Глава 4.2. Компьютерная компаративистика

I. Использование компьютера в сравнительно-историческом языкознании.— II. Система STARLING.— III. Установление регулярных фонетических соответствий.— IV. Поиск слов по приблизительному звучанию и значению.

I. В наше время никакая научная работа уже не может осуществляться без помощи компьютерной техники. Практически все публикации, включая и публикации работ по сравнительному языкознанию, осуществляются при помощи компьютерного набора.

Однако компьютерная верстка — отнюдь не единственная помощь, которую вычислительная техника может предоставить компаративисту. Существует три класса задач, при которых компьютер может быть чрезвычайно полезен в сравнительном языкознании:

1) составление и обработка компьютерных лексикографических баз данных, в нашем случае — этимологических словарей;

2) разного рода статистические задачи, связанные с лексикостатистикой и этимостатистикой, а также автоматическое построение генеалогических классификаций;

3) размещение этимологической и сравнительно-исторической информации в Интернете.

Эти задачи призвана решать автоматическая система STARLING, созданная одним из авторов данного курса — С. А. Старостиным.

II. STARLING — это прежде всего так называемая СУБД, то есть система управления базами данных (хотя STARLING включает в себя и довольно многофункциональный текстовый редактор). Элементарная база данных — это "электронная таблица", состоящая из полей (столбцов) и записей (строк). Содержимое полей может индексироваться, сортироваться, по нему могут вестись различные типы поиска.

Система STARLING позволяет осуществлять разнообразные запросы к базам данных. Отдельные базы данных можно связывать друг с другом, формируя так называемую реляционную СУБД. Этимологическая справочная система по любой семье языков может быть организована в виде реляционной иерархической системы, состоящей из отдельных баз данных, связанных между собой. Система STARLING позволяет связывать между собой неограниченное количество баз данных.

Помимо хранения и облегчения пользования информацией, система STARLING реализует некоторые специфические сравнительно-исторические задачи.

III. Процесс установления фонетических соответствий между языками моделируется при помощи следующего алгоритма:

a) вычисляется частота каждой фонемы в списке каждого из сравниваемых языков;

b) в языке A берется подмножество слов N, содержащих фонему x;

c) в языке B берется подмножество слов N', являющихся переводом слов подмножества N языка A.

d) вычисляется частота каждой фонемы языка B в подмножестве N', и сравнивается со стандартной частотой данной фонемы во всем списке слов языка B.

e) фонема x', частота которой в подмножестве N' существенным образом (вычисляемым, например, по правилу "трех сигм") превышает стандартную частоту данной фонемы, считается соответствующей фонеме x языка A.

Заметим, что при такой процедуре одной фонеме x может в принципе соответствовать несколько фонем в языке B, что не противоречит реальной компаративистической практике.

Эта процедура позволяет устанавливать около 80% правильных фонетических соответствий, и почти не дает ложных соответствий. Точность соответствий естественно возрастает при увеличении исходного массива данных.

Ценность этого компьютерного алгоритма состоит не столько в компьютеризации работы компаративиста (этот алгоритм не может определить дополнительных распределений, не срабатывает в случае выпадения фонем, то есть соответствия некоторой фонемы в одном языке нулю в другом, не позволяет установить многих редких, но существенных, соответствий), сколько в доказательстве объективности факта фонетических соответствий вообще и подтверждения выводов, эмпирически полученных исследователем.

IV. STARLING позволяет осуществлять любые лексикостатистические и этимостатистические подсчеты, в том числе между семьями, материал которых содержится в разных файлах. Если исходные данные сравниваемых языков относятся к разному времени, программа делает соответствующую поправку. Кроме того, на основании произведенных подсчетов автоматически строится генеалогическое древо.

Моделируются фонетические изменения (с заданием контекстов и правил), а также собственно работа этимолога: реализован поиск слов по их приблизительному звучанию и значению. Под приблизительным звучанием понимается сходство первых двух согласных в сравниваемых словах. Согласные считаются похожими, если они входят в один класс — например, в класс "зубных смычных" (t, d, {t.}, {th}, {d^}, {t'}, {d'} и т. п.) или в класс "аффрикат" (c, {z3}, {c^}, {z3^}, {c.}, {c^.} и т. п.). Программа позволяет пользователю создавать свои классы похожих звуков — в соответствии с тем, какие звуковые изменения характерны для исследуемых им языков.

Значения считаются похожими, если существует такой праязыковой корень, рефлексы которого в языках-потомках имеют эти значения. Список похожих значений, так же, как и список похожих звуков, хранится в отдельном файле и доступен изменениям.

Такое широкое понимание сходства необходимо для того, чтобы при автоматическом поиске этимологий пропустить как можно меньше правдоподобных сближений. Окончательное решение о том, являются ли найденные компьютером слова родственными, в любом случае принадлежит исследователю-человеку.

В подавляющем большинстве случаев компаративистский компонент программы STARLING полагается на экспертные этимологические оценки. Однако из сказанного выше ясно, что в принципе программа способна на основании введенных контрольных списков самостоятельно установить соответствия между языками, на основании этих соответствий установить этимологические тождества (этому посвящена специальная процедура), посчитать проценты совпадений, датировку дивергенции и построить классификационное дерево. Такая "экспертная деятельность" компьютера оказывается полезной при предварительном анализе малоизученных языковых семей.

ПРИЛОЖЕНИЕ

Система STARLING реализована на одном из диалектов языка xBase, и на этом языке можно осуществлять разнообразные запросы к базам данных. Отдельные базы данных можно связывать друг с другом, формируя так называемую реляционную СУБД. Сами базы данных имеют широко распространенный формат DBF (database files), но дополнены специальным типом полей переменной длины для хранения и обработки больших текстовых и лексикографических массивов.

Приведем описание типичной этимологической базы данных, содержащей сравнительный словарь северно-кавказских языков (аналогичные базы имеются уже для целого ряда языковых семей).

На нижнем иерархическом уровне здесь находятся файлы, содержащие списки базисной лексики отдельных подгрупп северно-кавказских языков:

1) AAND.DBF — аваро-андийские языки (аварский, андийский, ахвахский, ботлихский, багвалинский, годоберинский, каратинский, чамалинский, тиндинский).

2) ABAD.DBF — абхазо-адыгские языки (абхазский, абазинский, адыгейский, кабардинский, убыхский).

2) CEZ.DBF — цезские языки (цезский, гинухский, хваршинский, инхокваринский, гунзибский, бежтинский).

3) DARG.DBF — даргинский язык (с диалектами).

4) KHIN.DBF — хиналугский язык.

5) LAK.DBF — лакский язык (с диалектами).

6) LEZG.DBF — лезгинские языки (лезгинский, агульский, табасаранский, рутульский, цахурский, крызский, будухский, арчинский, удинский).

7) NAKH.DBF — нахские языки (чеченский, ингушский, бацбийский).

Эти файлы в принципе содержат небольшой объем лексики (стандартный стословный список наиболее устойчивой лексики), и являются факультативным звеном общей словарной системы. Они служат прежде всего лексикостатистическим задачам, и полный этимологический словарь можно начинать строить и со следующего уровня. Следует, однако, заметить, что обычно оказывается удобным начинать построение базы данных именно с заполнения такого рода списков. При правильном построении базы каждое слово из списка связано с соответствующей этимологической информацией из файла более высокого иерархического уровня.

На следующем иерархическом уровне находятся этимологические файлы для подгрупп (соответственно: AANDET.DBF, ABADET.DBF, CEZET.DBF, DARGET.DBF, KHINET.DBF, LAKET.DBF, LEZGET.DBF и NAKHET.DBF). Каждый из этих файлов, по сути дела, представляет собой самостоятельный этимологический словарь соответствующей подгруппы, и может пополняться независимо от всех остальных. При этом для любого корня, если он имеет северно-кавказское происхождение, можно получить информацию из более высокого в иерархии файла.

На самом высоком иерархическом уровне находится файл CAUCET.DBF, через который связаны между собой все файлы более низкого уровня. Находясь в этом файле мы можем наблюдать все отражения какого-либо общесеверно-кавказского корня в языках-потомках.

Схематически структура связей выглядит следующим образом:

Рисунок

CAUCET.DBF

AANDET ABADET CEZET DARGET KHINET LAKET LEZGET NAKHET

AAND ABAD CEZ DARG KHIN LAK LEZG NAKH

При таком устройстве легко оперировать как со всей базой данных, так и с отдельными ее фрагментами. В системе STARLING предусмотрена возможность связывания между собой при помощи реляционных отношений произвольного числа файлов баз данных.

Программа STARLING существует в настоящее время в трех версиях:

1) Версия для DOS — пока наиболее полная и содержащая весь комплекс компаративистских программ;

2) Версия для Windows, изготовленная недавно и еще не включающая в себя сравнительно-исторического компонента;

3) Сервер баз данных, обеспечивающий функционирование этимологических баз данных в Интернете.