Kho ngữ liệu (corpus) là một tập văn bản thật — bài báo, sách, hội thoại được ghi lại, văn bản học thuật — được lưu dưới dạng điện tử và tổ chức để tra cứu có hệ thống. Khác với từ điển, corpus không định nghĩa từ; nó cho bạn thấy hàng trăm câu thật mà người bản ngữ đã dùng từ đó, để bạn tự rút ra từ ấy đi với chữ nào, trong cấu trúc nào, mang sắc thái gì.
Với người dịch, corpus trả lời câu hỏi mà từ điển thường bỏ ngỏ: người ta có thật sự nói như thế không? Bài này giải thích cơ chế của corpus, cách đọc dòng concordance, những câu hỏi corpus trả lời tốt, giới hạn của nó, và cách tự dựng một corpus nhỏ cho chuyên ngành bạn hay dịch.
Corpus khác từ điển ở chỗ nào
Từ điển là kết quả: một nhóm biên soạn đã đọc rất nhiều văn bản, rút ra các nghĩa, chọn vài ví dụ tiêu biểu và viết thành mục từ. Corpus là nguyên liệu: chính những văn bản đó, chưa qua chắt lọc. Khi tra từ điển, bạn nhận một kết luận; khi tra corpus, bạn nhìn bằng chứng và tự kết luận. Điều này vừa là sức mạnh vừa là đòi hỏi: corpus cho bạn biết nhiều hơn, nhưng bạn phải biết đọc.
Ý tưởng nền của ngôn ngữ học ngữ liệu thường được tóm bằng câu nổi tiếng của nhà ngôn ngữ học Anh J. R. Firth năm 1957: You shall know a word by the company it keeps — muốn biết một từ, hãy xem nó đi cùng những từ nào. Nghĩa của từ không chỉ nằm trong định nghĩa mà nằm trong các mẫu lặp lại quanh nó. Corpus làm cho các mẫu đó hiện ra được, vì nó xếp hàng trăm lần xuất hiện của một từ cạnh nhau.
Một khác biệt nữa là tính cập nhật. Từ điển in mất nhiều năm mới có bản mới; một corpus báo chí có thể được bổ sung liên tục. Khi bạn gặp một cách nói mới, một từ vừa đổi nghĩa, corpus cập nhật thường cho bằng chứng trước khi từ điển kịp ghi. Ngược lại, corpus không phân biệt câu hay với câu dở: nó ghi lại cả lỗi của người viết, nên người dùng phải biết cân nhắc nguồn văn bản trong corpus.
Lịch sử ngắn: từ một triệu chữ đến hàng tỷ chữ
Corpus điện tử là sản phẩm của nửa sau thế kỷ XX. Vài mốc đáng biết để hiểu vì sao các corpus hiện nay có dạng như vậy:
- Những năm 1960 — Brown Corpus. W. Nelson Francis và Henry Kučera tại Đại học Brown (Mỹ) tập hợp khoảng một triệu từ tiếng Anh Mỹ in năm 1961, chia theo thể loại. Quy mô nhỏ so với hiện nay nhưng xác lập nguyên tắc chọn mẫu cân bằng.
- Năm 1987 — từ điển COBUILD. Nhóm của John Sinclair tại Đại học Birmingham ra mắt từ điển đầu tiên xây hoàn toàn trên corpus, chứng minh rằng mô tả từ vựng dựa trên dữ liệu khác đáng kể so với trực giác của người biên soạn.
- Những năm 1990 — British National Corpus. Khoảng một trăm triệu từ tiếng Anh Anh, gồm cả văn viết và lời nói ghi âm, trở thành chuẩn tham chiếu cho nghiên cứu tiếng Anh Anh của giai đoạn đó.
- Từ năm 2008 — các corpus trực tuyến cỡ lớn. Corpus of Contemporary American English (COCA) của Mark Davies đưa hàng trăm triệu rồi hơn một tỷ từ tiếng Anh Mỹ hiện đại lên mạng, tra miễn phí ở mức cơ bản, chia theo thể loại và năm.
- Hiện nay — corpus từ web và corpus song song. Các tập dữ liệu cỡ hàng tỷ từ thu từ web, cùng các kho văn bản song song nhiều ngôn ngữ, mở rộng khả năng tra cứu nhưng cũng kéo theo nhiều văn bản kém chất lượng hơn.
Với tiếng Việt, các corpus công khai, cân bằng thể loại và tra được dễ dàng còn ít hơn nhiều so với tiếng Anh. Đây là lý do người dịch sang tiếng Việt thường phải tự dựng corpus nhỏ hoặc dùng web như một corpus thô, với mọi rủi ro đi kèm.
Đọc dòng concordance: kỹ năng cốt lõi
Công cụ tra corpus cơ bản là concordance: bạn gõ một từ hoặc cụm, công cụ trả về mọi câu có nó, xếp thành từng dòng với từ cần tra nằm thẳng ở giữa, ngữ cảnh trái và phải hai bên. Cách trình bày này gọi là KWIC (key word in context). Lợi ích của việc xếp thẳng hàng là mắt bạn quét dọc được: các chữ đứng ngay trước và ngay sau từ khoá lặp lại thành cột, mẫu hiện ra mà không cần đọc từng câu.
Bước tiếp theo là sắp xếp. Sắp theo chữ đứng ngay bên phải (R1) cho thấy từ khoá hay đi với giới từ, tân ngữ nào; sắp theo chữ bên trái (L1) cho thấy tính từ, động từ đứng trước. Ví dụ tra impact, sắp theo L1 bạn sẽ thấy nhiều dòng significant impact, negative impact, have an impact; sắp theo R1 thấy impact on chiếm áp đảo. Chỉ trong vài giây bạn biết được rằng câu tiếng Việt "tác động đến" nên thành have an impact on chứ không phải impact to.
Đọc concordance cần kỷ luật: đừng chỉ đếm, hãy đọc kỹ ít nhất hai ba chục dòng để thấy nghĩa. Hai dòng có cùng cấu trúc có thể mang nghĩa khác nhau; một mẫu xuất hiện nhiều có thể chỉ do một văn bản dài lặp đi lặp lại. Phần lớn công cụ cho xem nguồn của mỗi dòng — báo, học thuật, hội thoại, tiểu thuyết. Hãy chú ý cột nguồn: một cách nói chỉ có trong hội thoại thì không nên đưa vào báo cáo trang trọng.
Ba câu hỏi corpus trả lời tốt hơn từ điển
Từ này có tự nhiên trong cấu trúc này không? Từ điển cho bạn biết từ có tồn tại; corpus cho bạn biết từ có được dùng như bạn định dùng. Nếu cụm bạn viết ra gần như không xuất hiện trong một corpus lớn trong khi một cụm tương tự xuất hiện hàng nghìn lần, đó là dấu hiệu rất mạnh rằng cách viết của bạn không tự nhiên.
Từ này mang sắc thái gì? Một số từ có xu hướng đi với ngữ cảnh tích cực hoặc tiêu cực mà định nghĩa không nói ra. Hiện tượng này được gọi là semantic prosody, tạm dịch là ngữ điệu ngữ nghĩa; thuật ngữ được Bill Louw dùng năm 1993, dựa trên quan sát của Sinclair. Ví dụ quen thuộc là set in: chủ ngữ của nó thường là những thứ khó chịu như mưa, sự mục rữa, sự chán nản. Dịch "cảm giác yên bình bắt đầu xuất hiện" thành a sense of peace set in không sai ngữ pháp nhưng lệch sắc thái.
Từ này phổ biến ở thể loại nào? Corpus chia theo thể loại cho thấy một từ hay một cấu trúc thuộc văn học thuật, báo chí hay hội thoại. Từ whilst trong tiếng Anh Anh, chẳng hạn, nghiêng về văn viết trang trọng; dùng nó trong lời thoại nhân vật trẻ sẽ gây cảm giác lạ.
Quy trình kiểm một cách diễn đạt bằng corpus
Giả sử bạn đang dịch câu "Dự án đã thu hút sự quan tâm lớn của nhà đầu tư" và phân vân giữa attract great interest, draw strong interest và attract considerable interest. Quy trình kiểm như sau:
- Tra danh từ trung tâm trước, ở đây là interest, sắp theo L1 để xem tính từ nào đứng trước nó nhiều nhất trong nghĩa "sự quan tâm".
- Tra riêng từng động từ ứng viên cộng với interest (dùng tìm theo bổ đề để gom cả các dạng attracted, attracts, drew, drawn).
- So tần suất tương đối, không so số tuyệt đối khi hai corpus có kích thước khác nhau; nhiều công cụ cho sẵn số lần trên một triệu từ.
- Lọc theo thể loại phù hợp với văn bản đích — ở ví dụ này là báo chí và kinh doanh.
- Đọc hai ba chục dòng của phương án thắng để chắc nghĩa khớp: interest ở đây là sự quan tâm của nhà đầu tư, không phải lãi suất.
- Chọn phương án, ghi lại kết quả cùng nguồn kiểm để dùng lại cho các văn bản sau.
Trong ví dụ này, cả ba phương án đều có mặt trong tiếng Anh thật, và kết quả kiểm thường cho thấy attract và considerable/significant/strong phổ biến hơn great trong văn kinh doanh. Điều đáng học không phải là đáp án mà là thói quen: thay vì hỏi "câu này có đúng không", người dịch hỏi "người viết bản ngữ trong thể loại này thường nói thế nào".
Giới hạn của corpus — và cách không bị nó dắt đi
Corpus mô tả, không quy định. Một lỗi phổ biến trong văn bản thật vẫn sẽ xuất hiện nhiều trong corpus; một cách nói hiếm nhưng chính xác có thể chỉ có vài dòng. Tần suất cao chứng minh rằng một cách nói phổ biến, không chứng minh rằng nó phù hợp với văn bản của bạn. Hãy luôn đặt câu hỏi: phổ biến ở đâu, với ai.
Corpus phản ánh văn bản được chọn vào nó. Một corpus thiên về báo chí sẽ cho kết quả khác một corpus học thuật; corpus lấy từ web chứa cả văn bản dịch máy và văn bản do người không bản ngữ viết. Trước khi dùng một corpus, đọc phần mô tả: gồm những nguồn nào, năm nào, ngôn ngữ biến thể nào.
Corpus lớn không thay được corpus đúng chuyên ngành. Muốn biết các kỹ sư điện viết tài liệu vận hành ra sao, hàng tỷ từ báo chí ít giúp được gì. Và corpus không trả lời câu hỏi về sự vật: nó cho thấy người ta nói circuit breaker trips, nhưng muốn dịch đúng sang tiếng Việt là "át-tô-mát nhảy" hay "cầu dao ngắt" thì bạn vẫn phải hiểu thiết bị và biết người làm nghề ở Việt Nam gọi nó thế nào.
Cuối cùng là giới hạn của chính người dùng: rất dễ tra cho tới khi thấy kết quả mình muốn rồi dừng. Hãy đặt tiêu chí trước khi tra — "nếu phương án A có tần suất thấp hơn hẳn B trong thể loại báo chí thì chọn B" — để corpus thật sự kiểm tra bạn chứ không chỉ xác nhận bạn.
Tự dựng corpus nhỏ cho chuyên ngành bạn hay dịch
Corpus tự làm (thường gọi là DIY corpus hay corpus chuyên dụng) là một trong những công cụ hiệu quả nhất người dịch chuyên ngành có thể tự xây. Cách làm đơn giản: gom vài chục tới vài trăm văn bản viết gốc bằng ngôn ngữ đích, đúng thể loại và lĩnh vực bạn dịch — chẳng hạn hướng dẫn vận hành máy, báo cáo thường niên, bài báo y học — rồi nạp vào một công cụ concordance miễn phí chạy trên máy.
Ba nguyên tắc chọn văn bản. Một, chỉ lấy văn bản gốc, không lấy bản dịch, vì mục đích là học cách người bản ngữ viết. Hai, ưu tiên nguồn có uy tín trong ngành: tổ chức chuyên môn, nhà sản xuất lớn, cơ quan quản lý, tạp chí có bình duyệt. Ba, ghi lại nguồn và năm của từng tệp để biết kết quả tra đến từ đâu.
Corpus nhỏ vài trăm nghìn từ đã đủ trả lời những câu hỏi rất cụ thể: trong tài liệu an toàn, người ta viết must not hay do not; trong báo cáo kiểm toán, cụm nào hay đi với material; thuật ngữ nào hay đứng cạnh nhau. Với dịch sang tiếng Việt, việc gom văn bản tiếng Việt gốc của ngành (giáo trình, tiêu chuẩn, báo cáo của các đơn vị trong nước) giúp bạn chọn chữ mà người làm nghề Việt Nam thật sự dùng, thay vì chữ do người dịch trước đặt ra.
Lưu ý quyền và bảo mật: corpus tự làm dùng cho tra cứu cá nhân; không đưa tài liệu mật của khách hàng vào corpus dùng chung, không chia sẻ tài liệu có bản quyền ra ngoài. Nếu làm việc theo hợp đồng có điều khoản bảo mật, hãy giữ corpus của từng khách tách riêng.
Câu hỏi thường gặp
Người mới học dịch có cần dùng corpus không hay chỉ dành cho người nghiên cứu?
Cần, và không khó như tưởng. Ở mức cơ bản, bạn chỉ cần gõ một cụm vào một corpus trực tuyến và đọc vài chục dòng kết quả. Thói quen này giúp sửa rất nhanh lỗi kết hợp từ và giới từ khi dịch sang tiếng Anh, nhóm lỗi mà người Việt hay mắc nhất.
Có thể dùng kết quả tìm kiếm trên web thay cho corpus không?
Được, như một corpus thô, và nhiều người dịch vẫn làm vậy. Nhưng web không cân bằng thể loại, lẫn nhiều văn bản dịch máy và văn bản của người không bản ngữ, và con số kết quả mà công cụ tìm kiếm báo ra chỉ là ước lượng. Hãy dùng web để tìm ngữ cảnh, dùng corpus chuẩn để so tần suất.
Tiếng Việt có corpus công khai nào để tra không?
Có một số tập dữ liệu tiếng Việt do các nhóm nghiên cứu công bố, phần lớn phục vụ xử lý ngôn ngữ tự nhiên, nên giao diện tra cứu cho người dịch còn hạn chế. Cách thực tế nhất hiện nay là tự dựng corpus nhỏ từ văn bản tiếng Việt gốc của chuyên ngành bạn dịch.
Tìm theo bổ đề (lemma) là gì và vì sao cần?
Bổ đề là dạng gốc của từ, gom mọi biến thể: tra bổ đề take sẽ ra cả take, takes, took, taken, taking. Nếu chỉ tra một dạng, bạn có thể kết luận sai rằng một cụm hiếm trong khi nó rất phổ biến ở dạng khác. Phần lớn corpus lớn có ký hiệu riêng để tìm theo bổ đề.
Corpus có giúp gì khi dịch Anh sang Việt không, hay chỉ cho chiều Việt sang Anh?
Có, theo hai cách. Corpus tiếng Anh giúp bạn hiểu đúng sắc thái của câu gốc, nhất là các từ có ngữ điệu ngữ nghĩa ẩn. Corpus tiếng Việt, kể cả tự dựng, giúp kiểm chữ đích có tự nhiên và đúng thói quen của người làm nghề không.
Bao nhiêu dòng kết quả thì đủ để kết luận?
Không có con số cố định. Một nguyên tắc thực hành là đọc kỹ ít nhất hai ba chục dòng ngẫu nhiên và kiểm xem chúng đến từ nhiều văn bản khác nhau. Nếu cả trăm dòng đều từ một nguồn, đó chưa phải bằng chứng về cách dùng chung.
