I dag, 4. mai 2017, er det akkurat 100 år sidan Daniel Jones for fyrste gong brukte termen «phoneme», altså fonem, i den tydinga som folk kjenner i dag. Ein hundreåring er sjølvsagt ikkje akkurat siste skrik lenger, men av ulike grunnar lærer ein framleis om fonemet her og der, og det er mange språkfolk som har eit nært og godt forhold til det. Fonemet er ein svært viktig del av historia til fagfeltet fonologi. Mellom dagens fonologar har fonemet likevel for ein stor del gått av moten.
Det er fleire grunnar til at fonemet gjekk av moten, men det kan oppsummerast med at språk rett og slett ikkje oppfører seg heilt slik som fonemmodellen skulle tilseie.
Noko av dette gjeld sjølve det å ha fonemet som eit mellomnivå mellom det leksikalske nivået (slik som ord og andre element er lagra i det mentale ordtilfanget) og overflata/allofonnivået/«uttalenivået». Andre sider av saka gjeld t.d. den meir allmenne førestillinga om kva ein språklyd eigentleg er for noko.
Eg har skrive ein ørliten artikkel om kva som ligg i dette meir i detalj, og kva som har skjett i dei hundre åra som har gått etter at fonemet kom til verda. Det skal seiast her at eg er korkje norsklærar, lærar eller norskfagleg av meg, men skal ein nå eit fagleg orientert publikum som ikkje allereie er godt kjende med stoffet, og som heller ikkje allereie er så spesialiserte at dei berre er interesserte i heilt andre ting, så er bladet Norsklæreren/Norsklæraren ein god stad. Så i nr. 1/2017 stod artikkelen «Når verktya endrar seg: hundre år etter fonemet». Som det høver seg, var dette sjølve jubileumsnummeret av bladet, ettersom Landslaget for norskundervisning fyller 40 i år, så det eine jubileet fekk verte markert med eit anna.
Artikkelen er attgjeven som resten av denne bloggposten. Det er avklart med opphavleg publiseringskanal at eg har lov til å leggje ut artikkelen på denne måten. Nokre få vil kjenne att delar av teksten: Ein tidleg kladd stod i studenttidsskriftet riss for tre år sidan, med eit opplag på 100 (eitt hundre). Takk til Jan K. Hognestad for råd om framstillinga i delar av den endelege versjonen (ein fotnote med takk fall ut då teksten kom på prent). Ein pdf av den prenta versjonen ligg her.
– – –
Når verktya endrar seg: hundre år etter fonemet
Av Jardar Eggesbø Abrahamsen
Opphavleg publisert i Norsklæreren 1/2017 s. 213–219.
Fonemet fyller 100 år i 2017. Dei fleste som har studert språk, har lært om fonem, men i fonologisk faglitteratur i dag finn ein knapt fonemet nemnt. Her skal vi sjå litt forenkla på noko av det som har endra seg sidan fonemets glansdagar.
Fonemet
Dei to lydane [tʰ] og [d] er ulike nok til at dei kan skilje mellom tydingane til dei norske orda [tʰiː] ‘ti’ og [diː] ‘di’. Då seier vi at desse lydane i norsk sorterer under ulike fonem, som vi gjerne kan transkribere praktisk som /t/ og /d/. Eit fonem har fleire allofonar, dvs. konkrete uttalar, som vekslar mellom å representere fonemet sitt. Til dømes har /t/ allofonar som [tʰ], [t] og meir til, avhengig av nabolydar og plassering i ordet, og avhengig av presisjonsnivå i presentasjonen vår.
Termen «fonem» har tradisjonar heilt tilbake til 1870-talet, men med eit noko varierande innhald (sjå Dresher 2011 for ein gjennomgang). I vår moderne tyding har fonemet sterke band til strukturalistisk lingvistikk, og skal ha vorte brukt om lydfamiliar med distinktiv funksjon fyrste gong den 4. mai 1917 av den vidgjetne britiske fonetikaren Daniel Jones (1881–1967), jf. Jones (1967:260f).
Fonemet i denne tydinga har hjelpt oss med å skilje mellom konkrete lydar (fonetikk) og strukturane i lydsystema (fonologi), og er såleis ei uhyre viktig oppfinning i den språkvitskaplege faghistoria.
Problem med fonemet
Likevel dukka det snart opp problem med modellen. Eitt av dei mest kjende er nøytralisering, når to fonem vert uttalte på den same måten. Til dømes er /g/ og /k/ ulike fonem, og kan skilje mellom adjektivet trygg med [g] og imperativen trykk med [k]. Nøytralisering av denne fonemskilnaden oppstår når /g/ i trygt og /k/ i trykt vert uttalte likt som [k] pga. t-en som kjem etter dei: Brannvesenet fekk katten [trykt] ned. Eit problem her var at når skilnaden mellom to fonem vert oppheva, slik at dei høyrest like ut og dermed ikkje lenger i seg sjølve kan skilje mellom tyding, så kjem dette i konflikt med korleis fonemet er definert og avgrensa som nettopp tydingsskiljande ulikskapar.
Ein fann løysingar på dette. Likevel fekk ein aldri heilt bukt med at skotta mellom fonema ikkje er vasstette. Om vi skal tillate oss å hoppe over detaljane: Til dømes vil ei stemtheitsveksling som i bøyinga try[g] – try[g]e – try[k]t (trygg, trygge, trygt) også handle om at ordet som del av bøyinga vekslar mellom to røter, fonemisk /tryg/ og /tryk/, eller eventuelt transkribert /tryg/ og /tryK/, der stor /K/ symboliserer eit nøytralisert fonem. Vekslinga mellom dei to røtene /tryg/ og /tryk/ i ulike bøyingsformer kunne då reknast som ei veksling mellom ulike fonem, sidan /g/ og /k/ er forskjellige nettopp på fonemnivået. Dette er det vi tradisjonelt kallar ei morfofonologisk veksling, for det handlar om eit samspel mellom morfologi og fonologi: Ordbøyinga fører til fonemveksling og dermed til at ordet vekslar mellom to fonologisk ulike røter. Så langt er alt vel.
Men på ei anna side finn vi samstundes den tilsvarande stemtheitsvekslinga mellom t.d. bergensk tve[ʁ]e og tve[χ]t (tverre og tvert), med stemd og ustemd skarre-r. No har det seg slik at stemd og ustemd skarre-r berre er to uttalevariantar (allofonar) av eitt og same fonem /r/. Dette bergenske tilfellet ville då vere ei reint fonologisk avhengig uttaleveksling (også kalla allofonveksling), sidan stemd og ustemd skarre-r ikkje er separate fonem. Den morfologiske rota /tvær/ er altså fonologisk konstant, og har dei same fonema heile tida, berre med litt forskjellig uttale i dei ulike bøyingsformene, avhengig av korleis nabolydane verkar inn. Vekslinga i uttale av fonemet /r/ er dermed ei sak for fonologiske uttalereglar åleine, og påverkar ikkje dei morfologiske forholda, sidan rota er fonemisk konstant.
Slike forhold skapte problem for analysemodellen. Eitt og same fenomen, i vårt tilfelle stemtheitsassimilasjon ved /t/, måtte forståast som to urelaterte prosessar, knytte til ulike nivå i språket: morfofonologisk fonemveksling i tilfellet «trygt», fonologisk allofonveksling i tilfellet «tvert». Og dette var berre eitt av problema med fonemmodellen, om enn kanskje det mest kjende problemet. Sjå t.d. Dresher (2011:256ff) og Carr & Montreuil (2013:79ff) for djupare drøftingar.
Slikt gav då ei uhaldbar forståing av korleis språk oppfører seg, og situasjonen hadde oppstått fordi modellen har eit fonemnivå mellom det leksikalske nivået (korleis orda er lagra i det mentale ordtilfanget) og allofonnivået (uttalen). I løpet av 1960-talet førte dette oss over i generativ fonologi, med Chomsky og Halle (1968) som klassikaren. Kort sagt finst ikkje det mellomliggjande fonemnivået lenger. Røter som trygg og trykk er lagra mentalt, i den «underliggjande repesentasjonen», med sine respektive /g/ og /k/ (skråstrek i formalismen tyder altså noko anna no enn tidlegare), men så kjem /g/ i visse fonologisk definerte situasjonar til overflata som [k], utan at dette får andre konsekvensar enn nettopp det.
Segment eller ikkje
Å avskaffe fonemnivået løyste ein del problem. Men fonologisk teori sleit framleis med ein annan arv frå faghistoria: segmentet. Eit segment er ei lydeining, i fonemmodellen altså eit fonem eller ein allofon. Tanken hadde vore at segmenta, fonologisk sett, kom på rekkje og rad som klart avgrensa lydeiningar, omtrent som bokstavar i alfabetiske skriftspråk. Kvart segment kan rettnok analyserast som oppbygt av massevis av såkalla trekk, slik som stemtheit, nasalitet og artikulasjonsstad, men desse trekka held seg på plass innanfor det segmentet som dei utgjer.
Illustrasjonen her er ein tradisjonell såkalla trekkmatrise som viser fonologiske trekk som ein kunne rekne som involverte når vi skal lage segmentet /n/. Detaljane kan variere litt mellom analysane, og trekka har til dels andre etikettar enn den «stemde alveolare nasalen» som vi er vane med frå fonetikken. Men poenget her er at trekka held seg samla og innanfor segmentet, at eit segment er eit segment, og ferdig med dét.
Det er berre det at språk ikkje oppfører seg heilt slik.
John Goldsmith kom med sin autosegmentale representasjonsteori i 1976, og sjølv om mykje i fagteorien har endra seg sidan den gong, er hovudbodskapen framleis: Segmentet er ikkje ein bunt med trekk som alltid høyrer saman. Trekka, til dømes nasalitet, stemtheit og artikulasjonsstader, samarbeider om å lage det som vi oppfattar som segment, men trekka kan også leve sine eigne liv. I staden for éin streng med ferdige og klart avgrensa lydar kan ein enkelt sagt rekne med parallelle og separate men tidssamordna sjikt med lydbyggjesteinar, altså trekk. Dermed vert det klassiske segmentet litt tvilsamt.
Eit fenomen som illustrerer den sjølvstendige rolla til trekk godt, kan vere nasalar i lombardisk, eit romansk språk i Alpane, her Milano-dialekten. Vi skal sjå på korleis sjølve nasaliteten oppfører seg der, og skal ikkje bry oss om andre einskildtrekk (analysen min her er noko forenkla og utnyttar ikkje dei nyaste verktya, som ville ha gjeve ein nesten motsett prosedyre; takk til Jørgen G. Bosoni for milanesiske uttaledata):
Språket har ein litt spesiell nasal konsonant, la oss kalle han /N/, som i akkurat denne dialekten berre kan opptre i stavingsopptakt, dvs. til venstre for vokalen, og då med uttalen [n]. Hokjønnsforma av adjektivet ‘god’ er [ˈbuna] med [n] til venstre i stavinga [na]. Vokalen [a] her er bøyingsendinga for hokjønn. I hankjønn finst ikkje den endinga, og ein kunne ha venta [ˈbunː] eller liknande (lang [nː] av urelaterte grunnar), men det er ikkje dette vi får. Hankjønnsforma er i staden [ˈbũː] med nasal vokal. Mesteparten av den nasale konsonanten vert altså utelaten, men sjølve nasaliteten finst likevel, og legg seg på vokalen.
Ei klassisk segmentbasert tilnærming ville vere meir komplisert, for dersom nasaliteten t.d. er ein del av konsonanten, så må ein framleis forklare at det er den synkrone og fonologisk motiverte konsonantutelatinga som utløyser vokalnasalering. Med strengt avgrensa segment skulle det å utelate konsonanten også ha utelate nasaliteten, men det skjer jo ikkje her. Det viser seg òg at vokalen vert nasalert berre når konsonanten ikkje er der, dette heng altså saman. Når vi av ulike grunnar har former der ein nasal konsonant til samanlikning framleis er til stades, som i [ˈʃima] ‘fjelltopp’, [ˈʃimː] ‘fjelltoppar’, [ˈanː] ‘år’ (sg. og pl.) og altså [ˈbuna], får dialekten heller ikkje nasal vokal. Alt i alt lever nasaliteten sitt eige liv, og vekslar i former som [ˈbuna] og [ˈbũː] mellom å vere knytt til ein konsonant og å vere knytt til ein vokal, alt etter kva som er tilgjengeleg i den aktuelle posisjonen i stavinga.
Også norsk språkhistorie har døme på trekk som ikkje held seg innanfor segmentet sitt, t.d. omlydar, slik som eintalsforma strand mot fleirtal strender. I dag er dette ei reint morfologisk vokalveksling. Men den historiske bakgrunnen for denne vokalvekslinga finn vi i den urnordiske fleirtalsforma som kan rekonstruerast som strandiʀ. Det fanst ein fonologisk finesse på den tida som gjorde at den fremre vokalen /i/ i endinga påverka den bakre vokalen /ɑ/ til å verte uttalt som ein fremre vokal à la [æ]. Den regelen finst ikkje lenger, men dei historiske forholda er i dag gjenspegla av «e» i strender. På den tida var altså ikkje den fremre kvaliteten til /i/ avgrensa til sin eigen vokal. Liknande fenomen med vokalar som på visse vilkår påverkar kvarandre på avstand, finst i det synkrone språksystemet i mange nolevande språk.
Både einskildtrekk og grupper av trekk kan vere aktive i fonologiske prosessar i ulike språk, og det finst mange døme på slikt som vil vere vanskeleg eller meir omstendeleg å behandle i strengt lineære modellar, der ein lyd er ein lyd, finst på éin avgrensa plass, og ferdig med dét. Segmentomgrepet er likevel praktisk å bruke, og det finst gode faglege grunnar til å ta vare på det. Ikkje minst finst fenomen som metatese, altså lydomskifting, som då kross vart til kors i delar av skandinavisk, eller når born vil ta på seg stølvane. Skal segment skifte plass på slike måtar, treng vi at segmenta faktisk finst i språkstrukturen. Men vi veit altså at det fiks ferdige og klart avgrensa segmentet ikkje er heile historia.
Og om det då skulle verke framandt at lydane altså ikkje treng å vere faste og einskaplege klumpar med fonologiske trekk, så tenk på dette: I taleorgana finn vi den fonetiske kjelda til stemtheit på ein heilt annan stad enn kjelda til nasalering, osb. Det skulle ikkje overraske at ein kan finne spor av dette også i dei mentale representasjonane av lydsystemet, altså fonologien. Trekk- og segmentteori har forresten òg utvikla seg mykje dei siste førti åra, dette er ikkje dekt av gjennomgangen over.
Prosodi
Tonale vekslingar har vore viktige i fagutviklinga: Norsk er rettnok ikkje eit tonespråk, men har tonar. Tenk på den stigande tonen i vokalen i austlandsk sol, mot låg + høg tone i sola. Tonane her er ikkje knytte til vokalane men til stavingane, og i sol er låg + høg berre pressa saman på éi staving. Tonane lever altså sitt eige liv. Tonane er rettnok avhengige av å ha stavingar med lydar (segment) for å kunne høyrast, men dei kan fordele seg på desse stavingane avhengig av kor mykje lydmateriale som er tilgjengeleg. Det vert altså ein parallell til det lombardiske dømet med nasalar over.
Og sameleis som i dømet med nasalar over, så er det vanleg i tonespråk at ein tone overlever sjølv om stavinga (vokalen) skulle forsvinne, t.d. i ewe (Ghana): Possessivpartikkelen /ɸé/ er leksikalsk spesifisert for å ha ein høg tone, markert med akuttaksent i lydskrifta. Men partikkelen misser vokalen sin når substantivet etter byrjar på vokal, t.d. /awu/ ‘klede’, som berre har låge tonar. Dermed finst ikkje den stavinga lenger som skulle hatt høg tone. Men til saman vert dei to orda i fellesskap likevel uttalte [ɸáwu] i samanhengande tale, med høg tone frå den sletta vokalen, men no plassert fremst i substantivet (Motte 2013:80 og personleg). Vokalen frå det fyrste ordet vert altså utelaten, men tonen finn seg ein annan vert.
Med autosegmental teori fekk vi på kjøpet ei solid utvikling av prosodisk teori også meir generelt, altså trykk, tonar, moraer, stavingar og større prosodiske domene. Vi har fått verkty til å analysere trykkplassering, intonasjon (setningsmelodi) og meir. Det lombardiske dømet over var eit samspel mellom stavingsstruktur og segmentalfonologi.
La oss ta endå eit døme frå norsk: I mange norske dialektar uttaler ein den bundne forma båten som båt’n [¹boːtn̩] med stavingsberande [n] i siste staving, utan vokal. Det er derimot ikkje mogeleg å lage ei trykksterk staving utan vokal på norsk: Smått om *snn fekk eg *vndt i *tnna mi.
Dette òg er eit spørsmål for prosodien, i dette tilfellet det som fagsjargongen kjenner som ulike sonoritetstersklar for staving og fot (Zec 2003). Dette handlar om kor mykje klang, etter visse faglege definisjonar, som trengst for å få ei staving sånn generelt, kva som trengst for å få meir spesifikt ei trykkstaving, og eigentleg meir til. Slikt varierer frå språk til språk, men i norsk er det altså slik at trykkstavingane insisterer på å innehalde ein vokal (mykje klang), medan trykklette stavingar kan nøye seg med visse slags klangsterke konsonantar (mindre klang enn vokalar). Igjen har vi altså eit samspel mellom prosodi og einskildlydar.
Stoda i dag
Fonologisk teori har vorte stendig meir typologisk orientert, og dreg såleis vekslar på innsikter frå ulike språk – og på allmenn fonetikk og andre fag – for å forstå kva som skjer. Dei siste litt meir enn tjue åra har ein også byrja å gå bort frå fonologiske reglar (at /g/ vert til [k] i ordet trygt fordi /t/ dikterer det), og har teke i bruk eit optimalitetsteoretisk rammeverk (at /g/ vert til [k] fordi dette er den minst uheldige løysinga i den aktuelle situasjonen) med eit meir direkte forhold til dei innebygde kreftene i fenomenet menneskespråk, uavhengig av kva syn ein måtte ha på trekk og segmentstruktur.
Eg skal ikkje utdjupe teorien i dette, anna enn at det dreier seg om å kartleggje dei språkspesifikke styrkeforholda mellom ulike og presumptivt universelle krefter i språket som kan trekkje i kvar si retning. I dag kan ein knapt lese fonologisk faglitteratur utan å forhalde seg til optimalitetsteori.
Kvar vart det så av fonemet på vegen? Det finst framleis i kulissane, særleg på innføringsnivå og i språkfag der ein ikkje ser for djupt på den fonologiske materien. Fonemet kan nemleg vere nyttig til sin bruk, m.a. gir det praktiske innleiande oversyn over lydsystema i språk, og er ein viktig del av faghistoria. Ein må berre hugse at modellen hadde sine klare grenser og gav eit problematisk bilete av korleis språk oppfører seg. Slik vil det alltid vere med vitskaplege modellar, og også dei nyare teoriane og analysemodellane har sine utfordringar. Det skulle berre mangle.
Litteratur
Carr, Philip & Montreuil, Jean-Pierre 2013. Phonology. 2. utg. Houndmills: Palgrave Macmillan.
Chomsky, Noam & Halle, Morris 1968. The Sound Pattern of English. New York: Harper and Row.
Dresher, Elan 2011. The Phoneme. I Marc van Oostendorp m.fl. (red.): The Blackwell Companion to Phonology. Volume I: General Issues and Segmental Phonology. Wiley-Blackwell, 241–266. (På nett her.)
Goldsmith, John 1976. Autosegmental Phonology. Doktoravhandling, MIT. New York: Garland Press, 1979.
Jones, Daniel 1967. The Phoneme. Its Nature and Use. Tredje utgåve. Cambridge: W. Heffer & Sons.
Motte, Mercy 2013. Vowel Hiatus Resolution in Ewe. Masteroppgåve. Trondheim: NTNU, Department of Language and Literature. (På nett her.)
Zec, Draga 2003. Prosodic Weight. I Caroline Féry og Ruben van de Vijver (red.): The Syllable in Optimality Theory. Cambridge University Press, 123–143.
– – –
Tidlegare bloggpostar om fonologi med relativt fagleg vinkla innhald, men hakket meir popularisert enn dagens bloggpost, er mellom anna:
Skrik (20.11.2009) • Å gjere vestlending av statsministeren (15.12.2011) • Makaber onstag (23.4.2012) • Eit optimalt jubileum (1.7.2013) • Å gjere austlending av statsministeren (14.2.2016) • Meir her: språk
Mellom turrfisken og veden 