செம்மொழிக் களஞ்சியம்

நேற்று சென்னைப் பல்கலைக்கழகத்துக்கு நானும் நாகராஜனும் சென்றிருந்தோம். அங்குள்ள சில ஆராய்ச்சி மாணவர்களிடம் பேசுவதற்காக.

தஞ்சை தமிழ்ப் பல்கலைக்கழகத்துக்காக நாங்கள் ஒரு மென்பொருளை உருவாக்கிவருகிறோம். வேலைகள் முடிந்துவிட்டன. விரைவில் வலையேற்றப்பட்டு அதன் சுட்டியைத் தருகிறேன். தமிழ் பா இலக்கியங்களை தரவுத்தள வடிவமைப்பில் சேர்த்து அவற்றில் சொற்களைத் தேடுவதற்கான ஓர் இடைமுகம் இது.

உரைநடை இலக்கியம் உருவாவதற்கு முந்தைய காலகட்டத்தில் தமிழ் செம்மொழி இலக்கியங்களான எட்டுத்தொகை, பத்துப்பாட்டு, ஐம்பெருங்காப்பியங்கள், பதிணெண்கீழ்க்கணக்கு, தொல்காப்பியம் ஆகிய நூல்களும், அவற்றுக்குப் பிந்தைய காலகட்டத்தில் பக்தி இலக்கியங்கள் (ஆழ்வார்கள், நாயன்மார்கள்), கம்பராமாயணம் என்று இருபதாம் நூற்றாண்டு வரையிலும் தொடரும் பாடல் வகைகள் உண்டு. பத்தொன்பதாம் நூற்றாண்டில் இறுதியிலிருந்தே தொடங்கி, இருபதாம் நூற்றாண்டில் உரைநடை பாடல் மரபை ஒழித்துக்கட்டிவிட்டது. புதுக்கவிதை என்ற வடிவம் மேலோங்கியது. அதே நேரம் சினிமாப் பாடல்கள் என்பவை பல்கிப் பெருகியுள்ளன.

ஆராய்ச்சியாளர்கள் இந்த பாடல் corpus-ஐ ஆராயவேண்டும் என்றால் இவற்றை வெறும் பிரதிகளாக வைத்து கூகிள் தேடுதலை மட்டும் வைத்துக்கொண்டு ஒன்றும் செய்ய இயலாது. இந்தப் பிரதிகள் அனைத்துமே ஏதோ ஒரு விதத்தில் தரவுத்தளத்தில் போய் விழுமாறு வடிவமைக்கவேண்டும்.

அதன் விளைவாக உருவான திட்டமே தஞ்சை தமிழ்ப் பல்கலைக்கழகத்துக்கு நாங்கள் செய்துதரும் மென்பொருள்.

பாடல்கள், XML கோப்புகளாக மாற்றப்படுகின்றன. Tag மூலம் ஒரு hierarchy உருவாக்கப்படுகிறது. உதாரணத்துக்கு திருக்குறள் என்றால், அதில் பால், அதிகாரம், பாடல் எண், அடி எண், சீர் எண் என்பது ஒரு குறிப்பிட்ட சீரைக் குறிப்பது. ஆனால் ஒரு சீரில் இருப்பது ஒரு முழுச் சொல்லாக இருக்கவேண்டும் என்பதில்லை. ஒன்றுக்கும் மேற்பட்ட சொற்களும் ஒரு சீரில் இருக்கலாம். எனவே பாக்களை இரு பிரதிகளாகச் சேர்க்கவேண்டும். ஒன்று பாக்களின் இலக்கணப்படி சீர் பிரித்து உருவாக்கப்பட்ட பாடம். எ.கா:

காலத்தி னால்செய்த நன்றி சிறிதெனினும்

இங்கு, மேலே உள்ள நான்கு சீர்களில் இரண்டாம் சீர், தளை காரணமாக கன்னாபின்னாவென்று உடைக்கப்பட்டுள்ளது. இதையே இன்றைய உரைநடையில் எழுதவேண்டும் என்றால்

காலத்தினால் செய்த நன்றி சிறிது எனினும்

என்று எழுதுவோம். இந்த இரண்டு பாடங்களையும் சேர்த்தால்தான் வார்த்தைகளைத் தேடும்போது சரியாக பதில் கிடைக்கும்.

கூடவே ஒரு கட்டத்தில் காலத்தினால் = காலம்+த்+இன்+ஆல் என்று பெயர்ச்சொற்களையும் அவற்றின் வேற்றுமை உருபுகளையும் சந்தி, சாரியைகளையும் பிரிப்பது, செய்த = செய்+த்+அ என்று வினை எச்சங்களையும் வினை முற்றுகளையும் சரியாகப் பிரிப்பது போன்றவற்றையும் செயல்படுத்தவேண்டும்.

மற்றொரு கட்டத்தில் on mouse over, சொற்களின் பொருள்கள், அவற்றின் synonyms போன்றவை தென்படுமாறு செய்தல் வேண்டும். ஒரே பொருளைத் தரும் பல்வேறு சொற்களைக் கொண்டு ஒரே நேரத்தில் corpus முழுவதிலும் தேடும் வகையில் அமைக்கவேண்டும்.

***

ஜூன் 2010-ல் கோவையில் நடைபெறும் செம்மொழி மாநாட்டுக்கு முன்னதாக செம்மொழிக் களஞ்சியத்தை உருவாக்கி முடித்திட தமிழ்ப் பல்கலைக்கழகம் விரும்புகிறது. அதற்காக, செம்மொழி இலக்கியங்கள் (என நான் மேலே சொன்னவை) அனைத்தையும் தரவுத்தளத்தில் ஏற்றவேண்டும். அதற்காக அவை அனைத்தையும் XML கோப்புகளாக மாற்றவேண்டும். இதனை தமிழ் அறிந்த சென்னைப் பல்கலைக்கழக மாணவர்களைக் கொண்டு செய்துமுடிப்பது என்பது திட்டம்.

இதனால்தான் இந்த மென்பொருளை சென்னைப் பல்கலைக்கழக மாணவர்களிடம் காண்பித்து அது பற்றிப் பேசவேண்டி இருந்தது. நாங்கள் பார்த்த மாணவர்கள் அனைவருமே பிஎச்.டி செய்பவர்கள். எல்லா மாணவர்களையும் போலவே இதில் பலருக்கு நாங்கள் காண்பித்ததில் எந்த விருப்பமும் இல்லை. மகிழ்ச்சி என்னவென்றால் பலருக்கும் கொஞ்சமாவது விருப்பம் இருந்தது என்பதே. அதில் பெண்கள் கணிசமானவர்கள். ஒரு பெண் ‘தொல்காப்பியத்திலும் சங்க இலக்கியத்திலும் இடைச்சொற்கள்’ என்பது பற்றி ஆராய்ச்சி செய்கிறார். அதற்கு இந்த மென்பொருள் எப்படிப் பயன்படும் என்பதை விளக்கியவுடன் அவர் முகத்தில் ஒரே பிரகாசம்.

அங்கே பேரா. ஜெயதேவன் மேஜையில் ஒரு எம்.ஃபில் தீசிஸ் இருந்தது:- ‘இராமானுச நூற்றந்தாதியில் (திருவரங்கத்தமுதனார்) அகழ்வாய்வும் சொல்லடைவும்’. உள்ளே இருக்கும் அனைத்தையும் பார்த்தபின், அந்த தீசிஸையே இந்த மென்பொருள் கொண்டு தானாகவே உருவாக்கிவிடலாம் என்று தோன்றியது.

சில மாணவர்கள், ‘கூகிள் தேடுதல் இருக்கும்போது இந்த மென்பொருள் எதற்கு?’ என்றனர். அதனை விளக்கவேண்டியிருந்தது.

இதில் வேலை செய்ய கம்ப்யூட்டர் வேண்டுமே என்று மாணவர்கள் அங்கலாய்த்தனர். அதிர்ச்சியாக இருந்தது. இந்த 21-ம் நூற்றாண்டில் சென்னைப் பல்கலைக்கழகம் போன்ற முன்னணி கல்வி நிறுவனங்களில்கூட பிஎச்.டி மாணவர்கள் அனைவருக்கும் கணினிகள் இல்லையா? கோடி கோடியாகக் கிடைக்கும் நிதி அனைத்தும் எங்கே போகிறது? இவர்கள் அனைவரும் ஒரு கணினியை வைத்துக்கொண்டு அடிதடி சண்டை போட்டுக்கொண்டு... பாவமாக இருந்தது. என் வீட்டிலேயே மூன்று கணினிகள் உள்ளன!

கம்ப்யூட்டர் புரோகிராமிங் என்பது ஏதோ கணினியியல் ஆசாமிகளுக்கானது என்ற எண்ணம் மாறவேண்டும். தமிழ் மாணவர்கள் அனைவருக்கும் கணினி புரோகிராமிங் கற்றுத்தரவேண்டும். String processing பற்றியும் யூனிகோட் பற்றியும் ஓரிரு வார்த்தைகள் மட்டும் அவர்களிடம் சொன்னேன். நாகராஜன் ஒரு XML கோப்பை எடுத்துக் காட்டி, அதில் தமிழிலேயே Tags இருப்பதைக் காண்பித்தபோது மாணவர்களுக்கு ஒரே மகிழ்ச்சி. இது எச்.டி.எம்.எல் போன்றதா என்று ஒரு மாணவி வினவினார். அவருக்கு எச்.டி.எம்.எல் என்பது தெரிந்திருந்தது. பிற மாணவர்களுக்கு அதுவும் தெரிந்திருக்கவில்லை. சிறிது நேரம், எச்.டி.எம்.எல், ஜாவாஸ்கிரிப்ட், எக்ஸ்.எம்.எல், எஸ்.கியூ.எல், பி.எச்.பி போன்றவற்றைப் பற்றி அவர்களிடம் பேசினேன்.

நம் கல்வி நிறுவனங்களில் பெரிய மாற்றத்தைக் கொண்டுவரவேண்டும் என்ற எண்ணத்துடன் நானும் நாகராஜனும் திரும்பிவந்தோம்.

விரைவில் இந்த மென்பொருளின் சுட்டியை உங்களுக்குத் தருகிறேன்.