К проблеме создания электронного сводного диалектного словаря

В начале 60-х гг. XX в. начинается подготовка, а затем и издание сводного «Словаря русских народных говоров» (СРНГ), который, безусловно, стал знаковым событием не только отечественной, но и мировой лексикографии и диалектологии. Данный научный проект сыграл важную роль прежде всего в развитии отечественной диалектной лексикологии. В настоящее время в Отделе диалектной лексикографии и лингвогеографии русского языка ИЛИ РАН (группа «Словаря русских народных говоров»: С. А. Мызников, И. В. Бакланова, Р. В. Гайдамашко, Ю. Ф. Денисенко, В. Б. Колосова, Е. В. Колосько, О. Н. Крылова, Е. И. Сьянова и др.) продолжается работа над СРНГ. В 2019 г. вышел 51-й том (Ход – хоюшки). Словарь стал одним из крупнейших компендиумов диалектной лексики русского языка [Вендина 2004: 3]. В нем обобщены лексические материалы, собранные в XIX–XXI вв. на всей территории распространения русского языка. В основе отбора диалектных слов лежит дифференциальный принцип. Диалектным считается слово, «имеющее локальное распространение и в то же время не входящее в словарный состав литературного языка (в любую его разновидность)» [Филин 1961: 22]. В качестве основного критерия диалектного слова признавалась его территориальная ограниченность. Диалектологи указывали на уязвимость данного критерия. О. Г. Гецова полагала, что «словарные изоглоссы не объективно данная величина, а представляет собою на самом деле не что иное, как искомую величину, такое неизвестное, которое нужно установить после того, как будут составлены диалектные словари» [Гецова 1964: 97]. Наличие у диалектного слова изоглоссы оставляло вне рамок диалектной лексикографии слова, распространенные во всех русских говорах, но не употребляемые в литературном языке (типа девка, лихой ‘злой’), а также слова диалектного происхождения, имеющие в говорах диалектные изоглоссы, но общепринятые в литературном языке (типа нетель, теребить (лен), стерня, буран и т. п.) [Нефедова, Качинская, Коконова 2013: 40]. С. А. Мызников, главный редактор «Словаря русских народных говоров» с 2014 г. (с 47-го т.), отмечает, что данное положение недостаточно раскрывает содержание таких понятий, как «диалектное слово», «диалектное значение» (подробнее о диалектном слове в лексикосистемном аспекте см.: [Блинова 1975; Блинова 1984; Коготкова 1979; Оссовецкий 1982 и др.]), и указывает на тот факт, что «не всегда имеются достаточные основания для «разведения» фактов общенародных и территориально ограниченных, диалектных» [Мызников 2013: 574–575]. Это позволяет расширять состав словника сводного диалектного словаря: включаются единицы, обозначающие характерные и специфические для конкретной местности названия предметов, действий и явлений, которые не имеют обозначения в общенародном языке, и архаичные (в том числе реликтовые) слова и выражения, сохранившиеся преимущественно в фольклоре и в речи старшего поколения носителей диалектов [там же: 575]. Более того, материалы «Словаря русских народных говоров» доказали, что так называемая «общенародная лексика» «по сути своей не является общенародной, так как часто используется лишь в некоторых областях России» [Вендина 2004: 3]. В 51-м т. (2019 г.) широко представлены слова общенародного языка. Главный редактор С. А. Мызников подчеркивает, что при подаче слов с большим семантическим объемом «дифференциальный принцип строго не соблюдался» (СРНГ 51: 4). Более широко в словник вводится лексика арго, что позволяет «проследить, как единица арго получает широкое распространение в русских говорах» (там же: 5). Дифференциальный подход достаточен при ретроспективной характеристике диалектного слова. В свою очередь, лексико-системный подход при исследовании диалектного слова обусловливает рассмотрение всего словарного состава диалекта как средства общения. В этом случае оказывается важной системная целостность наблюдаемого объекта.

Стоит указать на тот факт, что в последнее время источниковедческая база данного лексикографического проекта значительно увеличилась. Подаются материалы из отдельных региональных словарей, вышедших за последние два десятилетия: «Словарь вологодских говоров» (СВГ), «Словарь русских говоров Карелии и сопредельных областей» (СРГЛ), «Словарь русских говоров Одесщины» (СРГО), «Словарь смоленских говоров» (ССГ) и др. Однако книжная версия словаря не позволяет охватить в настоящее время всю диалектную номенклатуру, представленную в региональных словарях последних десятилетий. Очевидно, только при переиздании можно будет включить в состав словника СРНГ (на соответствующие буквы) материалы продолжающихся изданий: «Архангельский областной словарь» (АОС), «Псковский областной словарь с историческими данными» (ПОС), «Селигер: материалы по русской диалектологии» (Селигер), «Словарь говоров Русского Севера» (СГРС) и др. Не фиксируются составителями в настоящий момент материалы таких проектов, как «Живое ко- стромское слово. Краткий костромской областной словарь» (КрКОС), «Областной словарь вятских говоров» (ОСВГ), «Словарь донских говоров Волгоградской области» (СДГВО) и мн. др.

Перед составителями встает насущный вопрос переиздания словаря, что определяет, без сомнения, новый взгляд на традиционные принципы его составления, на состав словника и соответственно его расширение, на структуру словарной статьи, способы представления системных связей слова, на детальную разработку географических помет и т. п. Очевидно, что составителям и редакторам стоит обратить внимание на отражение функциональных особенностей живой диалектной речи, на представление в словарной статье сведений этнокультурного характера. Электронная форма региональных словарей и соответственно сводного диалектного словаря служит решению данного вопроса.

Современные информационные технологии, безусловно, открывают новые возможности для лексикографических решений. К сожалению, одной из ключевых проблем отечественной диалектологии, в частности диалектной лексикографии, является низкая цифровизация.

Диалектные словари, в том числе сводный словарь русских народных говоров, достаточно консервативны в сравнении с другими лексикографическими проектами. Они создаются на основе устоявшихся концепций, достаточно традиционных. Большинство региональных словарей демонстрирует новые подходы к лексикографической разработке лексической составляющей народных говоров. Выражается это как в реализации идеи семантической подачи материала, так и в расширении объема словарной статьи и увеличении количества параметров, характеризующих диалектную единицу. К тому же анализ современного состояния проблемы позволяет сделать следующий вывод: диалектная лексика и фразеология нуждаются в новых подходах к их описанию и представлению. Исследование содержания и структуры региональных и сводных словарей показывает, каким образом традиционно заложенные основные характеристики формы репрезентации лексической единицы могут стать отправной точкой для нового методологического подхода к подаче диалектного материала. Безусловно, словарь нового поколения должен отвечать таким критериям, как: 1) электронная форма; 2) интерактивность; 3) мультимедийность; 4) многомерность; 5) визуализация. Чрезвычайно важно начать работу по разработке методологической парадигмы для создания электронной формы сводного словаря русских народных говоров.

Возникновение этого замысла во многом определяется и общим направлением развития зарубежной лексикографии. Например, в Институте исконных языков Финляндии (Kotimaisten kielten keskus – «Котус») создан «Словарь финских диалектов» ( Suomen murteiden sanakirja ), изначально включающий в себя примерно 300 000– 350 000 слов. Словарь состоит из восьми томов, первый из которых был издан в 1985 г., последний вышел в 2008 г. Начиная с 2012 г. словарь представлен в электронной версии и постоянно пополняется новыми словами – около 6000 новых слов в год ( http://kaino.kotus.fi/sms/ ).

Создание электронного сводного диалектного словаря предполагает разработку базы данных, отражающей диалектную лексику с учетом взаимодействия частных диалектных систем.

В современной лингвистике разработаны принципы построения текстовых корпусов (Британский национальный корпус, Национальный корпус русского языка и др.). На сегодняшний день известно два больших корпуса в отечественной лингвистике – Национальный корпус русского языка (НКРЯ) и эшелонированный корпус текстов всех жанров литературы XIX– XXI вв. объемом в 34 000 000 слововхождений, созданный в Секторе теоретической семантики русского языка им. В. В. Виноградова РАН. Пока же диалектный материал, имеющийся в различных диалектологических центрах, либо мало доступен широкому кругу исследователей, либо в том виде, в котором он обычно существует (без специального аннотирования), не может быть использован с максимальной пользой.

Еще в 1980-х гг. была высказана мысль о необходимости создания машинного фонда диалектных текстов [Машинный фонд русского языка 1986; Гольдин 1989]. В настоящее время существует ряд корпусов, репрезентирующих отдельные элементы диалектной речи: зарубежные корпуса диалектных текстов (например, Helsinki corpus of English dialects, Kirk’s Northern Ireland Transcribed Corpus of Speech (NITCS), IViE (Intonational Variation in English) corpus, BBC Voices); диалектный подкорпус в составе Национального корпуса русского языка (НКРЯ); лексико-грамматическая база данных (ЛГБД) по говору с. Пустоша Шатурского р-на Московской обл., включающая тексты – образцы речи носителей говора [Тер-Аванесова, Крылов 2006]; «Текстовая репрезентация диалекта как культурнокоммуникативного образования» (Саратовский государственный университет им. Н. Г. Чернышевского); электронный корпус диалектной культуры Кубани на основе лингвокультуроло- гической концепции репрезентации диалектного дискурса [Трегубова, Емельянова 2011], где объектом описания в корпусе является локальная традиция северо-западной части Кубани, формировавшаяся на материнской основе украинской и южнорусской культур в непосредственном контакте с линейными казаками (восточная Кубань) в среде русскоязычного населения. Названные проекты различаются своими целями, принципами организации баз данных, методами обработки (разметки) текстов, включаемых в состав электронного корпуса.

В 1990-е гг. появляется много разработок и исследований в области компьютерной лексикографии. Каждые 2 года проходила конференция COMPLEX. Обзор развития компьютерной лексикографии представлен (см. работу: [Dictionaries 2013]). В Отделе грамматики и лексикологии Института русского языка им. В. В. Виноградова РАН идет работа над «Новым толковым словарем современного русского литературного языка с расширенными сведениями о слове (в книжной и углубленной электронной версиях)». В компьютерной лингвистике в настоящее время известны такие прогрессивные способы и методы технологий представления данных, в частности – лексикографических, как: открытые связанные данные; Linguistic Linked Open Data (LLOD) – облако Лингвистических открытых связанных данных, которое описывает методы создания, обмена и повторного использования языковых ресурсов в соответствии с принципами связанных данных; онтология SKOS, описывающая тезаурусы, таксономии и наборы понятий, связанных иерархическими отношениями; онтология Lemon, предназначенная для сложных лексических ресурсов, где базовыми единицами являются: лексикон, лексическая единица, форма лексической единицы, смысл лексической единицы и понятия из онтологии предметных областей; онтология LexInfo используется для описания языковых категорий: род, число, падеж, время, прямой объект, косвенный объект, синоним, антоним и т. д.; методы автоматической обработки естественного языка (в особенности при работе с диакритическими знаками) – методы, включающие в себя токенизацию, лемматизацию, морфологический и синтаксический анализ. Указанные технологии позволяют использовать преимущества экосистемы Semantic Web, которая включает в себя хранилища данных, логические системы вывода и различные приложения.

На основе представленных, известных в мире, способов и методов обработки лексического материала коллективом составителей СРНГ будет разработана методологическая парадигма базы данных для репрезентации диалектного материала с целью создания в будущем электронной формы сводного словаря русских народных говоров.

Важным признается тот факт, что данные будут обладать возможностью расширения внешних и внутренних связей. Исходя из целей проекта, будут использованы модели представления пространственно-временных характеристик. Темпоральный подход позволит работать с данными с учетом временных свойств, а Геотеггинг – связать информацию с географическими метаданными. Целостная экосистема (в рамках терминологии компьютерной лингвистики) будет учитывать и последующий доступ к данным. Инструменты работы с технологиями семантического веба предусматривают использование языка запросов SPARQL, которое требует технических знаний. Однако будет разработан интерфейс взаимодействия с данными, не требующий таких знаний, а предлагающий интуитивно понятный блочный подход взамен языка запросов.

Таким образом, в состав задач подобного проекта входят:

• 1)    анализ структуры исходных данных, формирование требований к формату их представления;

• 2)    разработка формата представления метаданных о пространственно-временных характеристиках диалектных единиц, отвечающего требованиям мультимодальности и интероперабельности;

• 3)    разработка онтологии диалектных данных и метаданных для семантического аннотирования (при соотнесении с внешними онтологиями SKOS, Lemon, LexInfo); развертка сервера с семантической базой знаний (RDF хранилищем) и платформой выполнения SPARQL-запросов; разработка шаблонных запросов на поиск и анализ данных;

• 4)    проектирование и разработка интерфейса взаимодействия с RDF-хранилищем (поиск данных) в виде конструктора запросов, не требующего знаний языка SPARQL, в том числе с поддержкой запросов на естественном языке.

Проект по разработке базы данных как основы создания электронного сводного диалектного словаря и соответственно самого словаря (на основе информационных ресурсов Института лингвистических исследований РАН, Санкт-Петербург) будет являться первой попыткой исследования и разработки современной и доступной пользователю базы данных, охватывающей диалектный материал в его диахронической и синхронической динамике. Подобный проект предполагает: определение и анализ новаций в сфере отечественной и зарубежной диалектной лексикографии, определение методологической базы для создания словаря нового поколения – электронного сводного диалектного словаря (на материале русских народных говоров); разработку общих принципов базы данных для электронного сводного диалектного словаря; разработку и описание формата представления метаданных о пространственно-временных характеристиках диалектных материалов (т. е. формата, отвечающего требованиям мультимодальности, интероперабельности и интерпретации), разработку онтологии диалектных данных для аннотирования и представления машиночитаемых данных (в частности с привлечением внешних онтологий – SKOS, Lemon, LexInfo).

Предполагается разработка и описание приемов и методов лингвистического обеспечения автоматизированной системы, решение задачи сохранения аутентичности и одновременно достоверности и полноты диалектных текстов, репрезентирующих речь диалектоносителя современных говоров русского языка. Одной из приоритетных при этом признается задача оперативного извлечения и обработки диалектных данных.

База данных рассматривается как система хранения с широким спектром функциональных возможностей по обработке информации. На ее основе предполагается в будущем создание электронного сводного диалектного словаря. Необходимой характеристикой базы данных в этом случае признается возможность пополнения ее новыми словарными статьями в любое время. При создании подобного рода базы данных важно соблюдать детальную паспортизацию репрезентируемого материала, что, в свою очередь, будет способствовать решению следующих вопросов:

• 1)    обеспечит систематизацию диалектного материала для последующей обработки в рамках будущего электронного сводного диалектного словаря;

• 2)    выступит в качестве основы электронного сводного диалектного словаря (на материале русских народных говоров);

• 3)    позволит проследить динамику развития современных диалектов. Электронная форма даст возможность каждую репрезентируемую единицу сопровождать годом фиксации;

• 4)    будет служить основой для систематизации известных науке, но подчас разрозненных и по-разному интерпретируемых диалектных данных;

• 5)    структура предполагаемой базы данных позволит в будущем создать электронную карто-

• теку: как уже обработанных карточек, так и карточек на основе новых, оригинальных (собранных в полевых условиях) материалов. Пополнение базы может осуществляться после каждой диалектологической экспедиции и публикации нового регионального лексикографического проекта;

• 6)    будет служить основой создания частотного словаря, что обеспечит возможность провести количественный анализ лексико-грамматической системы, выявить круг высокочастотных единиц, особенности их распределения. Будет проведен функциональный анализ внутридиалектной и междиалектной вариативности;

• 7)    географическая и временна_́я детализация, предполагаемая в базе, послужит основой для создания лексических атласов, а также метахронных карт, позволяющих отображать лингвистический ландшафт определенной территории в течение того или иного временного отрезка;

• 8)    использование разрабатываемой базы данных открывает большие возможности комплексного описания диалектных материалов с широким привлечением аудио- и видеоматериалов;

• 9)    материалы разрабатываемой базы данных предоставят возможность по-новому посмотреть на отдельные вопросы эволюции диалектного материала, моделирования архаического ментального пространства; расширят спектр сопоставимых граней с материалами славянского континуума в целом. Тем самым углубится представление о соотношении универсального и локального, о характере взаимодействия языковых реалий в контексте системы диалекта.

База данных предоставит следующие возможности для пользователей системы: 1) хранение и обработку лексических данных в облачной системе (лексемы и их парадигмы); 2) обеспечение межсловарных связей. База данных будет строиться на основе технологий облачного хранения и обработки данных с возможностью дальнейшей масштабируемости. Предоставляется доступ через веб-интерфейс в браузере или при помощи локальной версии программы с возможностью простой синхронизации локально добавленных данных в центральную систему. Практически все данные в системе поддерживают версионность изменений и отслеживание авторства правок. На первом этапе прототип серверной части системы использует СУБД PostgreSQL для хранения словарных данных и файловую систему для хранения объектных данных (аудио, разметки, видео), но в дальнейшем планируется миграция объектных данных на открытые объектные хранилища (например, Openstack Swift или Ceph) для масштабируемости по предоставлению до- ступа к данным. Облачная платформа Openstack позволяет динамически создавать виртуальные окружения для пользователей с полным набором необходимых пользователю инструментов в виртуальных машинах на базе ОС Linux.

Актуальность подобного проекта обусловливается разработкой методики повышения производительности и эргономичности систем поиска данных диалектных исследований. Это потребует разработки и описания эффективных алгоритмов, ориентированных на запросы и работу с онтологиями, методов индексации данных и алгоритмов поддерживающих RDF-представление в области диалектной лексикографии.

Создание подобной базы данных и электронного сводного диалектного словаря в рамках отечественной диалектологии (проект) будет служить решению следующих вопросов:

• 1)    сохранение диалектных данных, зафиксированных в XIX–XXI вв. на всей территории распространения языка. Русскими диалектологами были собраны богатейшие материалы по лексике и фразеологии. К сожалению, не весь существующий каркас лексических и фразеологических единиц нашел отражение в печатных источниках, не весь вошел в научный оборот. Работа составителей СРНГ (И. В. Баклановой, Е. В. Колосько, О. Н. Крыловой, Е. И. Сьяновой) с рукописными материалами по Ленинградской, Псковской, Новгородской областям (1936–1947 гг.), хранящимися в архиве Института лингвистических исследований РАН (Санкт-Петербург), показала, что лексические данные из рукописей могут быть использованы при подготовке переиздания СРНГ. Рукописи содержат слова, не зафиксированные в сводном словаре ( баран , м. ‘одна из рукоятей сохи’, бо_́та_́ть , несов., перех . ‘бодать (о корове)’, вяклина, ж., собир. ‘стебли гороха, свеклы, моркови’ и др.). Данные рукописей могут служить также для уточнения ареала функционирования той или иной единицы, а также ее значений. Например: батог ‘палка’ в (СРНГ 2: 144) имеет только следующие географические пометы – волог., олон., арх., новг., смол., тамб., курск., перм., урал., сиб.; гогота_́ть , несов., непе-рех . ‘ржать (о лошади)’ в (СРНГ 6: 265) приводится с пометами челяб., оренб., куйбыш., ворон., курск., орл., тул., калуж., твер., новг.; слово вачуги , мн . ( ед. вачуга , ж .) ‘холщовые рукавицы’, ‘холщовые рукавицы, надеваемые поверх шерстяных варежек’ в (СРНГ 4: 78) имеет оттенки значения ‘рукавицы’ (арх., олон.), ‘суконные или вязанные из шерсти рукавицы’ (арх., олон., астрах.), ‘холщовые рукавицы’ (новг., тихв.), ‘суконные или шерстяные рукавицы, обшитые

  сверху кожей’ (арх.), ‘рукавицы, у которых сукно на ладони, а сверху кожа’ (арх.), ‘рабочие рукавицы из парусины, надеваемые поверх варежек’ (ленингр.); рассказа_́ться , сов . ‘рассказать, поведать о ком-л., чём-л.’ в (СРНГ 34: 209–210) имеет помету север. Ср. водоно_́с , м. ‘деревянная дуга с выемками или крючками на концах для ношения вёдер на плечах; коромысло’ в приведенных материалах и ‘жердь с прицепом (привешенной палкой) для ношения ушатов с водой (носят два человека)’ (Слов. Акад. 1806. Моск., калуж., горьк., пенз., тул., орл., ряз., арх., петерб., яросл., калин., смол.) (СРНГ 4: 343). Без сомнения, современные фонды диалектных материалов требуют специальных форм хранения (базы данных, корпуса, электронные словари и т. п.);

• 2)    разработка методологических основ создания электронной базы данных раскрывает большие возможности комплексного описания диалектных материалов с широким привлечением аудио- и видеоматериалов;

• 3)    электронный ресурс будет способствовать решению многих задач традиционной диалектологии, в которой преобладает описательный подход: создание электронных словников и электронных словарей; расширение возможностей диалектной лексикографии: создание словарной картотеки на основе базы данных, электронного построения словарных статей и автоматической обработки лексического материала и т. п. Реализация проекта требует создания комплексной цифровизации процессов, возникающих в деятельности научных исследователей, в частности, исследователей Отдела диалектной лексикографии и лингвогеографии русского языка Института лингвистических исследований РАН;

• 4)    материалы базы будут служить выявлению хронологии появления и исчезновения отдельных значений, принципов действия семантических закономерностей и тенденций в лексике на разных этапах развития, причин появления семантических трансформаций и инноваций на материале диалектных систем;

• 5)    разработка методологической парадигмы базы данных и соответственно электронного диалектного словаря сопряжена с решением ряда сложных теоретических проблем традиционной диалектной лексикографии:

• а)    принципы отбора слов. Как показывает анализ, диалектные словари далеко не полностью отражают план содержания словесных единиц, функционирующих в русских говорах. В начале 90-х гг. XX в. О. В. Загоровская указывала на необходимость создания диалектных словарей, с максимальной полнотой отражаю-

  щих план содержания диалектных лексических единиц с учетом аккумулированного в нем своеобразия духовной культуры народа [Загоровская 1991: 4]. В последних томах АОС многозначные общерусские слова по возможности представлены полноструктурно, без отсечения значений, общих с литературными, уже независимо от того, обнаружены ли у них какие-нибудь отличия от литературного языка. Это обстоятельство позволяет рассматривать словарь как полный диалектный словарь. Как показывает анализ существующих региональных словарей, дифференциальные словари не охватывают полностью дифференциальную лексику, функционирующую в говорах. И словари полного типа также не отражают всей существующей в говоре лексики;

• б)    оформление заголовочного слова – одна из самых остро стоящих в диалектной лексикографии. Часто лексикографам приходится описывать материал, имеющий недостаточное количество фиксаций, с трудно восстановимыми словообразовательными связями, непрозрачной внутренней формой, гипотетической этимологией. Особенно труден выбор заголовочной формы в случае варьирования толкуемой лексемы;

• в)    варьирование диалектных лексем. Сложным и до конца не решенным остается вопрос о представлении связи лексико-фонетического варианта с определенной территорией, вопрос о лексикализации фонетических явлений [Варбот 2018; Кузнецова 1994 и другие];

• г)    этимология, мотивированность, внутренняя форма, членимость диалектного слова;

• д)    разработка полисемии (предметная отнесенность слова, разная функциональная направленность денотата, сочетание этих аспектов при сохранении интегральных сем и семантических связей между разными значениями лексемы; этимологически исходный дифференциальный признак, переносные смысловые разновидности, их иерархическая зависимость) и др.

Решение подобных вопросов является, безусловно, важной вехой в развитии диалектной лексикографии в формате новых компьютерных технологий. В частности, можно будет наблюдать общерусское слово во всей совокупности его значений, в том числе и значений, совпадающих с литературным языком.

В целом предполагаемый электронный словарь должен содержать комплексную, по возможности максимально полную информацию, позволяющую представить слово как единицу языка и как единицу, функционирующую в широком культурно-историческим контексте. Эта задача предполагает описание слова в его системных языко- вых связях: частеречных, парадигматических, синтаксических, деривационных, фразеологических, функциональных. В рамках решения данной задачи возможно также отображение обусловленности семантики лексической единицы экстра-лингвистическими факторами. Это отвечает запросам справочного и исследовательского характера. Регистрация всех случаев использования той или иной языковой единицы с паспортизацией позволяет не только отыскать необходимый фрагмент, но и проследить и проанализировать синтагматические связи, определить синтаксические характеристики и функции и т. п.