaljevanju) prikazuje želeno oz. načrtovano število besed. Temu številu smo se pri vzorčenju iz Gigafide skušali čim bolj približati, vendar pa smo najprej upoštevali pravilo zajema celotnega odstavka. Posledično je končno število besed iz naštetih časopisov (ter revij in novičarskih portalov) v kres-u lahko nekoliko manjše ali nekoliko večje − kolikšno natančno, je po naslovih prikazano v Prilogi 6, v skupnem obsegu pa v nadaljevanju v točki 4.2.3. 83 Tabela 4.4: Časopisi: načrtovano število besed za KRES po branosti. NRB 2010 Delež vrednosti Število besed Načrtovano v 000 NRB v % v Gigafidi število besed za KRES NEDELJSKI DNEVNIK 355 15,85 27.007.794 3.170.000 DOBRO JUTRO 336 15 1.718.446 3.000.000 SLOVENSKE NOVICE 318 14,19 7.207.506 2.838.000 NEDELO 157 7 3.102.095 1.400.000 KMEČKI GLAS 142 6,35 20.968.294 1.270.000 DELO 130 5,8 149.252.977 1.160.000 VEČER 127 5,7 33.414.300 1.140.000 DNEVNIK 118 5,27 181.336.239 1.054.000 DRUŽINA 97 4,33 239.520 866.000 POSAVSKI OBZORNIK 58 2,6 3.078.159 520.000 FINANCE 57 2,54 2.2709.093 508.000 DOLENJSKI LIST 56 2,5 31.225.867 500.000 VAŠ MESEČNIK 50 2,23 1.119.254 446.000 GORENJSKI GLAS 45 2 39.008.344 400.000 NOVI TEDNIK (NT 43 1,9 16.207.663 380.000 & RC) KRANJSKI GLAS 39 1,74 385.361 348.000 ŠTAJERSKI TEDNIK 38 1,7 4.439.130 340.000 EKIPA 37 1,65 46.154.899 330.000 JESENIŠKE NOVICE 37 1,65 950.244 330.000 SKUPAJ 2.240 100,00 589.525.185 20.000.000 Poseben komentar je treba dodati še k prilogam časopisov. Kar nekaj od njih dosega visoko branost, npr. Vikend magazin, Delo in dom, Pilot, vendar pa jih v kres nismo zajeli. Razlog je v tem, da pri zbiranju te priloge kot korpusni dokumenti niso bile dosledno ločevane od časopisov, h katerim so sodile ( Delo, Slovenske novice, Dnevnik itd.). Posledično v kolofonih korpusa ni vedno razviden njihov naslov. Čeprav za nekatere od njih imamo podatke o obsegu v Gigafidi (Tabela 4.5), jih zaradi verjetnosti, da so priloge v korpus vendarle vključene v še večjem obsegu, o katerem pa nimamo natančnih podatkov, iz kres-a izpuščamo. Tabela 4.5: Število besed najbolj branih prilog v Gigafidi. Priloga Leto Število besed v Gigafidi Vikend magazin 2007, 2008 887.643 Ona 2007, 2008 2.036.105 Pilot 2001, 2002, 2003, 2004, 2005 1.359.553 Delo in dom 2008 697.427 SKUPAJ 4.980.728 84 4.2.2.1.2.2 revije V Gigafido revije prinašajo 255.271.089 besed, za kres pa smo jih – enako kot pri časopisih – potrebovali le 20 milijonov, kar je slabih 8 % celote. Revije smo izbrali na enak način kot časopise: izmed vseh 93 tednikov, dvotednikov in mesečnikov, ki so navedeni na lestvici raziskave nrb 2010 – vključno s tistimi, ki so tam označeni kot dnevnik, večdnevnik ali tednik, v Gigafidi pa imajo taksonomijo t.p.r – smo v kres zajeli vse, kar smo uspeli zbrati in je v Gigafidi označeno kot revija. Nastala je Tabela 4.6, ki enako kot pri časopisih prikazuje tudi naslove, ki so na seznamu najbolj branih, a jih za korpus nismo dobili (pripis: nepridobljeno). Tabela 4.6: Pridobljeni in nepridobljeni tedniki, dvotedniki ter mesečniki iz NRB 2010 po branosti. Revija NRB 2010 v 000 NEDELJSKI DNEVNIK 355 LADY 223 OGNJIŠČE 219 MOTOREVIJA 199 ZDRAVJE 177 NATIONAL GEOGRAPHIC 170 NEDELO 157 RAZVEDRILO (nepridobljeno) 146 KMEČKI GLAS 142 CICIBAN 130 JANA 125 OBRTNIK 124 ANJA 114 SALOMONOV UGANKAR (nepridobljeno) 111 VZAJEMNA 106 COSMOPOLITAN 104 DRUŽINA 97 NOVA 91 CICIDO 90 VZAJEMNOST (nepridobljeno) 84 GEA 81 NATIONAL GEOGRAPHIC JUNIOR (nepridobljeno) 81 ROŽE & VRT 81 NAŠA ŽENA 79 AVTO MAGAZIN 78 READERS DIGEST (nepridobljeno) 77 VIVA 76 SMRKLJA 72 GAIA 71 MOJ LEPI VRT 71 85 PIL (imamo PIL PLUS) 71 LEPA in ZDRAVA 65 MOJ MALČEK 65 HOPLA 62 LOVEC (nepridobljeno) 62 MOJ PLANET (nepridobljeno) 62 ŽIVLJENJE IN TEHNIKA 62 LISA 60 MLADINA 59 OBRAZI 59 JOKER 58 DOLENJSKI LIST 56 AVTO FOKUS (nepridobljeno) 55 MOJE FINANCE (nepridobljeno) 52 PLAYBOY 52 BRAVO (nepridobljeno) 51 AVTO+ŠPORT (nepridobljeno) 51 DOBER TEK (nepridobljeno) 51 FHM (nepridobljeno) 51 VESTNIK MURSKA SOBOTA 50 AVTO FOTO MARKET 50 LEA 49 STOP 49 STORY 49 EVA 47 KMETOVALEC 40 PLUS (nepridobljeno) 40 7DNI (nepridobljeno) 38 KIH 38 ELLE 38 MONITOR 38 COOL 37 MINI MOJ PLANET (nepridobljeno) 37 RADAR 37 L&Z (nepridobljeno) 36 LISA ČAROVNIJA OKUSA (nepridobljeno) 36 MOTORIST (nepridobljeno) 36 JOY (nepridobljeno) 35 CICI ZABAVNIK (nepridobljeno) 34 PODJETNIK 32 RIBIČ 32 TELENOVELE TOTAL (nepridobljeno) 31 MAMA (nepridobljeno) 30 REPORTER (nepridobljeno) 29 MOJ MIKRO 27 86 OBRAMBA 27 RAČUNALNIŠKE NOVICE 25 OTROK IN DRUŽINA (nepridobljeno) 23 REVIJA O KONJIH 23 LE MONDE DIPLOMATIQUE (nepridobljeno) 20 MODNA 20 SWPOWER (nepridobljeno) 20 ŠTAJERSKI OGLASNIK (nepridobljeno) 18 MANAGER (nepridobljeno) 18 VAL NAVTIKA 18 VIP 18 MOJ MALI SVET 17 LJUBEZENSKE ZGODBE − LADY (nepridobljeno) 16 MOJE STANOVANJE (nepridobljeno) 15 PRI NAS DOMA 15 SCIENCE ILLUSTRATED (nepridobljeno) 15 POGLEDI (nepridobljeno) 12 SISTEM (nepridobljeno) 6 * Prečrtana so besedila, ki so v Gigafidi označena kot časopisi in smo jih upoštevali v prejšnji točki. Na ta način smo izmed 93 naslovov (oz. 87, če odštejemo časopise) za kres dobili 54 revij. Tabela 4.7 prikazuje, koliko besed smo nato glede na branost (drugi in tretji stolpec) iz vsakega naslova želeli dobiti za kres. Število besed po letnikih smo izračunali na enak način kot pri časopisih zgoraj. Pri dvanajstih revijah ( Lady, Ognjišče, Motorevija, National Geographic, Ciciban, Cicido, Smrklja, Moj lepi vrt, Moj malček, City magazine, Kih in Cool) je bilo skupno število besed premajhno, zato smo manjkajoči del vzeli iz revij, ki so jim tematsko in/ali glede na naslovnika najbolj podobne (naštete so v dodatku v Prilogi 6). Tabela 4.7: Revije: načrtovano število besed za kres po branosti. NRB 2010 Delež vrednosti Število besed Načrtovano število v 000 NRB v % v Gigafidi besed za KRES LADY 223 5,77 875.316 1.154.000 OGNJIŠČE 219 5,67 57.534 1.134.000 MOTOREVIJA 199 5,15 299.780 1.030.000 ZDRAVJE 177 4,58 3.426.035 916.000 NATIONAL GEOGRAPHIC 170 4,40 13.800 880.000 CICIBAN 130 3,36 486.872 672.000 JANA 125 3,23 13.458.466 646.000 OBRTNIK 124 3,21 3.420.303 642.000 ANJA 114 2,95 3.786.715 590.000 VZAJEMNA 106 2,74 2.549.294 548.000 COSMOPOLITAN 104 2,69 1.998.407 538.000 87 NOVA 91 2,35 10.624.407 470.000 CICIDO 90 2,33 199.150 466.000 GEA 81 2,1 2.671.969 420.000 ROŽE & VRT 81 2,1 1.294.355 420.000 NAŠA ŽENA 79 2,04 3.557.739 408.000 AVTO MAGAZIN 78 2,02 9.256.420 404.000 VIVA 76 1,97 8.211.803 394.000 SMRKLJA 72 1,86 140.997 372.000 GAIA 71 1,84 486.672 368.000 MOJ LEPI VRT 71 1,84 209.163 368.000 PIL PLUS 71 1,84 1.843.899 368.000 LEPA IN ZDRAVA 65 1,68 710.966 336.000 MOJ MALČEK 65 1,58 44.410 316.000 HOPLA 62 1,6 11.965.594 320.000 ŽIVLJENJE IN TEHNIKA 62 1,6 6.722.699 320.000 LISA 60 1,55 4.095.829 310.000 MLADINA 59 1,53 33.870.249 306.000 OBRAZI 59 1,53 5.057.735 306.000 JOKER 58 1,5 2.265.078 300.000 PLAYBOY 52 1,34 3.395.156 268.000 AVTO FOTO MARKET 50 1,3 1.698.695 260.000 LEA 49 1,28 4.520.426 256.000 STOP 49 1,28 8.366.450 256.000 STORY 49 1,28 837.784 256.000 EVA 47 1,21 422.638 242.000 CITY MAGAZINE 45 1,16 130.441 232.000 KMETOVALEC 40 1,03 2.143.963 206.000 KIH 38 0,99 189.235 198.000 ELLE 38 0,99 1.680.927 198.000 MONITOR 38 0,99 10.246.819 198.000 COOL 37 0,95 90.420 190.000 RADAR 37 0,95 4.518.109 190.000 PODJETNIK 32 0,83 341.059 166.000 RIBIČ 32 0,83 2.166.245 166.000 MOJ MIKRO 27 0,71 5.823.997 142.000 OBRAMBA 27 0,71 483.325 142.000 RAČUNALNIŠKE NOVICE 25 0,64 1.989.713 128.000 REVIJA O KONJIH 23 0,6 703.192 120.000 MODNA 20 0,53 707.929 106.000 VAL 18 0,47 2.592.108 94.000 VIP 18 0,47 1.765.583 94.000 MOJ MALI SVET 17 0,46 721.435 92.000 PRI NAS DOMA 15 0,39 488.847 78.000 SKUPAJ 3.865 100,00 189.626.152 20.000.000 88 4.2.2.1.3 druGo Iz kategorije drugo smo se v kres odločili vključiti 5 milijonov besed. V Gigafidi je to najmanjša kategorija, saj šteje le 7.951.450 besed, tako da v kres sodi skoraj v celoti. Odločili smo se, da v kres ne vključimo besedil neznanega avtorja in besedil, pri katerih je znan samo založnik (dzs), drugih podatkov pa ni (gre za besedila, ki so še iz korpusov fida in Fidaplus). Za vključitev v kres sta tako ostali dve homogeni skupini: zapisi sej Državnega zbora Republike Slovenije ter besedila rtv Slovenija, tj. podnapisi in postprodukcijska besedila. Ta dva vira skupaj v Gigafido prinašata 5.214.611 besed, zato smo se od-ločili, da iz vsakega od njiju vzorčimo 95,88-odstotni delež, se pravi, da smo želeli dobiti 3.487.385 besed iz zapisov sej državnega zbora in 1.512.615 besed iz besedil rtv Slovenija. 4.2.2.2 Internet Spletnim besedilom smo v kres-u določili 20-odstotni delež, kar pomeni 20 milijonov besed, od tega smo besedilom z novičarskih portalov pripisali 8-milijonski, spletnim stranem ustanov in podjetij pa 12-milijonski delež. V Gigafidi je v celoti 185.758.467 besed z interneta. Čeprav smo internetna besedila pridobivali dve leti (2010, 2011), jih po letu pridobitve za kres nismo posebej uravnoteževali (o pajkanju spletnih besedil gl. 2. pogl.). 4.2.2.2.1 NoviČArSKi porTALi Vseh besed iz besedil z novičarskih portalov je v Gigafidi 116.711.842. Tabela 2.1 v 2. pogl. prikazuje, koliko besed smo pridobili z vsake od 10 novičarskih spletnih strani. Po merjenju obiskanosti spletnih strani moss (Priloga 2) so imele julija 2010 največji doseg med novičarskimi portali naslednje tri strani: 24ur.com, siol.net in rtvslo.si. Na drugem mestu je sicer najdi.si, a ker je ta tudi priljubljen spletni brskalnik, ga tu med prvimi tremi najpogosteje obiskanimi izpuščamo, je pa v korpus sicer vključena njegova podstran novice.najdi.si. Odločili smo se, da 8 milijonov besed v celoti vzamemo zgolj s prej navedenih treh strani, in sicer glede na razmerja v obiskanosti (oz. po številu prikazov; Tabela 4.8). Tabela 4.8: Najpogosteje obiskane novičarske spletne strani: število in delež prikazov za Slovenijo po merjenju moss (julij 2010) Spletna stran Število prikazov Prikazi v % 24ur.com 97.380.205 58,35 siol.net 38.124.216 22,84 rtvslo.si 31.398.049 18,81 SKUPAJ 166.902.470 100,00 89 Ta razmerja smo prenesli na število besed v kres-u in dobili Tabelo 4.9: Tabela 4.9: Načrtovano število besed z novičarskih portalov za KRES. Spletna stran Število besed v Gigafidi Načrtovano število besed za KRES 24ur.com 34.963.385 4.668.000 rtvslo.si 27.294.954 1.827.200 siol.net 36.103.293 1.504.800 SKUPAJ 98.361.632 8.000.000 4.2.2.2.2 podjETjA iN uSTANovE V Gigafidi so besedila s 101 spletne strani podjetij in ustanov – od teh jih je 10 še iz korpusa fida (Tabela 4.10). Za slednje smo se odloči-li, da jih v kres ne bomo vključili. Tabela 4.10: Internetna besedila, ki so v Gigafido prišla iz korpusa FIDA. Naslov Leto Založnik Število besed v Gigafidi 30. MOS − Celje, 12. do 21. september 1997 ce-sejem.si 606 INTERNET od A do P 1999 neznani založnik 881 MOS ‘97 1997 ce-sejem.si 188 neznani naslov 1997 neznani založnik 363 Obisk na MOS 1997 ce-sejem.si 2.038 Obsejemske prireditve 30. MOS 1997 ce-sejem.si 949 Sejem danes 1997 ce-sejem.si 7.125 Sejem danes, sreda 17. septembra 1997 ce-sejem.si 2.597 Sinoči podelitev priznanj 1997 ce-sejem.si 1.933 Spletna umetnost 2000 neznani založnik 3.950 SKUPAJ 20.630 Ostalih 91 strani lahko ločimo na strani (a) podjetij in (b) raziskovalnih, izobraževalnih ipd. ustanov, pri čemer je prvih 29, drugih pa 62. Skupaj je iz tega vira v korpusu 69.025.995 besed. V pomanjkanju teh-tnejših meril za uravnoteževanje teh dveh virov smo za kres vzeli povsem arbitrarnih 12,5 % s spletnih strani podjetij (kar je 1.500.000 besed), 87,5 % pa s spletnih strani ustanov (kar je 10.500.000 besed). Število besed na stran smo dobili z deljenjem (1,5 milijona : 29 oz. 10,5 milijona : 62). Kjer je bilo število besed na podjetje oz. ustanovo premajhno, smo manjkajoči delež razdelili na vse ostale strani (Priloga 6). 4.2.3 Končno število besed in število besed po letih V kres-u je 99.831.145 besed; kako so razporejene po taksonomskih kategorijah, prikazujeta Tabela 4.11 in Slika 4.1. V Tabeli 4.12 so še 90 podatki o številu besed po letih; če primerjamo Sliko 4.2 in Sliko 1.8 v 1. pogl., na kateri je obseg besed po letih prikazan za Gigafido, vidimo, da so podatki – pričakovano – le delno prekrivni. Tabela 4.11: Število besed po taksonomiji v kres-u. Taksonomija Oznaka Število besed tisk T 79.830.144 knjižno T.K 35.088.699 leposlovje T.K.L 17.030.038 stvarna besedila T.K.S 18.058.661 periodično T.P 39.727.239 časopisi T.P.C 19.919.327 revije T.P.R 19.807.912 drugo T.D 5.014.206 internet I 20.001.001 SKUPAJ 99.831.145 Slika 4.1: Število besed po taksonomiji v kres-u. 25.000.000 20.000.000 15.000.000 10.000.000 5.000.000 0 leposlovje stvarna b. časopisi revije drugo internet Tabela 4.12: Število in delež besed po letih v kres-u. Leto Število besed Delež v % 1990 9.668 0,01 1991 158.661 0,16 1992 187.132 0,19 1993 373.852 0,37 1994 1.393.282 1,40 1995 1.159.680 1,16 1996 1.249.317 1,25 1997 3.172.913 3,18 1998 3.371.253 3,37 1999 5.428.595 5,45 2000 4.431.548 4,44 2001 2.462.055 2,46 2002 4.192.839 4,20 91 2003 6.053.615 6,07 2004 7.123.231 7,14 2005 9.739.546 9,76 2006 6.069.503 6,08 2007 7.332.141 7,34 2008 8.768.078 8,78 2009 6.461.610 6,47 2010 16.975.937 17,00 2011 3.716.689 3,72 SKUPAJ 99.831.145 100,00 Slika 4.2: Število besed po letih v kres-u. 18.000.000 16.000.000 14.000.000 12.000.000 10.000.000 8.000.000 6.000.000 4.000.000 2.000.000 0 3 4 7 1990 1991 1992 199 199 1995 1996 199 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 4.3 ccGigafida in ccKRES Tako Gigafida kot kres sta prosto dostopna prek konkordančnika, vendar konkordančniki omogočajo samo omejen nabor analitičnih metod za raziskovanje jezika (o Konkordančniku Gigafida gl. 5. pogl.). Dostop do celotnega korpusa, torej prenos podatkovne baze korpusa v izvirnem zapisu na lasten računalnik pa omogoča, po drugi strani, izvajanje kvantitativnih raziskav, ki so omejene samo z domišljijo in znanjem programskih orodij. Kot je obširneje opisano v Erjavec (2010b), takšna odprtost jezikovnih virov omogoča njihovo polno izkoriščanje, zagotavljanje takšnega dostopa pa bi obenem morala biti tudi moralna zaveza izdelovalcev jezikovnih virov, ki so nastali s po-močjo javnih sredstev. 92 Pogodba z besedilodajalci Gigafide (Priloga 3) onemogoča nadaljnje razširjanje celotnih besedil Gigafide, dovoljujejo pa, da se omogoči poln dostop do 10 % posameznega besedila – 4. člen, ki smo ga navedli že v 1. pogl., se namreč glasi: Imetnik » pravic dovoli, da se do 10 % dela uporabi na način, kot to določa licenca Creative Commons. V tem delu na naročnika neizključno, neodplačno in brez časovnih omejitev prenaša pravico reprodukcije, distribucije, dajanja v najem, priobčitve javnosti in predelave avtorskega dela, ki je predmet te pogodbe in njegovih predelav v skladu ter na način, kot to določa licenca Creative Commons: ‘priznanje avtorstva’ + ‘nekomercialno’ + ‘deljenje pod istimi pogoji’. Ta licenca dovoli uporabnikom avtorsko delo in njegove predelave reproducirati, distribuirati, dajati v najem, priobčiti javnosti in predelovati samo pod pogojem, da navedejo avtorja, da ne gre za komercialno uporabo in da tudi oni naprej širijo izvirna dela/ predelave pod istimi pogoji.« Zaradi navedenega smo iz Gigafide in kres-a vzorčili podkorpusa, ki zadostujeta določilu »do 10 %«: iz vsakega besedila Gigafide oz. kres-a je bilo avtomatsko izbranih 9 % naključnih odstavkov. Ta dva korpusa, imenovana ccGigafida in ccKres, imata enako strukturo, oznake in besedila (ter s tem besedilne zvrsti) kot Gigafida oz. kres, vsebujeta pa desetkrat manj besed kot izvirnika (okoli 100 milijonov oz. 10 milijonov) – ter sta hkrati odprta za prenos pod licenco Creative Commons: »priznanje avtorstva« + »nekomercialno« 2.5 Slovenija. Licenca, na kratko imenovana cc by-nc, določa, da je dovoljeno re-produciranje, distribuiranje, dajanje v najem in priobčevanje korpusa javnosti, kot tudi predelava korpusa pod pogojem, da se prizna avtorstvo korpusa oz. besedil ter da se ga ne uporablja v komercialne namene. Priznanje avtorstva pomeni, da je pri uporabi korpusa treba navesti ime korpusa, za posamezne iztržke navesti tudi izvirnega avtorja oz. besedilodajalca, v strokovnih in znanstvenih publikacijah pa citirati ustrezno bibliografijo, ki ta korpus opisuje, enako, kot je to že sicer navada pri citiranju raziskav. S korpusoma ccGigafida in ccKres tako omogočamo tretjim ose-bam, tudi raziskovalcem v tujini, da pod čim bolj liberalnimi pogoji poglobljeno raziskujejo slovenski jezik, tako z jezikoslovnega kot računalniškega oz. jezikovnotehnološkega vidika. Pri slednjem je najbolj pomembna izdelava sekundarnih jezikovnih virov, kot so frekvenčni seznami besed in lem, besednih zvez ter terminov in mode-lov za jezikoslovno označevanje. 93 4.4 Postopek vzorčenja Osnova za vzorčenje besedil za korpus kres je bila tabela, pri kateri posamezna vrstica vsebuje bibliografske podatke ter zahtevano število besed zanje, podobno, kot je predstavljeno v Tabelah 4.4, 4.7 in 4.9 oz. v Prilogi 6. Bibliografski podatki v vzorčni tabeli vsebujejo naslov, letnico izida, založbo, umestitev v taksonomijo Gigafide ter vir dela, pri čemer ni nujno, da so v posamezni vrstici navedeni vsi podatki. Tako so npr. knjižna dela polno opisana in eni vrstici vzorčne tabele tipično ustreza ena datoteka Gigafide oz. kres-a, medtem ko imajo internetna besedila podano število besed samo glede na domeno (vir) in eni vrstici ustreza večje število datotek; to velja tudi za revije in časopise. V prvi fazi vzor- čenja smo zato identificirali datoteke, ki ustrezajo eni bibliografski postavki, pri čemer smo izpustili datoteke, ki imajo manj kot 20 besed. Postopek vzorčenje je bil podoben tistemu, ki smo ga razvili za izdelavo korpusov jos100k in jos1m, ki sta bila vzorčena iz korpusa Fidaplus (Erjavec, Krek 2008). Enota vzorčenja ni posamezno besedilo, pač pa odstavek, s čimer omogočamo čim boljšo zastopanost posameznih del. Če bi v korpus dodajali celotna besedila, bi neko besedilo ali v celoti izpadlo ali pa bi bilo – posebej pri obsežnejših besedilih, kot so knjige ali celotni letniki časopisov, združeni v eno datoteko – v korpusu preveč prevladujoče. Poleg tega vzorčenje po odstavkih pomeni, da smo lahko enak postopek uporabili tako za kres kot za ccGigafido in ccKres. Seveda pa ta način vzorčenja pomeni, da v korpusu niso več zajeta celotna besedila, pač pa imajo besedila vrzeli. Iz Gigafide smo vzeli vse identifikatorje posameznih odstavkov skupaj s številom besed, ki jih vsebujejo, in ta seznam premešali, tako da je postalo zaporedje odstavkov v njem naključno. Program za vzor- čenje je nato iz seznama odstavkov zaporedoma jemal njihove identifikatorje in njihovo število besed prištel vsoti glede na posamezno vrstico vzorčne tabele. Če je bila sumarna vsota besed za vrstico manjša, kot je zahtevano število besed, se je odstavek dodal v vzorčeni korpus, sicer pa ne. Na ta način smo dobili množico naključno izbranih odstavkov, ki skupaj zadoščajo zahtevam, ki jih izraža vzorčna tabela. V zadnjem koraku vzorčenja je program uporabil izbrani seznam identifikatorjev odstavkov in te odstavke vzel iz Gigafide – ostale podatke o besedilu, predvsem metapodatke, pa prepisal ter določene dele priredil dejstvu, da je vzorec besedila sedaj del vzorčenega korpusa in da ima manjši obseg kot izvirnik. Enak postopek kot za vzorčenje korpusa kres je bil izveden tudi za korpusa ccGigafida in ccKres, s to razliko, da sta bili vzorčni tabeli izde-lani avtomatsko: v tabeli za ccGigafido je vsaki vrstici ustrezala natanko ena datoteka Gigafide, število zahtevanih besed zanjo pa je bilo nasta-vljeno na 9 % celotnega števila besed v datoteki. Enako pa je veljalo tudi za ccKres, samo da je bil tu izvorni korpus kres, in ne Gigafida. 94 18 V nadaljevanju leme, ki so si po kateri od slovničnih kategorij 4.5 Primerjava pogostosti lem ali po pomenu sorodne, navajamo skupaj, pri čemer smo zlasti pri v KRES-u in ccGigafidi večfunkcijskih ali večpomenskih besedah zgolj ugibali, katera od funkcij oz. kateri od pomenov je Namen korpusa kres je uravnotežiti Gigafido glede na zastopa-po LL najrelevantnejši (lahko bi ju nost posameznih zvrsti besedil, in kot razloženo, je bilo to narejeno z seveda preverjali v korpusu), zato je členitev zgolj okvirna oz. ena ročno izbiro bibliografskih enot ter njihovih razmerij in naključno iz-od možnih. Sicer pa prihajajo vse biro odstavkov iz Gigafide glede na ta merila. Razlike med korpusoma naštete besede iz zgornjega dela (do 80. mesta) seznama po razliki se bodo zares pokazale šele v nadaljnjih analizah. Obstaja pa razme-v vrednosti LL (tretji stolpec Slike roma enostavna metoda, frekvenčni profil (angl. frequency profiling), 4.3). ki sta jo vpeljala Rayson in Garside (2000). S to metodo je mogoče najti zanimive elemente (npr. ključne besede ali slovnične kategorije), ki razlikujejo en korpus od drugega. Preizkus smo izvedli med lemami korpusov kres in ccGigafida; slednjega smo vzeli namesto Gigafide, ker je desetkrat manjši in s tem lažji za obdelavo, vseeno pa ohranja razmerja besedil iz Gigafide. Najprej smo izdelali frekvenčni seznam lem obeh korpusov, nato pa za vsako lemo izračunali njeno logaritemsko verjetnost (angl. log-likeliho-od, ll). ll upošteva pogostost elementa, kot tudi velikosti obeh korpusov in večji, kot je, bolj je element značilen za enega od njiju. Elementi z najvišjimi vrednostmi razlik v ll (Slika 4.3) najočitneje kažejo glavne razlike med kres-om in ccGigafido oz. Gigafido, ki so naslednje:18 a) kres: • za kres so značilnejši zaimki on, jaz, ti; ta, tisti, tako; kaj, kako; moj, njen, njegov, vaš, tvoj, svoj; drug, vsak, ves, nič; kakor, kadar; dalje vezniki in, ali, če, da, ko, ampak; predlogi z, k, iz, prislova potem in lahko; členki ne, samo in ja ter povedkovnik rad; • med polnopomenskimi besedami kot za kres značilni izstopajo glagoli biti; reči, vprašati; vedeti, misliti, zdeti se; videti, gledati, pogledati; iti, priti; hoteti, moči, morati; uporabljati in samostalniki otrok, človek, oseba, mama, oče, bog, gospod; življenje; roka, oči, telo, glava, obraz, organ; rastlina, list, voda; vrata, soba; oblika, predmet; člen, opis, str. , št. , odstavek, besedilo; republika; b) ccGigafida: • primerjalno so za ccGigafido značilnejši predlogi v, za, na, po, pred, ob, zaradi, med, do; členki tudi, še, že, naj, le, predvsem in vezniki pa, sicer, ki, saj, namreč; • med polnopomenskimi besedami je za ccGigafido v primerjavi s kres-om opazno to, da v ospredju ni glagolov, saj se med prvimi 80 besedami, značilnejšimi za ccGigafido, prvi glagol pojavi šele na 53. mestu ( igrati), sledi pa mu nato do tega obsega le še dobiti na 77. mestu; tudi zaimka sta v tem naboru le dva: kar in naš; za ccGigafido so tako značilnejši samostalniki odstotek, podjetje, milijon, direktor, banka, evro, tolar, cena, trg; Slovenija, občina, predsednik, država, mesto, vlada, stranka, minister, ministrstvo; 95 tekma, zmaga, ekipa, sezona, prvenstvo, liga, igralec, klub, krog, Celje, trener, igra, prvak, točka; film; leto, konec, teden; dalje pridevniki slovenski, domači, evropski, svetovni, ameriški; državni; nov, dober, velik; zadnji, nekdanji, letošnji in prihodnji; sledijo še števnik prvi ter prislovi letos, lani, včeraj, več in danes. Če primerjavo na kratko povzamemo, ta kaže naslednje: V kres-u je v primerjavi s ccGigafido več raznovrstnih zaimkov. Vsi vezniki, značilnejši za kres, opravljajo več funkcij in/ali so lahko tudi del večbesednih veznikov, zato je zanje brez pregleda konkordanc težko trditi, katere vrste priredij ali odvisnikov uvajajo. Na drugi strani vezniki pa, ki, saj in namreč, ki so značilnejši za ccGigafido ( sicer je morda celo pogosteje členek), nakazujejo, da je v tem korpusu verjetno več prirednih razmerij: protivnih (verjetno s pa kot delom vezniške zveze pa tudi tudi stopnjevalnih) in vzročnih ali pojasnjeval-nih, ter ki-stavkov. Dalje so za ccGigafido značilnejši predlogi, ki z izjemo zaradi (ki skupaj s sledečo besedo ali zvezo izraža vzročnost) skupaj s samostalniško ali prvotno pridevniško besedo ali prislovom izražajo kraj in čas, na, po, ob in med pa poleg tega tudi lastnost (Toporišič 1991: 350–359). Predlogom z, k in iz, ki so značilnejši za kres, je skupno to, da so vsi del zvez, ki izražajo kraj, k in iz tudi čas, iz pa lahko obenem tudi kakovost in vzrok. Členki tudi, še, že, le in predvsem, ki so značilnejši za Gigafido, sodijo po členitvi pri Smolej (2004: 47) v dve skupini: k poudarjalnim modi-fikatorjem (velja za vseh pet členkov) ali k modalnim členkom ( še in že); členek naj sodi k modalnim členkom. Prvi, tj. poudarjalni modifi-katorji, modificirajo stavčni člen pred ali za katerim stojijo, drugi ( še in že) se »funkcijsko udejanjajo ali kot vnašalci subjektivnega stališča govorca/pisca in/ali kot sredstvo krepitve ali slabljenja gotovostne na-klonskosti«, funkcija tretjega ( naj) pa je »tvorjenje s pomočjo drugih leksikalnih in slovničnih sredstev določene sporočanjske oblike povedi, preko katerih govorec/pisec skuša doseči sporočanjski cilj« (Smolej: prav tam). Slednje velja po Smolej tudi za členka ne in ja, značilnejša za kres, če drži, da sta ti dve besedi v funkciji pritrjevanja oz. zanika-nja; samo v vlogi členka (lahko pa je seveda tudi v vezniški vlogi) je v isti skupini kot npr. tudi − torej v skupini poudarjalnih modifikatorjev. V kres-u so med polnopomenskimi besedami opaznejši glagoli z (zelo) splošnim pomenom (osnovnih glagoli rekanja in mišljenja ter premikanja, glagolski primitivi, modalni glagoli ipd.), samostalniki, ki poimenujejo osebe (v sorodstvenih razmerjih) in dele telesa, ter druge besede, ki jih je težko povezati le z eno vsebino, saj so skoraj vse več- pomenske in/ali del frazemov. Nasprotno so najopaznejše teme v ccGigafidi lažje razpoznavne: gospodarstvo, uprava, politika ter šport in film, pri čemer pridevniki kažejo, da se ubesedujejo razmerja domači 96 − tuji, prvi − zadnji, pretekli − sedanji − prihodnji in ocena ( nov, dober, velik), za ccGigafido pa so značilni tudi tako samostalniki kot prislovi s časovnim pomenom ( leto, teden, ura; letos, danes, lani, včeraj). Ugotovljeno ni presenetljivo glede na to, da v ccGigafidi (oz. Gigafidi) prevladuje dnevno časopisje in revije (77,42 % korpusa) ter da enake teme najdemo tudi na novičarskih portalih (10,29 %), medtem ko imajo leposlovna in stvarna besedila v Gigafidi skupaj le 6,26-odstotni delež. Na drugi strani smo v kres-u delež periodike močno skrčili in ga ohranili le v obsegu 40 % (delež novičarskih portalov je 8-odstotni), povečali pa smo delež drugih, tematsko bolj raznovrstnih besedil, tj. leposlovja in stvarnih besedil, in sicer na skupnih 35 % − upravičeno smo zato v kres-u že vnaprej pričakovali večjo vsebinsko razpršenost značilnih lem. Slika 4.3: Frekvečni profil lem kres-a in ccGigafide.* * Prvi stolpec podaja lemo, drugi vrednost logaritemske verjetnosti, tretji razliko med četrtim in petim stolpcem, ki kažeta pogostost leme na tisoč besed, zadnja dva stolpca pa absolutno število pojavitev leme v obeh korpusih. 4.6 Zaključek Kot smo zapisali že zgoraj – mnoge lastnosti Gigafide in kres-a se bodo zares pokazale šele v nadaljnjih analizah različnih uporabnikov (prim. tudi Erjavec, Logar Berginc 2012), predvsem pa bodo različne analize celoviteje ovrednotile oba korpusa v smislu možnosti in za-držkov pri posploševanju ugotovitev, ki bodo nastale na njuni podlagi – že zdaj pa se zdi (ali pa vsaj upamo), da bo vpogled tako v Gigafido kot v kres relativiziral prehitro sklepanje o celoti in preučevalce sodobnega slovenskega jezika silil v še bolj poglobljeno interpretiranje rezultatov korpusnih iskanj. 97 19 V literaturi, predvsem nekoliko 5 Konkordančnik SSJ starejši, se za programe za delo s korpusnimi podatki uporablja poimenovanje konkordančniki. z vmesnikom Gigafida Danes je izdelava konkordančnega niza tipično le eden od številnih naprednih načinov organizacije korpusnih podatkov, zato avtorji radi govorijo nekoliko splošneje o korpusnih orodjih. Korpusni 5.1 Od Konkordančnika ASP32 vmesnik je tisti del programa, s katerim ima opravka korpusni do Konkordančnika SSJ uporabnik, torej del, ki neposredno omogoča iskanje Skupaj z rastjo količine besedilnega gradiva, zajetega v referenčni korpusnih podatkov, njihovo pregledovanje in nadaljnjo korpus, še bolj pa kot posledica širjenja korpusne uporabe od specia-obdelavo. lizirane k širši zainteresirani javnosti, se spreminjajo tudi programi za obdelavo korpusnih podatkov, še zlasti njegov vmesniški del.19 Za korpus fida, ki je bil namenjen ožjemu krogu specializiranih uporabnikov (leksikografov), je bil v podjetju Amebis, d. o. o., Kamnik razvit program Konkordančnik asp32. Pri pripravi tega programa je bila pozornost usmerjena predvsem k zasnovi kompleksnih iskalnih postopkov, ki v čim večji meri vključujejo upoštevanje raznovrstnih korpusnih oznak. O enostavnosti izdelave iskalnega pogoja ali nasploh uporabniški prijaznosti vmesnika se še ni govorilo, saj se je predvidevalo, da bo vsak uporabnik za delo s korpusom ustrezno strokovno izobražen, v primeru nejasnosti pa se bo lahko obrnil neposredno na avtorje programa. V sklopu priprave korpusa Fidaplus, za katerega se je načr-tovalo, da bo na spletu na voljo širši zainteresirani javnosti, je bil Konkordančnik asp32 nadgrajen in nekoliko poenostavljen (o tem npr. Arhar Holdt, Gorjanc 2007). Vendar je bil projekt korpusne nadgradnje časovno in finančno premalo obširen, da bi bila omogočena celostna prenova vmesnika in s tem dejanski prehod od specializiranega orodja k orodju za širšo uporabo. Korpus Fidaplus je ostal nekje na polovici te poti: pridobil oz. obdržal je predvsem uporabnike z visoko motivacijo za delo s korpusnimi podatki, ki so se bili pripravljeni uporabe programa naučiti sami. Želja zasnovati konkordančnik povsem na novo, z mislijo na naj- širšo možno korpusno rabo, je dobila možnost uresničitve znotraj projekta ssj. Pri pripravi programa smo upoštevali potrebe in predloge dosedanjih uporabnikov korpusov fida in Fidaplus ter primere dobrih praks drugih (slovenskih in tujejezičnih) korpusnih ter primerljivih sodobnih jezikovnih virov. Uporabo korpusa smo želeli poenostaviti v največji možni meri, ne da bi pri tem izgubili možnosti napredne obdelave korpusnih podatkov. Rezultat našega dela je Konkordančnik ssj, zmogljiv in hiter program za iskanje jezikovnih podatkov treh vrst: konkordanc, kolokatorjev in pojavnic oz. besed z enakimi morfemi (gl. 5.5). Razvili smo tudi nov vmesnik, ki smo ga imenovali kar vmesnik Gigafida, po 98 20 Zasnova vprašalnika je največjem korpusu, s katerim se vmesnik uporablja. Konkordančnik predstavljena v Arhar Holdt 2009. SSJ je skupaj z vmesnikom Gigafida uporaben tudi za druge pisne korpuse, npr. za korpus kres, ki smo ga predstavili v predhodnem poglavju. V tem poglavju korpus kres sicer puščamo nekoliko ob strani in se osredotočamo predvsem na korpus Gigafida, za katerega se predvideva najširša raba in je v tem smislu za razpravo najbolj relevanten. Funkcionalnost konkordančnika je mogoče preizkusiti (trenutno še) na http://demo.gigafida.net/ oz. http://www.gigafida.net/. Podpoglavji v nadaljevanju na osnovi rezultatov uporabniške evalvacije korpusa Fidaplus razpravljata o pojmih »splošnega uporabnika« (podpoglavje 5.2) in »splošne rabe« (podpoglavje 5.3) besedilnih korpusov. Podpoglavje 5.4 opisuje novosti Konkordančnika ssj v primerjavi s predhodnimi programi, podpoglavje 5.5 pa – podprto s slikovnim gradivom – predstavlja prikaz različnih vrst jezikovnih podatkov v vmesniku Gigafida. 5.2 »Splošni« uporabnik besedilnega korpusa Pred razvojem korpusnega vmesnika za »splošno« rabo oz. za »splošnega« uporabnika je bilo treba ugotoviti, kdo in kako besedilne korpuse pravzaprav uporablja, nato pa opredeliti, kakšnega uporabnika želimo pritegniti z novo različico programa, kakšno uporabo želimo omogočiti in seveda – na kakšen način prehod k večji »splošnosti« doseči. Pri tem je pomembno upoštevati, da besedilni korpus, uporabniško prijazen ali ne, ostaja orodje s specializirano namembnostjo, kar pomeni, da ima splošnost uporabnika in korpusne rabe a priori določene meje. Pri ugotavljanju, kje ležijo meje razširjenosti korpusne uporabe trenutno, smo se oprli na uporabniško evalvacijo korpusa Fidaplus. Ta je potekala s pomočjo spletnega vprašalnika, ki ga je med 1. 7. 2009 in 21. 1. 2010 rešilo 228 korpusnih uporabnikov.20 V uvod vprašalnika so bila uvrščena tudi vprašanja, na osnovi katerih smo želeli ugotoviti, katere skupine uporabnikov uporabljajo korpus Fidaplus ter kako pogosto in s kakšnim namenom to počnejo. Na osnovi podatkov, ki so v natančnejši obliki in z grafičnimi prikazi na voljo v projektnem poročilu (Arhar Holdt 2010), so osnovane posplošitve, ki jih v nadaljevanju poglavja na kratko komentiramo: • Korpus Fidaplus uporabljajo predvsem ljudje, stari med 20 in 40 let, ki se študijsko ali poklicno ukvarjajo z jezikom. • Korpus se največ uporablja kot pripomoček pri lektoriranju, prevajanju in pisanju besedil. • Večina uporabnikov korpus uporablja nekajkrat tedensko do nekajkrat mesečno. 99 21 Kot argumentira prispevek • Večina uporabnikov za ugotavljanje jezikovne rabe uporablja tudi Krek, Arhar Holdt 2010, korpusni spletne brskalnike. podatki vsekakor morajo najti svoje mestu znotraj pouka • Največ uporabnikom je za korpus povedal učitelj, dela s slovenskega jezika, vendar korpusom pa so se naučili sami. pedagoška uporaba zahteva specializiran korpusni vmesnik in sistemsko izobraževanje učiteljev za interpretacijo korpusnih 5.2.1 Starost in poklic korpusnih uporabnikov podatkov. 22 Tako vsaj trenutno še velja po Korpus uporabljajo predvsem ljudje, stari med 20 in 40 let, ki se splošnem prepričanju. Statistika sicer kaže, da je uporaba spleta študijsko ali poklicno ukvarjajo z jezikom. Kar tri četrtine vprašanih med starejšimi v skokovitem (75,4 %) je bilo v času reševanja vprašalnika starih med 18 in 34 let. porastu, predvsem kar se tiče uporabe socialnih omrežij (http:// Starejših od 45 let je bilo 9,8 %, nihče izmed tistih, ki so rešili vprašal-www.pewinternet.org/~/media// nik, pa ni bil mlajši od 18 let. Več kot polovico vprašanih (52,4 %) je Files/Reports/2010/Pew%20 Internet%20-%20Older%20Adults%20 bilo študentov (dodiplomskih in podiplomskih), 40 % pa zaposlenih, and%20Social%20Media.pdf). ki se pri delu tako ali drugače ukvarjajo z jezikom. Samo 4,5 % vprašanih je bilo zaposlenih na področju, kjer jezik ni med glavnimi poklic-nimi interesi. Kot napoveduje že podatek o starosti uporabnikov, ni bilo med vprašanimi nobenega osnovnošolca ali srednješolca. Vsekakor ne preseneča dejstvo, da med vprašanimi ni nobenega učenca ali dijaka, saj je za to populacijo uporaba tovrstnega orodja prezahtevna in nezanimiva.21 Manko starejših uporabnikov bi šlo na prvi pogled pripisati dejstvu, da starejši v splošnem manj uporabljajo spletna orodja,22 vendar bi na drugi strani od posameznikov, ki se z jezikom ukvarjajo poklicno, lahko pričakovali, da jim je uporaba tudi (ali predvsem?) novejših jezikovnih orodij v strokovnem interesu. Alternativni razlog za takšno stanje bi zato lahko iskali v slabi sezna-njenosti starejših potencialnih uporabnikov z obstojem korpusa. Po podatkih, ki so navedeni tudi v nadaljevanju tega poglavja, je veči-na uporabnikov za korpus Fidaplus izvedela od svojih profesorjev ali kolegov, kar opozarja na pretok informacij znotraj bolj ali manj zamejenih strokovnih oz. socialnih krogov. S pomočjo tečajev in prek medijev je bilo s korpusom seznanjenih relativno malo vprašanih (več o tem v 5.2.5). 5.2.2 Namen uporabe korpusa Besedilni korpus se največ uporablja kot pripomoček pri lektoriranju, prevajanju in pisanju besedil. Ko so uporabniki Fideplus v vpra- šalniku označevali, pri katerih aktivnostih uporabljajo ta korpus, jih je večina navajala lektoriranje (153 vprašanih), prevajanje (141 vprašanih) in pisanje besedil (121 vprašanih). Sledijo jezikoslovne raziskave (112 vprašanih), priprava seminarskih, diplomskih ali podiplomskih nalog (106 vprašanih) in ljubiteljsko raziskovanje jezika (95 vprašanih). Manj vprašanih korpus uporablja za pripravo učnega gradiva (44) in reševanje domačih nalog (38). 100 23 V sklopu projekta ssj nastajajo Navedeni podatki so rezultat že omenjene »polspecializiranosti« tudi nekateri tovrstni jezikovni Konkordančnika asp32, ki se zdi primeren predvsem za uporabnike viri, npr. leksikalna baza za slovenščino, spletni slogovni z določeno stopnjo jezikoslovnega znanja in visoko stopnjo (študij-priročnik in pedagoški slovnični ske ali poklicne) motivacije za samostojno učenje uporabe programa. portal. V tej knjigi je kratka predstavitev projekta v poglavju O »splošnem« uporabniku pri korpusu Fidaplus torej še ne moremo 1.1, podrobnejše informacije pa govoriti, saj se glede na podatke skoraj vsi uporabniki študijsko ali so na spletni strani projekta http://www.slovenscina.eu. poklicno ukvarjajo z jezikom. Predvidljivo je, da bo tudi korpus Gigafida uporabljala predvsem populacija, ki se na tak ali drugačen način ukvarja z jezikom (npr. lek-torji, novinarji, prevajalci, učitelji slovenščine, profesorji in študentje jezikoslovnih smeri). V tej ciljni skupini želimo doseči porast števila tistih uporabnikov, ki na korpus gledajo kot na eno izmed orodij, ki jih pri svojem delu redno uporabljajo. Obenem naj bi poenostavitev dela s korpusom pritegnila tudi populacijo, ki želi slovenščino razi-skovati ljubiteljsko oz. sporadično, npr. s pomočjo korpusa občasno poiskati odgovor na določeno jezikovno vprašanje. Na tem mestu ne bo odveč naslednji poudarek: nerealno bi bilo pričakovati, da bodo jezikovni uporabniki s pomočjo besedilnih korpusov samoiniciativno in iz dneva v dan zapolnjevali manko ustre-znega jezikovnega opisa, ki trenutno vlada v slovenskem prostoru. Naloga stroke je, da korpusne podatke sistematično analizira in interpretira ter pripravi sodobne jezikovne vire, v katerih bodo uporabniki na enostaven in hiter način dostopali do odgovorov na svoja vprašanja. Besedilne korpuse moramo videti kot dopolnitev teh virov.23 5.2.3 Pogostost uporabe korpusa Večina uporabnikov korpus Fidaplus uporablja nekajkrat tedensko do nekajkrat mesečno. 40,5 % vprašanih uporablja korpus nekajkrat mesečno, skoraj pol manj (23,9 %) pa nekajkrat tedensko. Nekajkrat letno uporablja korpus 17 % vprašanih, skoraj vsak dan pa le 13,6 %. Ker so načini iskanja in obdelave korpusnih podatkov v Fidiplus precej specifični, se jih morajo po daljših premorih uporabniki ponovno priučiti oz. pri vsaki rabi znova posvečati čas osveževanju znanja. Za uporabnike je to seveda frustrirajoče, zato smo pri razvoju novega vmesnika veliko energije posvetili enostavni zapomnljivosti korpusne uporabe. V tem smislu je pomembno predvsem bližanje zasnove korpusa spletnim iskalnikom in drugim primerljivim orodjem, ki jih uporabniki uporabljajo redno in so nanje navajeni. Obenem je pomembno, da imajo uporabniki v vmesniku pri roki kratko in jedrnato pomoč, ki je pripravljena prav posebej za osvežitev spomina o iskalnih postopkih in možnostih (gl. 5.4.2). 101 24 Za orodja in vire, ki so jih uporabniki navajali redkeje, gl. 5.2.4 Uporaba korpusu sorodnih Arhar Holdt 2010 jezikovnih virov Uporabniki korpusa Fidaplus so označevali, da pri raziskovanju jezika uporabljajo tudi: korpus Nova Beseda (141 vprašanih), razne tujejezične (122 vprašanih) in specializirane slovenske (51 vprašanih) korpuse. Več kot tri četrtine (207 vprašanih) pa jih za raziskovanje jezika uporablja tudi spletne iskalnike.24 Spletni iskalniki se uporabljajo za hitro preverjanje, ali (oz. kako pogosto) se določen jezikovni element pojavlja v besedilih na svetov-nem spletu. Uporabnik v iskalno okence iskalnika vnese besedo ali besedno zvezo, ki se mu zdi vprašljiva za rabo. Podatek o številu in tipu spletnih strani, ki jih je program našel, mu pomaga pri odločitvi, kako oblikovati lastno besedilo. Primerljive podatke je seveda mogoče dobiti tudi z uporabo korpusa Fidaplus, vendar uporabniki izberejo spletni iskalnik, ker je bolj pri roki, njegova uporaba pa je preprostej- ša in hitrejša. Uporaba korpusa Fidaplus namreč zahteva prijavo v program, izdelavo (kompleksnega) iskalnega pogoja in nato še čaka-nje, da se naloži celoten konkordančni niz ter s tem pripravi končni podatek o pojavljanju iskanega jezikovnega elementa v rabi. Pri razvoju novih korpusnih vmesnikov smo želeli iskanje po korpusu približati uporabniški izkušnji s spletnimi iskalniki. Obvezno prijavljanje za delo s korpusom je odpravljeno, izdelava iskalnega pogoja znatno poenostavljena, obdelava podatkov je hitra in prikaz pregleden. Pomemben doprinos pri razvoju vmesnika je tudi uvedba podatkovnih filtrov, ki ponujajo hiter pregled distribucije iskanega jezikovnega pojava glede na raznovrstne kategorije, npr. glede na zvrst besedila, leto nastanka itd. (gl. 5.4.8). Tudi navigacija po vmesniku je elementarna in pregledna ter skuša biti blizu uporabniški izkušnji z deskanjem po spletu. 5.2.5 Način seznanitve s korpusom 60,6 % vprašanih je za korpus Fidaplus slišalo od učitelja oz. pro-fesorja, pol manj (31 %) od študijskih kolegov ali sodelavcev. Nekateri so za korpus izvedeli tudi iz strokovne literature (10,6 %) ali na strokovnem izobraževanju (9,8 %). Večina vprašanih se je dela s korpusom Fidaplus naučila samih, in sicer s pomočjo priročnika za delo s korpusom (55,7 %) ali celo brez priročnika (4,9 %). Učitelji so naučili uporabe korpusa 37,5 % vprašanih, kolegi in sodelavci pa 15,9 %. Na strokovnem izobraževanju ali tečaju se je dela s korpusom naučilo samo 6,8 % vprašanih. V mnogih situacijah uporabniki spletnih virov samoučenje izrazito preferirajo, npr. kadar želijo z uporabo začeti v najkrajšem možnem 102 času, kadar želijo osvežiti že obstoječe znanje, kadar želijo nek vir le preizkusiti itd. Za različne profile uporabnikov samoukov smo zato v vmesniku Gigafida predvideli različne tipe pomoči za uporabo korpusa (gl. 5.4.2). Vendar pa gre visoko tendenco po samoučenju za delom s korpusom Fidaplus pripisati tudi pomanjkanju vodenega opismenje-vanja za uporabo tega vira. V prihodnosti bi bilo zato nujno zagotoviti tudi redno izvajanje izobraževanj za delo z besedilnimi korpusi in predvsem za interpretacijo korpusnih podatkov. Iz rezultatov drugega dela vprašalnika o rabi korpusa Fidaplus je namreč jasno razvidno, da velik del vprašanih – tudi tistih, ki korpus redno uporabljajo – pravzaprav nima pravega znanja za učinkovito (in morda tudi ustrezno) izrabo možnosti, ki jih vir ponuja. Podatke o tem, kakšna je tipična uporaba korpusa Fidaplus, predstavljamo v sledečem poglavju. 5.3 »Splošna« uporaba besedilnega korpusa Konkordančnik asp32 ponuja številne načine iskanja po korpusu in zmogljive funkcije nadaljnje obdelave konkordančnega niza (za predstavitev zmogljivosti gl. npr. Arhar Holdt 2007). Rezultati evalvacije korpusa Fidaplus, v kateri smo uporabnike spraševali tudi, kako pogosto uporabljajo določene programske funkcije, so pokazali, da uporabniki številnih programskih možnosti ne uporabljajo oz. zanje sploh še niso slišali. Neseznanjenost z možnostmi konkordančnika se pri funkcijah, ki so pogoj za ustrezno pridobivanje podatkov iz korpusa, izkazuje za zelo problematično, saj lahko nepoznavanje iskalnih postopkov vodi v neustrezno interpretacijo pridobljenih rezultatov. Na osnovi odgovorov (gl. Arhar Holdt 2010) navajamo nekaj posplošitev, ki nakazujejo glavne probleme rabe korpusa Fidaplus: • Več kot četrtina uporabnikov ne ve za možnost iskanja z uporabo osnovne oblike besede in dobra tretjina ne ve za možnost iskanja s pomočjo oblikoskladenjskih oznak. • Polovica uporabnikov še ni slišala za iskanje po delno razdvoumljenih ali nerazdvoumljenih korpusnih oznakah. To možnost redno ali dokaj pogosto uporablja le nekaj odstotkov uporabnikov. • Skoraj tri četrtine uporabnikov pri iskanju po korpusu nikoli ne uporablja besedilnih oznak (o zvrsti, izvoru, letu nastanka besedil ipd.) oz. te oznake uporablja le redko. • Več kot pol uporabnikov nikoli ne uporablja oz. le redko uporablja iskanje dveh besed, ki stojita blizu druga druge, vendar ne nujno neposredno skupaj. Enako velja za iskanje 103 z upoštevanjem širšega sobesedila iskane besede (tj. odstavka, v katerem se beseda pojavlja). • Dobra četrtina uporabnikov ne ve, da korpus Fidaplus ponuja možnost izdelave seznama kolokatorjev in pa možnost urejanja konkordančnega niza po abecedi. Približno tretjina ne ve za možnost selekcioniranja konkordančnega niza glede na vsebino konkordanc ali glede na dolžino niza. 5.3.1 Enostavno in razširjeno iskanje Konkordančnik asp32 ponuja dva načina iskanja po korpusu: enostavno iskanje in razširjeno iskanje. Slednji način iskanja poleg vseh osnovnih funkcij omogoča upoštevanje oznak, pripisanih v glavah oz. kolofonu posameznih korpusnih besedil (npr. o zvrsti besedila, letu nastanka, ali je besedilo lektorirano ali ne itd.). Rezultati vprašalnika kažejo, da razširjeno iskanje redno uporablja samo 8 % vprašanih. Skoraj pol vprašanih (46 %) uporablja razširjeno iskanje redko, 19 % ga pozna in ne uporablja in kar 7 % zanj še ni sliša-lo. Enostavno iskanje na drugi strani redno uporablja 72 % vprašanih, dokaj pogosto 16 % in redko 10 %. Samo 1 % vprašanih ta tip iskanja pozna, vendar ga ne uporablja. Vprašani, ki razširjeno iskanje uporabljajo, so v nadaljevanju vpra- šalnika določili, da se jim zdi najbolj uporabno pogojevanje besedil glede na zvrst (100 vprašanih) in lektoriranost (98 vprašanih), tudi glede na leto izida (82 vprašanih). Manj vprašanim se zdi uporabno pogojevanje glede na prenosnik (63 vprašanih) in najmanj glede na oznako besedila v bibliografskem sistemu Cobiss (25 vprašanih). Upoštevanje razpršenosti iskanega jezikovnega pojava po besedilnih virih je za ustrezno interpretacijo korpusnih podatkov ključna, zato smo v novih vmesnikih želeli podatke, ki takšno upoštevanje omogočajo, vključiti neposredno k rezultatom posameznega iskanja. S tem v mislih so bili zasnovani že omenjeni podatkovni filtri, tj. raz-delki vmesnika, ki v pregledni obliki ponazarjajo razpršenost podatkov glede na vir in vrsto korpusnega besedila, leto nastanka in še nekatera druga merila (gl. 5.4.8). Filtri obenem omogočajo, da uporabnik rezultate iskanja s klikom na izbrano kategorijo enostavno selekcionira. Bistvena novost je, da se priprava filtrov izvede avtomatsko pri vsakem iskanju, kar pomeni, da se uporabniku ni treba vnaprej (in na pamet) odločati, katere kategorije bi bilo s stališča trenutnega iskalnega pogoja relevantno upoštevati in katerih ne. 5.3.2 Iskanje po kanalih Konkordančnik asp32 za iskanje z upoštevanjem osnovnih besednih oblik in oblikoskladenjskih oznak ponuja t. i. kanale. Iskanje po 104 25 Avtomatsko označevanje kanalih uvaja znak #, nato uporabnik določi, ali želi iskati po: (#1) raz-morfološko bogatih jezikov, kot je dvoumljenih lemah, (#2) razdvoumljenih oblikoskladenjskih oznakah, slovenščina, se sooča s problemom razdvoumljanja lem (#3) delno razdvoumljenih lemah, (#4) delno razdvoumljenih obliko-in oblikoskladenjskih oznak. Ker skladenjskih oznakah, (#5) nerazdvoumljenih lemah, (#6) nerazdvou-poteka razdvoumljanje oznak (s programom, ki deluje na osnovi mljenih oblikoskladenjskih oznakah.25 Program ponuja tudi možnost pravil) po stopnjah, so tudi v kombiniranja iskanja po različnih kanalih oz. kombiniranje iskanja korpusu Fidaplus oznake pripisano tristopenjsko: pri po kanalu z »brezkanalnim« iskanjem. iskanju je mogoče upoštevati Evalvacija korpusa Fidaplus kaže, da iskanje po kanalu #1 redno prvotne, nerazdvoumljene oznake, mogoče pa je upoštevati uporablja 39 % vprašanih, dokaj pogosto 15 % in redko 12 %. Samo 6 % tudi delno razdvoumljene ali iskanje pozna in ga ne uporablja, preseneča pa visok delež vprašanih dokončno razdvoumljene oznake, pri čemer je treba pri (28 %), ki tega načina iskanja ne poznajo. Raziskovanje slovenščine interpretaciji rezultatov vzeti v brez uporabljanja osnovnih oblik besed je namreč precej zamudno zakup določen delež označevalnih napak (gl. Arhar Holdt, Gorjanc in pogosto nesmotrno. Predvidevamo, da nekateri uporabniki is-2007). kanje na osnovi lem nadomeščajo z iskanjem na osnovi besednega 26 Namesto iskalnega pogoja #1medved, ki vrne zadetke, jedra (gl. 5.3.3), kar seveda lahko vodi k rezultatom, drugačnih od vsebujoče katerokoli od oblik pričakovanega.26 samostalnika medved, se pojavlja iskanje bodisi gole oblike medved, Še manj pogosta med vprašanimi je uporaba oblikoskladenjskih ki vrne zadetke z izključno to oznak: le 15 % uporablja kanal #2 redno, 14 % dokaj pogosto in 20 % obliko, bodisi iskanje po korenu besede medved*, ki pa poleg vseh redko. 16 % ta tip iskanja pozna, a ga ne uporablja, kar 35 % vprašanih ustreznih oblik tega samostalnika pa te vrste iskanja ne pozna. Upoštevanje oblikoskladenjskih oznak vrne tudi vse druge besede, ki se začnejo s tem črkovnim nizom s sočasnim iskanjem po lemah je s stališča priprave iskalnega pogoja ( medvedji, medvedek ipd.) še toliko bolj zapleteno, kar odražajo tudi rezultati vprašalnika. Le 21 % vprašanih redno ali dokaj pogosto uporablja to iskalno možnost, redko ali nikoli 61 %, zanjo pa še ni slišalo 18 % vprašanih. Iskanje po delno razdvoumljenih in nerazdvoumljenih korpusnih oznakah pozna in uporablja izredno malo uporabnikov. Kanal #3 ali #5 npr. redno uporabljata le 2 % vprašanih, dokaj pogosto 4 %, redko 33 %. Pozna in ne uporablja ju 23 %, sploh ne pozna pa 49 % vprašanih. Odstotki pri uporabi kanalov #4 ali #6 so celo malenkost nižji. Uporaba kanalov pri pripravi iskalnega pogoja se torej izkazuje za prezahtevno za uporabnike, kar velja predvsem za iskanje s pomo- čjo oblikoskladenjskih oznak. Na drugi strani rezultati vprašalnika kažejo tendenco, da se tisti uporabniki, ki iskanje s pomočjo kanalov znajo uporabljati, skoraj vedno odločajo za iskanje po podatkih z razdvoumljenimi oznakami. Z upoštevanjem tega podatka in spričo dejstva, da z izboljšavo lematizacije in oblikoskladenjskega označevanja slovenščine iskanje po delno razdvoumljenih in nerazdvoumljenih oznakah postaja manj relevantno, smo pri Konkordančniku ssj to izbiro odpravili. Iskanje z upoštevanjem lem je po novem temeljito poenostavljeno. Lematizacija iskalnega pogoja poteče pri vsakem iskanju avtomatsko (gl. 5.4.4). Če je moral uporabnik prej napovedati, da želi iskati po osnovi obliki, mora po novem napovedati, da želi poiskati eno samo, točno določeno besedno obliko. Glede na tipične korpusne poizvedbe je taka pot veliko bolj smiselna in učinkovita. 105 Poenostavljeno je tudi iskanje s pomočjo oblikoskladenjskih oznak, ki je v vmesniku Gigafida zajeto v sklop funkcij naprednega iskanja (gl. 5.4.5). Namenjeno je torej zahtevnejšim uporabnikom, vendar še zdaleč ne predvideva tolikšne količine znanja za konstruk-cijo iskalnega pogoja, kot je to veljalo pri Konkordančniku ASP32. Ne predvideva se več vpisovanje oblikoskladenjskih iskalnih pogojev neposredno v iskalno okence, ampak uporabnik besedno vrsto ali dolo- čeno označevalno podkategorijo (npr. spol, sklon ali število samostalnika) enostavno določi s klikanjem po vmesniškem seznamu. 5.3.3 Napredne možnosti izdelave iskalnega pogoja Pri izdelavi iskalnega pogoja s Konkordančnikom asp32 je mogoče uporabljati t. i. nadomestne znake, in sicer vprašaj (?), ki nadomešča eno posamezno črko v iskalnem pogoju, ali pa zvezdico (*), ki nadomešča poljubno število črk. Poleg tega lahko uporabniki s pomočjo nekaterih drugih posebnih znakov poiščejo dve besedi, ki stojita neposredno skupaj (»iskanje po frazah«) oz. na določeni oddaljenosti ena od druge (»iskanje po bližini«). Poiskati je mogoče tudi primere, pri katerih se v odstavku z iskano besedo pojavi še neka druga izbrana beseda, in pa primere, pri katerih se v odstavku z iskano besedo določena druga beseda ne pojavi (»zunanje pogojevanje«). Glede na rezultate vprašalnika se za najbolj priljubljeni iskalni postopek izkazuje iskanje z nadomestnimi znaki, saj ga redno ali dokaj pogosto uporablja 63 % vprašanih, redko ali nikoli pa samo 11 %. Visok odstotek uporabe gre najbrž pripisati že omenjeni predpostavki, da se iskanje z nadomestnimi znaki uporablja namesto iskanja s pomočjo leme (gl. 5.3.2). Prav tako se izkazuje relativno dobra seznanjenost z iskanjem po frazah, ki ga redno ali dokaj pogosto uporablja 61 % vpra- šanih, redko ali nikoli 25 %. Redkejše, morda tudi zato, ker je glede kompleksnosti sestave iskalnega pogoja že nekoliko zahtevnejše, je iskanje po bližini, ki ga redno ali dokaj pogosto uporablja 35 %, redko ali nikoli pa 49 % vprašanih. Da Konkordančnik asp32 omogoča iskanje po frazah, sicer še ni slišalo 14 % vprašanih, za iskanje po bližini pa ne ve 16 % vprašanih. Najmanj priljubljeno se zdi zunanje pogojevanje, ki ga redno ali dokaj pogosto uporablja le 16 % vprašanih, redko ali nikoli 58 %, ne pozna pa ga četrtina vprašanih. Rezultati vprašalnika potrjujejo predpostavko, da je pogostost uporabe določene funkcionalnosti korpusa Fidaplus močno odvisna od njene enostavnosti. Pri vmesniku Gigafida smo zato izdelavo iskalnega pogoja poenostavili, kolikor je bilo to le mogoče. Po novem denimo pri iskanju večbesednih enot ni potrebna uporaba nikakršnih 106 posebnih znakov, ampak zadošča preprost vpis besednega niza (skupaj s presledki, lahko tudi ločili) v iskalno okence (gl. 5.4.4). Tudi iskanje besed, ki ne stojijo neposredno skupaj, ne predvideva uporabe posebnih znakov, ampak zgolj določitev prve, druge in morebitnih nadaljnjih besed, ki naj se upoštevajo pri izdelavi konkordančnega niza (gl. 5.4.5). Bistvena sprememba je, kot že rečeno, da iskalnih pogojev ni več potrebno vnašati v iskalno vrstico, ampak jih uporabnik le poklika v vnaprej pripravljenem seznamu. 5.3.4 Obdelava konkordančnega niza Ko je v korpusu Fidaplus konkordančni niz zgrajen, je mogoče konkordance nadalje obdelovati, in sicer: • vzorčiti (uporabnik določi, koliko naključnih konkordanc oz. kolikšen delež naključnih konkordanc želi ohraniti v novem konkordančnem nizu), • urejati po abecedi, npr. glede na besedo pred konkordančnim jedrom, • filtrirati (uporabnik določi pogoj, npr. s pomočjo oblikoskladenjskih oznak, na osnovi katerega se določene konkordance odstranijo iz niza), • uporabiti za izdelavo seznama kolokatorjev konkordančnega jedra. Rezultati vprašalnika kažejo, da naštete možnosti, sicer dokaj osnovne za pridobivanje ustreznih jezikovnih podatkov iz korpusa, uporabniki precej slabo poznajo. Redno ali dokaj pogosto konkordančne nize ureja po abecedi 36 % vprašanih, malenkost manj (35 %) jih redno ali dokaj pogosto izdeluje sezname kolokatorjev, 28 % redno ali dokaj pogosto filtrira podatke in 22 % vprašanih redno ali dokaj pogosto vzorči konkordančni niz. Višji je delež vprašanih, ki naštete funkcije uporabljajo redko ali nikoli: pri urejanju niza po abecedi to velja za 38 % vprašanih, enako za izdelavo kolokatorjev, pri filtriranju za 42 % in pri vzorčenju za 43 % vprašanih. Ponovno preseneča visok delež vprašanih, ki za navedene možnosti obdelave podatkov sploh še niso slišali. Urejanja niza ne pozna 26 % vprašanih, izdelave seznama kolokatorjev 28 %, filtriranja 30 % in vzorčenja kar 35 % vprašanih. Razlog za slabo poznavanje neštetih programskih možnosti je morda v tem, da so slednje v vmesniku Konkordančnika asp32 skri-te oz. na voljo šele s klikom na posebno ikono. Izdelovalci programa so namreč želeli ponuditi vsa orodja za obdelovanje konkordančnega niza na enem mestu, obenem pa ločeno od podatkov samih. Takšna odločitev je na prvi pogled sicer smotrna, vendar se izkaže, da so posledično na enem mestu združene zelo raznovrstne funkcije, katerih uporaba prinaša raznorodne rezultate. Pri snovanju novega vmesnika smo zato različne možnosti obdelave konkordančnega niza razdružili 107 in jih vsako posebej integrirali na mesta vmesnika, kjer jih je (glede na siceršnjo predstavitev jezikovnih podatkov) najbolj intuitivno pričakovati. Izdelava seznama kolokatorjev denimo ni več neposredno vezana na predhodno izdelavo konkordančnega niza, ampak poteka ločeno oz. samostojno, zato vmesnik Gigafida to funkcionalnost prinaša v ločenem zavihku (gl. 5.4.6). Filtriranje podatkov po novem poteka s pomočjo že večkrat omenjenih filtrov (gl. 5.4.8). Nadalje, vzorčenje konkordančnega niza je vključeno k izvažanju podatkov, kjer ima uporabnik možnost opredelitve, kolikšno število naključnih konkordanc želi izvoziti. Urejanje konkordanc po abecedi pa po novem poteka s pomočjo puščic, ki so na voljo neposredno nad konkordančnim nizom (gl. 5.5.1). Za zaključek analize rezultatov vprašalnika je mogoče zapisati, da slika uporabe korpusa Fidaplus še zdaleč ni skladna s tem, kar si želimo predstavljati kot »splošno« rabo korpusa. Stopnja nepoznavanja tako načinov iskanja korpusnih podatkov kot tudi njihove nadaljnje obdelave je zaskrbljujoča. Rezultati vprašalnika jasno nakazujejo: če želimo omogočiti (redno in napredno) rabo korpusa tudi med uporabniki, ki nimajo veliko jezikoslovnega znanja, je v prvi vrsti nujno temeljito poenostaviti iskalne postopke in predstaviti možnosti pregle-dovanja ter nadaljnje obdelave korpusnih podatkov na uporabnikom intuitiven in enostavno razumljiv način. Slednje je mogoče doseči s premišljenim strukturiranjem vmesnika, ki se v osnovnih funkcio-nalnostih približuje programom, s katerimi so uporabniki navajeni delati, obenem pa ohranja vse potrebne specifike in zmogljivosti korpusnega orodja. Sam vmesnik pa ni dovolj, treba je poskrbeti tudi za kvalitetno vmesniško pomoč in omogočiti organizirano opismenjevanje uporabnikov za delo z besedilnimi korpusi. Kaj od naštetega smo zagotovili – in na kakšen način – opisuje naslednje poglavje. 5.4 Novosti Konkordančnika SSJ z vmesnikom Gigafida Pričujoče poglavje se osredotoča na novosti in izboljšave, ki jih novi konkordančnik prinaša. Nekatere izboljšave, ki so neposreden odziv na uporabniško izkušnjo s predhodnim konkordančnikom, so bile predstavljene že v prejšnji točki, na tem mestu pa so novosti predstavljene strnjeno po tematskih sklopih, z vidika ustroja in delovanja korpusa Gigafida. 108 27 Ob kliku na interaktivni primer 5.4.1 Začetek dela s korpusom se uporabniku v korpusnem delu vmesnika prikažejo podatki, na katere se primer nanaša. Tako je Za uporabo korpusa Gigafida registracija ni potrebna. S tem so od-uporabniku omogočeno, da si pravljeni številni kliki, ki jih je pri korpusu Fidaplus uporabnik moral rezultate npr. iskalnega postopka, ki ga pomoč predstavlja, ogleda v opraviti, da je lahko začel z delom s korpusnimi podatki. Vmesnik živo in ne le na sliki. Gigafida že na prvi, izhodiščni strani ponuja iskalno okence. Priprava iskalnega pogoja je torej uporabnikova prva aktivnost, kar uporabo korpusa bliža izkušnji s spletnimi iskalniki. Odprava registracije prinaša še dve pomembni izboljšavi. Prva je izogib problemom s prete-kom seje: v primeru, da se je v preteklosti uporabnik prijavil za delo s korpusom, nato pa bil dalj časa neaktiven, ga je program zaradi potrebe po razbremenitvi strežnika avtomatsko izpisal in za delo zahteval ponovno prijavo. Druga je možnost, da uporabnik kopira naslov določene podstrani z že pripravljenimi korpusnimi podatki in jo npr. posreduje sodelavcem, kot hiperpovezavo vključi v svojo predstavitev oz. predavanje, na lastno spletno stran ipd. 5.4.2 Pomoč pri delu s korpusom V korpusu Gigafida je pomoč za delo s korpusom treh vrst. Za prvo seznanjenje s korpusnimi zmogljivostmi je na voljo videoknji- žnica, zbirka posnetkov, ki razlagajo vmesniški ustroj in njegove funkcije. Druga vrsta pomoči je namenjena predvsem reševanju morebitnih uporabniških zagat. Ta pomoč je v obliki kratkih člankov, ki odgovarjajo na specifična vprašanja o uporabi korpusa. Tretja vrsta pomoči se na klik odpre ob iskalnem okencu, namenjena pa je uporabnikom, ki želijo na hitro osvežiti spomin na postopke iskanja korpusnih podatkov. Omogočeno je torej, da si uporabnik pred prvo uporabo korpusa ogleda posnetke, če kasneje pri delu naleti na problem, pa si lahko prebere temu posvečen članek. Slednji so napisani uporabniško prijazno, jedrnato in z ogibanjem jezikoslovni terminologiji, vsebujejo pa tudi slikovno gradivo ter interaktivne primere.27 Za razliko od prvih dveh pomoči, ki sta od korpusnega dela vmesnika ločeni, je pomoč pri iskanju na voljo neposredno ob iskalnem okencu, saj se predvideva, da jo uporabnik potrebuje med samimi delom. Tudi ta vrsta po-moči vsebuje interaktivne primere. 5.4.3 Vmesniška navigacija Pri zasnovi navigacije po vmesniku Gigafida je v največji možni meri upoštevana izkušnja s pogosto rabljenimi spletnimi iskalniki in brskalniki. To velja predvsem za način, kako so jezikovni podatki na spletni strani razporejeni in kako se uporabnik po podatkovnih seznamih premika. Glavno vodilo vmesnika je minimalnost preklapljanja 109 med posameznimi stranmi, kar pomeni, da so na vsaki strani vmesnika na voljo tiste (in obenem samo tiste) programske funkcije in povezave, ki jih uporabnik pri določenem koraku dela potrebuje. Na najvišji ravni je to doseženo z delitvijo vmesnika na tri dele (zavihke), od katerih je v vsakem omogočeno iskanje in pregledovanje druge vrste korpusnih podatkov: konkordančnih nizov, seznamov konkordanc ali besednih seznamov. Na mestih, kjer je to smotrno, so podatki različnih vrst med sabo povezani: iz seznama kolokatorjev npr. vodijo povezave na ustrezne konkordančne nize, prav tako so s konkordančnimi nizi povezani besedni seznami. Vsak od treh zavihkov je prilagojen raziskovanju tiste vrste jezikovnih podatkov, ki jo prinaša, združujejo pa jih nekateri stalni vmesniški elementi: vsi zavihki npr. prinašajo iskalno okence, zgodovino iskanj (seznam preteklih iskalnih pogojev), vrstico za premikanje po straneh s podatki, ikoni za natis in izvoz podatkov, povezavo na vmesniško pomoč, podatkovne filtre. Ti elementi povezujejo posamezne dele vmesnika v zaključeno celoto in omogočajo uporabniku enostaven prenos znanja od dela z eno vrsto na delo z drugima dvema vrsta-ma jezikovnih podatkov. 5.4.4 Enostavno iskanje Kot že rečeno, je bila ena izmed prioritetnih nalog pri pripravi korpusa Gigafida v največji možni meri poenostaviti pripravo iskalnega pogoja. Rezultati evalvacije korpusa Fidaplus so namreč pokazali, da zapletenih pravil za iskanje po korpusu uporabniki pogosto ne znajo uporabljati, kar se seveda odraža v pomanjkljivosti ali neustreznosti rezultatov, ki jih s korpusom (lahko) dobijo. Novi konkordančnik prinaša dva tipa iskanja, enostavno iskanje in napredno iskanje. Osnovni postopki so pri obeh vrstah iskanja enaki, ob tem pa napredno iskanje prinaša še možnost upoštevanja oblikoskladenjskih oznak in opredeljevanja okolice iskane besede oz. besednega niza (več o tem v 5.4.5). Iskanje po korpusu je primerljivo uporabi spletnih iskalnikov. Uporabnik v iskalno okence vnese zna-kovni niz, ki ga v korpusu želi poiskati. Išče lahko posamezne besede (npr. medved), besedne zveze (npr. polarni medved) oz. besedne nize, ki lahko vsebujejo tudi ločila (npr. kljub temu, da). Velika razlika glede na prejšnje konkordančnike, pri katerih je moral uporabnik sam opredeliti, da želi iskati podatke s pomočjo leme, je vpeljava avtomatske lematizacije iskalnega pogoja. Če uporabnik vpiše kot iskalni pogoj polarni medvedje, bo dobil rezultate, ki ustrezajo celotni paradigmi pridevnika polaren in samostalnika medved, seveda za primere, pri katerih ti dve besedi stojita neposredno skupaj (torej zadetke, ki vsebujejo polarni medved, polarnega medveda, polar-nemu medvedu itd.). 110 28 V Konkordančniku asp32 bi pri Kadar je iskalni pogoj takšne vrste, da eden ali več njegovih delov navedenem primeru uporabnik ustreza več možnim osnovnim oblikam, program prikaže vse zadet-moral v iskalno okence vpisati: medvedjeS?mmi*. Kot že ke, ki kakorkoli ustrezajo pogoju, obenem pa ponudi filter, s pomočjo omenjeno, je tak način katerega lahko uporabnik zadetke enostavno selekcionira (gl. 5.4.8). pridobivanja podatkov obvladala le petina vprašanih korpusnih Če uporabnik v iskalno okence npr. vnese pogoj medvedki, program v uporabnikov (gl. 5.3.2). prvem koraku prikaže tako zadetke za samostalnik medvedek kot za samostalnik medvedka, na levi strani ob rezultatih iskanja pa ponudi obe osnovni obliki, s klikom na kateri lahko uporabnik nadalje filtrira zadetke (gl. Sliko 5.1 v 5.5.1). Če želi uporabnik poiskati zadetke, ki vsebujejo samo eno, točno določeno besedno obliko, mora iskalni pogoj navesti z uporabo narekovajev, npr. »medvedkom«. Uporaba narekovajev pa je tudi edini posebni postopek, ki ga mora uporabnik poznati za uspešno izdelavo konkordančnega niza. 5.4.5 Napredno iskanje Pri naprednem iskanju mora uporabnik sam določiti, ali želi (s pomočjo leme) poiskati vse oblike iskane besede ali išče zgolj eno določeno obliko. Obe možnosti sta izpisani pod iskalnim okencem, uporabnik odločitev nakaže s klikom ene od njiju. Tudi pri naprednem iskanju velja, da pri izdelavi iskalnega pogoja ni potrebna uporaba nikakršnih posebnih simbolov ali znakov, kar velja tudi za iskanje z upoštevanjem oblikoskladenjskih oznak. Pri korpusu Fidaplus je moral uporabnik oblikoskladenjske pogoje vtip-kati v iskalno vrstico, kar je pomenilo, da je moral zelo dobro poznati sistem oblikoskladenjskih oznak za slovenščino. V korpusu Gigafida je konstrukcija zapletenega iskalnega pogoja nadomeščena s seznami, v katerih uporabnik s klikanjem izbere, katere oblikoskladenjske značilnosti naj program pri iskanju upošteva. Če želimo npr. poiskati samo tiste primere besede medvedje, ki so označeni kot samostalnik moškega spola v imenovalniku množine, s spustnega seznama izbe-remo, da je vnesena oblika samostalnik, nato pa v tabeli odkljukamo ustrezne oblikoskladenjske značilnosti.28 Vmesnik je zasnovan tako, da se možnosti, med katerimi lahko uporabnik izbira, na ekranu pojavijo šele v trenutku, ko je to glede na proces priprave iskalnega pogoja smiselno. Ko npr. uporabnik v prvem koraku v iskalno okence vpiše določeno besedo, ji lahko v spustnem seznamu določi besedno vrsto. Šele ko je to opravil, se pokaže tabela, v kateri je mogoče natančneje določiti oblikoskladenjske lastnosti izbrane besedne vrste, za samostalnik denimo spol, sklon, število, živost in občnoimenskost/lastnoimenskost. S tovrstno postopnostjo smo želeli omogočiti večjo preglednost pri pripravi iskalnega pogoja, saj ima na tak način pri vsakem koraku postopka uporabnik na ekranu samo tiste informacije, ki jih potrebuje glede na prejšnje izvedene korake. 111 Opisano načelo postopnosti postane toliko bolj pomembno, kadar se uporabnik odloči iskanje pogojevati z obstojem (ali neobstojem) neke druge besede v bližnji okolici prve, saj se količina informacij na ekranu v tem primeru vsaj podvoji. Pri naprednem iskanju besede medved ima uporabnik npr. možnost določiti, naj se v konkordanč- ni niz vključijo le zadetki, ki v bližnji okolici vsebujejo tudi glagol brundati. Ko izbere, da želi kot pogoj opredeliti dodatno besedo, se uporabniku odpre nov del ekrana, v katerem lahko dodatno besedo natančneje opredeli, na enak način kot izhodiščno. Glede na privzete nastavitve bi za opisani primer program poiskal zadetke, v katerih se pojavlja beseda medved, obenem pa je v okolici tri mesta levo do tri mesta desno tudi beseda brundati. V zadnjem koraku izdelave iskalnega pogoja lahko uporabnik to nastavitev spremeni in sam določi, kolikšen razpon oz. katero določeno mesto sobe-sedilne okolice naj se pri izboru zadetkov upošteva. V okviru posameznega iskanja je mogoče poleg izhodiščne besede določiti tri dodatne pogoje. Pogoj je, kot rečeno, obstoj ali neobstoj neke druge besede v okolici prve, lahko pa je pogoj tudi sama obliko-skladenjska kategorija – če okvirček, v katerega sodi besedna oblika, pustimo prazen, obenem pa določimo oblikoskladenjski pogoj. Na tak način lahko uporabnik npr. izdela konkordančni niz, v katerem se pojavlja beseda medved, ki ima na mestu levo poljubno besedo, ozna- čeno kot pridevnik. 5.4.6 Izdelava seznama kolokatorjev Priprava iskalnega pogoja za izdelavo seznama kolokatorjev je primerljiva pripravi pogoja za konkordančni niz. Uporabnik v iskalno okence vnese besedo ali besedni niz, za katero oz. katerega želi poiskati kolokatorje, po želji lahko uporabi tudi narekovaje za omejitev iskanja na posamezno besedno obliko. Naprednemu iskanju se iskanje kolokatorjev bliža z možnostjo določitve, koliko mest levo ali desno od iskane besede naj program kolokatorje išče. Privzeto iskanje poteka do tri mesta levo in desno, uporabnik pa ima možnost, da nastavitve spremeni s klikom na grafični prikaz, ki objema iskalno okence (gl. Sliko 5.3 v 5.5.2). 5.4.7 Izdelava besednega seznama Pri izdelavi besednih seznamov – za razliko od konkordančnega niza in seznama kolokatorjev – kot iskalni pogoj pričakujemo besedne fragmente in ne celotnih besed ali besednih nizov. Besedni seznami so namreč namenjeni iskanju besed z istim korenom, pred-ponskim obrazilom, končnico ipd. (gl. 5.5.3). Pri izdelavi iskalnega pogoja so zato na voljo t. i. nadomestni znaki, torej simboli, s katerimi 112 29 S tega stališča je bila v korpusu uporabnik nadomesti bodisi en sam znak bodisi poljubno število zna-Fidaplus sporna denimo kov določene besede. Po vzoru prejšnje različice konkordančnika (gl. kategorija lektorirano oz. nelektorirano, ki ni bila (ni mogla 5.3.3) smo ohranili vprašaj (?) za nadomeščanje enega znaka in zvez-biti) pripisana vsem korpusnim dico (*) za nadomeščanje poljubnega števila znakov. besedilom, kar je potencialno vodilo v neustrezne sklepe o Iskalni pogoj je torej mogoče sestaviti z delom besede in nadome-jezikovni rabi. stnimi znaki. S pogojem medved* npr. dobimo vse primere besed s tem korenom in poljubnim končnim delom ( medved, medvedek, medvedka, medvedji, Medvedjev, medvedov itd.). Prvi rezultat iskanja je seznam osnovnih oblik, ki ustrezajo pogoju, skupaj s podatkom o pogostosti v korpusu. Seznam je mogoče razširiti tudi na prikaz posameznih besednih oblik in njihovih oblikoskladenjskih lastnosti. 5.4.8 Podatkovni filtri Pomembna novost vmesnika Gigafida je uvedba filtrov za enostavno selekcioniranje zadetkov v konkordančnem nizu, besednem seznamu ali seznamu kolokatorjev. Filtri omogočajo, da uporabnik z enim samim klikom loči določen nabor podatkov iz celotne množice, npr. namesto celotnega konkordančnega niza izbere samo tiste zadetke, ki izvirajo iz leposlovja, ali namesto celotnega seznama kolokatorjev izbere le tiste, ki so besednovrstno označeni kot samostalniki. Filtri delujejo na osnovi oznak v kolofonu korpusnih besedil (filtri Vrsta besedila, Vir besedila in Leto nastanka), na osnovi lem (filter Osnovna oblika), na osnovi oblikoskladenjskih oznak (filter Besedna vrsta) ali pa na osnovi korpusnih pojavnic samih (filter Zapis oblike). Vsi filtri se nahajajo na stalnem mestu vmesnika, levo od korpusnih podatkov. Prinašajo enovito strukturo: naslov filtra, pod katerim je naštetih nekaj (tipično pet) kategorij, ki se za trenutno obravnavane podatke v korpusu pojavljajo najpogosteje. Pogostost posamezne kategorije je izpisana v oklepajih ob vsaki kategoriji (gl. Sliko 5.1 v 5.5.1). Zadnja povezava vsakega filtra se imenuje Več. Ob kliku nanjo se v pojavnem oknu odpre celoten nabor kategorij za obravnavani jezikovni pojav, v katerem je uporabniku omogočeno, da pri filtriranju izbere katero od redkeje zastopanih kategorij ali da izbere za filtriranje več kategorij naenkrat. Informacija o pogostosti je pri interpretaciji jezikovnih podatkov izredno dragocena, saj uporabniku ponuja hiter pregled nad razprše-nostjo zadetkov glede na določeno kategorijo. Treba je dodati, da so v filtrih predstavljene samo tiste kategorije, ki so glede na trenutno kakovost korpusnih oznak dovolj zanesljive, da lahko pomagajo uporabnikom sklepati o trendih v splošni jezikovni rabi.29 Filtri, ki uporabniku omogočajo, da pri interpretaciji jezikovnih podatkov upošteva vrsto in vir besedila ter leto njegovega nastanka, so na voljo tako ob konkordančnem nizu kot tudi ob besednih seznamih in seznamih kolokatorjev. Pri zadnjih dveh je na voljo filtriranje 113 30 Za izdelavo filtra Zapis oblike ni tudi glede na besedno vrsto rezultatov. Pri konkordančnem nizu in pomembno, na kateri način velike seznamu kolokatorjev, kjer se lahko pojavi dvoumnost na ravni av-in male začetnice v iskalno okence vnese uporabnik. Na tak tomatske lematizacije iskalnega pogoja, je na voljo filter za razdvo-način je omogočeno, da umljanje osnovne oblike (gl. 5.5.4). Filter Zapis oblike pa se pojavi uporabnik na enostaven način pridobi pregledno informacijo o samo v primeru, ko uporabnik konkordančni niz izdela z narekovaji. morebitni variantnosti zapisa Ta filter se namreč uporablja za ločevanje zadetkov glede na zapis z izbrane besede oz. besednega niza glede na uporabo velikih in malimi ali velikimi črkami. Če uporabnik denimo vnese iskalni po-malih začetnic. goj »rdeča kapica«,30 bo v filtru Zapis oblike dobil povezave: Rdeča kapica (824), Rdeča Kapica (122), rdeča kapica (85), rdeča kapica (50) in rdeča Kapica (1). 5.4.9 Tiskanje in izvoz podatkov Podatke iz korpusa Gigafida je mogoče natisniti ali izvoziti v format xls. Izvoz v Microsoft Excel je bil izbran zato, ker ta program ponuja možnosti napredne nadaljnje obdelave ter grafičnega prikaza podatkov in je obenem med predvidenimi uporabniki korpusa (v času zasnove vmesnika) zelo razširjen. 5.5 Prikaz jezikovnih podatkov v vmesniku Gigafida Pričujoče poglavje se osredotoča na predstavitev posamezne vrste jezikovnih podatkov v vmesniku Gigafida. Kot rečeno, je s pomočjo vmesnika Gigafida mogoče pridobiti in pregledovati tri vrste jezikovnih podatkov: konkordance, kolokatorje in besedne sezname. Priprava naštetih vrst jezikovnih podatkov poteka na spletni strani vmesnika v treh ločenih zavihkih, obenem pa so podatki med seboj povezani na način, ki omogoča enostavno preklapljanje med njimi. Predpogoj za programsko pripravo vseh naštetih vrst podatkov je seveda izdelava iskalnega pogoja, o kateri je bilo več napisanega v predhodni točki. 5.5.1 Konkordančni niz Konkordančni niz prinaša najbolj osnovno vrsto korpusnih podatkov, tj. nabor konkordanc, besedilnih fragmentov, ki vsebujejo uporabniško določeno besedo oz. besedni niz. Konkordančni niz je v vmesniku Gigafida opremljen s številnimi dodatnimi informacijami in povezavami, ki lajšajo interpretacijo podatkov. Razporeditev elementov v vmesniku prikazuje Slika 5.1. Na vrhu spletne strani je na voljo iskalno okence, tik pod njim pa sta pove-zavi na vmesniško pomoč in napredno iskanje. Glavni del zaslona zavzema konkordančni niz, ki prinaša poleg konkordanc še navigacijsko vrstico za premikanje po nizu ter podatek o celotnem številu 114 31 Pri ustrezni interpretaciji konkordanc in času izdelave niza. Na desni nad nizom sta na voljo korpusnih podatkov je treba ikoni za tiskanje in izvoz podatkov. Levo stran zaslona pokrivajo po-upoštevati morebitne napake na ravni avtomatskega označevanja, datkovni filtri, ki ponazarjajo razpršenost konkordanc glede na vr-zato je tovrsten podatek seveda sto, vir in leto nastanka besedila ter možne osnovne oblike iskalnega nepogrešljiv. pogoja (gl. 5.4.8). Zgodovina iskanj (spustni seznam s predhodnimi iskalnimi pogoji) je na voljo s klikom na puščico ob imenu zavihka nad iskalnim okencem. Slika 5.1: Del konkordančnega niza za iskalni pogoj medvedki.* * Slika prikazuje stanje v beta različici Gigafide, frekvenčni podatki v končni Gigafidi morda ne bodo enaki (isto velja za sliki 5.2 in 5.3). Beseda oz. besedni niz, ki ga je uporabnik iskal, je konkordančno jedro, ki je v konkordančni vrstici natisnjeno obarvano in okreplje-no. Klik na posamezno konkordanco odpre pojavno okence s širšim sobesedilom in podatki o besedilnem viru, omogočen pa je tudi vpogled v korpusne oznake, ki so pripisane obravnavanemu besedilnemu fragmentu.31 5.5.2 Seznam kolokatorjev Seznam kolokatorjev za izbrano besedo ali besedno zvezo je mogo- če izdelati v zavihku z imenom Okolica. Rezultat iskanja v tem zavihku je tabela, v kateri je vsak od kolokatorjev opremljen s petimi številč- nimi podatki: kolikšna je pogostost kolokatorja v celotnem korpusu 115 32 O razlikah med vrednostmi MI, in kolikšna je njegova pogostost v okolici jedrne besede, sledijo pa še MI3 in LL gl. npr. Manning, trije izračuni kolokacijskosti glede na različne statistične metode (mi, Schütze 2003: 172–183. mi3 in ll).32 Dobljene rezultate je mogoče razvrščati glede na podatke v kateremkoli od šestih stolpcev. Kot ponazarja Slika 5.2, vmesnik tudi tu prinaša podobno postavitev podatkov kot pri konkordančnem nizu: na istem mestu je najti iskalno okence s povezavo na vmesniško pomoč, zgodovino iskanj, navigacijsko vrstico za premikanje po seznamu kolokatorjev, ikoni za tiskanje in izvoz podatkov. Na levi ob korpusnih podatkih se nahajajo filtri, ki ponazarjajo razpršenost kolokatorjev glede na vrsto, vir in leto nastanka besedila ter možne osnovne oblike iskalnega pogoja. Na voljo je tudi filter Besedna vrsta, s katerim je mogoče selekcionirati kolokatorje glede na njihovo besedno vrsto (gl. 5.4.8). Slika 5.2: Del seznama kolokatorjev za iskalni pogoj medvedek. Posebnost obravnavanega zavihka je opremljenost iskalnega okenca z grafično ponazoritvijo okolice iskalnega pogoja. S klikom na kvadratke ob iskalnem okencu uporabnik določi, koliko mest levo in desno od izbrane besede naj program kolokatorje išče (Slika 5.2 npr. prinaša kolokatorje tri mesta levo in tri desno od besede medvedek). 116 5.5.3 Besedni seznam V korpusu Gigafida je mogoče pripraviti tudi seznam besed, ki so v določenem delu enake, v drugem delu pa se razlikujejo. Izdelava iskalnega pogoja poteka s kombiniranjem prekrivnega dela besede, nadomestnih znakov in morebitnim dodatnim pogojevanjem zadetkov z upoštevanjem oblikoskladenjskih oznak (gl. 5.4.7). Slika 5.3 prikazuje vmesnik po izdelavi besednega seznama za iskalni pogoj medved*. Rezultat je seznam lem, ki so urejene glede na število pojavitev v celotnem korpusu. Večina elementov vmesnika je tudi na tem mestu primerljivih z elementi v preostalih dveh vmesni- ških zavihkih: na vrhu strani je na voljo iskalno okence s povezavo na vmesniško pomoč, prav tako je uporabniku na voljo zgodovina iskanj, navigacijska vrstica za premikanje po besednem seznamu, podatek o dolžini celotnega seznama in času njegove priprave, ikoni za tiskanje ter izvoz seznama. Kot druge vrste jezikovnih podatkov je tudi besedni seznam obogaten s filtri, ki se nahajajo na levi strani vmesnika. Filtri prikazujejo razpršenost glede na vrsto, vir in leto nastanka besedil, iz katerih izvirajo besede na seznamu, poleg tega pa je omogočeno tudi selekcioniranje besed glede na njihovo besedno vrsto (gl. 5.4.8). Slika 5.3: Del besednega seznama za iskalni pogoj medved*. 117 33 Za lemo medved sta pri Specifična za obravnavani del vmesnika je izbira, ki se nahaja tik besedni obliki medvedov npr. na nad besednim seznamom. Uporabnik na tem mestu določi, ali si želi voljo dva podatka: samostalnik, občno ime; moški spol, množina, ogledati seznam lem ali pa seznam besednih oblik, ki ustrezajo iskal-rodilnik – število pojavitev: 4.590 in nemu pogoju. Če uporabnika zanimajo posamezne besedne oblike, samostalnik, občno ime; moški spol, dvojina, rodilnik – število pojavitev: 7. je mogoče v naslednjem koraku dodati tudi prikaz z oblikoskladenjskimi oznakami pripisanih kategorij.33 Za konec naj omenimo še povezavo med besednimi seznami in konkordančnim nizom: s klikom na podatek o pogostosti pri posamezni lemi ali besedni obliki poteče avtomatska priprava konkordanc, ki izbrano lemo oz. obliko vsebujejo. Na ta način si lahko uporabnik vse dobljene rezultate ogleda tudi v besedilnem kontekstu. 5.6 Zaključek Razvoj konkordančnika, ki bi rabo besedilnih korpusov omogočal široki skupini uporabnikov, se je izkazal za ambiciozno, še zdaleč ne trivialno nalogo. Priprava vmesnika je bila dolgotrajen proces, ki se je začel s skiciranjem osnovnih elementov na list papirja, zaključil pa dolgo za tem, ko so bila besedila za novi korpus že zbrana, pretvorje-na in označena. Izkazalo se je, da so izrazi »uporabniška prijaznost«, »splošna raba«, »intuitivna navigacija«, »preglednost« ipd. odlične smernice na načelni ravni, pri praktičnem delu pa so izredno izmu-zljivi. Kot se najbrž izkaže pri vseh primerljivih nalogah, se je tudi v tem primeru potrdilo, da je »hudič v podrobnostih«, ki smo jih reševali in izboljševali povsem do zadnjega. Raziskava o uporabi korpusa Fidaplus (pa tudi naša lastna večletna izkušnja z njim) je pokazala, da uporabniki želijo in potrebujejo korpusno orodje, ki bo za uporabo povsem enostavno, na oblikovni ravni pa izčiščeno ter intuitivno strukturirano. Vodilo pri pripravi vmesnika je bilo ponuditi odgovor na uporabniške želje in s tem omogočiti delo s korpusom vsakomur, ki ima za to interes. Naloga, ki je še pred nami, pa je opismenjevanje uporabnikov za ustrezno interpretacijo s konkordančnikom pridobljenih rezultatov. Kot je dejal Sinclair (2004: 2) je namreč »iz dokazov enako lahko izpeljati tako domiselne kot nesmiselne zaključke«. 118 34 bnc je bil objavljen februarja 6 FIDA in FidaPLUS kot 1995 in je bil v tistem času dostopen le za projektne partnerje ter raziskovalno predhodnika korpusa skupnost. Nastal je v okviru industrijsko-akademskega konzorcija z Oxford University Press Gigafida kot vodilno institucijo, v kateri so bile še slovarske založbe Addison-Wesley Longman in Larousse Kingfisher Chambers. Akademski partnerji so bili Oxford 6.1 Korpus FIDA University Computing Services (oucs), The University Centre for Computer Corpus Research on 6.1.1 Zgodovina Language (ucrel) z univerze Lancaster ter The British Library's Ideja o večjem korpusu slovenskega jezika, ki bi bil primerljiv z Research and Innovation Centre. Projekt so financirali komercialni britanskim korpusom British National Corpus (bnc),34 se je začela partnerji, britanski Science and oblikovati leta 1995 na založbi dzs ob organiziranju dela na novem Engineering Council in vlada Velike Britanije v okviru programa Joint angleško-slovenskem slovarju. Pri tem projektu se je slovarsko delo Framework for Information začelo oktobra istega leta na podlagi pogodbe med založbama dzs, d. Technology (jfit). Dodatne vire sta zagotovili še British Library in d., in Oxford University Press ob sodelovanju raziskovalcev s Filozofske British Academy. Ker je bila fakultete Univerze v Ljubljani (ul).35 V približno istem času so se razi-založba Oxford University Press hkrati tudi vodilna institucija skovalci z Instituta Jožef Stefan vključili v evropske projekte, ki so bili konzorcija, je Simon Krek (dzs) namenjeni označevanju korpusnih besedil z jezikoslovnimi metapo-korpus bnc pridobil leta 1995 kot pogodbeni partner te založbe. datki in oblikovanju standardov za zapis. Najpomembnejši med njimi 35 Ustrezno slovarskemu je bil projekt programa Copernicus multext-East ( Multilingual Texts jezikovnemu paru so bili ti z dveh takratnih oddelkov: Oddelka za and Corpora for Eastern and Central European Languages, 1995−1997), germanistiko ter Oddelka za ki je bil nadaljevanje projektov multext ( Multilingual Text Tools and slovanske jezike in književnosti, med njimi predvsem Dušan Corpora, 1994−1996) in eagles ( Expert Advisory Group on Language Gabrovšek kot svetovalec za Engineering Standards, 1993−1995).36 Pri projektu multext-East je kot (angleško) leksikografijo in Marko Stabej kot svetovalec za slovenski podizvajalec sodelovalo tudi podjetje Amebis, d. o. o, Kamnik, ki se je jezik. Oba oddelka sta se kasneje leta 1991 začelo ukvarjati z jezikovnimi tehnologijami za slovenščino, preoblikovala in preimenovala, del prvega je postal Oddelek za hkrati pa je za založbo dzs pripravljalo slovarje v elektronski obli-anglistiko in amerikanistiko, del ki. Zaradi potrebe po večji količini besedil, iz katerih bi bilo mogoče drugega pa Oddelek za slovenistiko. pridobiti ustrezne informacije o slovenskih besedah za razvoj sloven-36 Vodja projekta multext-east na skega črkovalnika, je bil v podjetju ob istem času že zbran in na voljo Institutu Jožef Stefan je bil Tomaž Erjavec, iz podjetja Amebis pa sta 15-milijonski korpus, namenjen interni rabi. pri projektu sodelovala Miro Z medsebojnimi povezavami je bila tako dana osnova za sodelova-Romih in Peter Holozan. Pri izdelavi sistema nje, ki je na koncu vodilo do oblikovanja konzorcija za izdelavo kor-oblikoskladenjskega označevanja pusa fida. Po skoraj enoletnih preliminarnih pogajanjih med štirimi multext-east sta poleg Amebisa sodelovala tudi Marko Stabej in institucijami: Filozofsko fakulteto ul, Institutom Jožef Stefan, založbo Vojko Gorjanc s Filozofske Dzs in podjetjem Amebis, je bila konzorcijska pogodba o izdelavi kor-fakultete ul. pusa fida (ime korpusa je kratica iz imen institucij, ki so ga zgradile) sklenjena 1. julija 1997, pri čemer je bil kot datum začetka projekta opredeljen 1. januar 1997. Cilj projekta je bil zbrati besedilni korpus s 100 milijoni pojavnic oz. besed, v formatu, skladnem s priporočili iniciative Text Encoding Initiative (tei), označen z oblikoslovnimi oznakami in lemami (osnovnimi oblikami pregibnih besed) ter s primerno razčlenjeno notranjo sestavo glede na tip besedila, zvrstnost in druga 119 37 Iz navedenih publikacij merila, da bo ustrezal jezikovni reprezentativnosti. V korpusnem je-izhajajo nekateri podatki o zikoslovju se je za te vrste zbirk uveljavilo ime »referenčni korpus«. korpusu fida v nadaljevanju prispevka. Drugi bistveni cilj projekta je bil izdelava spletnega konkordančnika, 38 Med sodelavci so bili ob objavi ki naj bi sodelavcem založbe dzs omogočil sodobno leksikografsko decembra leta 2000 na spletni strani navedeni: Simon Krek, delo, raziskovalcem (in študentom) na Filozofski fakulteti ul pa jezi-koordinator projekta fida (dzs, d. koslovno raziskovanje korpusa. d., Založništvo literature), Marko Stabej (urednik korpusa fida, Projekt sta v celoti financirala komercialna partnerja, založba dzs Filozofska fakulteta ul), Vojko in podjetje Amebis, pogodba pa je obema akademskima partnerjema Gorjanc (urednik korpusa fida, Filozofska fakulteta ul), Tomaž zagotavljala dostop do korpusa v vseh oblikah (tekstovni in spletni) Erjavec (svetovalec za format za nekomercialne, raziskovalne namene. Prvi podatki in napovedi o korpusa fida, Institut Jožef Stefan, Odsek za inteligentne sisteme), projektu so bili objavljeni že leta 1998 v strokovnih revijah (Stabej Miro Romih (tehnični urednik 1998; Železnikar 1998; Romih 1998; Erjavec 1998) in na znanstvenih korpusa fida, Amebis, d. o. o., Kamnik), Peter Holozan (tehnični konferencah (Erjavec, Gorjanc, Stabej 1998; Gorjanc 1999a), podatki o urednik korpusa fida, Amebis, d. projektu pa so bili objavljeni tudi v splošnih medijih (Gorjanc 1999b; o. o., Kamnik), Špela Vintar (strokovna sodelavka uredniške Stabej 1999; Vintar 1999; Krek 1999a; Krek 1999b). Poleg domačega sekcije, Filozofska fakulteta ul), (Gorjanc, Vintar 2000; Gorjanc 2000) so proti koncu gradnje korpusa Jaka Železnikar (strokovni sodelavec tehnične sekcije, podatki našli pot tudi v mednarodni prostor (Gorjanc, Šulc 2000).37 Filozofska fakulteta ul). V okviru Korpus fida je bil po treh letih in pol dela dokončan ter objavljen na študentskega dela je pri zbiranju besedil pomagala tudi Tina spletu decembra 2000.38 Verovnik. Takoj po objavi korpusa so začeli leksikalne podatke v njem iskati 39 V času od objave korpusa fida do objave novega, razširjenega sodelavci pri novem angleško-slovenskem slovarju, v okviru založbe korpusa Fidaplus je imelo stalen dzs pa so se začele porajati ideje o avtomatskem luščenju korpusnih prosti dostop do spletnega konkordančnika korpusa fida podatkov za potrebe sestavljanja slovensko-tujejezičnih slovarjev okrog 60 sodelavcev slovarskega (Gorjanc, Krek 2001). Obenem so se na podlagi korpusnih analiz zače-oddelka založbe dzs ter nekaj nad 40 raziskovalcev na Filozofski la razmišljanja o možnosti sestavljanja podatkovne zbirke z leksikal-fakulteti ul skupaj z nekaj 100 nimi podatki o slovenščini (Gorjanc, Krek 2001; Gorjanc, Krek, Gantar študenti, ki so dobili začasni dostop do korpusa. 2005), potekati so začele tudi jezikoslovne raziskave, katerih rezultati 40 Stran je obstajala na http:// so bili objavljeni v znanstvenih monografijah (Gorjanc 2005; Gantar www.fida.net/; založba dzs jo je prenehala vzdrževati leta 2010. 2007). Poleg leksikografskega dela na založbi dzs je bil korpus uporabljen tudi za pomoč pri izdelavi jezikovnotehnoloških aplikacij v podjetju Amebis (črkovalnik, strojni prevajalnik itd.) ter na Institutu Jožef Stefan. Prosti dostop do spletnega konkordančnika je bil omejen na raziskovalce in študente Filozofske fakultete ul, za ostale institucije ter posameznike pa je bil na voljo komercialni, plačljivi dostop.39 Ključne informacije o korpusu fida so bile zapisane na njegovi spletni strani.40 120 41 Natančnejši podatki o sestavi Slika 6.1: Vstopna stran spletnega konkordančnika korpusa fida. korpusa fida so bili v knjižni obliki prvič objavljeni v monografiji Vojka Gorjanca (2005: 47−53). S časovno distanco 12 let po prvih poizvedovanjih po korpusu fida lahko rečemo, da je možnost iskanja podatkov po korpusu za marsika-terega raziskovalca, pa tudi za sodelavce pri slovarskih projektih, pri katerih se je uporabljal korpus, prinesla precejšen preobrat pri dojema-nju jezikovnih pojavov. Enako kot pri jezikih, za katere je bilo korpuse v tistem času že mogoče uporabljati, se je tudi pri slovenščini izkaza-lo, da je mnoge uveljavljene jezikoslovne dogme glede oblikoslovnih, skladenjskih, frazeoloških in drugih lastnosti slovenščine mogoče v precejšnji meri relativizirati ali pa so se izkazale celo za napačne. Z ob-javo korpusa fida je bil decembra 2000 tako omogočen bistveno bolj objektiven pogled na slovenščino, predvsem z dejstvom, da je bil korpus na eni strani žanrsko in besedilno raznovrsten ter na drugi strani lematiziran in označen z oblikoskladenjskimi oznakami, kar je možnosti pri korpusnih analizah prestavilo v povsem drugo dimenzijo. 6.1.2 Sestava Pri sestavljanju korpusov je eno težjih vprašanj, kako zagotoviti zvrstno uravnoteženost besedil, pri čemer je dodatna zadrega vnaprej pričakovana razlika med idealnimi razmerji med besedili in re-alnimi rezultati zbiranja. Pri gradnji korpusa fida41 je bila ena prvih nalog izdelava taksonomije besedil glede na prenosnik in zvrst po tujih zgledih, poskusno pa je bila dodana še taksonomija glede na 121 lektoriranost besedila. Končna sestava taksonomije je bila razmeroma zahtevna, ker je bil to prvi poskus sistematične izdelave žanrsko raznolike besedilne sestave korpusa besedil v slovenščini in skupina ni želela omejevati bodočih možnosti pri korpusnih analizah po čim bolj raznolikih merilih. Enaka taksonomija je potem ostala v veljavi tudi pri gradnji naslednjega korpusa iz linije fida − Fidaplus − Gigafida, tj. pri Fidiplus, medtem ko je pri Gigafidi po desetletnih izkušnjah pri delu z metapodatki v korpusih postala precej bolj preprosta (gl. točko 1.2.2 v 1. pogl.). 6.1.2.1 Taksonomija prenosnik Tabela 6.1: Taksonomija prenosnik v korpusu FIDA. Ft.P prenosnik Ft.P.E prenosnik / elektronski Ft.P.G prenosnik / govorni Ft.P.P prenosnik / pisni Ft.P.P.O prenosnik / pisni / objavljeno Ft.P.P.O.K prenosnik / pisni / objavljeno / knjižno Ft.P.P.O.P prenosnik / pisni / objavljeno / periodično Ft.P.P.O.P.C prenosnik / pisni / objavljeno / periodično / časopisno Ft.P.P.O.P.C.D prenosnik / pisni / objavljeno / periodično / časopisno / dnevno Ft.P.P.O.P.C.V prenosnik / pisni / objavljeno / periodično / časopisno / večkrat tedensko Ft.P.P.O.P.C.T prenosnik / pisni / objavljeno / periodično / tedensko Ft.P.P.O.P.R prenosnik / pisni / objavljeno / periodično / revialno Ft.P.P.O.P.R.T prenosnik / pisni / objavljeno / periodično / revialno / tedensko Ft.P.P.O.P.R.S prenosnik / pisni / objavljeno / periodično / revialno / štirinajstdnevno Ft.P.P.O.P.R.M prenosnik / pisni / objavljeno / periodično / revialno / mesečno Ft.P.P.O.P.R.D prenosnik / pisni / objavljeno / periodično / revialno / redkeje kot na mesec Ft.P.P.O.P.R.O prenosnik / pisni / objavljeno / periodično / revialno / občasno Ft.P.P.N prenosnik / pisni / neobjavljeno Ft.P.P.N.J prenosnik / pisni / neobjavljeno / javno Ft.P.P.N.I prenosnik / pisni / neobjavljeno / interno Ft.P.P.N.Z prenosnik / pisni / neobjavljeno / zasebno V Tabeli 6.2 spodaj so prikazana razmerja med besedili v korpusu fida glede na prenosnik. V stolpcu A je navedeno število dokumentov, ki so označeni natanko s taksonomsko kategorijo iz stolpca E, v komplementarnem stolpcu C pa število dokumentov, ki so označeni s kategorijo iz stolpca E ali kategorijo, ki je po hierarhiji nižja. Enako velja za stolpca B in D, le da je v njiju navedeno število besed. Korpus fida je torej v celoti vseboval 103.513.072 besed v 29.177 dokumentih. 122 42 O tem eden od urednikov Tabela 6.2: Število in delež dokumentov ter besed po taksonomiji prenosnik v korpusa: »Pri tradicionalni delitvi korpusu FIDA. besedil na govorna in pisna je potrebno upoštevati še A B C D Delež v % Taksonomija elektronsko komunikacijo. Ta je v 0 0 29.172 103.499.376 99,99 Ft.P taksonomiji fida ‘prenosnik’ že predvidena, saj elektronski medij 26 23.885 26 23.885 0,02 Ft.P.E pomeni drugačen tip 30 2.041.453 30 2.041.453 1,97 Ft.P.G komunikacije s samosvojo obliko in slogom, ki je značilna samo 301 2.014.942 29.116 101.434.038 97,99 Ft.P.P zanjo /.../. Ker globalizacija na 1.064 2.605.747 28.518 99.086.487 95,72 Ft.P.P.O ravni jezika pomeni v glavnem amerikanizacijo, bi bilo v črni 511 23.506.584 511 23.506.584 22,71 Ft.P.P.O.K varianti sploh nepotrebno 1 997 26.943 72.974.156 70,50 Ft.P.P.O.P razmišljanje o vlogi elektronske komunikacije v okviru 1 1.024 22.898 48.231.804 46,59 Ft.P.P.O.P.C slovenščine; a tako kot z 6.339 33.821.033 6.339 33.821.033 32,67 Ft.P.P.O.P.C.D globalizacijo nasploh se ji tudi v okviru jezikovnih vprašanj vse 9.284 8.010.641 9.284 8.010.641 7,74 Ft.P.P.O.P.C.V bolj sopostavlja princip 7.274 6.399.106 7.274 6.399.106 6,18 Ft.P.P.O.P.C.T lokalizacije, prilagoditve globalnih sredstev kulturnemu 0 0 4.044 24.741.355 23,90 Ft.P.P.O.P.R – jezikovnemu – okolju. V okviru 490 17.714.425 490 17.714.425 17,11 Ft.P.P.O.P.R.T korpusnega jezikoslovja še ni enotnega dogovora o statusu 21 128.265 21 128.265 0,12 Ft.P.P.O.P.R.S elektronskih besedil in njihovem 3.075 3.774.120 3.075 3.774.120 3,65 Ft.P.P.O.P.R.M razmerju do obeh tradicionalnih prenosnikov« (Gorjanc 2005: 49). 311 1.455.040 311 1.455.040 1,41 Ft.P.P.O.P.R.D 147 1.669.505 147 1.669.505 1,61 Ft.P.P.O.P.R.O 2 733 297 332.609 0,32 Ft.P.P.N 7 19.423 7 19.423 0,02 Ft.P.P.N.J 195 257.174 195 257.174 0,25 Ft.P.P.N.I 93 55.279 93 55.279 0,05 Ft.P.P.N.Z 5 13.696 5 13.696 0,01 neznano 29.177 103.513.072 100,00 SKUPAJ Razmerja med glavnimi kategorijami glede na prenosnik so bila takšna, kot kaže Slika 6.2. Približno četrtina je bilo besedil iz knjig, približno četrtina iz revij, polovica je bilo časopisnega gradiva. Prepoznaven je bil še delež govorjenih besedil – a s to kategorijo so bili označeni zgolj prepisi parlamentarnih razprav, deleži pri ostalih višjih kategorijah pa so bili zanemarljivi: delež neobjavljenih besedil je bil 0,32-odstotni, delež besedil z oznako elektronski prenosnik pa 0,02-odstotni – v to zadnjo kategorijo bi po takratnih (in sedanjih) merilih denimo spadala tudi spletna besedila.42 Petim besedilom kategorija prenosnik ni bila pripisana. 123 Slika 6.2: Delež besed po taksonomiji prenosnik v korpusu fida. časopisno: 49 % revijalno: 25 % govorno: 5 % knjižno: 24 % 6.1.2.2 Taksonomija zvrst Tabela 6.3: Taksonomija zvrst v korpusu fida. Ft.Z zvrst Ft.Z.U zvrst / umetnostna Ft.Z.U.P zvrst / umetnostna / pesniška Ft.Z.U.R zvrst / umetnostna / prozna Ft.Z.U.D zvrst / umetnostna / dramska Ft.Z.N zvrst / neumetnostna Ft.Z.N.S zvrst / neumetnostna / strokovna Ft.Z.N.S.H zvrst / neumetnostna / strokovna / humanistična in družboslovna Ft.Z.N.S.N zvrst / neumetnostna / strokovna / naravoslovna in tehnična Ft.Z.N.N zvrst / neumetnostna / nestrokovna V spodnji tabeli so prikazana razmerja med besedili v korpusu fida glede na zvrst. Tako kot pri prenosniku je v stolpcu A navedeno število dokumentov, ki so označeni natanko s taksonomsko kategorijo iz stolpca E, v komplementarnem stolpcu C pa število dokumentov, ki so označeni s kategorijo iz stolpca E ali kategorijo, ki je po hierarhiji nižja. Enako velja za stolpca B in D, le da je v njiju navedeno število besed. 124 Tabela 6.4: Število in delež dokumentov ter besed po taksonomiji zvrst v korpusu fida. A B C D Delež v % Taksonomija 0 0 29.161 102.969.015 99,47 Ft.Z 82 542.188 328 6.112.097 5,90 Ft.Z.U 47 171.445 47 171.445 0,17 Ft.Z.U.P 189 5.295.792 189 5.295.792 5,12 Ft.Z.U.R 10 102.672 10 102.672 0,10 Ft.Z.U.D 5 64.224 28.833 96.856.918 93,57 Ft.Z.N 73 1.823.304 2.986 19.012.331 18,37 Ft.Z.N.S 1.423 10.937.515 1.423 10.937.515 10,57 Ft.Z.N.S.H 1.490 6.251.512 1.490 6.251.512 6,04 Ft.Z.N.S.N 25.842 77.780.363 25.842 77.780.363 75,14 Ft.Z.N.N 16 544.057 16 544.057 0,53 neznano 29.177 103.513.072 100,00 SKUPAJ Slika 6.3: Delež besed po taksonomiji zvrst v korpusu FIDA. strokovna: 18 % umetnostna: 6 % nestrokovna: 76 % Glede na taksonomijo zvrst so v korpusu fida prevladovala nestrokovna besedila, kamor so povečini spadala besedila iz časopisov in velikega dela revij, med strokovnimi ter umetnostnimi pa so prevladovala besedila iz knjižnih publikacij. Opredeljevanje zvrstnosti je tako s stališča sestavljanja korpusa kot kasnejših korpusnih raziskav dokaj delikatna naloga. Vsebine v časopisih in revijah so zvrstno lahko zelo raznolike in v isti številki revije lahko denimo najdemo od poljudno-znanstvenih in umetnostnih besedil do križank ter televizijskih spo-redov. V taksonomiji korpusa fida so bile kategorije opredeljene razmeroma široko, kar je bilo za večino potreb verjetno pregroba delitev, bolj podrobna delitev, denimo po posameznih prispevkih, pa bi od sestavljalcev korpusa zahtevala nepredstavljivo količino časa z nejasnim končnim uspehom, saj so odločitve o žanru pri ročnem opredeljevanju vedno vsaj deloma subjektivne (prim. npr. Červ 2009: 93−94). Tudi iz 125 teh razlogov je bila pri sestavljanju taksonomije za Gigafido sprejeta odločitev, da se obe taksonomiji poenoti v eno samo (gl. 1. pogl.), odlo- čanje o žanrskosti pa se prenese bodisi na raven posameznega medija ali na avtomatizirane postopke, ki skušajo žanr opredeliti strojno, lahko tudi po enotah, manjših od posameznega korpusnega dokumenta. 6.1.2.3 Taksonomija lektorirano Tabela 6.5: Taksonomija lektorirano v korpusu fida. Ft.L lektorirano Ft.L.D lektorirano / da Ft.L.N lektorirano / ne Tabela 6.6: Število in delež dokumentov ter besed po taksonomiji lektorirano v korpusu fida. A B C D Delež v % Taksonomija 0 0 9.034 48.465.325 46,82 Ft.L 8.971 46.200.626 8.971 46.200.626 44,63 Ft.L.D 63 2.264.699 63 2.264.699 2,19 Ft.L.N 20.143 55.047.747 20.143 55.047.747 53,18 neznano 29.177 103.513.072 100,00 SKUPAJ Taksonomija lektorirano je bila že od samega začetka vpeljana kot poskus, ki naj omogoči, da bi bilo pri bodočih korpusnih analizah mo-goče raziskati tudi načine lektorskih posegov v besedila. Taksonomija se je sicer skupaj z vsemi ostalimi obdržala še pri sestavi korpusa Fidaplus, vendar kasneje nikoli ni bila izvedena sistematična študija 63 besedil, ki so bila v korpus vključena v svoji lektorirani in nelektorirani različici. Verjetno to pomeni, da kategorija ni primerna za sestavljanje splošnega referenčnega korpusa, temveč bi bilo za tovrstne raziskave treba zbrati poseben, specializirani korpus, ki bi bil namenjen samo raziskavam lektorskih posegov. Eden od razlogov je tudi v tem, da Konkordančnik asp32 ni omogočal neposrednih primerjav med lektoriranim in nelektoriranim besedilom, kar pomeni, da bi bilo treba primerjati korpusna besedila v tekstovni obliki, s temi pa so večinoma delali le raziskovalci na Institutu Jožef Stefan in v podjetju Amebis. Oznake o lektoriranosti so v glavah oz. kolofonih besedil iz korpusa fida ohranjene tudi v Gigafidi, zato je tako označena besedila mogoče pri morebitni prihodnji izdelavi specializiranega korpusa, ki bi bil namenjen raziskavam lektorskih posegov, vzeti tudi iz Gigafide. 126 6.1.2.4 Število besed po letih Eden od pomembnih parametrov uravnoteženosti korpusa je ustrezna razpršenost števila besed glede na leto nastanka oz. leto izida. S tega vidika je bila pri korpusu fida sestava razmeroma ustrezna, vendarle se pri razmerjih precej pozna, kdaj je potekala glavnina zbiranja gradiva (prim. enako ugotovitev za Gigafido v točki 1.5.1.2 zgoraj). Skoraj polovica besedil v korpusu fida (48,21 %) je namreč iz let 1998 in 1999, kar kažejo podatki v Tabeli 6.7. V procesu definiranja časa zajema besedil je pri sestavljalcih prevladalo mnenje, da je menjava političnega sistema v Sloveniji na rabo jezika vplivala dovolj, da je to letnico mogoče vzeti kot izhodišče za pojem »sinhronosti« korpusa. Drugi razlog pa je bilo mnenje, da »kartotečna zbirka Inštituta za slovenski jezik Frana Ramovša zrc sazu /.../ nekako do tega časa zagotavlja vsaj osnovno informacijo o stanju jezika še v osemdesetih letih prejšnjega stoletja« (Gorjanc 2005: 48). Korpus je torej zajemal desetletno obdobje od leta 1991 do 2000, z nekaj besedili iz let 1989/90. Tabela 6.7: Število in delež besed po letih v korpusu fida. Leto Število besed Delež v % neznano 8.574.227 8,28 1989 32.400 0,03 1990 27.916 0,03 1991 1.487.628 1,44 1992 2.259.662 2,18 1993 3.206.972 3,10 1994 7.484.927 7,23 1995 7.216.092 6,97 1996 6.092.563 5,89 1997 11.020.947 10,65 1998 21.289.430 20,57 1999 28.614.779 27,64 2000 6.205.529 5,99 SKUPAJ 103.513.072 100,00 127 Slika 6.4: Število besed po letih v korpusu fida. 30.000.000 25.000.000 20.000.000 15.000.000 10.000.000 5.000.000 0 N 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 6.1.3 Besedilodajalci Zbiranje gradiva je bilo zasnovano na podlagi raziskave o branosti slovenskih tiskanih medijev, ki jo je v letih sestavljanja korpusa fida izvajala Mediana. Na podlagi te raziskave so bili glede na zvrstnost izbrani tisti tiskani mediji, ki so bili zanimivi s stališča referenčnosti korpusa. Pri zbiranju gradiva so bili prvi naslovniki zbiranja lokalni ter regionalni časopisi in pri teh je bil odziv zelo dober. V nasprotju s pričakovanji se težave niso pojavile pri odstopanju gradiva in pri avtorskih pravicah, temveč so bile težave bolj tehnične − pri časopisih niso imeli urejene dokumentacije, niso hranili starih številk v nikakr- šni obliki ipd. Po prvih poskusih so bili nato vzpostavljeni stiki po posameznih tematskih sklopih, ki jih kaže spodnja tabela. Končni rezultat zbiranja glede na razdelitev Medianine publikacije po področjih je prikazan v Tabeli 6.8. Ocenjeno je bilo, da so rezultati zadovoljivi pri vseh drugih kategorijah razen pri gospodarstvu, financah, podjetni- štvu ter pri športu in avtomobilizmu (gl. tudi Gorjanc 2005: 51). Tabela 6.8: Pokritost tematskih sklopov v korpusu fida. Tema Zadovoljiva prisotnost v korpusu fida dom, narava, hišni ljubljenci + družina, moški, ženske + glasba, film, RA, TV + gospodarstvo, finance, podjetništvo − izobraževanje + kulinarika, gostinstvo, turizem + 128 43 Po prvih aktivnostih pri kultura + zbiranju gradiv, za katero sta bila mejne znanosti + odgovorna takratna urednika korpusa, sta se pripravljalcem otroci, mladina + korpusa zaradi povečanega računalništvo + obsega dela pridružili še dve sodelavki: Špela Vintar in Tina razvedrilo, enigmatika + Verovnik. religija, duhovna kultura + 44 Poleg njih še posamezni avtorji, zlasti Andrej Blatnik, splošni interesi + Branko Gradišnik in Jaka šport, avtomobilizem − Železnikar. zdravje + V istem času so bili vzpostavljeni tudi stiki z odgovornimi pri treh takratnih slovenskih dnevnikih: Delu, Dnevniku in Večeru. Dogovori so bili uspešni predvsem pri Delu in Večeru, tako je korpus fida vseboval časovno razpršene večje količine gradiva iz dveh takratnih dnevnih časopisov in manjšo količino iz tretjega. Knjižni založniki so bili po pričakovanjih bolj zadržani kot izdajatelji periodičnih publikacij, zato so bili v več primerih stiki navezani s posameznimi avtorji, predvsem prek društev pisateljev, prevajalcev ipd.43 V korpus fida so besedila prispevali naslednji institucionalni besedilodajalci:44 Tabela 6.9: Besedilodajalci (institucije) korpusa fida in število besed, ki so jih prispevali v korpus. Besedilodajalec Število besed Delo 24.211.095 Mladina 17.682.170 Večer 9.607.865 DZS 9.077.796 Dolenjski list 4.057.730 Gorenjski glas 4.026.759 Primorske novice 3.983.882 Tehniška založba Slovenije 2.386.928 Novi tednik 2.277.643 Študentska organizacija Univerze, Študentska založba 2.010.588 Desk 1.471.975 Založba /*cf. 1.037.420 Društvo izdajateljev časnika 2000 956.338 Cistercijanska opatija 858.836 Zavod Republike Slovenije za šolstvo 859.405 Studia Humanitatis 535.832 Sidarta 488.237 Mama, časopisno založniško podjetje 405.510 Mladinska knjiga Koprodukcija 401.702 Urbar 392.299 ISH Fakulteta za podiplomski humanistični študij 296.465 Krka zdravilišča 240.124 129 Študentska založba 223.149 Društvo Apokalipsa 221.849 Zveza društev pedagoških delavcev Slovenije 215.877 SH − Zavod za založniško dejavnost 210.118 Moj mikro 181.010 Društvo 2000 161.261 Slovenski etnografski muzej 164.746 Zveza geografskih društev Slovenije 151.546 Karantanija 141.237 Študentska organizacija Univerze 144.147 Zgodovinsko društvo za južno Primorsko 145.616 Cankarjeva založba 110.587 Zveza zgodovinskih društev Slovenije 111.225 Delo Prodaja 104.646 Egmont Slovenija 103.506 SH Zavod za založniško dejavnost 106.078 ŠOU, Študentska založba 101.170 Državna založba Slovenije 93.156 Salve 96.052 Co Libri 80.496 Krtina 83.554 Stiška opatija, Cistercijanska opatija 78.619 ŠKUC 78.176 Pavliha 74.772 Didakta 62.305 Que 67.023 Slovenske rimokatoliške škofije 57.537 Stiška opatija 60.385 KS Portorož 52.447 Aleph 37.730 Debora 40.989 Info press 44.482 Katehetski center 37.614 Mihelač 38.052 Glasbena mladina Slovenije 34.036 Literarno-umetniško društvo Literatura 32.636 Železarna 35.916 Mladinska knjiga 22.997 Pasadena 19.130 Spes 17.064 Zavod Republike Slovenije za šolstvo in šport 20.681 Cedra 10.013 Dolenjska banka 5.277 SNG Drama 7.387 Dnevnik 2.073 130 45 Konkretno je bil to Tomaž 6.1.4 Format in metapodatki Erjavec, ki je v istem času sodeloval v evropskem projektu multext-East. Za format korpusa fida je bil zadolžen konzorcijski partner 46 Spletna stran konzorcija: Institut Jožef Stefan.45 Na podlagi izkušenj iz projekta multext-East http://www.tei-c.org/. dtd korpusa fida je na voljo na spletni strani: je bil za korpus fida izbran format tei p3, po priporočilih konzorcija http://nl.ijs.si/et/project/Fida/sgml/. tei (gl. tudi 4. pogl.). Za potrebe projekta fida je bila izdelana posebna datoteka s formalizmom, ki omogoča preverjanje pravilne struktu-riranosti dokumentov v formatu sgml ( Standard Generalized Markup Language), t. i. document type definition ali dtd. Začetek dokumenta »fida.dtd« kaže, da je bila zadnja verzija (1.6) izdelana 6. 5. 1999:46 Slika 6.5: Začetek dokumenta v formatu SGML v korpusu FIDA. Vsak dokument v korpusu fida je vseboval t. i. glavo oz. kolofon ali header s podatki o vsebini dokumenta v štirih večjih sklopih. Prvi sklop v elementu je vseboval podatke o posameznem besedilu, predvsem ime oz. naslov dokumenta, podatke o lastništvu in dostopnosti besedila ter podatke iz zapisa Cobiss Comarc. Drugi sklop v elementu je vseboval podatke o številu posameznih prepoznanih segmentov v besedilu, kot so odstavki, stavki, besede in ločila. Poleg tega še opis postopka, skozi katerega je šla posamezna pridobljena datoteka pri procesiranju od izvornega do končnega 131 korpusnega besedila. Element je vseboval predvsem informacijo o pripadnosti posamezni kategoriji po treh taksonomijah: prenosnik, zvrst in lektorirano. Zadnji element pa je vseboval podatke o morebitnih dodatnih postopkih, ki so bili izvedeni na besedilu po izdelavi podatkov v kolofonu. Primer kolofona besedila v korpusu fida kaže Slika 6.6. Slika 6.6: Primer kolofona tei v korpusu fida. ]> DELO FIDA
FIDA, p. p. 50 1001 Ljubljana fida@dzs.si

Dostopnost urejena s pogodbo med besedilodajalcem in FIDO.

 1995-07

1. ID=53263360 LN=0000247941 S V4 06.09.1995 NUK::JELKAG

Updated: 10.06.1997 NUK::VIRNA

001 ac - popravljeni zapis ba - tekstovno gradivo - tiskano cs -

tekoča publikacija d0 - ni hierarhičnega odnosa

011 e1318-6965

100 ba - tekoča publikacija, ki še izhaja c1995 d9999 g0 -

nemodificiran stavek hslv - slovenski

132

1010 aslv - slovenski

102 asvn - Slovenija

110 ac - časnik bf - mesečno ca - redno

2001 aNotranjske notice

207 0aLet. 1, št. 1 (avgust 1995)-

210 aRakek bUnec 42a, 61381 Rakek cUrbar d1995-

215 d30 cm

3001 aPoskusna št. julij 1995

3001 aVsebuje občasne rubrike: Notranjska ekologija, Ensvet, Priloga

tabori

326 aMesečnik

421 0x1408-3167

421 0x1408-3175

421 0x1408-3183

5300 aNotranjske notice bRakek

531 aNotr. not. bRakek

675 a070(497.4 Notranjska) vdo 4. izd. c070 - Časniki. Novinarstvo

Glej URL: www.fida.net

[ZDRUZEVANJE] 1:1

[IME] D:\FIDA\KORPUS\VNOS\2_ZDR\DELO.ZDR

[1] **********

[IZVOR] D:\FIDA\KORPUS\Vhod\NotNotic\D0000006\07_95_PO\DELO.DOC

[FORMAT] MS Word for Windows 6.0/7.0

[DATUM] 9.4.1999

[IZVOR_RTF] D:\FIDA\KORPUS\Vhod\NotNotic\D0000006\07_95_PO\DELO.RTF

133

[PRETVORBA] RTF

[KONEC] **********

[SEGMENTACIJA] swc

 &FIDAtaxonomy1; &FIDAtaxonomy2; &FIDAtaxonomy3; ]]> &FIDAlangusage; ]]> 2000-06-01 JZ Segmentacija swc OZNSWC v0.564

TUR SERVIS d. o. o .

Mladinski servis Cerknica

... 135 47 O tem več v Erjavec 1998 in na Kolofonu korpusa je sledilo besedilo v elementu , ki je bilo spletni strani: http://nl.ijs.si/et/ segmentirano na odstavke v elementu

in stavke v elementu , project/Fida/tag/msd-sl/msd-sl/. pojavnice pa so bile prepoznane v postopku tokenizacije, besede v elementu in ločila v elementu . Pojavnicam v elementu , v splošnem smislu torej besedam oz. neločilom, so bile pripisane dodatne štiri informacije. V atributu @lemma je bila zabeležena najbolj verjetna osnovna oblika (pregibne) pojavnice, v atributu @msd pa njene oblikoslovne lastnosti. Te so bile zapisane v obliki, kot jo je predvidel nabor oblikoskladenjskih oznak multext-East, kar pomeni, da je vsaka črka v posameznem zapisu zastopala eno oblikoslovno lastnost. Zaporedje Somei pri prvi besedi v korpusu fida, torej »tur«, je pomenilo, da so bile tej pojavnici pripisane lastnosti: samostalnik, občni, moški spol, ednina, imenovalnik.47 Poleg dveh razmeroma standardnih tipov dodatnih informacij (osnovna oblika in oblikoslovne lastnosti) sta bili v korpusu fida pojavnicam pripisani še dve nestandardni. Korpus je bil označen z ozna- čevalnikom podjetja Amebis, ki je označevanje in lematizacijo izvaja-lo na podlagi vnaprej pripravljenih pravil. V času sestavljanja korpusa fida je bila v okviru konzorcija sprejeta odločitev, da je pri označevanju poleg odločitve o najbolj verjetni lemi in oblikoslovni oznaki smiselno ohranjati tudi informacijo o vseh mogočih lemah ter oznakah, med katerimi se je odločal označevalnik v procesu označevanja. Te so bile potem zabeležene v atributih @lemmas (vse možne osnovne oblike) in @msds (vse možne kombinacije oblikoslovnih oznak). Ta sistem beleženja informacij je precej povečal končno velikost korpusa, saj je bilo v nekaterih primerih število možnih oznak dokaj obsežno, kot je vidno v Tabeli 6.10 pri pridevniku mladinski. Ena sama njegova oblika je imela v atributu @msds celo devet možnih oznak: Pvomeid, Pvometd-n, Pvommi, Pvosdi, Pvosdt, Pvozdi, Pvozdt, Pvozed, Pvozem. 136 Tabela 6.10: Atribut @msds pridevnika mladinski v korpusu FIDA. Pvomeid Pvometd-n Pvommi Pvosdi Pvosdt Pvozdi Pvozdt Pvozed Pvozem pridevnik pridevnik pridevnik pridevnik pridevnik pridevnik pridevnik pridevnik pridevnik vrstni vrstni vrstni vrstni vrstni vrstni vrstni vrstni vrstni osnovnik osnovnik osnovnik osnovnik osnovnik osnovnik osnovnik osnovnik osnovnik moški moški moški srednji srednji srednji ženski ženski ženski ednina ednina množina dvojina dvojina dvojina dvojina ednina ednina imenovalnik tožilnik imenovalnik imenovalnik tožilnik imenovalnik tožilnik dajalnik mestnik določni določni neživ 48 Kot raziskovalci so v projektu Način z dodatnimi atributi @lemmas in @msds je bil ohranjen še sodelovali še Vojko Gorjanc, Jana v korpusu Fidaplus, v Gigafidi pa je bil opuščen, tudi zaradi prehoda Zemljarič Miklavčič, Primož Vitez in Špela Vintar s Filozofske na statistični označevalnik, ki distribucijo napačnih oznak razprši v fakultete ul, Monika Kalin Golob večji meri kot označevalnik, ki deluje na podlagi pravil (gl. točko 1.5 in Tina Verovnik s Fakultete za družbene vede ul ter Dunja v 1. pogl.). Mladenić, Maja Škrjanc in Marko Grobelnik z Instituta Jožef Stefan. 49 Kot raziskovalci so v projektu 6.2 Korpus FidaPLUS sodelovali še Špela Arhar, Tatjana Balažic, Darja Fišer, Simona Kranjc, Simon Krek, Tadeja Rozman, Mojca 6.2.1 Zgodovina Schlamberger Brezar, Matija Svetina in Špela Vintar s Filozofske fakultete ul, Tina Verovnik in V začetku leta 2002, torej približno eno leto po objavi korpusa Nataša Logar s Fakultete za fida, je bila v krogu institucij, ki so sodelovale pri gradnji korpusa, družbene vede ul ter Irena Stramljič Breznik in Alenka Valh izrecno izražena želja po njegovi nadgradnji in širitvi, toda eden od Lopert s Pedagoške fakultete um. financerjev gradnje korpus fida, založba dzs, je takrat izrazil nepri-pravljenost na kakršnakoli nadaljnja samostojna vlaganja. Poleg tega je bil korpus fida dostopen razmeroma ozkemu krogu uporabnikov in želja po prosti dostopnosti je bila med uporabniki, predvsem tistimi, ki dostopa niso imeli, velika. Možnost financiranja nadgradnje, ki bi hkrati omogočila tudi prosti dostop do korpusa, se je nazadnje pokazala v okviru več raziskovalnih projektov, ki jih je odobrila Javna agencija za raziskovalno dejavnost Republike Slovenije v letih 2003−2006. Nadgradnja korpusa fida v korpus, ki je bil ob objavi leta 2006 dokončno poimenovan Fidaplus, je bila delno financirana v okviru treh raziskovalnih projektov ter sofinancirana s strani založbe dzs in podjetja Amebis. Raziskovalni projekti, pri katerih je nastala Fidaplus, so bili: • Jezikovni viri za slovenščino, aplikativni raziskovalni projekt, 1. 1. 2003−31. 12. 2005, vodja Marko Stabej; Institut Jožef Stefan, Filozofska fakulteta in Fakulteta za družbene vede ul,48 • Zasnova na korpusu temelječih slovarskih in slovničnih opisov slovenskega jezika, ciljni raziskovalni projekt, 1. 9. 2004−31. 8. 2006, vodja Vojko Gorjanc; Filozofska fakulteta in Fakulteta za družbene vede ul, Pedagoška fakulteta Univerze v Mariboru (um),49 137 50 Kot raziskovalci so v projektu • Oblikovanje slovenskega korpusnega omrežja, ciljni raziskovalni sodelovali še Vojko Gorjanc, Urška projekt, 1. 9. 2004−31. 8. 2006, vodja Marko Stabej; Institut Jarnovič, Simon Krek, Špela Vintar in Jana Zemljarič Miklavčič s Jožef Stefan, Znanstveno-raziskovalno središče Univerze na Filozofske fakultete UL, Tomaž Primorskem, Filozofska fakulteta in Fakulteta za družbene vede ul Erjavec z Instituta Jožef Stefan, Zdravko Kačič in Darinka ter Fakulteta za elektrotehniko, računalništvo in informatiko um.50 Verdonik s Fakultete za elektrotehniko, računalništvo in informatiko um, Monika Kalin V okviru prvega projekta ( Jezikovni viri za slovenščino) je bil cilj Golob s Fakultete za družbene opredeljen na naslednji način: vede UL in Vesna Mikolič iz Znanstveno-raziskovalnega Pr » ojekt bo oblikoval korpusne vire in jezikoslovna ter tehnološka središča Univerze na Primorskem. orodja za raziskovanje slovenskega jezika in besedil v slovenščini. 51 Logotip korpusa in oblikovanje spletne strani je delo oblikovalca Oblikovan bo kot količinska in kakovostna nadgradnja referenčnega Tomata Koširja. korpusa slovenskega jezika fida, v sodelovanju istih partnerjev (Filozofska fakulteta Univerze v Ljubljani, Institut Jožef Stefan, dzs, d. d., Amebis, d. o. o.) in s pritegnitvijo enega novega (Fakulteta za družbene vede Univerze v Ljubljani). Nadgradnja korpusa bo potekala na več nivojih: v količinski podvojitvi (na 200.000.000 besed), v vključitvi sestavine govornih in spletnih besedil ter v oblikovanju in uporabi dodatnih uravnoteževalnih meril. Vzporedno bo potekala gradnja orodij za avtomatsko pridobivanje besedil za korpus, za procesiranje korpusnih podatkov in njihovo analizo. Vsi rezultati bodo po poteku projekta javno dostopni v raziskovalne in pedagoške namene in s tega stališča odločilni premik v raziskovalni in jezikovnonačrtovalni infrastrukturi na področju humanistike, družboslovja in informacijskih ved.« Pri vseh treh projektih je bila vodilna institucija Filozofska fakulteta ul, ki je v tistem času zagotovila tudi prostor za delo skupine, ki je izdelala korpus Fidaplus. Skupino so sestavljali: Simon Krek (koordinator projekta), Špela Arhar (asistentka koordinatorja projekta), Jasna Hočevar, Urška Jarnovič in Amanda Saksida (zbiranje besedil). Za pre-tvorbo gradiva v končni format sta poskrbela Miro Romih iz podjetja Amebis ter Miha Arčan, programska oprema in jezikovna orodja pa so bila delo Petra Holozana in Mateja Pivca, prav tako iz podjetja Amebis. Po pripravljalni fazi se je intenzivno delo začelo na začetku leta 2005 in je trajalo do konca leta 2006, ko je bil tik pred novim letom v decembru korpus Fidaplus tudi uradno objavljen na spletni strani http://www.fidaplus.net/.51 V letu po objavi so začele izhajati tudi referenčne publikacije o korpusu, tako v slovenščini kot v angleščini (Arhar Holdt 2007; Arhar Holdt, Gorjanc 2007; Arhar Holdt, Gorjanc, Krek 2007; Arhar Holdt 2008; Tomišić, Stramljič Breznik 2008). Korpus Fidaplus je bil prosto dostopen za vse spletne uporabnike, pri uporabi nadgrajenega spletnega konkordančnika pa je pogodba med besedilodajalci in (so)financerji predvidevala spletno registracijo in verifikacijo uporabnikov. Prosti dostop je bil ob podpisu posebne, bolj zavezujoče pogodbe mogoč tudi do celotnega korpusa v tekstovni 138 52 Analizo je izdelal Tomaž obliki, kar so izkoristile nekatere večje institucije, ki dostopa do kor-Erjavec z Instituta Jožef Stefan pusa fida niso mogle dobiti – tak primer je bila denimo Univerza (Erjavec 2008). v Mariboru. Spletni konkordančnik korpusa Fidaplus je imel v letih 2006−2012 5.757 registriranih uporabnikov, ki so izvedli povprečno 300 iskanj na dan, torej skupaj več kot pol milijona, kar kaže, da je postal korpus Fidaplus razmeroma uveljavljen prosto dostopni jezikovni vir za iskanje informacij o sodobni slovenščini. 6.2.2 Taksonomija in število besed po letih Taksonomija kategorij, ki so bile zabeležene v kolofonu vsakega dokumenta, se med korpusoma fida in Fidaplus ni spreminjala, nadgradnja se je osredotočala na povečanje količine gradiva in uravnoteževanje korpusa, predvsem po žanrski plati. Taksonomija je torej vključevala vse tri kategorije iz korpusa fida – prenosnik, zvrst in lektorski poseg, pri čemer se zlasti v zadnji kategoriji sestava niti ni spreminjala, kategorija je bila zgolj ohranjena iz prejšnjega korpusa. Za potrebe nadgradnje korpusa Fidaplus v Gigafido je bila v letu 2008 izdelana natančna analiza sestave korpusa Fidaplus, katere podatke podajamo tudi v nadaljnjih tabelah in na Sliki 6.7.52 Analiza je upoštevala tudi nekatere lastnosti besedil, ki do tedaj niso bile natančno izmerjene, kot denimo izvorni jezik pri prevedenih knjigah ipd. Korpus Fidaplus je v celoti vseboval 621.149.475 pojavnic, ki so bile glede na leto izdaje besedila razporejene na naslednji način: Tabela 6.11: Število in delež besed po letih v Fidiplus. Leto Število besed Delež v % neznano 13.487.130 2,17 1980 201.556 0,03 1989 32.397 0,01 1990 27.914 0,00 1991 1.487.895 0,24 1992 2.256.692 0,36 1993 3.208.687 0,52 1994 7.534.689 1,21 1995 7.433.897 1,20 1996 16.913.916 2,72 1997 31.589.250 5,09 1998 43.512.041 7,01 1999 54.711.630 8,81 2000 57.677.534 9,29 2001 74.720.532 12,03 2002 72.802.484 11,72 2003 82.897.097 13,35 2004 67.040.614 10,79 139 2005 39.086.695 6,29 2006 44.526.825 7,17 SKUPAJ 621.149.475 100,00 Slika 6.7: Število besed po letih v Fidiplus. 90.000.000 80.000.000 70.000.000 60.000.000 50.000.000 40.000.000 30.000.000 20.000.000 10.000.000 0 N 9 3 4 7 1980 198 1990 1991 1992 199 199 1995 1996 199 1998 1999 2000 2001 2002 2003 2004 2005 2006 Korpus Fidaplus se je torej glede na izvorni korpus fida povečal za sedemkrat, glede na taksonomijo prenosnik pa je imel naslednjo sestavo (tabela za primerjavo vključuje tudi podatke o korpusu fida): Tabela 6.12: Taksonomija prenosnik: število besed v Fidiplus ter razmerje med deleži besed v Fidiplus in korpusu fida. Taksonomija prenosnik FidaPLUS: FidaPLUS: FIDA: Razlika število besed delež v % delež v % v % NI PODATKA 13.618 0,00 0,00 0,00 Ft.P.E − elektronski 7.682.895 1,24 0,02 1,22 Ft.P.G − govorni 2.370.626 0,38 1,97 −1,59 Ft.P.P − pisni 2.231.581 0,36 1,95 −1,59 Ft.P.P.N − neobjavljeno 721 0,00 0,00 0,00 Ft.P.P.N.I − interno 256.195 0,04 0,25 −0,21 Ft.P.P.N.J − javno 19.399 0,00 0,02 −0,02 Ft.P.P.N.Z − zasebno 54.979 0,01 0,05 −0,04 Ft.P.P.O − objavljeno 2.666.335 0,43 2,52 −2,09 Ft.P.P.O.K − knjižno 54.306.387 8,74 22,71 −13,97 Ft.P.P.O.P − periodično 1.705.272 0,27 0,00 0,27 Ft.P.P.O.P.C − časopisno 1.022 0,00 0,00 0,00 Ft.P.P.O.P.C.D − dnevno 286.919.748 46,19 32,67 13,52 Ft.P.P.O.P.C.T − tedensko 92.948.337 14,96 17,11 −2,15 Ft.P.P.O.P.C.V − večkrat tedensko 25.477.856 4,10 7,74 −3,64 140 Ft.P.P.O.P.R − revialno 4.696 0,00 0,00 0,00 Ft.P.P.O.P.R.D − redkeje kot na mesec 2.357.301 0,38 1,41 −1,03 Ft.P.P.O.P.R.M − mesečno 64.237.952 10,34 3,65 6,69 Ft.P.P.O.P.R.O − občasno 4.580.176 0,74 1,61 −0,87 Ft.P.P.O.P.R.S − štirinajstdnevno 10.966.644 1,77 0,12 1,65 Ft.P.P.O.P.R.T − tedensko 62.347.735 10,04 6,18 3,86 SKUPAJ 621.149.475 100,00 Kot kaže Tabela 6.12, so se notranja razmerja med korpusoma fida in Fidaplus glede na prenosnik najbolj spremenila pri razmerju med knjižnim in periodičnim prenosnikom, in sicer predvsem v prid dnevnemu časopisju (prim. isto težnjo pri Gigafidi v točki 1.7.1.1). Pri Fidiplus se je poleg tega znatno povečal delež mesečnih revij, kar kaže na uspešno zbiranje pri izdajateljih revijalnega tiska, tako me-sečnega kot tedenskega. Ob velikih količinah besedil iz periodike se je logično zmanjšal delež knjižnih publikacij, ki ne morejo prispevati enakovrednih količin besedil. V spodnji tabeli si je mogoče ogledati podobno primerjavo za kategorijo zvrst: Tabela 6.13: Taksonomija zvrst: število besed v Fidiplus ter razmerje med deleži besed v Fidiplus in korpusu fida. Taksonomija zvrst FidaPLUS: FidaPLUS: FIDA: Razlika število besed delež v % delež v % v % NI PODATKA 709.344 0,11 0,53 −0,42 Ft.Z.N − neumetnostna 368.208 0,06 0,06 0,00 Ft.Z.N.N − nestrokovna 536.314.007 86,34 75,14 11,20 Ft.Z.N.P − pravna 124.817 0,02 0,02 Ft.Z.N.S − strokovna 4.530.801 0,73 1,76 −1,03 Ft.Z.N.S.H − humanistična 19.331.249 3,11 10,57 −7,46 in družboslovna Ft.Z.N.S.N − naravoslovna in tehnična 38.202.106 6,15 6,04 0,11 Ft.Z.U − umetnostna 543.750 0,09 0,52 −0,43 Ft.Z.U.D − dramska 480.957 0,08 0,10 −0,02 Ft.Z.U.P − pesniška 366.215 0,06 0,17 −0,11 Ft.Z.U.R − prozna 20.178.021 3,25 5,12 −1,87 SKUPAJ 621.149.475 100,00 Pri korpusu Fidaplus je bila uvedena dodatna kategorija ft.z.n.p, s katero so bila označena pravna besedila. Razmerja med korpusoma so se najbolj izrazito spremenila pri kategoriji nestrokovno, v največji meri zaradi precejšnjega povečanja časopisnega in revijalnega gradiva, opazno pa se je zmanjšal še delež humanističnih in druž- boslovnih besedil – z 10,57 na 3,11 %, pri korpusu Fidaplus je bila namreč sprejeta odločitev, da so specializirana besedila, dostopna manjšemu krogu naslovnikov, manj zanimiva za referenčni korpus. 141 Kljub vsemu so razmerja glede na sedemkratno povečavo korpusa ostala približno enaka. 6.2.3 Besedilodajalci Število besedilodajalcev se je pri Fidiplus močno dvignilo, skupaj je vanjo besedila prispevalo 168 pravnih oseb, nekateri tudi večje število različnih publikacij, npr. Delo Revije, Mladinska knjiga itd. V spodnji tabeli je navedeno 20 besedilodajalcev, ki so v korpus Fidaplus prispevali največji delež besedil: Tabela 6.14: Največji besedilodajalci FidePLUS ter število in delež besed, ki so jih prispevali v korpus. Besedilodajalec Število besed Delež v % Dnevnik 154.232.755 24,83 Delo 123.195.524 19,83 Mladina 34.022.199 5,48 Večer 33.696.263 5,42 Dolenjski list 29.378.721 4,73 Gorenjski glas 22.281.469 3,59 Kmečki glas 19.060.574 3,07 Mladinska knjiga 17.423.901 2,81 Delo revije 9.843.765 1,58 Infomediji 9.376.357 1,51 DZS 9.127.660 1,47 Salomon 2000 9.068.290 1,46 Novi tednik 6.904.432 1,11 Tehniška založba Slovenije 6.384.919 1,03 Novice 5.806.130 0,93 Podjetje za informiranje 5.412.997 0,87 Neto 4.698.968 0,76 Motomedia 4.682.923 0,75 6.2.4 Format in metapodatki; konkordančnik Format korpusa in metapodatki so v korpusu Fidaplus ostali enaki kot pri korpusu fida, zato jih tu ne navajamo posebej. Razlika med korpusoma je bila predvsem ta, da se je v letih 1999−2006 opazno izboljšalo jezikoslovno označevanje in lematizacija korpusnih pojavnic – ta proces je bil v obeh primerih izveden z orodji, razvitimi v podjetju Amebis. Spletni Konkordančnik asp32, ki je bil uporabljen za brskanje po korpusu Fidaplus, je bil primarno razvit za leksikografske in ožje jezikoslovne potrebe, zato je bil za splošne, nespecializirane uporabnike 142 razmeroma zapleten za uporabo (prim. 5. pogl.). Na korpusovi spletni strani je bil sicer ves čas na voljo poljudno napisan priročnik za uporabo (Arhar Holdt 2007), pripravljen je bil poseben program Fidaplus Asistent, ki je poenostavil iskanje po tem korpusu (Tomišić, Stramljič Breznik 2009), za študente, ki so v svojih predmetnikih imeli spozna-vanje s korpusi, so izšle posebne vaje, npr. Gorjanc, Fišer 2010: 33−42, ipd. Kmalu po objavi korpusa se je v krogu njegovi sestavljalcev za- čelo razmišljati o nadgradnji Fideplus oz. predvsem spletnega konkordančnika, zlasti z vidika povečanja uporabniške prijaznosti (več gl. v 5. pogl.). Hkrati je postalo opazno dejstvo, da se je v času ob ali po objavi korpusa izjemno povečal obseg svetovnega spleta in njegova uporaba; postalo je jasno, da v korpusu manjka tudi obsežnejša spletna komponenta, z besedili, ki se pojavljajo samo na spletu, kot so zelo brani novičarski portali, predstavitvene spletne strani, pa tudi forumi, družabna omrežja in drugi interaktivni deli spleta, ki pred tem časom niso bili na voljo (več o tem gl. v 2. pogl.). 6.3 Zaključek Prestavili smo zgodovino gradnje korpusa, ki ima v svojem tretjem nadaljevanju ime Gigafida, v začetku, v obsegu 100 milijonov besed pa je bil pod imenom fida prvi referenčni korpus slovenskega jezika. Ponovili smo nekaj že znanih podatkov, predvsem pa smo osvetlili nekatera manj znana razmišljanja in odločitve ter izpostavili ključne akterje, zbrane ob korpusih fida in Fidaplus. Korpusnojezikoslovna zgodba, ki se je začela pred 15 leti, se je po Fidiplus nadaljevala leta 2008, ko so bile v okviru projekta ssj zagotovljene finančne možnosti za temeljito analizo narejenega in posledično nadgradnjo korpusa Fidaplus tako s stališča gradiva, uravnoteženosti, spletnega konkordančnika kot tudi jezikoslovnega označevanja − o čemer vse pričajo predhodna poglavja te knjige. 143 7 Povzetek V projektu Sporazumevanje v slovenskem jeziku (2008−2013; ssj) je bil eden od ciljev izgradnja referenčnega, enojezičnega in pisnega korpusa sodobne slovenščine. Nastal je korpus Gigafida z več kot milijardo besed, ki je nadgradnja dveh predhodnih korpusov: korpusa fida iz leta 2000 in korpusa Fidaplus iz leta 2006. Zbiranje besedil za novi korpus so usmerjala vnaprej premišljena merila in (glede na predhodna korpusa poenostavljena) do tretje podravnine členjena taksonomija: (a) tisk: (a1) knjižno (leposlovje in stvarna besedila), (a2) periodično (časopisi, revije), (a3) drugo; (b) internet. Pri oblikovanju taksonomije smo vnaprej opredelili okvirne deleže besed, ki smo jih želeli dobiti za vsako od kategorij. Zbiranje besedil je potekalo na podlagi več podatkov, iz katerih se je dalo okvirno sklepati o besedilni recepciji in produkciji ( Nacionalna raziskava branosti; nrb, izposoja v knjižnicah, obiskanost spletnih strani ipd.). Gigafida vsebuje skoraj vsa besedila iz korpusa fida in korpusa Fidaplus ter besedila, ki smo jih zbrali na novo, in sicer od januarja 2009 do maja 2010 (tisk) oz. od aprila 2010 do aprila 2011 (internet). Korpus vsebuje 1.187.002.502 besedi, od tega ima tisk 84,35-odstotni delež, internet pa 15,65-odstotni delež. Znotraj tiska so deleži glede na celotni korpus naslednji: knjige prinašajo 6,26 % besed (od tega leposlovje 2,02 %, stvarna besedila pa 4,24 %), iz periodike pa prihaja največji, tj. 77,42-odstotni delež (in sicer je iz časopisov 55,91 % besed, iz revij pa 21,51 % besed). Zelo majhen delež ima kategorija drugo (sestavljajo jo predvsem zapisi sej Državnega zbora Republike Slovenije ter podnapisi in postprodukcijska besedila z rtv Slovenija), in sicer je v njej glede na celotni korpus 0,67 % besed. Gigafida vsebuje besedila od leta 1990 do 2011; obseg besed v prvih šestih letih tega obdobja je zelo majhen, nato pa z izjemo dveh upadov (2004−2005, 2009) enakomerno narašča. Gigafida je označena s statističnim označevalnikom Obeliks ( http://www.slovenscina.eu/tehnologije/oznacevalnik/), ki je bil tako kot korpus izdelan v okviru projekta ssj. Označevalnik vključuje tri module, povezane v en program: tokenizator, ki deluje na podlagi pravil, ter statistična modula za lematizacijo in oblikoskladenjsko označevanje. Vključitev spletnih besedil v korpus je bila v metodološkem smislu prvi večji tak poskus pri nas. Razvili smo programsko opremo, spletnega pajka, ki je z vnaprej določenega seznama začetnih naslovov (10 strani novičarskih portalov, 29 predstavitvenih strani podjetij in 62 predstavitvenih strani državnih, pedagoških, raziskovalnih, kulturnih ipd. ustanov) dnevno, mesečno ali enkratno (odvisno od dinamičnosti spletnega mesta) zbiral tekstovne dokumente. Za odstranjevanje 144 spremnih in vnaprej pripravljenih besedil smo izbrali algoritem, ki temelji na plitvih tekstovnih značilkah, ki so jezikovno neodvisne, nato pa uporabili detektor jezika, ki temelji na črkovnih zaporedjih. Ker so zajeta besedila vsebovala veliko dvojnikov in približnih dvojnikov, ki so pri korpusih, katerih osnovni namen so pogostostne in konkordančne analize, nezaželeni, smo cevovod za zajem spletnih vsebin v zadnji fazi prilagodili tako, da smo vsak tekstovni segment po enostavni normalizaciji pretvorili v razpršilno kodo s postopkom md5, pri čemer se kode segmentov hranijo v razpršilni tabeli, kar omogoča preverbo, ali je nek segment že zapisan v korpusu ali ne. V zadnji fazi je bila tako iz nabora izločena več kot polovica tekstovnih segmentov, vseh besed z interneta pa je v Gigafidi skupaj 185.758.467. Korpus Gigafida je zapisan v naboru znakov Unikod v kodiranju utf-8, označen je z jezikom xml in sledi najnovejšim priporočilom za označevanje tei p5. Besedilne oznake, uporabljene pri Gigafidi, so iz specifikacije multext-East različice 4.0. Naredili smo parametrizacijo tei, na osnovi katere je mogoče prek vmesnika Roma narediti shemo xml, ki je neposredno uporabna za validacijo dokumentov v Gigafidi, kolofoni tei vseh datotek korpusa, podani tako v zapisu xml kot v izvedenem zapisu html, pa so dostopni na strani http://nl.ijs.si/ssj/. V več kot milijardo besed obsegajoči korpus Gigafida smo dali vsa besedila, ki smo jih dobili na novo (ter – kot že omenjeno – besedila iz predhodnih korpusov fida in Fidaplus), bolj uravnotežena razmerja med zvrstmi besedil pa smo že predhodno načrtovali in jih tudi uresničili v 100-milijonskem korpusu kres. Dodatno smo izdelali še dva podkorpusa, ki sta po licenci Creative Commons »priznanje avtorstva« + »nekomercialno« dostopna kot baza podatkov: prvi (ccGigafida) vsebuje 9 % Gigafide, drugi (ccKres) pa 9 % kres-a. kres vsebuje 80 % besed iz tiskanih besedil in 20 % besed iz spletnih besedil. Pri prvem ima knjižno glede na celotni korpus 35-odstotni delež (od tega 17 % leposlovje, 18 % stvarna besedila), periodično 40-odstotni delež (od tega 20 % časopisi in 20 % revije), kategorija drugo pa 5-odstotni delež. Pri spletnih besedilih prihaja 8 % besed z novičarskih portalov, 12 % pa s predstavitvenih strani podjetij in ustanov. Enota vzorčenja ni bilo posamezno besedilo, pač pa odstavek, s čimer smo dobili boljšo zastopanost posameznih del. Pri izboru besedil za kres smo se ravnali po naslednjih merilih: da bi ohranili Gigafidino besedilno in avtorsko pestrost ter hkrati dosegli načrtovani obseg, smo iz celotnega leposlovja vzeli 70,92 % besed vsakega dokumenta, iz vseh stvarnih besedil pa 35,73 % besed vsakega dokumenta. Izhodišče za izbor časopisov in revij so bili podatki iz nrb 2010. Izmed naslovov, ki so na tej lestvici, je v Gigafido vključenih 19 časopisov in 54 revij. Obseg vsakega časopisa in revije, ki smo ga vklju- čili v kres, smo določili glede na delež v vrednosti nrb 2010, nato pa smo celotni obseg enakomerno razdelili po letnikih. Iz kategorije 145 drugo smo v kres vključili 95,88-odstotni delež zapisov sej Državnega zbora Republike Slovenije in enak delež besedil rtv Slovenija, kar je iz prvega vira v kres prineslo skoraj 3,5 milijonov besed, iz drugega vira pa nekaj več kot 1,5 milijona besed. Izmed spletnih besedil smo v kres vključili besedila s treh najbolj obiskanih novičarskih portalov: 24ur.com, siol.net in rtvslo.si, ter 90 predstavitvenih spletnih strani podjetih in ustanov − pri teh v razmerju: 12,5 % iz dokumentov, ki smo jih dobili na spletnih straneh podjetij, in 87,5 % iz dokumentov, ki smo jih dobili na spletnih straneh ustanov. Končno število besed v kres-u je 99.831.145. V okviru projekta ssj je bila posebna pozornost namenjena preno-vi konkordančnika in vmesnika: želeli smo narediti korpusno orodje, ki bi omogočalo enostaven dostop do korpusnih podatkov nespeciali-ziranim uporabnikom. Nastal je Konkordančnik ssj, zmogljiv in hiter program za iskanje konkordanc, kolokatorjev in besed z enakimi deli, ter nov, uporabniku prijazen vmesnik Gigafida. Pri tem smo izhajali iz podatkov uporabniške evalvacije korpusa Fidaplus, s katero smo med drugim ugotovili, da so pretežni uporabniki Fideplus tisti, ki se poklicno ali študijsko ukvarjajo z jezikom, za ugotavljanje jezikovne rabe uporabljajo tudi spletne brskalnike in so se dela s korpusom naučili sami. Pomembna je bila tudi ugotovitev, da so uporabniki precej ne-seznanjeni z možnostmi konkordančnika, v katerem deluje Fidaplus, kar je pri funkcijah, ki so pogoj za ustrezno pridobivanje podatkov iz korpusa, problematično, saj lahko vodi v neustrezno interpretacijo rezultatov iskanj. V novem konkordančniku je zato – z vidika uporabnika – več poenostavitev: registracije ni, iskalno okence je na izhodiščni spletni strani, vmesniška navigacija upošteva izkušnje s pogosto rabljenimi brskalniki, iskalni pogoj se lematizira avtomatsko, napredno iskanje deluje s spustnimi seznami, seznam kolokatorjev izdelamo s pomočjo klikov na grafični prikaz itd. Kot je bilo že pojasnjeno, je Gigafida nadgradnja korpusov fida in Fidaplus. Razmišljanje o referenčnem korpusu slovenščine, ki so ga njegovi izdelovalci pozneje poimenovali fida, sega v leto 1995, ko se je na založbi dzs organiziralo delo na takrat novem angleško-slovenskem slovarju. V zadnjem poglavju knjige tako osvetljujemo nekatere manj znane podatke o gradnji tega korpusa in njegovega nasledni-ka Fideplus, njuni sestavi po taksonomiji ter letih, besedilodajalcih, formatu, kolofonu in označenosti, pa tudi ključnih ustanovah ter po-sameznikih, ki so pripomogli, da je z najnovejšo Gigafido slovensko korpusno jezikoslovje skupaj z vzporedno nastalimi jezikovnimi tehnologijami konkurenčno dogajanju na tem področju v svetu. 146 8 Summary One of the aims of the Communication in Slovene project (2008-2013) was the compilation of a reference corpus of written Slovene. The outcome was the Gigafida korpus, containing over 1 billion words, which is an upgrade of two earlier corpora of Slovene: the fida corpus (2000) and the Fidaplus corpus (2006). The collection of texts for the new corpus was conducted according to carefully designed guidelines and three-level taxonomy (simplified in comparison with the two earlier corpora): (a) printed texts: (a1) books (fiction and non-fiction), (a2) periodicals (newspapers, magazines), (a3) other; (b) internet texts. Part of designing the taxonomy was specifying rough percentages of words that we wanted to obtain for each category. Texts were collected on the basis of several different pieces of information, which offered an insight into text reception and production (National reading survey; nrb, library lending figures, popularity of websites etc.). Gigafida contains almost all the texts from the fida and Fidaplus corpora, as well as newly obtained texts, which were collected be-tween January 2009 and May 2010 (printed texts) or April 2010 and April 2011 (Internet). The corpus contains 1,187,002,502 words, with printed texts representing 84.35% and internet texts 15.65%. Of the total words coming from printed texts, 6.26% are books (2.02% fiction and 4.24% non-fiction) and 77.42% periodicals (55.91% newspapers and 21.51% magazines). The category ‘other’ has a very small share, namely 0.67% of total words, and mainly includes transcriptions from parliamentary debates, and subtitles and postproduction texts from Radio-Television Slovenia). The texts in the corpus were created be-tween 1990 and 2011; the number of words for each of the first six years is very low, but then it is steadily rising with each year (with the exception of two declines, in 2004-2005 and in 2009). Gigafida has been annotated with the statistical tagger Obeliks ( http://www.slovenscina.eu/tehnologije/oznacevalnik/), which has also been designed within the Communication in Slovene project. The tagger includes three modules, joined into a single program: rule-based tokenizer, and statistical modules for lemmatization and pos-tagging. The inclusion of internet texts was methodologically one of the first such attempts on a larger scale in Slovenia. We have developed a piece of software, a web crawler, that downloaded daily, monthly or one time only (depending on the dinamic nature of the website) text documents from a specified list of websites (11 news portals, 28 company websites, and 62 websites of national, educational, research, cultural and other institutions). In order to exclude accompanying material and texts prepared in advance (boilerplate removal), we 147 chose an algorithm based on shallow text features, which were language independent. Then, we used a language detector based on letter sequences. Because the collected texts contained many duplicates and near-duplicates, which are not desired in corpora, especially the ones designed for frequency and concordance-based analyses, we ad-justed the final stages of the collection procedure. Consequently, each textual segment was normalized and converted in hash code, using md5 procedure, in which the segment codes are saved in a hash table, making possible to check whether a particular segment is already in the corpus or not. In this last stage, more than half of the textual segments were removed from the collection. In total, the internet texts represent 185,758,467 words in the Gigafida corpus. The Gigafida corpus is available in the Unicode utf-8 encoding, and is encoded in xml markup, according to the latest tei p5 recom-mendations. Textual annotations used in Gigafida have been taken from the multext-East 4.0 specifications. We have designed a parametrization of tei, which can be used, through the Roma interface, to develop an xml schema for validating Gigafida documents. tei imprints of all corpus files, available in both xml and original html format, are available at http://nl.ijs.si/ssj/. All the collected texts were put in the Gigafida corpus (in addition to the texts from the fida corpus and the Fidaplus corpus), however a more balanced distribution of genres has been planned and realized in a 100-million-word corpus called kres. In addition, we built two subcorpora that are available under Creative Commons licence (“Attribution-NonCommercial-ShareAlike”): the first subcorpus (ccGigafida) contains 9% of Gigafida, the second one (ccKres) 9% of kres. 80% of the words in kres are from printed texts, and 20% of words are from internet texts. Books represent 35% of the total words (17% fiction and 18% non-fiction), periodicals 40% (20% newspapers and 20% magazines), while the category ‘other’ has a 5% share. 8% of the total words, which are from the internet texts, are from news portals, and 12% from the websites of companies and institutions. The sampling unit was not text, but paragraph, which ensured a better representativeness of individual works. The selection of texts for the kres corpus was conducted according to the following criteria: in order to maintain Gigafida’s variety in terms of texts and authors, and to achieve the desired size at the same time, we took 70.92% of words from every fiction document, and 35.73% of words from every non-fiction document. The criterion for the selection of newspapers and magazines was the data from the nrb 2010. Out of all the titles on the list, 19 newspapers and 54 magazines were included in Gigafida. The share of each newspaper and magazine included in kres was de-termined according to its share on the nrb 2010 list, and then the entire share was evenly distributed by year. From the category ‘other’, 148 95.88% of parliamentary transcripts, and the identical percentage of texts from Radio-Television Slovenia, were included in kres, which in total meant 3,5 million words and 1,5 million words respectively. As far as internet texts are concerned, the texts included in kres came from the three most popular news portals (87.5% of words), namely 24ur.com, siol.net and rtvslo.si, and 90 websites of different companies and institutions (12.5% of words). The total number of words in kres is 99,831,145. One of the activities on the Communication in Sloven e project was the improvement of the concordancer and its interface: we wanted to design a corpus tool that would enable easy access to corpus data to lay users. The outcome was the ssj concordancer, a powerful and quick program for searching concordances, collocates, and words with common morphemes. In addition, we developed a new, user-fri-endly interface for accessing the Gigafida corpus. The basis for the interface development were the findings from the Fidaplus user survey, which among other things showed that Fidaplus was mainly used by language professionals or language students who also used web browser to explore language use and were self-taught in corpus use. Another important finding was that the users were not very familiar with the functionality of the Fidaplus concordancer, which can be problematic at functions intended for the extraction of corpus data, as it may lead to the incorrect interpretation of search results. From the user perspective, the new concordancer has been simplified in many different ways: there is no registration, search window is available on the homepage, interface navigation follows the principles used by common web browsers, query is automatically lemmatized, advanced search uses drop-down menus, list of collocations is created by clicking on visual prompts, etc. The Gigafida corpus is an upgrade of the fida corpus and the Fidaplus corpus. The idea of a reference corpus of Slovene, which was later named fida, originated in 1995, when the preparations for a new English-Slovene dictionary started at the dzs publishing house. The last chapter thus reveals some less known information on the bu-ilding of the fida corpus and its successor, the Fidaplus corpus. This includes the information on the taxonomy and distribution of texts per year of publication, text providers, text format, imprints and annotation of the two corpora. In addition, we mention key institutions and individuals that have helped create Gigafida and thus made Slovene corpus linguistics, in combination with language technologi-es, comparable to other developments around the world in this field. 149 9 Literatura Literatura s spletnih strani: zadnji dostop 30. junij 2012. Arhar Holdt, Š. (2004): Gradnja specializiranega korpusa: Diplomsko delo. Ljubljana: Filozofska fakulteta. Arhar Holdt, Š. (2007): Kaj početi z referenčnim korpusom Fidaplus. Ljubljana: Filozofska fakulteta (elektronski vir). Dostopno prek: http://www.fidaplus.net. Arhar Holdt, Š. (2008): Fidaplus: the upgrade of the Slovene reference corpus. V Jesenšek, V., Lipavic Oštir, A. (ur.): Wörterbuch und Übersetzung (Germanistische Linguistik, 195/196 ). Hildesheim, Zürich, New York: Georg Olms. 286−300. Arhar Holdt, Š. (2009a): Učni korpus ssj in leksikon besednih oblik za slovenščino. Jezik in slovstvo 54/3–4. 43–56. Arhar Holdt, Š. (2009b): Uporabniška evalvacija korpusa Fidaplus: zasnova vprašalnika, prvi rezultati. V Stabej, M. (ur.): Infrastruktura slovenščine in slovenistike (Obdobja 28). Ljubljana: Znanstvena založba Filozofske fakultete. 19–26. Arhar Holdt, Š. (2010): Poročilo o evalvaciji korpusa Fidaplus: Analiza odgovorov na anketni vprašalnik. Dostopno prek: http://www.slovenscina.eu/Media/Kazalniki/Kazalnik11/Evalvacija_FidaPLUS.pdf. Arhar Holdt, Š. (2011): Avtomatsko pridobivanje besednih zvez iz korpusa z uporabo leksikona ssj. V Kranjc, S. (ur.): Meddisciplinarnost v slovenistiki (Obdobja 30). Ljubljana: Znanstvena založba Filozofske fakultete. 13–20. Arhar Holdt, Š., in Gorjanc, V. (2007): Korpus FidaPLUS: nova generacija slovenskega referenčnega korpusa. Jezik in slovstvo 52/2. 95–110. Arhar Holdt, Š., Gorjanc, V., in Krek, S. (2007): Fidaplus Corpus of Slovenian: the New Generation of the Slovenian Reference Corpus: its Design and Tools. V Davies, M. (ur.): Proceedings of the Corpus Linguistics Conference, CL2007, University of Birmingham. Birmingham: elektronski vir. Atkins, S., Clear, J., in Ostler, N. (1992): Corpus Design Criteria. Literary and Linguistic Computing 7/1. 1–16. Baroni, M., in Bernardini, S. (2004): BootCaT: Bootstrapping Corpora and Terms from the Web. Proceedings of lrec 2004. Biber, D., Conrad, S., in Reppen, R. (1998): Corpus Linguistics: Investigating Language Structure and Use. Cambridge: Cambridge University Press. Brečko, B. N. (2010): Spletna obiskanost 2010. Dostopno prek: http://www.ris.org/db/13/11408/RIS_poročila/ Spletna_obiskanost_2010/?&p1=276&p2=285&p3=1318. Broder, A. Z., in dr. (1997): Syntactic Clustering of the Web. Computer Networks and isdn Systems 29. 8–13. Cai, D., in dr. (2003): Extracting Content Structure for Web Pages Based on Visual Representation. Proceedings of the 5th Asia Pacific Web Conference. Cavnar, W. B., in Trenkle, J. M. (1994): N-Gram-Based Text Categorization. Proceedings of sdair-94, 3rd Annual Symposium on Document Analysis and Information Retrieval. 161–175. CC BY-NC 2.5: Creative Commons: »priznanje avtorstva« – »nekomercialno« 2.5. Dostopno prek: http:// creativecommons.org/licenses/by-nc/2.5/si/legalcode. Charikar, M. (2002): Similarity Estimation Techniques from Rounding Algorithms. Proceedings of stoc 2002. Cowie, J., Ludovic, Y., in Zacharski, R. (1999): Language Recognition for Mono-and Multi-lingual Documents. Proceedings of Vextal Conference. Venice. Červ, G. (2009): Žanrski korpus novinarskih besedil. V Stabej, M. (ur.): Infrastruktura slovenščine in slovenistike (Obdobja 28). Ljubljana: Znanstvena založba Filozofske fakultete. 89−96. Delo ft (25. 5. 2009). Erjavec, T. (1998): Oznake korpusa fida. V Štrukelj, I. (ur.): Jezik za danes in jutri: zbornik referatov na II. kongresu. Ljubljana: Društvo za uporabno jezikoslovje Slovenije; Inštitut za narodnostna vprašanja. 85–95. Erjavec, T. (2003): Označevanje korpusov. Jezik in slovstvo 48/3–4. 61–76. Erjavec, T. (2004): multext-East Version 3: Multilingual Morphosyntactic Specifications, Lexicons and Corpora. Proceedings of the Fourth Intl. Conf. on Language Resources and Evaluation, lrec'04. Pariz. Erjavec, T. (2008): Analiza metapodatkov korpusa Fidaplus. Interno gradivo. Erjavec, T. (2009): Odprtost jezikovnih virov za slovenščino. V Stabej, M. (ur.): Infrastruktura slovenščine in slovenistike (Obdobja 28). Ljubljana: Znanstvena založba Filozofske fakultete. 115–121. 150 Erjavec, T. (2010a): Text Encoding Initiative Guidelines and Their Localisation. Infoteka 11/1. 3a–14a. Erjavec, T. (2010b): multext-East Version 4: Multilingual Morphosyntactic Specifications, Lexicons and Corpora. V lrec 2010, 7th International Conference on Language Resources and Evaluations: Proceedings. Malta. 2544–2547. Erjavec, T., Gorjanc, V., in Stabej, M. (1998): Korpus FIDA. Jezikovne tehnologije za slovenski jezik/ Mednarodna multikonferenca Informacijska družba – IS'98. Ljubljana: Institut Jožef Stefan. 124–127. Erjavec, T., in Krek, S. (2008): Oblikoskladenjske specifikacije in označeni korpusi jos. V Erjavec, T., Žganec Gros, J. (ur.): Zbornik šeste konference Jezikovne tehnologije. Ljubljana: Institut Jožef Stefan. 49–53. Erjavec, T., in Logar Berginc, N. (2012): Referenčni korpusi slovenskega jezika (cc)Gigafida in (cc)kres. V Erjavec, T., Žganec Gros, J. (ur.): Zbornik osme konference Jezikovne tehnologije. Ljubljana: Institut Jožef Stefan. (V tisku.) Evert, S. (2008): A Lightweight and Efficient Tool for Cleaning Web Pages. Proceedings of the Sixth International Language Resources and Evaluation (lrec’08). Marrakech: European Language Resources Association (elra). Ficko, M. (2010): Primerjava tiskane in spletne izdaje medija: Diplomsko delo. Ljubljana: Fakulteta za družbene vede. Gantar, P. (2007): Stalne besedne zveze v slovenščini: korpusni pristop. Ljubljana: Založba zrc, zrc sazu. Gantar, P. (2008): (Slovenska) leksika med leksikonom in slovnico. Jezik in slovstvo 53/5. 19–35. Gantar, P. (2009): Leksikalna baza: vse, kar ste vedno želeli vedeti o jeziku. Jezik in slovstvo 54/3–4. 69–94. Gantar, P. (2010): K uporabniku usmerjeni slovnično-leksikalni opisi slovenskega jezika. V Gorjanc, V., Žele, A. (ur.): Izzivi sodobnega jezikoslovja. Ljubljana: Znanstvena založba Filozofske fakultete. 35−51. Gantar, P. (2011): Leksikalna baza za slovenščino: komu, zakaj in kako (naprej)?. Jezikoslovni zapiski 17/2. 77−92. Gantar, P., in Krek, S. (2009): Drugačen pogled na slovarske definicije: opisati, pojasniti, razložiti?. V Stabej, M. (ur.): Infrastruktura slovenščine in slovenistike (Obdobja 28). Ljubljana: Znanstvena založba Filozofske fakultete. 151–159. Gantar, P., in Krek, S. (2011): Slovene lexical database. V Majchráková, D., Garabík, R. (ur.): Natural Language Processing, Multilinguality: Sixth International Conference: Proceedings. Brno: Tribun eu. 72−80. Gibson, J., Wellner, B., in Lubar, S. (2007). Adaptive Web-page Content Identification. Proceedings of the 9th Annual acm International Workshop on Web Information and Data Management, widm '07. New York. Gorjanc, V. (1999a): Korpusi v jezikoslovju in korpus slovenskega jezika fida. V Kržišnik, E. (ur.): 35. seminar slovenskega jezika, literature in kulture. Ljubljana: Center za slovenščino kot drugi/tuji jezik pri Oddelku za slovanske jezike in književnosti Filozofske fakultete. 47–59. Gorjanc, V. (1999b): Kaj in kako v korpus fida. Razgledi 13. 7–8. Gorjanc, V. (2000): Nekatere možnosti jezikoslovne izrabe enojezikovnih korpusov. V Orel, I. (ur.): 36. seminar slovenskega jezika, literature in kulture. Ljubljana: Center za slovenščino kot drugi/tuji jezik pri Oddelku za slovanske jezike in književnosti Filozofske fakultete. 335–348. Gorjanc, V. (2002): Jezikoslovna načela gradnje računalniških besedilnih zbirk strokovnih jezikov: Doktorska disertacija. Ljubljana: Filozofska fakulteta. Gorjanc, V. (2005): Uvod v korpusno jezikoslovje. Domžale: Založba Izolit. Gorjanc, V., in Fišer, D. (2010): Korpusna analiza. Ljubljana: Znanstvena založba Filozofske fakultete. Gorjanc, V., in Krek, S. (2001): A Corpus-based Dictionary Database as the Source for Compiling Slovene-X Dictionaries. V 6th Conference on Computational Lexicography and Corpus Research »Computational Lexicography and New EU Languages«, Birmingham. Birmingham: Centre for Corpus Linguistics, Department of English, University of Birmingham. 41−47. Gorjanc, V., Krek, S., in Gantar, P. (2005): Slovenska leksikalna podatkovna zbirka. Jezik in slovstvo 50/2. 3−19. Gorjanc, V., in Šulc, M. (2000): Korpus slovinského jazyka fida. Slovo a slovesnost 61/4. 313–316. Gorjanc, V., in Vintar, Š. (2000): Iskanja po Korpusu slovenskega jezika fida. V Bavec, C. in dr. (ur.): Informacijska družba is'2000. Ljubljana: Institut Jožef Stefan. 20–26. Grefenstette, G. (1995): Comparing Two Language Identification Schemes. Proceedings of jadt-95, 3rd International Conference on the Statistical Analysis of Textual Data. Rim. Ingle, N. C. (1976): A Language Identification Table. The Incorporated Linguist 15/4. 98–101. Kalin Golob, M. (2003): H koreninam slovenskega poročevalnega stila. Ljubljana: Jutro. Kennedy, G. (1999): An Introduction to Corpus Linguistics. London, New York: Longman. 151 Kohlschütter, C., Fankhauser, P., in Nejdl, W. (2010): Boilerplate Detection using Shallow Text Features. Proceedings of the Third acm International Conference on Web Search and Data Mining, wsdm 2010. New York. Korošec, T. (1976): Poglavja iz strukturne analize slovenskega časopisnega stila: Doktorska disertacija. Ljubljana: Filozofska fakulteta. Kosem, I., Husak, M., in McCarthy, D. (2011): gdex for Slovene. V Kosem, I., Kosem, K. (ur.): Electronic Lexicography in the 21st Century: New Applications for New Users: Proceedings of eLex 2011. Ljubljana: Trojina, zavod za uporabno slovenistiko. 150−159. Kosem, I., in Može, S. (2011): Rešitve slovničnih zagat na dosegu miške: analiza napak v besedilih učencev in dijakov za potrebe elektronskega slovničnega vira. V Kranjc, S. (ur.): Meddisciplinarnost v slovenistiki (Obdobja 30). Ljubljana: Znanstvena založba Filozofske fakultete. 249–257. Krek, S. (1999a): Računalniški korpusi v slovaropisju. Razgledi 13. 8–9. Krek, S. (1999b): Zakladnica stotih milijonov besed: pogovor s Simonom Krekom o novostih v slovenskem slovaropisju (pogovarjala se je Sandra Baumgartner). Delo 41/173 (29. julij). 57. Krek, S. in Arhar Holdt, Š. (2010): Slovenski besedilni korpusi: kako v razred?. Sodobna pedagogika 61/1. 224–241. Leech, G. (1991): The state of the art in corpus linguistics. V Aijmer, K., Altenberg, B. (ur.): English Corpus Linguistics. London, New York: Longman. Logar Berginc, N. (2007): Korpusni pristop k pridobivanju in predstavitvi jezikovnih podatkov v terminoloških slovarjih in terminoloških podatkovnih zbirkah: Doktorska disertacija. Ljubljana: Filozofska fakulteta. Logar Berginc, N., in Šuster, S. (2009): Gradnja novega korpusa slovenščine. Jezik in slovstvo 54/3–4. 57–68. Manku, G. S., Jain, A., in Sarma, A. D. (2007): Detecting Near-Duplicates for Web Crawling. Proceedings of www 2007. Manning, C. D., in Schütze, H. (2003): Foundations of Statistical Natural Language Processing. Cambridge, Massachusetts: mit Press. McEnery, T., Xiao, R., in Tono,Y. (2006): Corpus-based Language Studies: An Advanced Resource Book. London in New York: Routledge. Pasternack, J., in Roth, D. (2009): Extracting Article Text from the Web with Maximum Subsequence Segmentation. Proceedings of www 2009. Przepiórkowski, A., in dr. (2010): Recent Developments in the National Corpus of Polish. Varšava: Slavicorp Conference Presentations. Rayson, P., in Garside, R. (2000): Comparing Corpora using Frequency Profiling. Proceedings of the acl Workshop on Comparing Corpora. Hong Kong. 1–6. Romih, M. (1998): Direktorijska struktura korpusa fida. Uporabno jezikoslovje 6. 79–84. Rozman, T., in Krapš Vodopivec, I. (2010): Nova didaktika in korpus usvajanja slovenščine: predavanje na letnem posvetovanju »Korpusi, več kot le statistika« v okviru projekta »Sporazumevanje v slovenskem jeziku«, Fakulteta za družbene ved. Dostopno prek: http://videolectures.net/ korpusi2010_rozman_kraps_vodopivec_ndk/. Sharoff, S. (2006): Creating General-purpose Corpora Using Automated Search Engine Queries. V Baroni, M., Bernardini, S. (ur.): Wacky! Working Papers on the Web as Corpus. Bologna: gedit. Sinclair, J., ur. (2004): How to Use Corpora in Language Teaching. Amsterdam/Philadelphia: John Benjamins Publishing Company. Smolej, M. (2004): Členki kot besedilni povezovalci. Jezik in slovstvo 49/5. 45–57. Souter, C., in dr. (1994): Natural Language Identification Using Corpus-Based Models. Hermes Journal of Linguistics. 183–203. Spousta, M., Marek, M., in Pecina, P. (2008): Victor: the Web-Page Cleaning Tool. Proceedings of the 4th Web as Corpus Workshop (WAC4), lrec 2008. Marrakech. Stabej, M. (1998): Besedilnovrstna sestava korpusa fida. Uporabno jezikoslovje 6. 96–106. Stabej, M. (1999): Storiti nekaj za slovenski jezik. Razgledi 13. 6–7. Standard za redno zbiranje pisnega gradiva za referenčni korpus: Kazalnik 1. Dostopno prek: http://www. projekt.slovenscina.eu. Steinberger, R., in dr. (2006): The jrc-Acquis: A Multilingual Aligned Parallel Corpus With 20+ Languages. Proceedings of the 5th International Conference on Language Resources and Evaluation (lrec'06). Genoa. 24–26. Summers, D. (1991): Longman/Lancaster English Language Corpus: Criteria and Design. Harlow: Longman. tei Consortium, ur. (2011): tei P5: Guidelines for Electronic Text Encoding and Interchange: Version 1.9.1. tei Consortium. Dostopno prek: http://www.tei-c.org/Guidelines/P5/. [Zadnja sprememba 5. 3. 2011.] Theobald, M., Siddharth, J., in Paepcke, A. (2008): SpotSigs: Robust and Efficient Near Duplicate Detection in Large Web Collections. Proceedings of the 31st acm sigir Conference on Research and Development in Information Retrieval. Singapur. 152 The Unicode Consortium, ur. (2011): The Unicode Standard: Version 6.0.0. Mountain View, ca: The Unicode Consortium. Dostopno prek: http://www.unicode.org/versions/Unicode6.0.0/. Tomišić, M., in Stramljič Breznik, I. (2009): Fidaplus Asistent – računalniški program za lažje in hitrejše sestavljanje iskalnih pogojev v referenčnem korpusu Fidaplus. V Mikolič, V. (ur.): Jezikovni korpusi v medkulturni komunikaciji. Koper: Univerza na Primorskem, Znanstveno-raziskovalno središče, Založba Annales; Zgodovinsko društvo za južno Primorsko. 53–64. Toporišič, J. (1991): Slovenska slovnica. Maribor: Založba Obzorja. Vehovar, V., in Brečko, B. N. (2007): RIS 2007: Uporaba interneta. Ljubljana: Center za metodologijo in informatiko, Fakulteta za družbene vede. Dostopno prek: http://uploadi.www.ris.org/ editor/1229017546Uporaba%20interneta_2007.pdf. Verdonik, D., in dr. (2010): Konkordančnik za govorni korpus gos. V Erjavec, T., in Žganec Gros, J. (ur.): Zbornik sedme konference Jezikovne tehnologije; Zbornik 13. mednarodne multikonference Informacijska družba – IS 2010, zvezek C. Ljubljana: Institut Jožef Stefan. 12–15. Verdonik, D., in Zwitter Vitez, A. (2011): Slovenski govorni korpus Gos. Ljubljana: Trojina, zavod za uporabno slovenistiko. Weiss, P. (2009): Slovensko pravopisje in korpusi. V Stabej, M. (ur.): Infrastruktura slovenščine in slovenistike (Obdobja 28). Ljubljana: Znanstvena založba Filozofske fakultete. 409–412. Vintar, Š. (1999): Zlato tistemu, ki ga koplje in obdeluje. Razgledi 13. 8−9. World Wide Web Consortium, ur. (2008): Extensible Markup Language (xml). w3c. Dostopno prek: http://www.w3.org/TR/REC-xml/. Zemljarič Miklavčič, J., in dr. (2009): Kaj in zakaj v referenčni govorni korpus slovenščine. V Stabej, M. (ur.): Infrastruktura slovenščine in slovenistike (Obdobja 28). Ljubljana: Znanstvena založba Filozofske fakultete. 423–428. Zorko, A. (23. 1. 2009): Nacionalna raziskava branosti 2008: Predstavitev valutnih podatkov. Ljubljana. Dostopno prek: http://www.ris.org/db/27/10387/Raziskave/Slovenci_raje_iščemo_po_spletu_kot_pa_ber emo_/?&cat=699&p1=276&p2=285&p3=1318&p4=1364&id=1364&cat=699. Zwitter Vitez, A. (2011): Korpus gos in njegova uporaba v raziskovalne, didaktične in ljubiteljske namene. V Kranjc, S. (ur.): Meddisciplinarnost v slovenistiki (Obdobja 30). Ljubljana: Znanstvena založba Filozofske fakultete. 559–564. Zwitter Vitez, A., in Krapš Vodopivec, I. (2011): Korpus govorjene slovenščine (gos) za kakovostno in prijazno učno uro. V Bačnik, A., in dr. (ur.): Zbornik. Ljubljana: Miška. 309–314. Železnikar, J. (1998): fida – pogoste napake pri vnosu in obdelavi besedil ter njihovo odpravljanje. Uporabno jezikoslovje 6. 107–111. 153 Spletne strani Vse zadnji dostop 30. junij 2012. ajpes: http://www.ajpes.si/. Alexa: http://www.alexa.com/. Boilerpipe: http://code.google.com/p/boilerpipe/. Boilerplate Detection Using Shallow Text Features: http://www.l3s.de/~kohlschuetter/boilerplate/. Bolgarski Korpus pisnih besedil, Korpus tiskanih izdaj 1945–2009: http://www.ibl.bas.bg/en/ BGNC_en.htm. Britanski nacionalni korpus (bnc): http://www.natcorp.ox.ac.uk/. Cobiss: http://www.cobiss.si/. Creative Commons: http://creativecommons.org/. Češki nacionalni korpus – syn2010: http://ucnk.ff.cuni.cz/english/syn2010.php. Digitalni slovar nemškega jezika 20. stoletja (dwds) – Kerncorpus: http://www.dwds.de/resource/ kerncorpus/.Določitve oblikoslovnih oznak multext-East / fida: http://nl.ijs.si/fida/tag/msd-sl/ msd-sl/. Društvo slovenskih pisateljev: http://www.drustvo-dsp.si/. dtd korpusa fida: http://nl.ijs.si/fida/sgml/. Finance: http://www.finance.si/. Gigafida: http://demo.gigafida.net/, http://www.gigafida.net/. HarvestMan: http://code.google.com/p/harvestman-crawler/. Hrvaški nacionalni korpus: http://hnk.ffzg.hr/. httrack: http://www.httrack.com/. jos: Jezikoslovno označevanje slovenskega jezika: http://nl.ijs.si/jos/. Korpus govorjene slovenščine gos: http://www.korpus-gos.net/. Korpus slovenskega jezika Fidaplus: http://www.fidaplus.net/. kres: http://korpus-kres.net/. LemmaGen: http://lemmatise.ijs.si/Software/. Madžarski nacionalni korpus: http://corpus.nytud.hu/mnsz/index_eng.html. md5: http://en.wikipedia.org/wiki/MD5. Merjenje obiskanosti spletnih strani (moss): http://www.soz.si/projekti_soz/ moss_merjenje_obiskanosti_spletnih_strani/. multext-East: http://nl.ijs.si/ME/. Nacionalna raziskava branosti (nrb): http://www.nrb.info/. Obeliks: Oblikoslovni označevalnik za slovenski jezik: http://www.slovenscina.eu/tehnologije/ oznacevalnik/, http://sourceforge.net/projects/obeliks/. OpenWebSpider: http://www.openwebspider.org/. Poljski nacionalni korpus nkjp: http://nkjp.pl/. Priporočila za oblikoslovno označevanje jos: http://nl.ijs.si/jos/msd/html-sl/msd.specs.html. Raba interneta v Sloveniji (ris): http://www.ris.org/. Slovaški nacionalni korpus svn: http://korpus.juls.savba.sk/. Slovenska oglaševalska zbornica: http://www.soz.si/. Sporazumevanje v slovenskem jeziku: http://www.projekt.slovenscina.eu/, http://www.slovenscina.eu/, http://nl.ijs.si/ssj/. tei: Text Encoding Iniciative: http://www.tei-c.org/. Učni korpus ssj500k: http://www.slovenscina.eu/tehnologije/ucni-korpus/. Zapis korpusov ssj: http://nl.ijs.si/ssj/. 154 10 Priloge Kazalo prilog 156 Priloga 1: Nacionalna raziskava branosti (nrb) 161 Priloga 2: Merjenje obiskanosti spletnih strani (moss) 166 Priloga 3: Pogodba o uporabi in zbiranju besedil v projektu ssj 169 Priloga 4: Besedilodajalci 175 Priloga 5: Datumi pajkanja: 24ur.com, siol.net, rtvslo.si 177 Priloga 6: kres: načrtovano in končno število besed po naslovih 155 Priloga 1: Nacionalna raziskava branosti (NRB) (Vir: http://www.nrb.info/podatki/, 6. 5. 2011.) Izvajalec nrb je Valicon, d. o. o., imetnik avtorskih pravic je Slovenska oglaševalska zbornika, vse pravice pridržane. Valutni podatki za leto 2010 (valutno obdobje: 2. polletje 2009 in 1. polletje 2010) • Dnevniki • Priloge • Večdnevniki • Tedniki • Dvotedniki • Mesečniki • Dvo in več mesečniki • Brezplačniki Dnevniki doseg enega izida v 000 značilnost razlike VALUTA glede na 2009II-2010I DELO 7,6 130 DNEVNIK 6,9 118 EKIPA 2,2 37 FINANCE 3,4 57 ** PRIMORSKE NOVICE 3,1 53 SLOVENSKE NOVICE 18,6 318 VEČER 7,4 127 ŽURNAL24 17,2 294 Priloge doseg enega izida v 000 značilnost razlike VALUTA glede na 2009II-2010I ANTENA 2,4 40 BONBON 6,6 112 DELO IN DOM 19,8 339 ** DENAR IN 1,9 32 *** DNEVNIKOV OBJEKTIV 3,3 56 156 KVADRATI 4,1 69 MOJ DOM 17,2 293 ** MOJE ZDRAVJE 3,1 53 NEW YORK TIMES * 1,2 21 NIKA 11,2 191 ODPRTA KUHINJA 5,0 86 ** ONA 20,5 349 ** PILOT 20,2 345 ** POLET 14,3 244 SOBOTNA PRILOGA 7,3 125 TV OKNO 6,6 113 TV VEČER 5,6 96 V SOBOTO 3,5 60 VIKEND 21,3 364 ŽIVA 2,0 34 Večdnevniki doseg enega izida v 000 značilnost razlike VALUTA glede na 2009II-2010I GORENJSKI GLAS 2,7 45 NOVI TEDNIK 2,5 43 SALOMONOV 3,1 54 OGLASNIK ŠTAJERSKI TEDNIK 2,2 38 ** Tedniki doseg enega izida v 000 značilnost razlike VALUTA glede na 2009II-2010I 7DNI 2,2 38 DOLENJSKI LIST 3,3 56 DRUŽINA 5,7 97 HOPLA 3,6 62 JANA 7,3 125 KMEČKI GLAS 8,3 142 ** LADY 13,1 223 LEA 2,8 49 LISA 3,5 60 MLADINA 3,4 59 NEDELJSKI DNEVNIK 20,8 355 ** NEDELO 9,2 157 NOVA 5,3 91 OBRAZI 3,5 59 REPORTER 1,7 29 STOP 2,9 49 157 STORY 2,8 49 VESTNIK 3,0 50 MURSKA SOBOTA Dvotedniki doseg enega izida v 000 značilnost razlike VALUTA glede na 2009II-2010I ANJA 6,7 114 AVTO MAGAZIN 4,6 78 BRAVO 3,0 51 KIH 2,2 38 POGLEDI * 0,7 12 RAČUNALNIŠKE 1,5 25 NOVICE RAZVEDRILO 8,6 146 ŠTAJERSKI OGLASNIK 1,0 18 Mesečniki doseg enega izida v 000 značilnost razlike VALUTA glede na 2009II-2010I AVTO FOKUS 3,2 55 AVTO+ŠPORT 3,0 51 AVTOFOTO MARKET 2,9 50 ** CICI ZABAVNIK 2,0 34 CICIBAN 7,6 130 CICIDO 5,3 90 COOL 2,1 37 *** COSMOPOLITAN 6,1 104 DOBER TEK 3,0 51 ELLE 2,2 38 EVA 2,8 47 FHM 3,0 51 GAIA 4,1 71 GEA 4,7 81 JOKER 3,4 58 JOY 2,0 35 KMETOVALEC 2,3 40 L&Z 2,1 36 LE MONDE 1,2 20 DIPLOMATIQUE LEPA in ZDRAVA 3,8 65 LISA ČAROVNIJA 2,1 36 OKUSA LJUBEZENSKE 1,0 16 ZGODBE-LADY 158 LOVEC 3,6 62 MAMA 1,8 30 MANAGER 1,1 18 MINI MOJ PLANET 2,2 37 ** MODNA 1,1 20 MOJ LEPI VRT 4,2 71 ** MOJ MALČEK 3,8 65 MOJ MALI SVET 1,0 17 MOJ MIKRO 1,6 27 MOJ PLANET 3,6 62 MOJE FINANCE 3,1 52 MOJE STANOVANJE 0,9 15 MONITOR 2,2 38 MOTOREVIJA 11,7 199 MOTORIST 2,1 36 NAŠA ŽENA 4,6 79 NATIONAL 9,9 170 GEOGRAPHIC NATIONAL 4,8 81 GEOGRAPHIC JUNIOR OBRAMBA 1,6 27 OBRTNIK 7,3 124 OGNJIŠČE 12,9 219 OTROK IN DRUŽINA 1,3 23 *** PIL 4,2 71 PLAYBOY 3,1 52 PLUS 2,3 40 PODJETNIK 1,9 32 PRI NAS DOMA 0,9 15 RADAR 2,2 37 READERS DIGEST 4,5 77 REVIJA O KONJIH 1,3 23 RIBIČ 1,9 32 ROŽE & VRT 4,7 81 SALOMONOV 6,5 111 UGANKAR SCIENCE 0,9 15 ILLUSTRATED SISTEM 0,3 6 SMRKLJA 4,2 72 SWPOWER 1,2 20 TELENOVELE TOTAL 1,8 31 VAL NAVTIKA 1,0 18 VIP 1,0 18 VIVA 4,4 76 VZAJEMNA 6,2 106 159 VZAJEMNOST 4,9 84 ZDRAVJE 10,4 177 ** ŽIVLJENJE IN 3,6 62 TEHNIKA Dvo in več mesečniki doseg enega izida v 000 značilnost razlike VALUTA glede na 2009II-2010I AMBIENT 1,4 23 DINERS CLUB 1,9 32 MAGAZINE NAŠ DOM 6,2 106 ** Brezplačniki doseg enega izida v 000 značilnost razlike VALUTA glede na 2009II-2010I ABC ZDRAVJA 6,3 107 ** BUKLA 2,4 41 CELJSKI OGLASNIK 1,1 18 CITY MAGAZINE 2,6 45 ** DELO MATURANT&KA 1,2 20 DOBRO JUTRO 19,7 336 GORIŠKA 4,9 83 ISTRA 1,9 32 JESENIŠKE NOVICE 2,2 37 ** KAMNIŠKE NOVICE 2,3 39 KRANJČANKA 2,5 43 ** KRANJSKI GLAS 2,3 39 LJUBLJANA 3,6 62 LOČANKA 2,0 34 MARIBORSKI UTRIP 2,8 48 MERCATOR MESEC 2,3 39 *** MOBIL 2,3 40 MOJA GORENJSKA 4,2 72 NAŠA LEKARNA 4,9 84 POSAVSKI OBZORNIK 3,4 58 PREMIERA 3,7 63 ** UTRIP (SAVINJSKI) 2,0 35 VAŠ MESEČNIK 2,9 50 ŽURNAL 24,3 414 ** Opomba: Edicije označene z * niso bile v raziskavo vključene celotno valutno obdobje. Podatek se nanaša samo na drugo polletje 2010. Podatki teh edicij zaradi krajše časovne enote niso valutni podatki. ** statistično značilna rast branosti glede na predhodno valutno obdobje *** statistično značilen padec branosti glede na predhodno valutno obdobje "Prazen prostor" razlika v branosti ni statistično značilna 160 Priloga 2: Merjenje obiskanosti spletnih strani (MOSS) (Vir: http://www.moss-soz.si/si/rezultati_moss/obdobje/default. html?period=201006, 6. 5. 2011.) Spletna stran Izdajatelj Doseg Ocenjen Doseg % Prikazi Trend (Slovenija) dodatni (Slovenija) (Slovenija) doseg – tujina 1 24ur.com PRO PLUS, d.o.o. 594.933 87.104 54,1% 97.380.205 -6,3% 2 www.najdi.si Najdi, informacijske 426.645 31.401 38,8% 40.352.131 -6,0% storitve, d.o.o. 3 www.siol.net Planet 9, d.o.o. 419.337 50.733 38,2% 38.124.216 0,0% 4 www.rtvslo.si RTV Slovenija, javni zavod 363.847 52.268 33,1% 31.398.049 -14,9% 5 www.bolha.com Bolha d.o.o. 351.579 41.831 32,0% 38.970.019 -0,2% 6 www.zurnal24.si Žurnal Media, d.o.o. 302.896 21.184 27,6% 34.009.456 -4,9% 7 www.avto.net Avtonet d.o.o. 281.220 73.470 25,6% 80.336.222 11,7% 8 www.itis.si Najdi, informacijske 269.544 18.432 24,5% 2.562.037 -6,4% storitve, d.o.o. 9 zadovoljna.si PRO PLUS, d.o.o. 268.716 13.719 24,4% 4.066.884 1,0% 10 www.enaa.com Menea d.o.o. 227.927 16.881 20,7% 3.504.651 -0,5% 11 vizita.si PRO PLUS, d.o.o. 218.499 13.284 19,9% 1.699.740 -2,4% 12 www.delo.si Delo d.d. 197.479 23.120 18,0% 6.036.738 -4,2% 13 www.dnevnik.si Dnevnik, d.d. 193.971 17.663 17,7% 4.201.493 -4,1% 14 cekin.si PRO PLUS, d.o.o. 192.957 9.764 17,5% 1.113.386 -0,4% 15 www.mimovrste.com Mimovrste d.o.o. 180.777 10.702 16,5% 5.708.364 -0,2% 16 www.mojvideo.com Popcom d.o.o. 176.118 200.805 16,0% 4.418.065 -7,8% 17 sl.netlog.com Httpool d.o.o. 168.451 3.736 15,3% 24.893.052 -11,9% 18 www.finance.si Časnik Finance, časopisno 167.871 15.968 15,3% 9.498.602 -13,7% založništvo, d.o.o. 19 www.bizi.si Najdi, informacijske 162.696 13.182 14,8% 1.512.763 -7,5% storitve, d.o.o. 20 www.genspot.com VSN, Video spletni 161.923 58.246 14,7% 3.712.374 -11,9% nasveti, d.o.o. 21 moškisvet.com PRO PLUS, d.o.o. 147.287 6.889 13,4% 1.397.575 -4,6% 22 bibaleze.si PRO PLUS, d.o.o. 145.590 6.311 13,2% 1.322.853 -15,2% 23 www.igre123.com Popcom d.o.o. 144.199 77.503 13,1% 14.720.401 -8,9% 24 www.mobitel.si Mobitel, 142.792 7.349 13,0% 3.115.277 13,1% telekomunikacijske storitve d.d. 25 www.ringaraja.net Danu d.o.o. 142.372 9.943 13,0% 3.605.841 -0,1% 26 www.rabim.info Rabim.info d.o.o. 132.011 7.858 12,0% 531.696 -0,9% 27 www.ceneje.si1 Preskok d.o.o. 124.465 11.397 11,3% 2.378.943 3,8% 161 28 www.vecer.com ČZP Večer d.d. Maribor 122.402 23.964 11,1% 3.206.652 -6,1% 29 www.izklop.com Mediasplet d.o.o. 111.014 7.489 10,1% 4.379.722 -18,0% 30 www.infocity.si Estoritve d.o.o. 110.630 7.415 10,1% 484.392 -13,1% 31 www.napovednik.com Napovednik d.o.o. 108.557 5.962 9,9% 2.002.574 -9,5% 32 www.dominvrt.si PRO PLUS, d.o.o. 95.881 4.285 8,7% 838.523 -4,5% 33 www.slo-zeleznice.si Slovenske železnice d.o.o. 89.915 9.370 8,2% 1.191.050 1,2% 34 www.mojedelo.com Moje delo, d.o.o. 84.288 6.049 7,7% 2.489.142 -3,4% 35 www.salomon.si Salomon d.o.o., Ljubljana 81.386 6.997 7,4% 4.891.033 2,6% 36 popplus.si PRO PLUS, d.o.o. 81.334 4.199 7,4% 2.117.007 -27,2% 37 osvajalec.si PRO PLUS, d.o.o. 79.893 2.504 7,3% 2.356.646 0,0% 38 www.kompas.si Kompas d.d. 78.230 5.279 7,1% 1.467.743 15,0% 39 www.potovanje.si Potovanje d.o.o. 68.500 3.389 6,2% 1.535.584 27,7% 40 www.planet-lepote.com4 ATS splet d.o.o. 67.322 5.312 6,1% 1.066.446 -17,7% 41 www.podsvojostreho.net Tadej Accetto s.p. 64.402 4.478 5,9% 1.195.191 7,1% 42 www.mojalbum.com2 Popcom d.o.o. 64.232 14.838 5,8% 2.110.960 -23,0% 43 www.racunovodja.com Carpe Diem, d.o.o., Kranj 62.376 3.638 5,7% 565.016 -15,3% 44 www.avtomobilizem.com Domenca d.o.o. 59.016 6.795 5,4% 1.617.380 2,9% 45 www.studentski-servis.com ŠS d.o.o. 57.254 1.724 5,2% 2.351.094 -0,6% 46 www.tocnoto.si Točno TO Saviozi Urša s.p. 57.198 9.118 5,2% 931.353 1,5% 47 www.firma.si Najdi, informacijske 56.352 3.640 5,1% 199.177 2,7% storitve, d.o.o. 48 www.cosmopolitan.si Adria Media Ljubljana, 54.605 2.458 5,0% 1.112.861 -6,4% Založništvo in trženje, d.o.o. 49 www.intimatemedicine.si VSN, Video spletni 54.453 63.789 5,0% 674.962 22,7% nasveti, d.o.o. 50 www.slonep.net Slonep d.o.o. 49.112 2.899 4,5% 316.583 -4,2% 51 www.mediaspeed.net Mediaspeed, Borut Cvetko 48.411 6.500 4,4% 3.260.842 -16,6% s.p. 52 www.lunin.net Zavod Artisa 47.468 3.187 4,3% 566.233 -10,5% 53 www.mladina.si Mladina časopisno 47.352 5.313 4,3% 479.648 -9,0% podjetje d.d., Ljubljana 54 www.diva.si Futuristični marketing, 45.907 3.194 4,2% 970.243 -7,6% d.o.o. 55 www.podarimo.si CC-splet Miha Jereb s.p. 45.757 2.465 4,2% 3.545.279 2,0% 56 www.govori.se Adria Media Ljubljana, 45.359 2.497 4,1% 974.571 -10,2% Založništvo in trženje, d.o.o. 57 www.viva.si Studio Moderna storitve 42.014 2.209 3,8% 241.058 10,1% d.o.o. 58 www.ona-on.net Veneticom d.o.o. 40.100 7.362 3,7% 1.024.036 -2,6% 59 www.portoroz.si Turistično združenje 39.549 19.611 3,6% 310.611 47,4% Portorož, g.i.z. 60 maxtv.si PRO PLUS, d.o.o. 39.197 3.492 3,6% 116.902 -31,1% 61 www.emka.si Mladinska knjiga 38.806 2.293 3,5% 547.519 -23,5% trgovina, d.d., Ljubljana 62 www.aktivni.si Adria Media Ljubljana, 38.666 1.711 3,5% 283.321 -13,6% Založništvo in trženje, d.o.o. 162 63 www.btc-city.com BTC d.d., Ljubljana 38.089 3.104 3,5% 386.486 1,2% 64 www.radio1.si Infonet Media d.d. 36.754 5.885 3,3% 353.083 -6,0% 65 www.racunalniske-novice.com Nevtron & Company, 36.734 2.006 3,3% 491.727 -23,0% d.o.o. 66 www.nogomania.com Nogomanija, d.o.o. 36.174 2.569 3,3% 3.075.693 -10,4% 67 www.playboy.si Adria Media Ljubljana, 35.719 5.414 3,3% 670.258 -29,8% Založništvo in trženje, d.o.o. 68 www.spletni-slovar.com5 Dominatus d.o.o. 34.834 1.881 3,2% 281.016 -22,5% 69 www.bambino.si Studio splet - Jure Jakob 34.691 1.648 3,2% 289.849 -7,1% Rainer s.p. 70 www.smrklja.si Delo Revije d.d. 34.495 6.612 3,1% 860.992 -3,3% 71 www.abanka.si Abanka 33.545 1.767 3,1% 422.173 -1,9% 72 www.joker.si Alpress d.o.o. 32.930 2.278 3,0% 3.576.491 -10,6% 73 www.bmwslo.com LST Tomaž Koštial s.p. 32.790 2.637 3,0% 2.165.967 0,1% 74 www.sta.si STA (Slovenska tiskovna 32.344 4.964 2,9% 1.077.469 -15,6% agencija), d.o.o. 75 www.slovenskenovice.si Delo d.d. 32.039 1.549 2,9% 678.634 0,0% 76 www.radiokrka.com Radio Krka Novo mesto 31.155 1.614 2,8% 995.706 -4,7% d.o.o. 77 www.bringler.com Motiviti d.o.o. 30.544 33.174 2,8% 368.356 -16,9% 78 www.sobotainfo.com3 Netmedia d.o.o. 29.362 1.816 2,7% 1.344.544 13,3% 79 www.avto-magazin.si Adria Media Ljubljana, 29.169 2.631 2,7% 259.338 -21,8% Založništvo in trženje, d.o.o. 80 www.matkurja.com Telemach d.o.o. 28.776 3.768 2,6% 176.784 -6,8% 81 www.gorenjskiglas.si Gorenjski Glas, d.o.o., 28.451 1.519 2,6% 141.305 0,8% Kranj 82 www.planet.si Planet 9, d.o.o. 28.107 1.566 2,6% 1.274.833 -3,6% 83 www.revija-reporter.si Prava smer d.o.o. 27.461 1.386 2,5% 347.436 0,0% 84 www.bicikel.com Bicikel - Boštjan Svete, 26.726 2.171 2,4% 1.226.119 -1,7% s.p. 85 arkadne-igre.si Moja moja d.o.o. 24.818 5.629 2,3% 372.382 -18,9% 86 www.telekom.si Telekom Slovenije, d.d. 24.179 2.293 2,2% 167.982 0,2% 87 www.ona-on.com Veneticom d.o.o. 23.509 1.086 2,1% 3.080.156 11,3% 88 www.njena.si Delo Revije d.d. 21.661 1.117 2,0% 267.179 -10,3% 89 www.obala.net Obala d.o.o. 21.602 1.370 2,0% 647.309 20,4% 90 www.borzadela.si Najdi, informacijske 20.020 721 1,8% 376.044 15,1% storitve, d.o.o. 91 www.druzina.si Družina d.o.o. 19.004 1.120 1,7% 123.748 -6,3% 92 www.strojnistvo.com6 Spletni mediji Strojnistvo. 18.687 1.658 1,7% 277.129 -14,8% com 93 www.dobrojutro.net Regionalni mediji, d. o. o. 18.322 1.752 1,7% 55.068 -15,8% 94 golfportal.info PRO PLUS, d.o.o. 17.885 1.092 1,6% 137.039 3,3% 95 www.adria.si Adria Airways, d.d. 16.814 20.940 1,5% 163.892 7,4% 96 www.tekaskiforum.net SINFOS informacijske 16.125 1.083 1,5% 335.100 -17,8% rešitve d.o.o. 97 www.zps.si Zveza potrošnikov 15.537 650 1,4% 104.797 20,1% Slovenije 163 98 www.cangura.com Cangura d.o.o. 15.484 763 1,4% 145.677 -2,6% 99 www.elle.si Adria Media Ljubljana, 14.614 940 1,3% 107.493 -9,0% Založništvo in trženje, d.o.o. 100 www.primorske.si Primorske novice ČZD, 13.020 1.164 1,2% 308.917 36,7% d.o.o. 101 www.otroski.com Telekom Slovenije, d.d. 12.437 411 1,1% 151.137 -8,7% 102 www.skladi.com INDIVIDA CONSULTUM 11.691 811 1,1% 156.464 -4,7% d.o.o. 103 www.eset.si Si splet d.o.o. 11.243 926 1,0% 51.395 -19,3% 104 www.slowwwenia.com Menea d.o.o. 9.923 1.436 0,9% 141.588 -6,9% 105 mladipodjetnik.si7 Zavod mladi podjetnik 8.546 452 0,8% 62.562 -27,8% 106 www.lady.si Delo Revije d.d. 8.479 394 0,8% 144.832 -20,2% 107 www.najnaj.si Najnaj, Žan Nekrep s.p. 8.253 974 0,8% 78.025 -25,1% 108 www.moto-magazin.si Adria Media Ljubljana, 8.005 874 0,7% 63.870 -6,0% Založništvo in trženje, d.o.o. 109 www.f1express.si Korpmedia d.o.o. 7.499 423 0,7% 342.352 31,1% 110 www.dostop.si Študentska organizacija 7.221 322 0,7% 229.801 5,2% Univerze v Mariboru (ŠOUM) 111 www.itak.si Mobitel, 6.391 558 0,6% 39.132 -58,8% telekomunikacijske storitve d.d. 112 www.pons.eu Založba Rokus Klett, 5.823 117 0,5% 130.870 -24,2% d.o.o. 113 www.energetika.net Solvera Lynx d.d. 4.880 1.848 0,4% 30.841 4,3% 114 www.monolitmap.si Monolit, informacijski 4.875 174 0,4% 10.941 40,8% sistemi d.o.o. 115 www.prostimet.com C-Media d.o.o. 4.366 462 0,4% 170.208 2,2% 116 www.bravo.si Videotop Color Media 4.110 533 0,4% 51.464 0,6% d.o.o. 117 www.kapodol.com Kapodol d.o.o. 3.994 201 0,4% 84.634 -36,6% 118 www.agencijanet.si MA marketing d.o.o. 3.307 209 0,3% 12.747 3,5% 119 www.cudovita.si Naveza d.o.o. 3.177 192 0,3% 320.223 -0,5% 120 www.podpalmo.si8 Planplus, d.o.o. 0 0 n.a. 0 n.a. 121 www.avtocenter.si9 Eklipt d.o.o. 0 0 n.a. 0 n.a. 122 www.vest.si10 Vest d.o.o. 0 0 n.a. 0 n.a. 123 popotovanje.si PRO PLUS, d.o.o. 0 0 n.a. 0 n.a. 124 www.preberi.si Zavod za informacijsko 0 0 0,0% 0 0,0% družbo 164 1. www.ceneje.si - Določeni deli spletne strani se osvežujejo z ajax pristopom. Ti deli niso merjeni v celoti in je zato skupno število prikazov manjše, kot bi bilo sicer. 2. www.mojalbum.com - Večina delov spletne strani se sicer osvežuje z ajax pristopom. Ti deli niso merjeni v celoti in je zato skupno število prikazov manjše, kot bi bilo sicer. 3. www.sobotainfo.com - Večina delov spletne strani se sicer osvežuje z ajax pristopom. Ti deli niso merjeni v celoti in je zato skupno število prikazov manjše, kot bi bilo sicer. 4. www.planet-lepote.com - Zaradi težav z dns strežniki v sredini julija, je bil otežen dostop do spletne strani in zato posledično manjši obisk. 5. www.spletni-slovar.com - Zaradi rednih vzdrževalnih del se spletna stran med 23. in 26.7. ni merila. 6. www.strojnistvo.com - Večina delov spletne strani se sicer osvežuje z ajax pristopom. Ti deli niso merjeni v celoti in je zato skupno število prikazov manjše, kot bi bilo sicer. 7. mladipodjetnik.si - Zaradi rednih vzdrževalnih del se spletna stran med 1. in 8.7. ni merila. 8. www.podpalmo.si - Od dne 16.3.2010 merilna koda ni nameščena. 9. www.avtocenter.si - Od dne 7.2.2010 merilna koda ni nameščena. 10. www.vest.si - Od dne 1.8.2009 merilna koda ni nameščena. Doseg (Slovenija) pove, koliko različnih oseb iz slovenskih ip številk je v danem obdobju meritve vsaj enkrat obiskalo spletno stran. Doseg se nanaša na dejansko število oseb in ne računalnikov, piškotkov ali ip naslovov. Ocenjen dodatni doseg (tujina) predstavlja minimalno število ocenjenih piškotkov, katerih ip številke niso slovenske, a so morali obstajati v izbranem obdobju na spletni strani, saj so generirali dolo- čeno število prikazov strani. Doseg % (Slovenija) je v odstotkih izraženo razmerje med številom obiskovalcev (različnih oseb) iz slovenskih ip naslovov, ki so v danem obdobju vsaj enkrat obiskali izbrano spletno stran in skupnim številom slovenskih spletnih uporabnikov v danem obdobju. Prikazi (Slovenija) so dogodki, med katerimi si obiskovalci iz slovenskih IP številk ogledujejo spletno stran. Trend je razlika med zaporednima mesečnima dosegoma, izraže-na v odstotkih. 165 Priloga 3: Pogodba o uporabi in zbiranju besedil v projektu SSJ P O G O D B A o zbiranju in uporabi besedilnega korpusa v okviru projekta Sporazumevanje v slovenskem jeziku, ki jo skleneta Fakulteta za družbene vede Univerze v Ljubljani, Kardeljeva ploščad 5, 1000 Ljubljana, matična številka: 1626957, davčna številka: 47607807, ki jo zastopa _______________________, dekan (v nadaljnjem besedilu: naročnik), in avtor oz. ______________________________________, ki ga zastopa __________________________________________________________ (v nadaljnjem besedilu: imetnik pravic). 1. Pogodbeni stranki sporazumno ugotavljata: a) da naročnik pripravlja besedilni korpus v okviru projekta Sporazumevanje v slovenskem jeziku (v nadaljnjem besedilu: projekt SSJ), ki ga financirata Ministrstvo za šolstvo, znanost in šport RS ter Evropska unija iz Evropskega socialnega sklada in pri katerem sodelujejo konzorcijski partnerji Univerza v Ljubljani, Institut Jožef Stefan, Znanstvenoraziskovalni center SAZU, Amebis, d. o. o., Kamnik, in Trojina, zavod za uporabno slovenistiko; gradnja javno dostopnega korpusa obsega zbiranje besedil različnih vrst za namene elektronske analize, obdelave, označevanja, reproduciranja in druge uporabe njihovih besed, besednih zvez ali stavkov; 166 b) da imetnik pravic razpolaga z avtorskimi pravicami iz 22. člena ZASP in sorodnimi pravicami na avtorskih delih, ki so predmet te pogodbe (v nadaljnjem besedilu: delo) ter so navedena v dodatku k tej pogodbi. 2. Imetnik pravic omogoča naročniku dostop do svojega dela v digitalni obliki in nanj prenaša pravici elektronskega reproduciranja iz 23. člena ZASP in predelave tega dela iz 33. člena ZASP. Ti pravici sta preneseni na naročnika neizključno, neodplačno ter z možnostjo nadaljnjega prenosa na članice konzorcija v okviru projekta SSJ; prenos je brez časovnih omejitev ter velja za namene projekta SSJ in za Slovenijo. Dostop do dela po prejšnjem odstavku se izvrši prek nosilca (CD-ROM, DVD, trdi disk ipd.), prek interneta ipd. 3. Naročnik jamči in se zavezuje: a) da bo delo naložil v spominske enote, namenjene za projekt SSJ, morebitne začasne nosilce dela pa bo nato na zahtevo imetnika pravic ali izbrisal ali uničil ali vrnil imetniku pravic; b) da bo po naložitvi v spominske enote, namenjene za projekt SSJ, delo konvertiral ter uporabljal izključno za namene projekta SSJ in v skladu s to pogodbo; c) da bo preprečil, da bi se delo v celoti ali njegovi avtorski sestavni deli v kakršnikoli obliki ali na kakršenkoli način avtorskopravno izkoriščali izven določb te pogodbe; č) da bo morebitni začasni nosilec dela v času od prejema do njegovega brisanja ali uničenja ali vrnitve skrbno varoval pred kakršno-koli obliko ali kakršnimkoli načinom avtorskopravnega izkoriščanja izven določb te pogodbe. 4. Imetnik pravic dovoli, da se do 10 % dela uporabi na način, kot to določa licenca Creative Commons. V tem delu na naročnika neizključno, neodplačno in brez časovnih omejitev prenaša pravico reprodukcije, distribucije, dajanja v najem, priobčitve javnosti in predelave avtorskega dela, ki je predmet te pogodbe in njegovih predelav v skladu ter na način, kot to določa licenca Creative Commons: »priznanje avtorstva« + »nekomercialno« + »deljenje pod istimi pogoji«. Ta licenca dovoli uporabnikom avtorsko delo in njegove predelave reproducirati, distribuirati, dajati v najem, priobčiti javnosti in predelovati samo pod pogojem, da navedejo avtorja, da ne gre za 167 komercialno uporabo in da tudi oni naprej širijo izvirna dela/predelave pod istimi pogoji. Uporaba te licence za podatkovno zbirko referenčni besedilni korpus z govornim podkorpusom je določena v 19. členu Pogodbe o sofinanciranju izvedbe projekta št. 3311-08-986003 v okviru Operativnega programa razvoja človeških virov za obdobje 2007–2013 »Sporazumevanje v slovenskem jeziku«. 5. Imetnik pravic jamči, da razpolaga z avtorskimi in sorodnimi pravicami na delu, da na njem ne obstajajo pravice tretjih oseb, ki bi bile v nasprotju s to pogodbo, in da z njo niso kršene kakšne druge pravice na delu. 6. Pogodbene stranke soglašajo, da se za vse, kar v tej pogodbi ni urejeno, uporabljajo določila Zakona o avtorski in sorodnih pravicah in Obligacijskega zakonika, veljavnega v času podpisa te pogodbe. Morebitne spore, izvirajoče iz te pogodbe, rešujeta pogodbeni stranki na sporazumen način. Če to ni mogoče oz. do sporazumne rešitve ne pride, je za reševanje spornih zadev pristojno Okrožno so-dišče v Ljubljani. Pogodba je sestavljena v dveh izvodih, od katerih prejme vsaka izmed pogodbenih strank po en izvod. V Ljubljani, ___________________ V __________________________ Naročnik: Imetnik pravic: _____________________________ ____________________________ 168 Priloga 4: Besedilodajalci Največ besedil za korpuse fida, Fidaplus in Gigafida smo dobili prek založb, medijskih hiš, društev in drugih pravnih oseb: 1. Adelita 2. Adria Media Ljubljana 3. Alba 2000 4. Aleph 5. Allegro 6. Alpha 7. Alpress 8. Aneks 9. Annales 10. Ataja 11. Aura 12. Avto fm 13. Avto Medija 14. Avto moto zveza Slovenije 15. Avtorska agencija za Slovenijo 16. Biotehniška fakulteta ul 17. Bistra 18. Bistrica 19. Burda 20. Cankarjeva založba 21. Celjska Mohorjeva družba 22. Cendra 23. Center slovenskih književnosti 24. Cerdonis 25. Cistercijanska opatija Stična 26. Clip 27. Co Libri 28. Cool 29. Časnik Finance 30. Čebelarska zveza Slovenije 31. čzd Kmečki glas 32. čzp Večer 33. Damodar 34. Debora 35. Defensor 36. Delo 37. Delo Prodaja 169 38. Delo Revije 39. desk 40. Didakta 41. Dnevnik 42. Dolenjska banka 43. Dolenjski list 44. Društvo 2000 45. Društvo Apokalipsa 46. Društvo katoliških pedagogov Slovenije 47. Društvo onkoloških bolnikov Slovenije 48. Društvo sociologov in politologov severnoprimorskih občin 49. Društvo Svetopisemska družba Slovenije 50. Društvo študentov in podiplomcev Slovenije 51. Družboslovne razprave 52. Družina 53. Državni zbor Republike Slovenije 54. dzs 55. Edina 56. Emilija Pavlič 57. Entrapharm 58. Evropski parlament: Informacijska pisarna za Slovenijo 59. Extrememedia 60. Fakulteta za arhitekturo ul 61. Fakulteta za farmacijo ul 62. Fakulteta za gradbeništvo in geodezijo ul 63. Fakulteta za kemijo in kemijsko tehnologijo ul 64. Fakulteta za management Koper up 65. Fakulteta za organizacijske vede um 66. Fakulteta za pomorstvo in promet up 67. Fakulteta za socialno delo ul 68. Fakulteta za šport ul 69. Fakulteta za varnostne vede um 70. Forum Media 71. Franc-Franc 72. Franci Kotnik 73. Freising 74. Fužinar Ravne 75. gaia-u 76. Genija 77. Glasbena mladina Slovenije 78. Gorenjski glas 79. Grlica 80. gv Založba 81. Hotalot 82. ico 170 83. Image Management 84. Info press 85. Infomediji 86. Informacijsko dokumentacijski center Sveta Evrope 87. Inštitut informacijskih znanosti 88. ish Fakulteta za podiplomski humanistični študij 89. Izolit 90. Javni sklad Republike Slovenije za kulturne dejavnosti 91. Jutro 92. Karantanija 93. Katehetski center, Knjižnice 94. katr 95. Kinološka zveza Slovenije 96. Klub gaia 97. Klub študentov mf 98. Kmečki glas 99. Kmetijska založba 100. Kres 101. ks Portorož 102. kud Štempihar 103. Kulturnoizobraževalno društvo Kibla 104. Liberalna akademija 105. Litera 106. Literarno-umetniško društvo Literatura 107. Magnolija 108. Mandrač 109. Maska 110. Matetopis 111. Meander 112. Medicinski razgledi 113. Mestna občina Ljubljana 114. Mestna občina Novo mesto 115. Mestne revije 116. Mi2 117. mial Media marketing Milenka Knez 118. Mihelač 119. Ministrstvo za kulturo Republike Slovenije 120. Mirovni inštitut 121. Mladina 122. Mladinska knjiga Koprodukcija 123. Mladinska knjiga Založba 124. Mobinet 125. Moderna organizacija 126. Modrijan 127. Mohorjeva založba Celovec 171 128. Moj mikro 129. Monitor 130. Motomedia 131. Naravoslovnotehniška fakulteta UL 132. Naš čas 133. National Geographic Slovenije 134. Neto 135. Neviodunum 136. Nevron & Company 137. Notranjske novice 138. Nova Ljubljanska banka 139. Nova Obzorja 140. Novi Glas 141. Novi tednik 142. Novice 143. Novice, slovenski tednik za Koroško 144. nt & rc 145. Občina Domžale 146. Občina Izola 147. Občina Logatec 148. Občina Postojna 149. Obrtno-podjetniška zbornica Slovenije 150. Obzorja 151. Ognjišče 152. Oka, otroška knjiga 153. Onkološki inštitut 154. Pavliha 155. Pedagoška fakulteta UL 156. Pedagoški inštitut 157. Planet GV 158. Pomurska založba 159. Pozoj 160. Que 161. Racoon 162. Radio-Tednik 163. Regionalni izobraževalni center 164. Regionalni mediji 165. Revija Vino 166. rex 167. Ribiška zveza Slovenije 168. ric Državni izpitni center 169. Rodoslovno društvo 170. Rokus Klett 171. rr 172. rtv Slovenija 172 173. Salomon 2000 174. Salve 175. Sanjska knjiga 176. Satura 177. Savinjske novice 178. sh Zavod za založniško dejavnost 179. Sidarta 180. Skupščina občine Kamnik 181. Slomedia 182. Slovenska kinoteka 183. Slovenska matica 184. Slovenske rimokatoliške škofije 185. Slovenski etnografski muzej 186. Slovenski šolski muzej 187. Slovensko etnološko društvo 188. sng Drama 189. Sodobna pedagogika 190. Spes 191. Splošna bolnišnica Novo mesto 192. Stella 193. Studia Humanitatis 194. Studio Maya 195. Studio Moderna Storitve 196. Svet in ljudje 197. Svobodna Slovenija 198. škuc 199. Študentska organizacija Univerze, Študentska založba 200. Študentska sekcija Mostišče Društva 2000 201. T. Jeraj 202. Tangram 203. Tehniška založba Slovenije 204. Televizija Novo mesto 205. Teološka fakulteta ul 206. Tera pet 207. Terme Krka 208. Theslovenian.com 209. Tuma 210. Udarni list 211. UMco 212. Urad Republike Slovenije za makroekonomske analize in razvoj 213. Urad vlade Republike Slovenije za komuniciranje 214. Urbar 215. Viva 216. Zadruga Goriška Mohorjeva 217. Zadruga Novi Matajur 173 218. Založba /*cf. 219. Založba 2000 220. Založba ara 221. Založba Aristej 222. Založba Brat Frančišek 223. Založba Emanuel 224. Založba Gnostica 225. Založba Goga 226. Založba Grlica 227. Založba Iskanja 228. Založba Kapital 229. Založba Karantanija 230. Založba Krtina 231. Založba Mladika 232. Založba Univerzalno življenje 233. Založba Vale-Novak 234. Založba ved 235. Zavod Emanat/En-Knap 236. Zavod Ivana Cankarja za kulturo, šport in turizem Vrhnika 237. Zavod Republike Slovenije za šolstvo 238. Zavod za izobraževanje o diabetesu 239. Zavod za kulturo, šport in turizem Žalec 240. Zgodovinsko društvo za južno Primorsko 241. Znanstveno-raziskovalno središče up 242. Zveza društev pedagoških delavcev Slovenije 243. Zveza geografskih društev Slovenije 244. Zveza obrtnih združenj Slovenije 245. Zveza potrošnikov Slovenije 246. Zveza zgodovinskih društev Slovenije 247. Železarna 248. Žetev 249. Župnijski urad Dutovlje 250. Žurnal Media Mnoga besedila so nam odstopili avtorji sami, zahvala za prizade-vanje, da so besedila prišla v korpus, pa velja tudi urednikom in mno-gim drugim posameznikom, ki so v korpuse slovenščine verjeli, že ko so se besedila zbirala za čisto prvega − še zlasti Andreju Blatniku, Branku Gradišniku, Antonu Nadrahu, Alešu Pogačniku, Edu Rodošku in Jaki Železnikarju. Hvala vsem! 174 Priloga 5: Datumi pajkanja: 24ur.com, siol.net, rtvslo.si 1. 4. 2010 2. 4. 2010 3. 4. 2010 4. 4. 2010 5. 4. 2010 6. 4. 2010 7. 4. 2010 8. 4. 2010 9. 4. 2010 10. 4. 2010 11. 4. 2010 12. 4. 2010 13. 4. 2010 14. 4. 2010 15. 4. 2010 16. 4. 2010 17. 4. 2010 18. 4. 2010 19. 4. 2010 20. 4. 2010 21. 4. 2010 22. 4. 2010 23. 4. 2010 24. 4. 2010 25. 4. 2010 26. 4. 2010 27. 4. 2010 28. 4. 2010 29. 4. 2010 30. 4. 2010 1. 5. 2010 2. 5. 2010 3. 5. 2010 9. 5. 2010 10. 5. 2010 11. 5. 2010 12. 5. 2010 13. 5. 2010 14. 5. 2010 15. 5. 2010 17. 5. 2010 18. 5. 2010 20. 5. 2010 21. 5. 2010 22. 5. 2010 23. 5. 2010 24. 5. 2010 25. 5. 2010 26. 5. 2010 27. 5. 2010 28. 5. 2010 29. 5. 2010 30. 5. 2010 31. 5. 2010 4. 6. 2010 5. 6. 2010 6. 6. 2010 7. 6. 2010 8. 6. 2010 9. 6. 2010 10. 6. 2010 11. 6. 2010 12. 6. 2010 13. 6. 2010 14. 6. 2010 15. 6. 2010 16. 6. 2010 17. 6. 2010 18. 6. 2010 19. 6. 2010 20. 6. 2010 21. 6. 2010 22. 6. 2010 23. 6. 2010 24. 6. 2010 25. 6. 2010 26. 6. 2010 27. 6. 2010 28. 6. 2010 29. 6. 2010 30. 6. 2010 1. 7. 2010 2. 7. 2010 3. 7. 2010 4. 7. 2010 5. 7. 2010 6. 7. 2010 7. 7. 2010 8. 7. 2010 9. 7. 2010 10. 7. 2010 11. 7. 2010 12. 7. 2010 13. 7. 2010 14. 7. 2010 15. 7. 2010 19. 7. 2010 21. 7. 2010 22. 7. 2010 23. 7. 2010 24. 7. 2010 25. 7. 2010 26. 7. 2010 27. 7. 2010 28. 7. 2010 29. 7. 2010 30. 7. 2010 31. 7. 2010 1. 8. 2010 2. 8. 2010 3. 8. 2010 4. 8. 2010 5. 8. 2010 6. 8. 2010 7. 8. 2010 8. 8. 2010 9. 8. 2010 10. 8. 2010 11. 8. 2010 12. 8. 2010 13. 8. 2010 14. 8. 2010 15. 8. 2010 16. 8. 2010 17. 8. 2010 18. 8. 2010 19. 8. 2010 20. 8. 2010 21. 8. 2010 22. 8. 2010 23. 8. 2010 24. 8. 2010 25. 8. 2010 26. 8. 2010 27. 8. 2010 28. 8. 2010 29. 8. 2010 30. 8. 2010 31. 8. 2010 1. 9. 2010 2. 9. 2010 3. 9. 2010 4. 9. 2010 5. 9. 2010 6. 9. 2010 7. 9. 2010 8. 9. 2010 9. 9. 2010 10. 9. 2010 11. 9. 2010 12. 9. 2010 13. 9. 2010 14. 9. 2010 15. 9. 2010 16. 9. 2010 17. 9. 2010 18. 9. 2010 20. 9. 2010 21. 9. 2010 22. 9. 2010 23. 9. 2010 24. 9. 2010 25. 9. 2010 26. 9. 2010 27. 9. 2010 28. 9. 2010 29. 9. 2010 30. 9. 2010 1. 10. 2010 2. 10. 2010 3. 10. 2010 4. 10. 2010 5. 10. 2010 6. 10. 2010 7. 10. 2010 8. 10. 2010 9. 10. 2010 10. 10. 2010 11. 10. 2010 12. 10. 2010 13. 10. 2010 14. 10. 2010 15. 10. 2010 16. 10. 2010 17. 10. 2010 18. 10. 2010 19. 10. 2010 20. 10. 2010 21. 10. 2010 22. 10. 2010 23. 10. 2010 24. 10. 2010 25. 10. 2010 26. 10. 2010 27. 10. 2010 28. 10. 2010 29. 10. 2010 30. 10. 2010 31. 10. 2010 1. 11. 2010 2. 11. 2010 3. 11. 2010 4. 11. 2010 5. 11. 2010 6. 11. 2010 7. 11. 2010 8. 11. 2010 9. 11. 2010 10. 11. 2010 11. 11. 2010 12. 11. 2010 13. 11. 2010 14. 11. 2010 15. 11. 2010 16. 11. 2010 17. 11. 2010 18. 11. 2010 19. 11. 2010 20. 11. 2010 21. 11. 2010 22. 11. 2010 23. 11. 2010 24. 11. 2010 25. 11. 2010 26. 11. 2010 27. 11. 2010 28. 11. 2010 29. 11. 2010 30. 11. 2010 1. 12. 2010 2. 12. 2010 3. 12. 2010 4. 12. 2010 5. 12. 2010 6. 12. 2010 7. 12. 2010 8. 12. 2010 9. 12. 2010 10. 12. 2010 11. 12. 2010 12. 12. 2010 13. 12. 2010 14. 12. 2010 15. 12. 2010 16. 12. 2010 17. 12. 2010 18. 12. 2010 19. 12. 2010 20. 12. 2010 21. 12. 2010 22. 12. 2010 23. 12. 2010 24. 12. 2010 25. 12. 2010 26. 12. 2010 27. 12. 2010 28. 12. 2010 29. 12. 2010 30. 12. 2010 31. 12. 2010 1. 1. 2011 2. 1. 2011 3. 1. 2011 4. 1. 2011 5. 1. 2011 6. 1. 2011 7. 1. 2011 8. 1. 2011 9. 1. 2011 10. 1. 2011 11. 1. 2011 12. 1. 2011 13. 1. 2011 4. 1. 2011 15. 1. 2011 16. 1. 2011 17. 1. 2011 18. 1. 2011 19. 1. 2011 20. 1. 2011 21. 1. 2011 22. 1. 2011 23. 1. 2011 24. 1. 2011 25. 1. 2011 26. 1. 2011 27. 1. 2011 28. 1. 2011 29. 1. 2011 30. 1. 2011 31. 1. 2011 1. 2. 2011 2. 2. 2011 3. 2. 2011 4. 2. 2011 5. 2. 2011 6. 2. 2011 7. 2. 2011 8. 2. 2011 9. 2. 2011 10. 2. 2011 11. 2. 2011 12. 2. 2011 13. 2. 2011 175 14. 2. 2011 15. 2. 2011 16. 2. 2011 17. 2. 2011 22. 2. 2011 23. 2. 2011 24. 2. 2011 25. 2. 2011 26. 2. 2011 27. 2. 2011 28. 2. 2011 1. 3. 2011 2. 3. 2011 3. 3. 2011 4. 3. 2011 5. 3. 2011 6. 3. 2011 7. 3. 2011 8. 3. 2011 9. 3. 2011 10. 3. 2011 11. 3. 2011 12. 3. 2011 13. 3. 2011 14. 3. 2011 15. 3. 2011 16. 3. 2011 17. 3. 2011 18. 3. 2011 19. 3. 2011 20. 3. 2011 21. 3. 2011 22. 3. 2011 23. 3. 2011 24. 3. 2011 25. 3. 2011 26. 3. 2011 27. 3. 2011 28. 3. 2011 29. 3. 2011 30. 3. 2011 31. 3. 2011 1. 4. 2011 2. 4. 2011 3. 4. 2011 4. 4. 2011 5. 4. 2011 6. 4. 2011 7. 4. 2011 8. 4. 2011 9. 4. 2011 10. 4. 2011 11. 4. 2011 * Pri 24ur.com je izpuščen 2. 4. 2010, pri rtvslo.si je izpuščen 31. 5. 2010. 176 Priloga 6: KRES: načrtovano in končno število besed po naslovih Načrtovani Načrtovani delež Končno delež v % v številu besed število besed tisk 80 80.000.000 79.830.144 knjižno 35 35.000.000 35.088.699 leposlovje 17 17.000.000 17.030.038 stvarna besedila 18 18.000.000 18.058.661 periodično 40 40.000.000 39.727.239 časopisi 20 20.000.000 19.919.327 revije 20 20.000.000 19.807.912 drugo 5 5.000.000 5.014.206 internet 20 20.000.000 20.001.001 novičarski portali 8 8.000.000 8.000.131 podjetja in ustanove 12 12.000.000 12.000.870 SKUPAJ 100 100.000.000 99.831.145 6.1 TISK: načrtovano število besed: 80.000.000 6.1.1 KNJIŽNO: načrtovano število besed: 35.000.000 6.1.1.1 LEpoSLovjE: NAČrTovANo ŠTEviLo BESEd: 17.000.000 Iz vsakega naslova smo vzeli 70,92 % besed. Končno število besed v kres-u: 17.030.038. 6.1.1.2 STvArNA BESEdiLA: NAČrTovANo ŠTEviLo BESEd: 18.000.000 Iz vsakega naslova smo vzeli 35,72 % besed. Končno število besed v kres-u: 18.058.661. 6.1.2 PERIODIČNO: načrtovano število besed: 40.000.000 177 6.1.2.1 ČASopiSi: NAČrTovANo ŠTEviLo BESEd: 20.000.000 razdelitev po letih za vsak časopis 1. Nedeljski dnevnik Št. vseh Načrtovano Končno besed št. besed št. besed Nedeljski dnevnik 1999 Dnevnik SSJ.T.P.C Dnevnik 971.284 396.250 396.250 Nedeljski dnevnik 2000 Dnevnik SSJ.T.P.C Dnevnik 3.049.893 396.250 396.296 Nedeljski dnevnik 2001 Dnevnik SSJ.T.P.C Dnevnik 2.831.397 396.250 396.386 Nedeljski dnevnik 2002 Dnevnik SSJ.T.P.C Dnevnik 2.647.320 396.250 396.344 Nedeljski dnevnik 2003 Dnevnik SSJ.T.P.C Dnevnik 2.482.561 396.250 396.286 Nedeljski dnevnik 2004 Dnevnik SSJ.T.P.C Dnevnik 2.522.037 396.250 396.341 Nedeljski dnevnik 2005 Dnevnik SSJ.T.P.C Dnevnik 1.101.772 396.250 396.379 Nedeljski dnevnik 2009 Dnevnik SSJ.T.P.C Dnevnik 11.401.530 396.250 396.252 SKUPAJ 3.170.000 3.170.534 2. Dobro jutro Št. vseh Načrtovano Končno besed št. besed št. besed Dobro jutro 2002 Regionalni mediji SSJ.T.P.C drugo 43.641 43.641 43.641 Dobro jutro 2003 Regionalni mediji SSJ.T.P.C drugo 559.409 559.409 559.409 Dobro jutro 2003 Regionalni mediji SSJ.T.P.R drugo 21.692 21.692 21.692 Dobro jutro 2004 Regionalni mediji SSJ.T.P.C drugo 474.391 474.391 474.391 Dobro jutro 2005 Regionalni mediji SSJ.T.P.C drugo 619.313 619.313 619.313 SKUPAJ 1.718.446 1.718.446 Manjka 1.281.554 besed. Vzeli smo jih iz časopisa Demokracija (gl. dodatek spodaj). 3. Slovenske novice Št. vseh Načrtovano Končno besed št. besed št. besed Slovenske novice: 2007 Delo SSJ.T.P.C Delo 3.631.077 1.419.000 1.419.090 24 ur na preži Slovenske novice: 2008 Delo SSJ.T.P.C Delo 3.576.429 1.419.000 1.419.032 24 ur na preži SKUPAJ 2.838.000 2.838.122 4. Nedelo Št. vseh Načrtovano Končno besed št. besed št. besed Nedelo: slovenski 2007 Delo SSJ.T.P.C Delo 1.513.520 700.000 700.062 nedeljski časnik Nedelo: slovenski 2008 Delo SSJ.T.P.C Delo 1.588.575 700.000 700.022 nedeljski časnik SKUPAJ 1.400.000 1.400.084 178 5. Kmečki glas Št. vseh Načrtovano Končno besed št. besed št. besed Kmečki glas 2009 ČZD Kmečki glas SSJ.T.P.C drugo 1.832.246 153.285 153.410 Kmečki glas 1997 Kmečki glas SSJ.T.P.C drugo 43.717 43.717 43.717 Kmečki glas 1998 Kmečki glas SSJ.T.P.C drugo 2.343.614 153.285 153.342 Kmečki glas 1999 Kmečki glas SSJ.T.P.C drugo 2.970.777 153.285 153.346 Kmečki glas 2000 Kmečki glas SSJ.T.P.C drugo 3.028.350 153.285 153.329 Kmečki glas 2001 Kmečki glas SSJ.T.P.C drugo 3.358.673 153.285 153.291 Kmečki glas 2002 Kmečki glas SSJ.T.P.C drugo 1.282.891 153.285 153.293 Kmečki glas 2004 Kmečki glas SSJ.T.P.C drugo 3.748.280 153.285 153.307 Kmečki glas 2005 Kmečki glas SSJ.T.P.C drugo 2.359.746 153.285 153.374 SKUPAJ 1.270.000 1.270.409 6. Delo Št. vseh Načrtovano Končno besed št. besed št. besed Delo 1997 Delo SSJ.T.P.C Delo 60.861 60.861 60.861 Delo 1998 Delo SSJ.T.P.C Delo 7.176.770 122.127 119.879 Delo 1999 Delo SSJ.T.P.C Delo 12.829.754 122.127 118.879 Delo 2000 Delo SSJ.T.P.C Delo 12.678.209 122.127 119.369 Delo 2001 Delo SSJ.T.P.C Delo 25.566.451 122.127 121.522 Delo 2002 Delo SSJ.T.P.C Delo 25.085.977 122.127 121.965 Delo 2003 Delo SSJ.T.P.C Delo 26.703.960 122.127 121.870 Delo 2004 Delo SSJ.T.P.C Delo 6.597.751 122.127 121.835 Delo 2007 Delo SSJ.T.P.C Delo 15.073.149 122.127 122.150 Delo 2008 Delo SSJ.T.P.C Delo 17.480.095 122.127 122.186 SKUPAJ 1.160.000 1.150.516 7. Večer Št. vseh Načrtovano Končno besed št. besed št. besed Večer 1998 Večer SSJ.T.P.C Večer 1.523.565 228.000 228.019 Večer 1999 Večer SSJ.T.P.C Večer 6.599.623 228.000 228.005 Večer 2000 Večer SSJ.T.P.C Večer 9.993.097 228.000 228.020 Večer 2001 Večer SSJ.T.P.C Večer 10.992.094 228.000 228.295 Večer 2002 Večer SSJ.T.P.C Večer 4.305.921 228.000 228.007 SKUPAJ 1.140.000 1.140.346 179 8. Dnevnik Št. vseh Načrtovano Končno besed št. besed št. besed Dnevnik 1996 Dnevnik SSJ.T.P.C Dnevnik 3.989.495 79.886 79.906 Dnevnik 1997 Dnevnik SSJ.T.P.C Dnevnik 13.653.534 79.886 79.857 Dnevnik 1998 Dnevnik SSJ.T.P.C Dnevnik 14.125.460 79.886 79.912 Dnevnik 1999 Dnevnik SSJ.T.P.C Dnevnik 16.108.077 79.886 79.870 Dnevnik 2000 Dnevnik SSJ.T.P.C Dnevnik 17.889.217 79.886 80.066 Dnevnik 2001 Dnevnik SSJ.T.P.C Dnevnik 17.544.637 79.886 79.921 Dnevnik 2002 Dnevnik SSJ.T.P.C Dnevnik 16.668.986 79.886 79.834 Dnevnik 2003 Dnevnik SSJ.T.P.C Dnevnik 13.976.801 79.886 79.823 Dnevnik 2004 Dnevnik SSJ.T.P.C Dnevnik 13.635.252 79.886 79.915 Dnevnik 2005 Dnevnik SSJ.T.P.C Dnevnik 45.24.884 79.886 79.926 Dnevnik 2006 Dnevnik SSJ.T.P.C Dnevnik 15.491 15.491 15.491 Dnevnik 2007 Dnevnik SSJ.T.P.C Dnevnik 15.551.108 79.886 79.886 Dnevnik 2008 Dnevnik SSJ.T.P.C Dnevnik 16.225.147 79.886 79.926 Dnevnik 2009 Dnevnik SSJ.T.P.C Dnevnik 17.428.150 79.886 79.932 SKUPAJ 1.054.000 1.054.265 9. Družina Št. vseh Načrtovano Končno besed št. besed št. besed Družina: slovenski 2006 Družina SSJ.T.P.C drugo 86.346 86.346 86.346 katoliški tednik Družina: slovenski 2007 Družina SSJ.T.P.C drugo 81.855 81.855 81.855 katoliški tednik Družina: slovenski 2009 Družina SSJ.T.P.C drugo 71.319 71.319 71.319 katoliški tednik SKUPAJ 239.520 239.520 Manjka 626.480 besed. Vzeli smo jih iz časopisa Novi Matajur (gl. dodatek spodaj). 10. Posavski obzornik Št. vseh Načrtovano Končno besed št. besed št. besed Posavski obzornik 2006 Neviodunum SSJ.T.P.C drugo 649.706 130.000 130.183 Posavski obzornik 2007 Neviodunum SSJ.T.P.C drugo 791.409 130.000 130.233 Posavski obzornik 2008 Neviodunum SSJ.T.P.C drugo 864.336 130.000 130.174 Posavski obzornik 2009 Neviodunum SSJ.T.P.C drugo 772.708 130.000 130.099 SKUPAJ 520.000 520.689 180 11. Finance Št. vseh Načrtovano Končno besed št. besed št. besed Finance: 2006 Časnik Finance SSJ.T.P.C Finance 4.625.486 44.057 44.064 prvi slovenski poslovni dnevnik FFinance: 2007 Časnik Finance SSJ.T.P.C Finance 4.438.026 44.057 44.065 prvi slovenski poslovni dnevnik Finance: 2008 Časnik Finance SSJ.T.P.C Finance 5.260.185 44.057 44.098 prvi slovenski poslovni dnevnik Finance: 2009 Časnik Finance SSJ.T.P.C Finance 5.066.660 44.057 44.139 prvi slovenski poslovni dnevnik Finance: 2010 Časnik Finance SSJ.T.P.C Finance 2.190.516 44.057 44.089 prvi slovenski poslovni dnevnik Finance 2000 Časnik Finance SSJ.T.P.C Finance 23.369 23.369 23.369 Finance 2001 Časnik Finance SSJ.T.P.C Finance 196.203 44.057 43.726 Finance 2002 Časnik Finance SSJ.T.P.C Finance 236.591 44.057 43.728 Finance 2003 Časnik Finance SSJ.T.P.C Finance 209.337 44.057 43.656 Finance 2004 Časnik Finance SSJ.T.P.C Finance 148.960 44.057 43.850 Finance 2005 Časnik Finance SSJ.T.P.C Finance 197.448 44.057 43.771 Finance 2006 Časnik Finance SSJ.T.P.C Finance 116.312 44.057 44.018 SKUPAJ 508.000 506.573 12. Dolenski list Št. vseh Načrtovano Končno besed št. besed št. besed Dolenjski list 1994 Dolenjski list SSJ.T.P.C Dolenjski list 939.061 38.378 37.616 Dolenjski list 1995 Dolenjski list SSJ.T.P.C Dolenjski list 1.753.939 38.378 37.545 Dolenjski list 1995 Dolenjski list SSJ.T.P.R Dolenjski list 1.081 1.081 1.081 Dolenjski list 1996 Dolenjski list SSJ.T.P.C Dolenjski list 3.863.461 38.378 37.900 Dolenjski list 1997 Dolenjski list SSJ.T.P.C Dolenjski list 3.826.488 38.378 38.002 Dolenjski list 1998 Dolenjski list SSJ.T.P.C Dolenjski list 3.346.229 38.378 38.160 Dolenjski list 1999 Dolenjski list SSJ.T.P.C Dolenjski list 2.899.759 38.378 38.422 Dolenjski list 2000 Dolenjski list SSJ.T.P.C Dolenjski list 2.878.016 38.378 38.471 Dolenjski list 2001 Dolenjski list SSJ.T.P.C Dolenjski list 2.761.034 38.378 38.394 Dolenjski list 2002 Dolenjski list SSJ.T.P.C Dolenjski list 2.614.707 38.378 38.386 Dolenjski list 2003 Dolenjski list SSJ.T.P.C Dolenjski list 2.703.134 38.378 38.578 Dolenjski list 2004 Dolenjski list SSJ.T.P.C Dolenjski list 3.141.537 38.378 38.414 Dolenjski list 2005 Dolenjski list SSJ.T.P.C Dolenjski list 125.537 38.378 38.574 Dolenjski list 2007 Dolenjski list SSJ.T.P.C Dolenjski list 371.884 38.378 38.379 SKUPAJ 500.000 497.922 181 13. Vaš mesečnik Št. vseh Načrtovano Končno besed št. besed št. besed Vaš mesečnik 2004 Televizija SSJ.T.P.C drugo 208.199 89.200 89.268 Novo mesto Vaš mesečnik 2005 Televizija SSJ.T.P.C drugo 263.639 89.200 89.222 Novo mesto Vaš mesečnik 2006 Televizija SSJ.T.P.C drugo 250.221 89.200 89.273 Novo mesto Vaš mesečnik 2007 Televizija SSJ.T.P.C drugo 226.156 89.200 89.634 Novo mesto Vaš mesečnik 2008 Televizija SSJ.T.P.C drugo 171.039 89.200 89.298 Novo mesto SKUPAJ 446.000 446.695 14. Gorenjski glas Št. vseh Načrtovano Končno besed št. besed št. besed Gorenjski 1994 Gorenjski SSJ.T.P.C Gorenjski 2.073.032 50.000 50.011 glas glas glas Gorenjski 1995 Gorenjski SSJ.T.P.C Gorenjski 1.949.985 50.000 50.003 glas glas glas Gorenjski 2003 Gorenjski SSJ.T.P.C Gorenjski 6.403.236 50.000 50.018 glas glas glas Gorenjski 2004 Gorenjski SSJ.T.P.C Gorenjski 5.964.031 50.000 50.029 glas glas glas Gorenjski 2005 Gorenjski SSJ.T.P.C Gorenjski 6.028.872 50.000 50.064 glas glas glas Gorenjski 2007 Gorenjski SSJ.T.P.C Gorenjski 6.843.338 50.000 50.004 glas glas glas Gorenjski 2008 Gorenjski SSJ.T.P.C Gorenjski 6.395.070 50.000 50.078 glas glas glas Gorenjski 2009 Gorenjski SSJ.T.P.C Gorenjski 3.350.780 50.000 50.005 glas glas glas SKUPAJ 400.000 400.212 15. Novi tednik Št. vseh Načrtovano Končno besed št. besed št. besed Novi tednik 1997 Novi tednik SSJ.T.P.C drugo 1.185.385 46.066 43.527 NT&RC Novi tednik 1998 Novi tednik SSJ.T.P.C drugo 1.067.972 46.066 43.792 NT&RC Novi tednik 1999 Novi tednik SSJ.T.P.C drugo 11.470 11.470 11.470 NT&RC 182 Novi tednik 2002 Novi tednik SSJ.T.P.C drugo 46.768 46.066 46.140 NT-RC Novi tednik 2002 Novi tednik SSJ.T.P.R drugo 2.376.246 46.066 46.127 NT-RC Novi tednik 2003 Novi tednik SSJ.T.P.C drugo 2.145.611 46.066 46.146 NT&RC Novi tednik 2006 NT & RC SSJ.T.P.C drugo 3.208.577 46.066 46.113 Novi tednik 2007 NT & RC SSJ.T.P.C drugo 3.177.593 46.066 46.172 Novi tednik 2008 NT & RC SSJ.T.P.C drugo 2.988.041 46.066 46.091 SKUPAJ 380.000 375.578 16. Kranjski glas Št. vseh Načrtovano Končno besed št. besed št. besed Kranjski glas: 2007 Gorenjski SSJ.T.P.C Gorenjski 199.943 174.000 174.037 časopis občine glas glas Kranj Kranjski glas: 2008 Gorenjski SSJ.T.P.C Gorenjski 185.418 174.000 174.135 časopis občine glas glas Kranj SKUPAJ 348.000 348.172 17. Štajerski tednik Št. vseh Načrtovano Končno besed št. besed št. besed Štajerski tednik 1996 Radio-Tednik SSJ.T.P.C drugo 2.127.863 170.000 170.004 Štajerski tednik 1997 Radio-Tednik SSJ.T.P.C drugo 2.311.267 170.000 170.011 SKUPAJ 340.000 340.015 18. Ekipa Št. vseh Načrtovano Končno besed št. besed št. besed Ekipa 2000 Salomon 2000 SSJ.T.P.C Ekipa 3.442.534 47.143 47.162 Ekipa 2005 Salomon 2000 SSJ.T.P.C Ekipa 5.007.714 47.143 47.555 Ekipa 2006 Salomon 2000 SSJ.T.P.C Ekipa 9.925.554 47.143 47.198 Ekipa 2007 Salomon 2000 SSJ.T.P.C Ekipa 9.404.432 47.143 47.468 Ekipa 2008 Salomon 2000 SSJ.T.P.C Ekipa 9.229.324 47.143 47.332 Ekipa 2009 Salomon 2000 SSJ.T.P.C Ekipa 8.941.024 47.143 47.168 Ekipa 2010 Salomon 2000 SSJ.T.P.C Ekipa 204.317 47.143 47.156 SKUPAJ 330.000 331.039 183 19. Jeseniške novice Št. vseh Načrtovano Končno besed št. besed št. besed Jeseniške novice: 2007 Gorenjski SSJ.T.P.C Gorenjski 553.590 165.000 165.017 časopis občine glas glas Jesenice Jeseniške novice: 2008 Gorenjski SSJ.T.P.C Gorenjski 396.654 165.000 165.119 časopis občine glas glas Jesenice SKUPAJ 330.000 330.136 Dodatek: Časopisa, ki nadomeščata manjkajoče besede v časopisih Družina in Dobro jutro V Družini je manjkalo 626.480 besed, v časopisu Dobro jutro pa 1.281.554 besed. Delež, ki manjka v Družini, smo nadomestili z Novim Matajurjem, manjkajoči delež iz časopisa Dobro jutro pa z Demokracijo. 20. Novi Matajur Št. vseh Načrtovano Končno besed št. besed št. besed Novi Matajur: 2006 Novi Matajur SSJ.T.P.C drugo 193.155 156.620 156.722 tednik Slovencev videmske pokrajine Novi Matajur: 2007 Novi Matajur SSJ.T.P.C drugo 353.141 156.620 156.767 tednik Slovencev videmske pokrajine Novi Matajur: 2008 Novi Matajur SSJ.T.P.C drugo 383.581 156.620 156.901 tednik Slovencev videmske pokrajine Novi Matajur: 2009 Novi Matajur SSJ.T.P.C drugo 373.972 156.620 156.665 tednik Slovencev videmske pokrajine SKUPAJ 626.480 627.055 21. Demokracija Št. vseh Načrtovano Končno besed št. besed št. besed Demokracija 2003 Nova obzorja SSJ.T.P.C drugo 293.532 240.224 240.256 Demokracija 2003 neznani SSJ.T.P.C drugo 80.430 80.430 80.430 slovenski politični založnik tednik Demokracija 2004 Nova obzorja SSJ.T.P.C drugo 288.406 240.224 240.252 Demokracija 2005 Nova obzorja SSJ.T.P.C drugo 420.717 240.224 240.296 Demokracija 2007 Nova obzorja SSJ.T.P.C drugo 3.495.007 240.224 240.395 Demokracija 2008 Nova obzorja SSJ.T.P.C drugo 4.884.616 240.224 240.270 SKUPAJ 1.303.246 1.281.899 184 6.1.2.2 rEvijE: NAČrTovANo ŠTEviLo BESEd: 20.000.000 razdelitev po letih za vsako revijo 1. Lady Št. vseh Načrtovano Končno besed št. besed št. besed Lady 2000 Delo SSJ.T.P.R drugo 875.316 875.316 875.316 SKUPAJ 875.316 875.316 Manjka 278.684 besed. Vzeli smo jih iz revije Lepa & zdrava (gl. dodatek spodaj). 2. Ognjišče Št. vseh Načrtovano Končno besed št. besed št. besed Ognjišče 1999 Slovenske SSJ.T.P.R drugo 57.534 57.534 57.534 rimokatoliške škofije SKUPAJ 57.534 57.534 Manjka 730.220 besed. Vzeli smo jih iz revije Men's Health (gl. dodatek spodaj). 3. Motorevija Št. vseh Načrtovano Končno besed št. besed št. besed Motorevija 2006 Avto moto zveza SSJ.T.P.R drugo 299.780 299.780 299.780 Slovenije SKUPAJ 299.780 299.780 Manjka 730.220 besed. Vzeli smo jih iz revije Men's Health (gl. dodatek spodaj). 4. Zdravje Št. vseh Načrtovano Končno besed št. besed št. besed Zdravje 2005 Alpress SSJ.T.P.R drugo 199.350 93.813 93.902 Zdravje 2006 Alpress SSJ.T.P.R drugo 431.460 93.813 93.829 Zdravje 2007 Alpress SSJ.T.P.R drugo 387.347 93.813 93.823 Zdravje 2008 Alpress SSJ.T.P.R drugo 431.209 93.813 93.815 Zdravje 2009 Alpress SSJ.T.P.R drugo 385.064 93.813 93.815 Zdravje 2010 Alpress SSJ.T.P.R drugo 71.678 71.678 71.678 Zdravje 2002 Ara SSJ.T.P.R drugo 299.389 93.813 93.834 Zdravje 2003 Ara SSJ.T.P.R drugo 528.013 93.813 93.822 Zdravje 2004 Ara SSJ.T.P.R drugo 434.190 93.813 93.917 Zdravje 2005 Ara SSJ.T.P.R drugo 258.335 93.813 93.892 SKUPAJ 916.000 916.327 185 5. National Geographic Št. vseh Načrtovano Končno besed št. besed št. besed National 2009 National SSJ.T.P.R drugo 7.839 7.839 7.839 Geographic Geographic National 2010 National SSJ.T.P.R drugo 5.961 5.961 5.961 Geographic Geographic SKUPAJ 13.800 13.800 Manjka 866.200 besed. Vzeli smo jih iz revije Svet in ljudje (gl. dodatek spodaj). 6. Ciciban Št. vseh Načrtovano Končno besed št. besed št. besed Ciciban 1999 Mladinska knjiga SSJ.T.P.R drugo 13.618 13.618 13.618 Založba Ciciban 2000 Mladinska knjiga SSJ.T.P.R drugo 134.777 134.777 134.777 Založba Ciciban 2001 Mladinska knjiga SSJ.T.P.R drugo 77.961 77.961 77.961 Založba Ciciban 2002 Mladinska knjiga SSJ.T.P.R drugo 64.541 64.541 64.541 Založba Ciciban 2003 Mladinska knjiga SSJ.T.P.R drugo 71.380 71.380 71.380 Založba Ciciban 2004 Mladinska knjiga SSJ.T.P.R drugo 77.460 77.460 77.460 Založba Ciciban 2005 Mladinska knjiga SSJ.T.P.R drugo 47.135 47.135 47.135 Založba SKUPAJ 486.872 486.872 Manjka 185.128 besed. Vzeli smo jih iz revije Ciciban za starše (gl. dodatek spodaj). 7. Jana Št. vseh Načrtovano Končno besed št. besed št. besed Jana 2003 Delo SSJ.T.P.R drugo 1.223.807 70.518 70.509 Jana 2004 Delo Revije SSJ.T.P.R Delo Revije 1.573.590 70.518 70.575 Jana 2004 Delo SSJ.T.P.R drugo 2.240.143 70.518 70.522 Jana 2005 Delo Revije SSJ.T.P.R Delo Revije 962.600 70.518 70.528 Jana 2005 Delo SSJ.T.P.R drugo 1.029.223 70.518 70.551 Jana 2006 Delo Revije SSJ.T.P.R Delo Revije 11.336 11.336 11.336 Jana 2007 Delo Revije SSJ.T.P.R Delo Revije 2.027.145 70.518 70.537 Jana 2008 Delo Revije SSJ.T.P.R Delo Revije 1.883.863 70.518 70.519 Jana 2009 Delo Revije SSJ.T.P.R Delo Revije 2.178.731 70.518 70.525 Jana 2010 Delo Revije SSJ.T.P.R Delo Revije 328.028 70.518 70.544 SKUPAJ 646.000 646.146 186 8. Obrtnik Št. vseh Načrtovano Končno besed št. besed št. besed Obrtnik 2002 Zveza obrtnih SSJ.T.P.R drugo 324.955 107.000 107.029 združenj Slovenije Obrtnik 2003 Zveza obrtnih SSJ.T.P.R drugo 816.249 107.000 107.009 združenj Slovenije Obrtnik 2004 Zveza obrtnih SSJ.T.P.R drugo 269.770 107.000 107.056 združenj Slovenije Obrtnik 2006 Obrtno-podjetniška SSJ.T.P.R drugo 805.703 107.000 107.029 zbornica Slovenije Obrtnik 2007 Obrtno-podjetniška SSJ.T.P.R drugo 653.033 107.000 107.052 zbornica Slovenije Obrtnik 2008 Obrtno-podjetniška SSJ.T.P.R drugo 550.593 107.000 107.060 zbornica Slovenije SKUPAJ 642.000 642.235 9. Anja Št. vseh Načrtovano Končno besed št. besed št. besed Anja: zakladnica 2004 Delo Revije SSJ.T.P.R Delo Revije 8.361 8.361 8.361 ženskih idej Anja: zakladnica 2005 Delo Revije SSJ.T.P.R Delo Revije 491.074 116.327 116.549 ženskih idej Anja: zakladnica 2006 Delo Revije SSJ.T.P.R Delo Revije 875.814 116.327 116.334 ženskih idej Anja: zakladnica 2007 Delo Revije SSJ.T.P.R Delo Revije 944.093 116.327 116.338 ženskih idej Anja: zakladnica 2008 Delo Revije SSJ.T.P.R Delo Revije 977.600 116.327 116.425 ženskih idej Anja: zakladnica 2009 Delo Revije SSJ.T.P.R Delo Revije 489.773 116.327 116.352 ženskih idej SKUPAJ 590.000 590.359 10. Vzajemna Št. vseh Načrtovano Končno besed št. besed št. besed Vzajemna 2006 Bistra SSJ.T.P.R drugo 786.703 137.000 137.013 Vzajemna 2007 Bistra SSJ.T.P.R drugo 685.145 137.000 137.004 Vzajemna 2008 Bistra SSJ.T.P.R drugo 763.801 137.000 137.027 Vzajemna 2009 Bistra SSJ.T.P.R drugo 313.645 137.000 137.010 SKUPAJ 548.000 548.054 187 11. Cosmopolitan Št. vseh Načrtovano Končno št. besed št. besed besed Cosmopolitan 2004 Motomedia SSJ.T.P.R drugo 618.752 107.600 107.634 Cosmopolitan 2006 Adria media SSJ.T.P.R Adria Media 153.186 107.600 107.655 Cosmopolitan 2007 Adria media SSJ.T.P.R Adria Media 524.789 107.600 107.620 Cosmopolitan 2008 Adria media SSJ.T.P.R Adria Media 559.433 107.600 107.607 Cosmopolitan 2009 Adria media SSJ.T.P.R Adria Media 142.247 107.600 107.643 SKUPAJ 538.000 538.159 12. Nova Št. vseh Načrtovano Končno besed št. besed št. besed Nova: v svetu 2006 Adria media SSJ.T.P.R Adria Media 1.939.313 67.143 67.252 slavnih Nova: v svetu 2007 Adria media SSJ.T.P.R Adria Media 2.721.295 67.143 67.275 slavnih Nova: v svetu 2008 Adria media SSJ.T.P.R Adria Media 2.143.454 67.143 67.160 slavnih Nova: v svetu 2009 Adria media SSJ.T.P.R Adria Media 810.317 67.143 67.170 slavnih Nova 2002 Burda SSJ.T.P.R drugo 820.530 67.143 67.149 Nova 2003 Burda SSJ.T.P.R drugo 1.044.900 67.143 67.211 Nova 2004 Burda SSJ.T.P.R drugo 1.144.598 67.143 67.144 SKUPAJ 470.000 470.361 13. Cicido Št. vseh Načrtovano Končno besed št. besed št. besed Cicido 1999 Mladinska knjiga Založba SSJ.T.P.R drugo 12.986 12.986 12.986 Cicido 2000 Mladinska knjiga Založba SSJ.T.P.R drugo 44.728 44.728 44.728 Cicido 2001 Mladinska knjiga Založba SSJ.T.P.R drugo 27.435 27.435 27.435 Cicido 2002 Mladinska knjiga Založba SSJ.T.P.R drugo 25.958 25.958 25.958 Cicido 2003 Mladinska knjiga Založba SSJ.T.P.R drugo 34.374 34.374 34.374 Cicido 2004 Mladinska knjiga Založba SSJ.T.P.R drugo 34.010 34.010 34.010 Cicido 2005 Mladinska knjiga Založba SSJ.T.P.R drugo 19.659 19.659 19.659 SKUPAJ 199.150 199.150 Manjka 266.850 besed. Vzeli smo jih iz revije Ciciban za starše (gl. dodatek spodaj). 14. Gea Št. vseh Načrtovano Končno št. besed št. besed besed Gea 2000 Mladinska knjiga Založba SSJ.T.P.R drugo 290.768 70.000 70.103 Gea 2001 Mladinska knjiga Založba SSJ.T.P.R drugo 439.853 70.000 70.167 188 Gea 2002 Mladinska knjiga Založba SSJ.T.P.R drugo 455.329 70.000 70.049 Gea 2003 Mladinska knjiga Založba SSJ.T.P.R drugo 453.035 70.000 70.231 Gea 2004 Mladinska knjiga Založba SSJ.T.P.R drugo 507.085 70.000 70.001 Gea 2005 Mladinska knjiga Založba SSJ.T.P.R drugo 525.899 70.000 70.110 SKUPAJ 420.000 420.661 15. Rože & vrt (z dodatkom, ki manjka pri reviji Moj lepi vrt, gl. v nadaljevanju) Št. vseh Načrtovano Končno besed št. besed št. besed Rože & vrt: revija 2008 Delo Revije SSJ.T.P.R Delo Revije 80.047 80.047 80.047 za ljubitelje vrta in sobnih rastlin Rože & vrt: revija 2009 Delo Revije SSJ.T.P.R Delo Revije 197.732 86.602 86.609 za ljubitelje vrta in sobnih rastlin Rože & vrt: revija 2010 Delo Revije SSJ.T.P.R Delo Revije 65.778 65.778 65.778 za ljubitelje vrta in sobnih rastlin Rože & vrt 2002 Delo Revije SSJ.T.P.R Delo Revije 150.730 86.602 86.643 Rože & vrt 2003 Delo Revije SSJ.T.P.R Delo Revije 281.973 86.602 86.621 Rože & vrt 2004 Delo Revije SSJ.T.P.R Delo Revije 281.050 86.602 86.604 Rože & vrt 2005 Delo Revije SSJ.T.P.R Delo Revije 237.045 86.602 86.702 SKUPAJ 578.837 579.004 16. Naša žena Št. vseh Načrtovano Končno besed št. besed št. besed Naša žena: prva 2005 Delo Revije SSJ.T.P.R Delo 446.584 50.146 50.146 slovenska ženska Revije in družinska revija Naša žena: prva 2006 Delo Revije SSJ.T.P.R Delo 784.292 50.146 50.172 slovenska ženska Revije in družinska revija Naša žena: prva 2007 Delo Revije SSJ.T.P.R Delo 738.508 50.146 50.195 slovenska ženska Revije in družinska revija Naša žena: prva 2008 Delo Revije SSJ.T.P.R Delo 720.974 50.146 50.176 slovenska ženska Revije in družinska revija Naša žena: prva 2009 Delo Revije SSJ.T.P.R Delo 646.095 50.146 50.171 slovenska ženska Revije in družinska revija Naša žena: prva 2010 Delo Revije SSJ.T.P.R Delo 114.160 50.146 50.148 slovenska ženska Revije in družinska revija Naša žena 1996 Delo Prodaja SSJ.T.P.R drugo 1.621 1.621 1.621 Naša žena 1997 Delo Prodaja SSJ.T.P.R drugo 4.312 4.312 4.312 Naša žena 1998 Delo Prodaja SSJ.T.P.R drugo 55.613 55.613 55.613 189 Naša žena 1999 Delo Prodaja SSJ.T.P.R drugo 12.617 12.617 12.617 Naša žena 2000 Delo Prodaja SSJ.T.P.R drugo 32.963 32.963 32.963 SKUPAJ 408.000 408.134 17. Avto magazin Št. vseh Načrtovano Končno besed št. besed št. besed Avto magazin 2000 Adria media SSJ.T.P.R Adria Media 967.297 33.667 33.669 Avto magazin 2001 Adria media SSJ.T.P.R Adria Media 924.711 33.667 33.667 Avto magazin 2002 Adria media SSJ.T.P.R Adria Media 982.014 33.667 33.715 Avto magazin 2003 Adria media SSJ.T.P.R Adria Media 835.518 33.667 33.668 Avto magazin 2003 Delo Revije SSJ.T.P.R Delo Revije 831.076 33.667 33.713 Avto magazin 2004 Adria media SSJ.T.P.R Adria Media 753.773 33.667 33.669 Avto magazin 2004 Delo Revije SSJ.T.P.R Delo Revije 733.441 33.667 33.620 Avto magazin 2005 Adria media SSJ.T.P.R Adria Media 756.364 33.667 33.677 Avto magazin 2006 Adria media SSJ.T.P.R Adria Media 756.161 33.667 33.788 Avto magazin 2007 Adria media SSJ.T.P.R Adria Media 655.197 33.667 33.676 Avto magazin 2008 Adria media SSJ.T.P.R Adria Media 693.189 33.667 33.670 Avto magazin 2009 Adria media SSJ.T.P.R Adria Media 367.679 33.667 33.772 SKUPAJ 404.000 404.304 18. Viva Št. vseh Načrtovano Končno besed št. besed št. besed Viva: revija za 2003 Studio moderna SSJ.T.P.R drugo 161.899 39.293 39.348 zdravo življenje storitve Viva: revija za 2004 Studio moderna SSJ.T.P.R drugo 1.847.897 39.293 39.306 zdravo življenje storitve Viva: revija za 2005 Studio moderna SSJ.T.P.R drugo 1.114.305 39.293 39.339 zdravo življenje storitve Viva: revija za 2006 Studio moderna SSJ.T.P.R drugo 1.479.698 39.293 39.302 zdravo življenje storitve Viva: revija za 2007 Studio moderna SSJ.T.P.R drugo 1.213.622 39.293 39.343 zdravo življenje storitve Viva: revija za 2008 Studio moderna SSJ.T.P.R drugo 373.595 39.293 39.293 zdravo življenje storitve Viva: revija za 2009 Studio moderna SSJ.T.P.R drugo 231.336 39.293 39.301 zdravo življenje storitve Viva 2000 Viva SSJ.T.P.R drugo 1.065 1.065 1.065 Viva 2001 Viva SSJ.T.P.R drugo 444.236 39.293 39.303 Viva 2002 Viva SSJ.T.P.R drugo 619.551 39.293 39.331 Viva 2003 Viva SSJ.T.P.R drugo 724.599 39.293 39.304 SKUPAJ 394.000 394.235 190 19. Smrklja Št. vseh Načrtovano Končno besed št. besed št. besed Smrklja 2005 Delo Revije SSJ.T.P.R Delo Revije 140.997 140.997 140.997 SKUPAJ 140.997 140.997 Manjka 231.003 besed. Vzeli smo jih iz revije Gloss (gl. dodatek spodaj). 20. Gaia Št. vseh Načrtovano Končno besed št. besed št. besed Gaia 2007 Klub GAIA SSJ.T.P.R drugo 117.623 117.623 117.623 Gaia 2008 Klub GAIA SSJ.T.P.R drugo 213.863 125.189 125.274 Gaia 2009 Klub GAIA SSJ.T.P.R drugo 155.186 125.189 125.241 SKUPAJ 368.000 368.138 21. Moj lepi vrt Št. vseh Načrtovano Končno besed št. besed št. besed Moj lepi vrt 2005 Burda SSJ.T.P.R drugo 197.374 197.374 197.374 Moj lepi vrt 2006 Burda SSJ.T.P.R drugo 11.789 11.789 11.789 SKUPAJ 209.163 209.163 Manjka 158.837 besed. Vzeli smo jih iz revije Rože & vrt (označeno že zgoraj). 22. PIL plus Št. vseh Načrtovano Končno besed št. besed št. besed PIL plus 2003 Mladinska knjiga Založba SSJ.T.P.R drugo 872.315 146.764 146.770 PIL plus 2004 Mladinska knjiga Založba SSJ.T.P.R drugo 897.111 146.764 146.806 PIL plus 2005 Mladinska knjiga Založba SSJ.T.P.R drugo 74.473 74.473 74.473 SKUPAJ 368.000 368.049 23. Lepa in zdrava Št. vseh Načrtovano Končno besed št. besed št. besed Lepa & zdrava 2005 Delo SSJ.T.P.R Delo 460.483 157.425 157.472 Revije Revije Lepa & zdrava: revija 2009 Delo SSJ.T.P.R Delo 229.333 157.425 157.427 za polno življenje Revije Revije Lepa & zdrava: revija 2008 Delo SSJ.T.P.R Delo 21.150 21.150 21.150 za polno življenje Revije Revije SKUPAJ 336.000 336.049 191 24. Moj malček Št. vseh Načrtovano Končno besed št. besed št. besed Moj malček 1997 Info press SSJ.T.P.R drugo 9.761 9.761 9.761 Moj malček 1999 Info press SSJ.T.P.R drugo 34.649 34.649 34.649 SKUPAJ 44.410 44.410 Manjka 271.590 besed. Vzeli smo jih iz revij Vzgoja in Vzgojiteljica (gl. dodatek spodaj). 25. Hopla Št. vseh Načrtovano Končno besed št. besed št. besed Hopla 2006 Dnevnik SSJ.T.P.R drugo 6.652.844 160.000 160.030 Hopla 2009 Dnevnik SSJ.T.P.R drugo 5.312.750 160.000 160.043 SKUPAJ 320.000 320.073 26. Življenje in tehnika Št. vseh Načrtovano Končno besed št. besed št. besed Življenje in 1993 Tehniška založba SSJ.T.P.R drugo 236.689 18.824 18.663 tehnika Slovenije Življenje in 1994 Tehniška založba SSJ.T.P.R drugo 401.461 18.824 18.451 tehnika Slovenije Življenje in 1995 Tehniška založba SSJ.T.P.R drugo 377.342 18.824 18.335 tehnika Slovenije Življenje in 1996 Tehniška založba SSJ.T.P.R drugo 417.084 18.824 18.530 tehnika Slovenije Življenje in 1997 Tehniška založba SSJ.T.P.R drugo 419.318 18.824 18.410 tehnika Slovenije Življenje in 1998 Tehniška založba SSJ.T.P.R drugo 346.776 18.824 18.806 tehnika Slovenije Življenje in 1999 Tehniška založba SSJ.T.P.R drugo 121.735 18.824 18.900 tehnika Slovenije Življenje in 2000 Tehniška založba SSJ.T.P.R drugo 402.190 18.824 18.893 tehnika Slovenije Življenje in 2001 Tehniška založba SSJ.T.P.R drugo 482.840 18.824 18.895 tehnika Slovenije Življenje in 2002 Tehniška založba SSJ.T.P.R drugo 487.865 18.824 18.895 tehnika Slovenije Življenje in 2003 Tehniška založba SSJ.T.P.R drugo 470.004 18.824 18.850 tehnika Slovenije Življenje in 2004 Tehniška založba SSJ.T.P.R drugo 442.683 18.824 18.831 tehnika Slovenije Življenje in 2005 Tehniška založba SSJ.T.P.R drugo 639.387 18.824 18.849 tehnika Slovenije Življenje in 2006 Tehniška založba SSJ.T.P.R drugo 402.087 18.824 18.865 tehnika Slovenije Življenje in 2007 Tehniška založba SSJ.T.P.R drugo 415.350 18.824 18.858 tehnika Slovenije 192 Življenje in 2008 Tehniška založba SSJ.T.P.R drugo 529.222 18.824 19.082 tehnika Slovenije Življenje in 2009 Tehniška založba SSJ.T.P.R drugo 130.666 18.824 18.899 tehnika Slovenije SKUPAJ 320.000 319.012 27. Lisa Št. vseh Načrtovano Končno besed št. besed št. besed Lisa: polna 2005 Adria media SSJ.T.P.R Adria Media 1.021.846 42.106 42.222 dobrih idej Lisa: polna 2008 Adria media SSJ.T.P.R Adria Media 932.064 42.106 42.106 dobrih idej Lisa: polna 2009 Adria media SSJ.T.P.R Adria Media 281.055 42.106 42.153 dobrih idej Lisa 2002 Motomedia SSJ.T.P.R drugo 168.600 42.106 42.182 Lisa 2003 Motomedia SSJ.T.P.R drugo 812.536 42.106 42.124 Lisa 2004 Motomedia SSJ.T.P.R drugo 698.006 42.106 42.159 Lisa 2005 Burda SSJ.T.P.R drugo 166.466 42.106 42.116 Lisa 2006 Burda SSJ.T.P.R drugo 15.256 15.256 15.256 SKUPAJ 310.000 310.318 28. Mladina Št. vseh Načrtovano Končno besed št. besed št. besed Mladina 1991 Mladina SSJ.T.P.R Mladina 1.247.701 20.400 20.747 Mladina 1992 Mladina SSJ.T.P.R Mladina 2.013.310 20.400 20.451 Mladina 1993 Mladina SSJ.T.P.R Mladina 2.079.404 20.400 20.543 Mladina 1994 Mladina SSJ.T.P.R Mladina 1.611.174 20.400 20.508 Mladina 1995 Mladina SSJ.T.P.R Mladina 1.847.761 20.400 20.566 Mladina 1996 Mladina SSJ.T.P.R Mladina 2.222.967 20.400 20.460 Mladina 1997 Mladina SSJ.T.P.R Mladina 2.137.253 20.400 20.497 Mladina 1998 Mladina SSJ.T.P.R Mladina 2.325.761 20.400 20.454 Mladina 1999 Mladina SSJ.T.P.R Mladina 1.980.466 20.400 20.407 Mladina 2000 Mladina SSJ.T.P.R Mladina 3.076.525 20.400 20.450 Mladina 2001 Mladina SSJ.T.P.R Mladina 2.836.006 20.400 20.570 Mladina 2002 Mladina SSJ.T.P.R Mladina 2.739.633 20.400 20.638 Mladina 2003 Mladina SSJ.T.P.R Mladina 2.819.534 20.400 20.454 Mladina 2004 Mladina SSJ.T.P.R Mladina 2.958.369 20.400 20.433 Mladina 2005 Mladina SSJ.T.P.R Mladina 1.974.385 20.400 20.439 SKUPAJ 306.000 307.617 193 29. Obrazi Št. vseh Načrtovano Končno besed št. besed št. besed Obrazi: kjer 2006 Delo Revije SSJ.T.P.R Delo Revije 1.982.089 76.500 76.775 znani prikažejo svoj pravi obraz Obrazi: kjer 2007 Delo Revije SSJ.T.P.R Delo Revije 550.450 76.500 76.506 znani prikažejo svoj pravi obraz Obrazi: kjer 2008 Delo Revije SSJ.T.P.R Delo Revije 1.218.487 76.500 76.506 znani prikažejo svoj pravi obraz Obrazi: kjer 2009 Delo Revije SSJ.T.P.R Delo Revije 1.306.709 76.500 76.608 znani prikažejo svoj pravi obraz SKUPAJ 306.000 306.395 30. Joker Št. vseh Načrtovano Končno besed št. besed št. besed Joker 2006 Alpress SSJ.T.P.R drugo 2.265.078 300.000 300.177 SKUPAJ 300.000 300.177 31. Playboy Št. vseh Načrtovano Končno besed št. besed št. besed Playboy 2003 Motomedia SSJ.T.P.R drugo 498.184 38.286 38.320 Playboy 2004 Motomedia SSJ.T.P.R drugo 550.416 38.286 38.371 Playboy 2005 Adria media SSJ.T.P.R Adria Media 504.583 38.286 38.458 Playboy 2006 Adria media SSJ.T.P.R Adria Media 519.692 38.286 38.308 Playboy 2007 Adria media SSJ.T.P.R Adria Media 523.018 38.286 38.319 Playboy 2008 Adria media SSJ.T.P.R Adria Media 527.471 38.286 38.325 Playboy 2009 Adria media SSJ.T.P.R Adria Media 271.792 38.286 38.432 SKUPAJ 268.000 268.533 32. Avto foto market Št. vseh Načrtovano Končno besed št. besed št. besed Avto foto market 2003 Avto FM SSJ.T.P.R drugo 120.487 37.143 37.229 Avto foto market 2004 Avto FM SSJ.T.P.R drugo 313.886 37.143 37.202 Avto foto market 2005 Avto FM SSJ.T.P.R drugo 528.509 37.143 37.155 Avto foto market 2006 Avto FM SSJ.T.P.R drugo 129.557 37.143 37.161 Avto foto market 2007 Avto FM SSJ.T.P.R drugo 304.957 37.143 37.182 194 Avto foto market 2008 Avto FM SSJ.T.P.R drugo 238.617 37.143 37.245 Avto foto market 2009 Avto FM SSJ.T.P.R drugo 62.682 37.143 37.242 SKUPAJ 260.000 260.416 33. Lea Št. vseh Načrtovano Končno besed št. besed št. besed Lea: v družbi 2007 Adria media SSJ.T.P.R Adria Media 1.720.461 85.333 85.450 pravih zvezd Lea: v družbi 2008 Adria media SSJ.T.P.R Adria Media 2.015.152 85.333 85.473 pravih zvezd Lea: v družbi 2009 Adria media SSJ.T.P.R Adria Media 784.813 85.333 85.334 pravih zvezd SKUPAJ 256.000 256.257 34. Stop Št. vseh Načrtovano Končno besed št. besed št. besed Stop: preklopi 2006 Delo Revije SSJ.T.P.R Delo Revije 1.518.210 35.614 35.701 glavo na zabavo Stop: preklopi 2007 Delo Revije SSJ.T.P.R Delo Revije 1.438.536 35.614 35.619 glavo na zabavo Stop: preklopi 2008 Delo Revije SSJ.T.P.R Delo Revije 1.498.727 35.614 35.792 glavo na zabavo Stop: preklopi 2009 Delo Revije SSJ.T.P.R Delo Revije 833.016 35.614 35.656 glavo na zabavo Stop 2000 Delo Revije SSJ.T.P.R Delo Revije 6.702 6.702 6.702 Stop 2003 Delo Revije SSJ.T.P.R Delo Revije 676.441 35.614 35.738 Stop 2004 Delo Revije SSJ.T.P.R Delo Revije 1.624.677 35.614 35.636 Stop 2005 Delo Revije SSJ.T.P.R Delo Revije 770.141 35.614 35.614 SKUPAJ 256.000 256.458 35. Story Št. vseh Načrtovano Končno besed št. besed št. besed Story: znani 2008 Adria media SSJ.T.P.R Adria Media 332.467 128.000 128.156 nam zaupajo več Story: znani 2009 Adria media SSJ.T.P.R Adria Media 505.317 128.000 128.457 nam zaupajo več SKUPAJ 256.000 256.613 195 36. Eva Št. vseh Načrtovano Končno besed št. besed št. besed Eva: bodite prvi 2006 Delo Revije SSJ.T.P.R Delo Revije 18.710 18.710 18.710 Eva: bodite prvi 2008 Delo Revije SSJ.T.P.R Delo Revije 42.966 42.966 42.966 Eva: bodite prvi 2009 Delo Revije SSJ.T.P.R Delo Revije 32.959 32.959 32.959 Eva 2005 Delo Revije SSJ.T.P.R Delo Revije 328.003 147.365 147.387 SKUPAJ 242.000 242.022 37. City magazine Št. vseh Načrtovano Končno besed št. besed št. besed City magazine 2007 Mestne revije SSJ.T.P.R drugo 24.430 24.430 24.430 City magazine 2008 Mestne revije SSJ.T.P.R drugo 54.465 54.465 54.465 City magazine 2009 Mestne revije SSJ.T.P.R drugo 51.546 51.546 51.546 SKUPAJ 130.441 130.441 Manjka 101.559 besed. Vzeli smo jih iz revije Lepota (gl. dodatek spodaj). 38. Kmetovalec Št. vseh Načrtovano Končno besed št. besed št. besed Kmetovalec 1997 Kmetijska založba SSJ.T.P.R drugo 253.346 22.889 22.977 Kmetovalec 1998 Kmetijska založba SSJ.T.P.R drugo 281.421 22.889 22.891 Kmetovalec 1999 Kmetijska založba SSJ.T.P.R drugo 290.075 22.889 22.924 Kmetovalec 2000 Kmetijska založba SSJ.T.P.R drugo 277.894 22.889 22.890 Kmetovalec 2001 Kmetijska založba SSJ.T.P.R drugo 245.755 22.889 22.887 Kmetovalec 2002 Kmetijska založba SSJ.T.P.R drugo 211.867 22.889 23.049 Kmetovalec 2003 Kmetijska založba SSJ.T.P.R drugo 208.735 22.889 23.047 Kmetovalec 2004 Kmetijska založba SSJ.T.P.R drugo 213.519 22.889 22.951 Kmetovalec 2005 Kmetijska založba SSJ.T.P.R drugo 161.351 22.889 22.920 SKUPAJ 206.000 206.536 39. Kih Št. vseh Načrtovano Končno besed št. besed št. besed KIH 2000 Delo SSJ.T.P.R drugo 995 995 995 KIH 2005 Delo SSJ.T.P.R drugo 188.240 188.240 188.240 SKUPAJ 189.235 189.235 Manjka 8.765 besed. Vzeli smo jih iz revije Lady križanke (gl. dodatek spodaj). 196 40. Elle Št. vseh Načrtovano Končno besed št. besed št. besed Elle 2006 Adria media SSJ.T.P.R Adria Media 478.477 49.500 49.549 Elle 2007 Adria media SSJ.T.P.R Adria Media 554.174 49.500 49.546 Elle 2008 Adria media SSJ.T.P.R Adria Media 432.272 49.500 49.647 Elle 2009 Adria media SSJ.T.P.R Adria Media 216.004 49.500 49.507 SKUPAJ 198.000 198.249 41. Monitor Št. vseh Načrtovano Končno besed št. besed št. besed Monitor 1996 Infomediji SSJ.T.P.R drugo 942.726 17.375 17.482 Monitor 1997 Infomediji SSJ.T.P.R drugo 832.491 17.375 17.393 Monitor 1998 Infomediji SSJ.T.P.R drugo 1.043.089 17.375 17.473 Monitor 1999 Infomediji SSJ.T.P.R drugo 1.085.688 17.375 17.532 Monitor 1999 Pasadena SSJ.T.P.R drugo 6.875 6.875 6.875 Monitor 2000 Infomediji SSJ.T.P.R drugo 1.183.828 17.375 17.379 Monitor 2001 Infomediji SSJ.T.P.R drugo 999.266 17.375 17.387 Monitor 2002 Infomediji SSJ.T.P.R drugo 851.676 17.375 17.438 Monitor 2003 Infomediji SSJ.T.P.R drugo 837.182 17.375 17.375 Monitor 2004 Infomediji SSJ.T.P.R drugo 813.522 17.375 17.435 Monitor 2005 Infomediji SSJ.T.P.R drugo 765.438 17.375 17.388 Monitor 2006 Mladina SSJ.T.P.R drugo 885.038 17.375 17.382 SKUPAJ 198.000 198.539 42. Cool Št. vseh Načrtovano Končno besed št. besed št. besed Cool: revija za mlade 1999 Novium SSJ.T.P.R drugo 6.451 6.451 6.451 Cool: revija za mlade 2003 Novium SSJ.T.P.R drugo 1.678 1.678 1.678 Cool: revija za mlade 2004 Novium SSJ.T.P.R drugo 24.681 24.681 24.681 Cool: revija za mlade 2005 Novium SSJ.T.P.R drugo 11.115 11.115 11.115 Cool: revija za mlade 2006 Novium SSJ.T.P.R drugo 9.632 9.632 9.632 Cool: revija za mlade 2007 Novium SSJ.T.P.R drugo 6.066 6.066 6.066 Cool: revija za mlade 2008 Novium SSJ.T.P.R drugo 3.610 3.610 3.610 Cool: revija za mlade 2009 Novium SSJ.T.P.R drugo 10.188 10.188 10.188 Cool 2000 Matetopis SSJ.T.P.R drugo 16.999 16.999 16.999 SKUPAJ 90.420 90.420 Manjka 99.580 besed. Vzeli smo jih iz revije Frka (gl. dodatek spodaj). 197 43. Radar Št. vseh Načrtovano Končno besed št. besed št. besed Radar: revija za ljubitelje 2000 Aneks SSJ.T.P.R drugo 158.860 11.875 11.937 dobrega branja Radar: revija za ljubitelje 2001 Aneks SSJ.T.P.R drugo 283.733 11.875 11.941 dobrega branja Radar: revija za ljubitelje 2002 Aneks SSJ.T.P.R drugo 220.925 11.875 11.892 dobrega branja Radar: revija za ljubitelje 2003 Aneks SSJ.T.P.R drugo 299.827 11.875 12.199 dobrega branja Radar: revija za ljubitelje 2004 Aneks SSJ.T.P.R drugo 338.605 11.875 11.992 dobrega branja Radar: revija za ljubitelje 2005 Aneks SSJ.T.P.R drugo 351.966 11.875 12.001 dobrega branja Radar: revija za ljubitelje 2006 Aneks SSJ.T.P.R drugo 364.406 11.875 12.078 dobrega branja Radar: revija za ljubitelje 2007 Aneks SSJ.T.P.R drugo 385.098 11.875 11.876 dobrega branja Radar: revija za ljubitelje 2008 Aneks SSJ.T.P.R drugo 387.746 11.875 12.025 dobrega branja Radar: revija za ljubitelje 2009 Aneks SSJ.T.P.R drugo 309.399 11.875 11.979 dobrega branja Radar 2000 Mi2 SSJ.T.P.R drugo 136.886 11.875 11.889 Radar 2001 Mi2 SSJ.T.P.R drugo 309.234 11.875 11.875 Radar 2002 Mi2 SSJ.T.P.R drugo 262.192 11.875 11.946 Radar 2003 Mi2 SSJ.T.P.R drugo 244.391 11.875 11.935 Radar 2004 Mi2 SSJ.T.P.R drugo 307.195 11.875 11.897 Radar 2005 Mi2 SSJ.T.P.R drugo 157.646 11.875 11.895 SKUPAJ 190.000 191.357 44. Podjetnik Št. vseh Načrtovano Končno besed št. besed št. besed Podjetnik 1995 Obrtno-podjetniška SSJ.T.P.R drugo 200.116 83.000 83.022 zbornica Slovenije Podjetnik 2005 Obrtno-podjetniška SSJ.T.P.R drugo 140.943 83.000 83.046 zbornica Slovenije SKUPAJ 166.000 166.068 45. Ribič Št. vseh Načrtovano Končno besed št. besed št. besed Ribič 2000 Ribiška zveza Slovenije SSJ.T.P.R drugo 69.588 16.600 16.674 Ribič 2001 Ribiška zveza Slovenije SSJ.T.P.R drugo 202.458 16.600 16.649 Ribič 2002 Ribiška zveza Slovenije SSJ.T.P.R drugo 227.054 16.600 16.625 Ribič 2003 Ribiška zveza Slovenije SSJ.T.P.R drugo 237.097 16.600 16.610 198 Ribič 2004 Ribiška zveza Slovenije SSJ.T.P.R drugo 251.339 16.600 16.663 Ribič 2005 Ribiška zveza Slovenije SSJ.T.P.R drugo 362.665 16.600 16.601 Ribič 2006 Ribiška zveza Slovenije SSJ.T.P.R drugo 223.661 16.600 16.612 Ribič 2007 Ribiška zveza Slovenije SSJ.T.P.R drugo 208.434 16.600 16.617 Ribič 2008 Ribiška zveza Slovenije SSJ.T.P.R drugo 219.361 16.600 16.602 Ribič 2009 Ribiška zveza Slovenije SSJ.T.P.R drugo 164.588 16.600 16.605 SKUPAJ 166.000 166.258 46. Moj mikro Št. vseh Načrtovano Končno besed št. besed št. besed Moj mikro 2003 Delo Revije SSJ.T.P.R Delo Revije 828.796 20.286 20.398 Moj mikro 2004 Delo Revije SSJ.T.P.R Delo Revije 910.228 20.286 20.349 Moj mikro 2005 Delo Revije SSJ.T.P.R Delo Revije 744.789 20.286 20.288 Moj mikro 2006 Delo Revije SSJ.T.P.R Delo Revije 879.018 20.286 20.310 Moj mikro 2007 Delo Revije SSJ.T.P.R Delo Revije 838.771 20.286 20.400 Moj mikro 2008 Delo Revije SSJ.T.P.R Delo Revije 849.768 20.286 20.353 Moj mikro 2009 Delo Revije SSJ.T.P.R Delo Revije 772.627 20.286 20.423 SKUPAJ 142.000 142.521 47. Revija Obramba Št. vseh Načrtovano Končno besed št. besed št. besed Revija obramba 2009 Defensor SSJ.T.P.R drugo 483.325 142.000 142.045 SKUPAJ 142.000 142.045 48. Računalniške novice Št. vseh Načrtovano Končno besed št. besed št. besed Računalniške 2006 Nevtron & SSJ.T.P.R drugo 627.078 32.000 33.114 novice Company Računalniške 2007 Nevtron & SSJ.T.P.R drugo 438.548 32.000 32.042 novice Company Računalniške 2008 Nevtron & SSJ.T.P.R drugo 588.575 32.000 32.024 novice Company Računalniške 2009 Nevtron & SSJ.T.P.R drugo 335.512 32.000 32.023 novice Company SKUPAJ 128.000 129.203 199 49. Revija o konjih Št. vseh Načrtovano Končno besed št. besed št. besed Revija o konjih 2004 ČZD Kmečki glas SSJ.T.P.R drugo 386.571 60.000 60.060 Revija o konjih 2005 ČZD Kmečki glas SSJ.T.P.R drugo 316.621 60.000 60.059 SKUPAJ 120.000 120.119 50. Modna Št. vseh Načrtovano Končno besed št. besed št. besed Modna 2006 Delo Revije SSJ.T.P.R Delo Revije 188.764 26.500 26.650 Modna 2007 Delo Revije SSJ.T.P.R Delo Revije 334.580 26.500 26.518 Modna 2008 Delo Revije SSJ.T.P.R Delo Revije 102.884 26.500 26.520 Modna 2009 Delo Revije SSJ.T.P.R Delo Revije 81.701 26.500 26.638 SKUPAJ 106.000 106.326 51. Val Št. vseh Načrtovano Končno besed št. besed št. besed Val 2000 REX SSJ.T.P.R drugo 1.065 1.065 1.065 Val 2001 REX SSJ.T.P.R drugo 333.551 18.587 18.602 Val 2002 REX SSJ.T.P.R drugo 623.251 18.587 18.622 Val 2003 REX SSJ.T.P.R drugo 596.196 18.587 18.688 Val 2004 REX SSJ.T.P.R drugo 641.504 18.587 18.698 Val 2005 REX SSJ.T.P.R drugo 396.541 18.587 18.633 SKUPAJ 94.000 94.308 52. Vip Št. vseh Načrtovano Končno besed št. besed št. besed VIP 2003 Zveza potrošnikov SSJ.T.P.R drugo 204.450 11.750 11.758 Slovenije VIP 2004 Zveza potrošnikov SSJ.T.P.R drugo 234.842 11.750 11.778 Slovenije VIP 2005 Zveza potrošnikov SSJ.T.P.R drugo 236.035 11.750 11.766 Slovenije VIP 2006 Zveza potrošnikov SSJ.T.P.R drugo 251.148 11.750 11.978 Slovenije VIP 2007 Zveza potrošnikov SSJ.T.P.R drugo 249.283 11.750 11.806 Slovenije VIP 2008 Zveza potrošnikov SSJ.T.P.R drugo 290.070 11.750 11.836 Slovenije VIP 2009 Zveza potrošnikov SSJ.T.P.R drugo 253.082 11.750 11.775 Slovenije 200 VIP 2010 Zveza potrošnikov SSJ.T.P.R drugo 46.673 11.750 11.865 Slovenije SKUPAJ 94.000 94.562 53. Moj mali svet Št. vseh Načrtovano Končno besed št. besed št. besed Moj mali svet 2004 ČZD Kmečki glas SSJ.T.P.R drugo 381.727 46.000 46.069 Moj mali svet 2005 ČZD Kmečki glas SSJ.T.P.R drugo 339.708 46.000 46.042 SKUPAJ 92.000 92.111 54. Pri nas doma Št. vseh Načrtovano Končno besed št. besed št. besed Pri nas doma: super 2008 Delo Revije SSJ.T.P.R Delo Revije 106.878 15.600 15.648 ideje za vaš dom Pri nas doma: super 2009 Delo Revije SSJ.T.P.R Delo Revije 156.935 15.600 15.602 ideje za vaš dom Pri nas doma: super 2010 Delo Revije SSJ.T.P.R Delo Revije 34.674 15.600 15.627 ideje za vaš dom Pri nas doma 2004 Delo Revije SSJ.T.P.R Delo Revije 40.870 15.600 15.601 Pri nas doma 2005 Delo Revije SSJ.T.P.R Delo Revije 149.490 15.600 15.636 SKUPAJ 78.000 78.114 Dodatek: Revije, ki nadomeščajo manjkajoče besede v revijah Lady, Ognjišče, Motorevija, National Geographic, Ciciban, Cicido, Smrklja, Moj lepi vrt, Moj malček, City magazine, Kih in Cool Št. manjkajočih besed Zamenjava z Lady 278.684 Lepa & zdrava (710.966)* Ognjišče 1.076.466 Misteriji (1.144.029) Motorevija 730.220 Men's Health (4.133.793) National Geographic 866.200 Svet in ljudje (5.000.294) Ciciban 185.128 Ciciban za starše (562.062) Cicido 266.850 Smrklja 231.003 Gloss (3.450.950) Moj lepi vrt 158.837 Rože & vrt (ki tudi sicer že sodi v kres, 1.294.355) Moj malček 271.590 Vzgoja + Vzgojiteljica (skupaj 344.135) City magazine 101.559 Lepota (588.448) Kih 8.765 Lady križanke (52.212) Cool 99.580 Frka (171.706) SKUPAJ 4.274.882 * V oklepaju je število vseh besed iz te revije v Gigafidi. 201 55. Lepa & zdrava Št. vseh Načrtovano Končno besed št. besed št. besed Lepa & zdrava: revija 2008 Delo SSJ.T.P.R Delo 21.150 21.150 21.150 za polno življenje Revije Revije Lepa & zdrava: revija 2009 Delo SSJ.T.P.R Delo 229.333 128.767 157.427 za polno življenje Revije Revije Lepa & zdrava 2005 Delo SSJ.T.P.R Delo 460.483 128.767 157.472 Revije Revije SKUPAJ 278.684 336.049 56. Misteriji Št. vseh Načrtovano Končno besed št. besed št. besed Misteriji 2007 Ara SSJ.T.P.R drugo 318.228 318.228 318.228 Misteriji 2008 Ara SSJ.T.P.R drugo 387.112 361.702 361.821 Misteriji 2009 Ara SSJ.T.P.R drugo 403.876 361.702 361.873 Misteriji 2010 Ara SSJ.T.P.R drugo 34.813 34.813 34.813 SKUPAJ 1.076.466 1.076.735 57. Men's Health Št. vseh Načrtovano Končno besed št. besed št. besed Men's health: 2005 Adria media SSJ.T.P.R Adria Media 716.560 104.317 104.318 revija za moške Men's health: 2006 Adria media SSJ.T.P.R Adria Media 686.802 104.317 104.390 revija za moške Men's health: 2007 Adria media SSJ.T.P.R Adria Media 606.885 104.317 104.401 revija za moške Men's health: 2008 Adria media SSJ.T.P.R Adria Media 548.363 104.317 104.324 revija za moške Men's health: 2009 Adria media SSJ.T.P.R Adria Media 236.836 104.317 104.487 revija za moške Men's Health 2003 Motomedia SSJ.T.P.R drugo 595.391 104.317 104.322 Men's Health 2004 Motomedia SSJ.T.P.R drugo 742.956 104.317 104.341 SKUPAJ 730.220 730.583 58. Svet in ljudje Št. vseh Načrtovano Končno besed št. besed št. besed Svet in ljudje 1999 Svet in ljudje SSJ.T.P.R drugo 673.800 78.745 78.801 Svet in ljudje 2000 Svet in ljudje SSJ.T.P.R drugo 470.920 78.745 78.808 Svet in ljudje 2001 Svet in ljudje SSJ.T.P.R drugo 248.426 78.745 78.757 Svet in ljudje 2002 Svet in ljudje SSJ.T.P.R drugo 897.202 78.745 78.789 Svet in ljudje 2003 Svet in ljudje SSJ.T.P.R drugo 680.664 78.745 78.771 202 Svet in ljudje 2004 Svet in ljudje SSJ.T.P.R drugo 641.891 78.745 78.782 Svet in ljudje 2005 Svet in ljudje SSJ.T.P.R drugo 357.115 78.745 78.918 Svet in ljudje 2006 Svet in ljudje SSJ.T.P.R drugo 366.017 78.745 78.767 Svet in ljudje 2007 Svet in ljudje SSJ.T.P.R drugo 336.872 78.745 78.800 Svet in ljudje 2008 Svet in ljudje SSJ.T.P.R drugo 199.549 78.745 78.984 Svet in ljudje 2009 Svet in ljudje SSJ.T.P.R drugo 127.838 78.745 78.812 SKUPAJ 866.200 866.989 59. Ciciban za starše Št. vseh Načrtovano Končno besed št. besed št. besed Ciciban za starše 1999 Mladinska SSJ.T.P.R drugo 30.711 30.711 30.711 knjiga Založba Ciciban za starše 2000 Mladinska SSJ.T.P.R drugo 66.971 66.971 66.971 knjiga Založba Ciciban za starše 2001 Mladinska SSJ.T.P.R drugo 74.708 70.870 70.951 knjiga Založba Ciciban za starše 2002 Mladinska SSJ.T.P.R drugo 93.455 70.870 70.899 knjiga Založba Ciciban za starše 2003 Mladinska SSJ.T.P.R drugo 110.726 70.870 70.906 knjiga Založba Ciciban za starše 2004 Mladinska SSJ.T.P.R drugo 114.677 70.870 70.870 knjiga Založba Ciciban za starše 2005 Mladinska SSJ.T.P.R drugo 70.814 70.814 70.814 knjiga Založba SKUPAJ 451.978 452.122 60. Gloss Št. vseh Načrtovano Končno besed št. besed št. besed Gloss 2000 Image Management SSJ.T.P.R drugo 179.098 23.100 23.112 Gloss 2001 Image Management SSJ.T.P.R drugo 602.016 23.100 23.167 Gloss 2002 Image Management SSJ.T.P.R drugo 562.850 23.100 23.239 Gloss 2003 Image Management SSJ.T.P.R drugo 414.306 23.100 23.268 Gloss 2004 Image Management SSJ.T.P.R drugo 436.113 23.100 23.233 Gloss 2005 Image Management SSJ.T.P.R drugo 355.669 23.100 23.143 Gloss 2006 Image Management SSJ.T.P.R drugo 362.202 23.100 23.410 Gloss 2007 Image Management SSJ.T.P.R drugo 253.954 23.100 23.295 Gloss 2008 Image Management SSJ.T.P.R drugo 243.840 23.100 23.106 Gloss 2009 Image Management SSJ.T.P.R drugo 40.902 23.100 23.169 SKUPAJ 231.003 232.142 (Rože in vrt: 158.837, upoštevano že zgoraj.) 203 61. Vzgoja + Vzgojiteljica Št. vseh Načrtovano Končno besed št. besed št. besed Vzgoja: revija za 2006 Društvo SSJ.T.P.R drugo 68.956 50.023 50.127 učitelje, vzgojitelje katoliških in starše pedagogov Slovenije Vzgoja: revija za 2007 Društvo SSJ.T.P.R drugo 31.729 31.729 31.729 učitelje, vzgojitelje katoliških in starše pedagogov Slovenije Vzgoja: revija za 2008 Društvo SSJ.T.P.R drugo 61.103 50.023 50.223 učitelje, vzgojitelje katoliških in starše pedagogov Slovenije Vzgoja: revija za 2009 Društvo SSJ.T.P.R drugo 68.800 50.023 50.048 učitelje, vzgojitelje katoliških in starše pedagogov Slovenije Vzgojiteljica: revija za 2008 Pozoj SSJ.T.P.R drugo 73.780 50.023 50.545 dobro prakso v vrtcih Vzgojiteljica: revija za 2009 Pozoj SSJ.T.P.R drugo 39.767 39.767 39.767 dobro prakso v vrtcih SKUPAJ 271.590 272.439 62. Lepota Št. vseh Načrtovano Končno besed št. besed št. besed Lepota 2000 Image Management SSJ.T.P.R drugo 48.250 16.926 16.974 Lepota 2001 Image Management SSJ.T.P.R drugo 145.400 16.926 16.939 Lepota 2002 Image Management SSJ.T.P.R drugo 141.935 16.926 16.944 Lepota 2003 Image Management SSJ.T.P.R drugo 116.032 16.926 16.957 Lepota 2004 Image Management SSJ.T.P.R drugo 102.626 16.926 16.930 Lepota 2005 Image Management SSJ.T.P.R drugo 34.205 16.926 16.931 SKUPAJ 101.559 101.675 63. Lady križanke Št. vseh Načrtovano Končno besed št. besed št. besed Lady križanke 2005 Delo Revije SSJ.T.P.R Delo Revije 52.212 8.765 8.871 SKUPAJ 8.765 8.871 204 64. Frka Št. vseh Načrtovano Končno besed št. besed št. besed Frka 1995 Salomon 2000 SSJ.T.P.R drugo 17.001 16.264 16.339 Frka 2000 Salomon 2000 SSJ.T.P.R drugo 1.997 1.997 1.997 Frka 2001 Salomon 2000 SSJ.T.P.R drugo 26.417 16.264 16.290 Frka 2002 Salomon 2000 SSJ.T.P.R drugo 47.080 16.264 16.362 Frka 2003 Salomon 2000 SSJ.T.P.R drugo 33.539 16.264 16.303 Frka 2004 Salomon 2000 SSJ.T.P.R drugo 22.658 16.264 16.275 Frka 2005 Salomon 2000 SSJ.T.P.R drugo 23.014 16.264 16.350 SKUPAJ 99.580 99.916 6.1.3 DRUGO: načrtovano število besed: 5.000.000 V kres smo vključili 95,88 % besed iz besedil Državnega zbora Republike Slovenije in 95,88 % besed iz besedil rtv Slovenije. Načrtovano št. besed Končno št. besed Državni zbor Republike Slovenije 3.487.385 3.501.198 RTV Slovenija 1.512.615 1.513.008 SKUPAJ 5.000.000 5.014.206 6.2 INTERNET: načrtovano število besed: 20.000.000 6.2.1 NOVIČARSKI PORTALI: načrtovano število besed: 8.000.000 Št. vseh besed Načrtovano št. besed Končno št. besed 24ur.com SSJ.I 24ur.com 34.963.385 4.668.000 4.668.003 rtvslo.si SSJ.I rtvslo.si 27.294.954 1.827.200 1.827.202 siol.net SSJ.I siol.net 36.103.293 1.504.800 1.504.926 SKUPAJ 98.361.632 8.000.000 8.000.131 205 6.2.2 USTANOVE, PODJETJA: načrtovano število besed: 12.000.000 6.2.2.1 uSTANovE Št. vseh Načrtovano Končno besed št. besed št. besed cd-cc.si SSJ.I internet, ustanove 342.375 342.375 342.368 dkom.si SSJ.I internet, ustanove 657.160 513.121 513.140 dp-rs.si SSJ.I internet, ustanove 9.819 9.819 9.819 drama.si SSJ.I internet, ustanove 63.567 63.567 63.567 ds-rs.si SSJ.I internet, ustanove 400.808 400.808 400.808 dt-rs.si SSJ.I internet, ustanove 38.511 38.511 38.511 dz-rs.si SSJ.I dz-rs.si 27.737.001 513.121 513.150 etno-muzej.si SSJ.I internet, ustanove 445.943 445.943 445.943 filharmonija.si SSJ.I internet, ustanove 31.165 31.165 31.165 film-sklad.si SSJ.I internet, ustanove 15.956 15.956 15.956 gov.si SSJ.I internet, ustanove 3.415.076 513.121 513.164 gozdis.si SSJ.I internet, ustanove 6.745 6.745 6.745 ier.si SSJ.I internet, ustanove 142 142 142 ijs.si SSJ.I internet, ustanove 68.242 68.242 68.242 imt.si SSJ.I internet, ustanove 6.667 6.667 6.667 inv.si SSJ.I internet, ustanove 10.673 10.673 10.673 ip-rs.si SSJ.I internet, ustanove 3.735.755 513.121 513.133 irssv.si SSJ.I internet, ustanove 5.766 5.766 5.766 itr.si SSJ.I internet, ustanove 42.953 42.953 42.953 ivz.si SSJ.I internet, ustanove 93.118 93.118 93.118 izum.si SSJ.I internet, ustanove 70.719 70.719 70.719 ki.si SSJ.I internet, ustanove 18.693 18.693 18.693 kud-fp.si SSJ.I internet, ustanove 70.068 70.068 70.068 lgl.si SSJ.I internet, ustanove 200 200 200 lg-mb.si SSJ.I internet, ustanove 10.276 10.276 10.276 ljubljanafestival.si SSJ.I internet, ustanove 135.486 135.486 135.486 mestnimuzej.si SSJ.I internet, ustanove 79.657 79.657 79.656 mgl.si SSJ.I internet, ustanove 50.815 50.815 50.815 mg-lj.si SSJ.I internet, ustanove 58.884 58.884 58.884 mirovni-institut.si SSJ.I internet, ustanove 2.061.098 513.121 513.211 mladinsko.com SSJ.I internet, ustanove 112.367 112.367 112.367 muzej-nz.si SSJ.I internet, ustanove 31.729 31.729 31.729 narmuz-lj.si SSJ.I internet, ustanove 664 664 664 ng-slo.si SSJ.I internet, ustanove 104.096 104.096 104.096 nib.si SSJ.I internet, ustanove 43.923 43.923 43.923 nuk.si SSJ.I internet, ustanove 620 620 620 onko-i.si SSJ.I internet, ustanove 48.204 48.204 48.204 206 opera.si SSJ.I internet, ustanove 52.939 52.939 52.939 pei.si SSJ.I internet, ustanove 7.968 7.968 7.968 pgk.si SSJ.I internet, ustanove 83.476 83.476 83.476 pms-lj.si SSJ.I internet, ustanove 139.057 139.057 139.057 rs-rs.si SSJ.I internet, ustanove 65.373 65.373 65.373 sazu.si SSJ.I internet, ustanove 80.235 80.235 80.235 slg-ce.si SSJ.I internet, ustanove 151.658 151.658 151.658 sng-mb.si SSJ.I internet, ustanove 65.424 65.424 65.424 sng-ng.si SSJ.I internet, ustanove 246.063 246.063 246.036 sodisce.si SSJ.I internet, ustanove 5.776.609 513.121 513.168 spasteater.si SSJ.I internet, ustanove 74.054 74.054 74.054 ssolski-muzej.si SSJ.I internet, ustanove 50.510 50.510 50.510 teaterssg.org SSJ.I internet, ustanove 22.020 22.020 22.020 tms.si SSJ.I internet, ustanove 62.502 62.502 62.502 ung.si SSJ.I internet, ustanove 251.593 251.593 251.592 uni-lj.si SSJ.I internet, ustanove 1.671.215 513.121 513.159 uni-mb.si SSJ.I internet, ustanove 754.585 513.121 513.155 upr.si SSJ.I internet, ustanove 465.416 465.416 465.410 up-rs.si SSJ.I internet, ustanove 921.412 513.121 513.138 urbinstitut.si SSJ.I internet, ustanove 326 326 326 us-rs.si SSJ.I internet, ustanove 3.234.407 513.121 513.147 varuh-rs.si SSJ.I internet, ustanove 788.943 513.121 513.171 vibafilm.si SSJ.I internet, ustanove 4.436 4.436 4.436 vlada.si SSJ.I internet, ustanove 309.080 309.080 309.080 zrc-sazu.si SSJ.I internet, ustanove 304.692 304.692 304.692 SKUPAJ 55.608.934 10.500.000 10.500.367 6.2.2.2 podjETjA Št. vseh Načrtovano Končno besed št. besed št. besed abanka.si SSJ.I internet, ustanove 142.857 68.955 68.970 adria.si SSJ.I internet, ustanove 54.975 54.975 54.975 btc-city.com SSJ.I internet, ustanove 495.238 68.955 68.956 cimos.eu SSJ.I internet, ustanove 6.747 6.747 6.747 eles.si SSJ.I internet, ustanove 49.432 49.432 49.432 engrotus.si SSJ.I internet, ustanove 163.771 68.955 68.974 gorenje.si SSJ.I internet, ustanove 183.213 68.955 68.982 kolosej.si SSJ.I internet, ustanove 3.403.682 68.955 68.950 kompas.si SSJ.I internet, ustanove 739.542 68.955 68.962 krka.si SSJ.I internet, ustanove 139.097 68.955 68.965 lek.si SSJ.I internet, ustanove 123.803 68.955 69.096 lesnina.si SSJ.I internet, ustanove 8.838 8.838 8.838 mercator.si SSJ.I internet, ustanove 689.517 68.955 68.979 207 merkur.eu SSJ.I internet, ustanove 96.495 68.955 69.031 mobitel.si SSJ.I internet, ustanove 474.488 68.955 68.959 nlb.si SSJ.I internet, ustanove 174.210 68.955 68.969 omv.si SSJ.I internet, ustanove 27.667 27.667 27.667 petrol.si SSJ.I internet, ustanove 353.370 68.955 68.962 pivo-lasko.si SSJ.I internet, ustanove 15.020 15.020 15.020 pivo-union.si SSJ.I internet, ustanove 98 98 98 posta.si SSJ.I internet, ustanove 71.871 68.955 69.047 revoz.si SSJ.I internet, ustanove 11.039 11.039 11.039 simobil.si SSJ.I internet, ustanove 157.119 68.955 68.958 slo-zeleznice.si SSJ.I internet, ustanove 100.789 68.955 68.971 sportina.si SSJ.I internet, ustanove 58.809 58.809 58.809 telekom.si SSJ.I internet, ustanove 67.507 67.507 67.507 toyota.si SSJ.I internet, ustanove 117.137 68.955 69.009 zito.si SSJ.I internet, ustanove 27.631 27.631 27.631 SKUPAJ 7.953.962 1.500.000 1.500.503 208