Υπάρχουν πράγματι εφτά εκατομμύρια ελληνικές λέξεις;

Η είδηση δεν δημοσιεύτηκε σε κάποιο ελληνοκεντρικό ιστολόγιο, συνοδευόμενη από προτροπές του τύπου ΔΙΕΔΩΣΤΕ! ή Διαβάστε το πριν το κατεβάσουν! Όχι, πρόκειται για άρθρο που δημοσιεύτηκε σε εφημερίδα, στην Καθημερινή συγκεκριμένα: Επτά εκατομμύρια ελληνικές μοναδικές λέξεις.

Επιπλέον, πρόκειται για ρεπορτάζ με θέμα το έργο μιας επιστημονικής ομάδας, που μια ανακοίνωσή της βραβεύτηκε σε πρόσφατο επιστημονικό συνέδριο, το οποίο θεωρείται ένα από τα σπουδαιότερα στον τομέα της τεχνητής νοημοσύνης.

Το άρθρο δηλαδή είναι σοβαρό, έστω κι αν πάσχει στο θέμα της ορολογίας, ίσως επειδή ο επιστήμονας που δίνει τη συνέντευξη δεν είναι γλωσσολόγος κι έτσι δεν χρησιμοποιεί την καθιερωμένη ορολογία ενώ κι ο δημοσιογράφος. ο Γιάννης Ελαφρός, χειρίζεται το όλο θέμα με τρόπο μάλλον αντάξιο του ονόματός του -δεν μπόρεσα ν’ αντισταθώ στο εύκολο χαριτολόγημα, συγγνώμη.

Πράγματι, αν δεν μείνουμε στον εντελώς παραπλανητικό τίτλο και διαβάσουμε το άρθρο, βλέπουμε ότι ο ισχυρισμός δεν είναι τόσο εξωφρενικός όσο φαίνεται.

Ας δούμε την πρώτη παράγραφο

Η ελληνική γλώσσα διαθέτει σήμερα περίπου επτά εκατομμύρια μοναδικές λέξεις! Πρόκειται για αποτέλεσμα «εξόρυξης», όχι βεβαίως με σκαπάνη ή εκρηκτικά, αλλά με τις εκρηκτικές τεχνολογικές εφαρμογές της τεχνητής νοημοσύνης και της εξόρυξης δεδομένων (data mining). Για να βρεθεί ο συγκεκριμένος αριθμός λέξεων χρησιμοποιήθηκαν καινοτόμες μέθοδοι τεχνητής νοημοσύνης, όπως για παράδειγμα βαθιά νευρωνικά δίκτυα (υπολογιστικά δίκτυα που μιμούνται τους βιολογικούς νευρώνες) πάνω σε κείμενα από 170 εκατ. ιστοσελίδες. Ο αριθμός των επτά εκατ. δεν αφορά ρίζες, αλλά διαφορετικές λέξεις (π.χ. «άνθρωπος» και «άνθρωποι» είναι δύο διαφορετικές λέξεις).

Τι μας λέει λοιπόν το κείμενο; Ότι αποδελτιώθηκαν 170.000.000 ιστοσελίδες και ότι ο αριθμός 7 εκατομμύρια αφορά «διαφορετικές λέξεις» αλλά… μισό λεπτό! Στην παρένθεση διευκρινίζεται ότι «π.χ. «άνθρωπος» και «άνθρωποι» είναι δύο διαφορετικές λέξεις».

Άρα, δεν μιλάμε για λέξεις (λήμματα λεξικού δηλαδή) αλλά για λεκτικούς τύπους. Για παράδειγμα, η λέξη «άνθρωπος» που ήδη αναφέρθηκε είναι μία λέξη, αλλά έχει, στα νέα ελληνικά, τους εξής κανονικούς λεκτικούς τύπους: άνθρωπος, ανθρώπου, άνθρωπο, άνθρωπε, άνθρωποι, ανθρώπων, ανθρώπους, εφτά λεκτικούς τύπους δηλαδή. (Στα αρχαία ελληνικά είχε δέκα-δώδεκα, αλλά τους άλλους τους… κατάργησαν ο Βερυβάκης και ο Γαβρόγλου). Θα πρέπει να προσθέσουμε μάλλον και τους τύπους με διπλό τόνο λόγω μεταφοράς του εγκλιτικού: άνθρωπός (μας), άνθρωποί (μας).

Φυσικά, υπάρχουν πάμπολλες λέξεις (σύνδεσμοι, επιρρήματα, μόρια κτλ.) που δεν κλίνονται και έτσι έχουν μόνο έναν κανονικό λεκτικό τύπο. Από την άλλη όμως, τα ρήματα έχουν πολύ περισσότερους λεκτικούς τύπους από τα ουσιαστικά. Ένα πλήρως αναπτυγμένο ρήμα πρέπει να έχει πάνω από 100 λεκτικούς τύπους (Ο Νίκος Νικολάου υπολογίζει ότι ένα ρήμα της αρχαίας, αν έχει και δεύτερο αόριστο, φτάνει στους 740 λεκτικούς τύπους).. Οπότε, αν και δεν είναι καθόλου εύκολο να βγάλουμε έναν μέσο όρο, βλέπουμε καθαρά ότι κατά μέσον όρο μια λέξη αντιστοιχεί σε περισσότερους από έναν λεκτικούς τύπους -ίσως 10:1, αν και μπορεί να πέφτω αρκετά έξω.

Εδώ ίσως θα προβάλετε μια ένσταση. Όσο μεγάλο κι αν είναι το σώμα κειμένων που αποδελτιώθηκε, οι σπανιότερες κλιτές λέξεις, ιδίως ρήματα, δεν θα αντιπροσωπεύονται με όλους τους λεκτικούς τους τύπους. Για παράδειγμα, για το ρήμα «ενταλματοποιώ» ή «ξαναξυπνάω» θα περίμενα να βρούμε 2-3 λεκτικούς τύπους μόνο ακόμα και σε ένα τεράστιο σώμα κειμένων, όχι 100. Αυτό το βλέπουμε και στα σώματα της αρχαίας ελληνικής, όπου πάρα πολλά ρήματα εμφανίζονται με ελάχιστους λεκτικούς τύπους.

Δεκτή η ένσταση. Όμως υπάρχει ένας άλλος παράγοντας που ενδεχομένως αβγατίζει κατά πολύ τον αριθμό των λεκτικών τύπων χωρίς να αυξάνει το πλήθος των λέξεων της γλώσσας. Προσέξτε, έχω γράψει με πλάγια τη λέξη «ενδεχομένως», όπως με πλάγια γράφω και πιο πάνω τη λέξη «κανονικοί» (λεκτικοί τύποι). Όσα θα πω πιο κάτω τα λέω υπό αίρεση, διότι το άρθρο δυστυχώς δεν ξεκαθαρίζει αυτό το σημαντικό ζήτημα, όμως αν βασιστούμε στα όσα διαβάζουμε νομίζω πως μάλλον έτσι που τα λέω είναι.

Λέω για κανονικούς λεκτικούς τύπους, διότι μια λέξη συνήθως έχει και άλλους, παράλληλους τύπους, πέρα από αυτούς που προκύπτουν από τη σχολική γραμματική. Ο «άνθρωπος» ας πούμε, έχει τους τύπους: ανθρώποι, αθρώποι, άνθρωπας, άνθρωπους, άλλους λαϊκούς, άλλους ιδιωματικούς και άλλους αποκλίνοντες. Ακόμα, αν η αποδελτίωση έγινε χωρίς έλεγχο σφαλμάτων πληκτρολόγησης, που μάλλον έτσι πρέπει να έγινε, θα έχουν καταμετρηθεί σαν ξεχωριστοί λεκτικοί τύποι όλες οι ανορθόγραφες ή στραβογραμμένες μορφές της λέξης:, π.χ. ανθρωπος (άτονα), άνθωπος, άνρωπος, άνθρωπς, ανθρώπυ, ανυρώπων και άλλα αμέτρητα. Αν έγινε αποδελτίωση και συζητήσεων σε μέσα κοινωνικής δικτύωσης, θα αποδελτιώθηκαν σημεία και τέρατα -αλλά και μόνο το περιεχόμενο ιστοσελίδων να αποδελτιώθηκε, και πάλι οι στραβογραμμένοι και ανορθόγραφοι τύποι είναι αμέτρητοι. Άλλωστε, όλα τα παραπάνω (άνθωπος, άνθρωπς, άνρωπος κτλ.) τα βρήκα σε ιστοσελίδες, όχι σε συζητήσεις του Φέισμπουκ.

Παρεμπιπτόντως, ανορθόγραφοι ή κακογραμμένοι τύποι εμφανίζονται και στο σώμα κειμένων της αρχαίας και μεσαιωνικής γραμματείας, που έχει συγκροτηθεί στο TLG. Πριν από καμιά δεκαριά χρόνια που είχα κοιτάξει, πέρα από τον τύπο ἂνθρωπος (με ψιλή οξεία), το TLG κατέγραφε στο ευρετήριό του τους τύπους: ανθρωπος (χωρίς πνεύμα και τόνο), ἂνθρωποσ, ἃνθρωπος (με δασεία) και κάμποσους άλλους, παρόλο που το TLG βασίζεται σε κείμενα διορθωμένα, κριτικές εκδόσεις που τις έχουν χτενίσει γενεές φιλολόγων. Αν δείτε τα σώματα των επιγραφών (που δεν έχουν αποδελτιωθεί στο TLG) θα δείτε πολύ μεγάλη ποικιλία εναλλακτικών γραφών, και από αυτά τα λάθη (αν π.χ. γράφουν ΕΙ αντί Ι ή Υ αντί Ι κτλ.) βγαίνουν πολύτιμα συμπεράσματα για τη σταδιακή αλλαγη της προφοράς των ελληνικών. Ο φίλος μας ο π2, αν περάσει από εδώ, θα μας πει περισσότερα.

Από το άρθρο δεν γίνεται σαφές αν η ομάδα του κ. Βαζιργιάννη αποδελτίωσε και κείμενα της αρχαίας ελληνικής -διότι μεγάλο τμήμα της αρχαίας γραμματείας υπάρχει σε ιστοσελίδες, ούτε αν αποδελτίωσε κείμενα γραμμένα σε πολυτονικό (που θα πολλαπλασίαζαν βέβαια τους λεκτικούς τύπους αν δεν έχει παρθεί μέριμνα να μην υπολογίζονται τα τονικά σημάδια και τα άλλα διακριτικά). Ένας καλός δημοσιογράφος θα έκανε τις ερωτήσεις αυτές και θα έπαιρνε διαφωτιστικές απαντήσεις, αλλά δυστυχώς αυτό δεν συνέβη στην περίπτωσή μας.

Οπότε; Θα έλεγα ότι μέχρι να μάθουμε περισσότερα για την ανακοίνωση, και για τον τρόπο συγκρότησης του λεξικού, δεν μπορούμε να πούμε κάτι άλλο, καλό είναι όμως να θυμόμαστε ότι δεν μιλάμε για λέξεις αλλά για λεκτικούς τύπους.

Αλλά για όσους θέλουν οπωσδήποτε να ακούσουν αριθμούς, να πω ότι σε μια συζήτηση που έγινε στο Φέισμπουκ ο γλωσσολόγος Γιώργος Ξυδόπουλος έκανε μια εκτίμηση για 4 εκατομμύρια λεκτικούς τύπους  (ορθά σχηματισμένους) και 350.000 λέξεις της νέας ελληνικής. Παλιότερα ο καθηγητής Χριστόφορος Χαραλαμπάκης είχε κάνει λόγο για 700.000 λέξεις της «όλης» ελληνικής, αρχαίας και νέας, μια εκτίμηση που την έχω χαρακτηρίσει γενναιόδωρη αλλά όχι εξωφρενική, ενώ η Μαρία Παντελιά, διευθύντρια του TLG είχε κάνει λόγο για 1,5 εκατομμύριο λεκτικούς τύπους της αρχαίας και μεσαιωνικής ελληνικής. Ο Νίκος Νικολάου, σε μια σειρά εξαιρετικών άρθρων, που δίνω το λινκ στην επόμενη παράγραφο, υπολόγισε σε περίπου 210.000 τον αριθμό λημμάτων στο σώμα κειμένων του TLG και του PHI (επιγραφικό υλικό) από τον Όμηρο έως την Άλωση (μερικά χρόνια αργότερα, καθώς το σώμα κειμένων αυξανόταν, είχε φτάσει στα 240.000 λήμματα). Και για να αναφέρουμε ένα άλλο στοιχείο, το 2009 κάποια λεξικογραφική υπηρεσία είχε ανακοινώσει ότι η αγγλική γλώσσα είχε ξεπεράσει το 1.000.000 λέξεις.

Επίτηδες δεν αναφέρθηκα στον τρόπο που μετριούνται οι λέξεις μιας γλώσσας, διότι είναι θέμα φοβερά περίπλοκο για το οποίο έχει γράψει πολλά και καλά ο φίλος μας ο Νίκος Νικολάου στη σειρά άρθρων που προανέφερα (εδώ). Ας έχουμε πάντως κατά νου ότι οι συγκρίσεις του πλήθους των λέξεων ή των λεκτικών τύπων δεν έχουν πολύ νόημα επειδή δεν έχουν όλες οι γλώσσες την ίδια μορφολογία.

Ο Νικολάου σε κάποιο από τα άρθρα του φέρνει παράδειγμα τον λεκτικό τύπο «πεπαίκοιτον» (δεν σώζεται σε κείμενο, αλλά είναι δυικός αριθμός της ευκτικής του παρακειμένου του ρήματος παίζω), μία λέξη που θα αποδιδόταν στα νέα ελληνικά με μια ολόκληρη πρόταση (πχ Μακάρι εσείς οι δυο να είχατε παίξει). Παρομοίως, συγκολλητικές γλώσσες όπως τα τουρκικά είναι συχνό να εκφράζουν «μονολεκτικά» ολόκληρες προτάσεις -σαν ακραίο παράδειγμα, είναι γνωστό ότι η πρόταση «είστε κι εσείς ένας από εκείνους που δεν καταφέραμε να εκτουρκίσουμε;» μπορεί να εκφραστεί μονολεκτικά στα τουρκικά.

Επιπλέον, η προσπάθεια να βγει η ελληνική με εκατομμύρια λέξεις (οι περισσότεροι ελληνοβαρεμένοι μιλάνε για 5 ή 6 εκατομμύρια λέξεις) δεν είναι τόσο αθώα. Οι περισσότεροι απ’ όσους πλασάρουν τις εξωφρενικές αυτές θεωρίες (δυστυχώς ανάμεσά τους και ο πρόεδρος της Ακαδημίας Αθηνών) δεν το κάνουν για να τονώσουν το εθνικό μας φρόνημα αλλά για να αρνηθούν στη συνέχεια την ινδοευρωπαϊκή θεωρία (διότι πώς γίνεται μια τόσο πλούσια γλώσσα να κατάγεται από άλλην;) ή να προωθήσουν υπερσυντηρητικές και αντιεπιστημονικές θέσεις σχετικά με το γλωσσικό ή/και την εκπαίδευση.

Οπότε, κάκιστες υπηρεσίες προσφέρει ο συντάκτης ύλης της Καθημερινής, που έβαλε έναν τέτοιο τίτλο, πιασάρικο αλλά και εντελώς παραπλανητικό, στο άρθρο της εφημερίδας, ειδικά αν πάρουμε υπόψη ότι οι περισσότεροι αναγνώστες μένουν στον τίτλο, και ελάχιστοι θα φτάσουν ως το σημείο όπου γίνεται η διευκρίνιση -ιδίως στα κοινωνικά μέσα όπου προβάλλεται μόνο ο τίτλος του άρθρου.

Ελπίζω ο κ. Μιχάλης Βαζιργιάννης να ζητήσει να διορθωθεί ο τίτλος του άρθρου, τουλάχιστον στην ηλεκτρονική έκδοση ώστε να μην αναπαράγεται μια άκρως παραπλανητική διατύπωση. Και, με την ευκαιρία, ας διευκρινίσει κιόλας αν έχουν αποδελτιωθεί και οι αντικανονικά σχηματισμένοι, ανορθόγραφοι, αποκλίνοντες κτλ. λεκτικοί τύποι.

ΥΓ

Σχετικό είναι και ένα παλιότερο κείμενο του Φοίβου Παναγιωτίδη, όπως κι ένα δικό μου.