Tämä osa käsittelee koodeja (tunnuksia), joita voidaan käyttää asiakirjan tai sen osan kielen ilmoittamiseen. Tämä on suhteellisen riippumaton aineiston varsinaisesta teemasta, kielimerkkauksesta, ja koskee kielikoodien käyttöä hyvinkin monenlaisissa yhteyksissä.
Eri yhteyksissä on välttämätöntä tai ainakin hyödyllistä voida viitata eri kieliin yksikäsitteisillä koodeilla. Erityisen tarpeellista tämä on teknisissä yhteyksissä, joissa tietokoneohjelmat on saatava käsittelemään tekstiä eri tavoilla sen mukaan, mikä sen kieli on. Erityisesti kirjastoalalla on usein välttämätöntä tallentaa koodattu tieto julkaisun kielestä, jotta esimerkiksi voidaan etsiä määrätynkielisiä julkaisuja.
Seuraavassa on muutamien kielten kaksikirjaimisia koodeja (ISO 639:n mukaan):
ar
en
es
nl
it
ja
zh
el
la
se
pt
fr
sv
de
fi
ru
et.
Esimerkiksi
viittomakielille ja muille
saamen kielille kuin pohjoissaamelle on vain
kolmikirjaimiset koodit. Tosin SFS-ISO 639:n mukaan
koodin se merkitys olisi yleisesti 'saame', mutta
ISO 639-2:n mukaan se = sme =
Northern Sami =
sami du Nord.
Tässä on käytetty ilmaisua "kielikoodi", joka on suora käännös englannin ilmaisusta "language code". Kuitenkin sanan "koodi" monimerkityksisyyden vuoksi voisi esimerkiksi "kielitunnus" olla parempi sana.
Sivu Kielten nimiä ja koodeja sisältää luettelon seuraavassa kuvattavan ISO 639 -standardin mukaisista kielikoodeista sekä kielten nimistä englanniksi, ranskaksi ja suomeksi.
Kansainvälinen standardi kielikoodeille on ISO 639,
Codes for the representation of names of languages.
Tarkemmin sanoen kyseessä on kaksi standardia, ISO 639-1, joka
määrittelee kaksikirjaimiset
koodit, englanniksi
alpha-2 code
(esimerkiksi sv = ruotsi),
ja
ISO 639-2, joka
määrittelee kolmikirjaimiset
koodit, englanniksi
alpha-3 code
(esimerkiksi swe = ruotsi). Jälkimmäisessä on
joillekin kielille kaksi vaihtoehtoista koodia, bibliografinen ja
terminologinen. Standardit ISO 639-1 ja ISO 639-2 eivät
ole siinä mielessä yhteensopivia, että kolmikirjaimisen koodin
kaksi ensimmäistä kirjainta olisivat aina samat kuin kyseisen kielen
kaksikirjaiminen koodi. Toisaalta samassa yhteydessä voidaan käyttää
molempia, koska koodin pituus ilmaisee, kumman standardin mukaan
se pitää tulkita.
Alun perin (vuonna 1988) tehtiin vain ISO 639, joka määritteli kaksimerkkiset koodit; sitä oli edeltänyt vuonna 1967 tehty ISO/R 639, Symbols for languages, countries and authorities . Myöhemmin, vuonna 1998, tehtiin ISO 639-2. Vasta 2002-07-18 vahvistettiin vanhan ISO 639:n korvaava ISO 639-1, joskin se oli ollut luonnoksena (viime vaiheessa ns. DIS-tasoisena) olemassa jo huomattavasti aiemmin. Se ilmoittaa koodien lisäksi kielten nimet englanniksi, ranskaksi ja kielellä itsellään. Webissä on (PDF-muodossa) sen lopullinen luonnos ISO/FDIS 639-1.
ISO 639-1:n pohjalta on
SFS
laatinut vuonna 1993
Suomen kansallisen standardin,
SFS-ISO 639,
Kielten nimien tunnukset. Se mainitsee myös kolmikirjaimisia
koodeja, mutta itse standardiin kuulumattomana. Siihen on
otettu kaksikirjaimiset tunnukset muutamalle kielelle,
joilla sellaisia tunnuksia ei kansainvälisessä standardissa ollut:
kirjanorja (nb), uusnorja (nn)
ja saame (se). Näistä kaksi ensin mainittua
kuuluvat nykyisin myös ISO 639-1:een, ja se
on siinä nimenomaan pohjoissaamen koodi. Mainittakoon, että
kyseisessä standardissa on myös laaja kooste kielten nimistä
suomeksi ja muilla kielillä.
Tilastokeskuksen kuvauksessa kielikoodeissa on lyhyesti kuvattu kielikoodijärjestelmiä. Siinä on myös suomenkielisiä nimiä eräille kielille, joita SFS-ISO 639 ei sisällä.
ISO 639:n kolmikirjainkoodien virallinen sivusto sisältää myös kaksikirjainkoodit: ISO 639-2 Registration Authority. Tavallisimmin tarvittava osa siitä lienee kooste kielikoodeista kielen englanninkielisen nimen mukaan järjestettyinä. Kyseisessä sivustossa on myös itse ISO 639-2 -standardi.
ISO 639-2 määrittelee kaksi koodia erikoistarkoituksiin
mul, joka tarkoittaa monikielisyyttä, ja
und, joka tarkoittaa epämääräistä kieltä.
Niiden käyttö on aika ongelmallista.
Aihetta käsitellään jäljempänä kohdassa
Miten ilmaistaan, ettei kieltä voida
ilmaista?
Kaksikirjaimisten koodien järjestelmä ei ole riittävä, koska vain varsin pienelle osalle maailman tuhansista kielistä on määritelty ISO 639-1-koodi eikä kahden kirjaimen mahdollisia yhdistelmiä edes ole tarpeeksi. Toisaalta kaksikirjaimiset koodit ovat toistaiseksi yleisemmin käytettyjä ja usein myös tietokoneohjelmien yleisemmin tunnistamia kuin kolmikirjaimiset. Lisäksi Internetin kielikoodikäytäntöjen tulee aina käyttää kaksikirjaimista koodia, jos kielellä sellainen on. (Tällöin ei myöskään synny kysymystä siitä, käytetäänkö bibliografista vai terminologista kolmikirjainkoodia, sillä niillä kielillä, joiden osalta ne poikkeavat toisistaan, on myös kaksikirjainkoodit.)
Peter Constable on kirjoittanut laajan analyysin Toward a Model for Language Identification and An Analysis of ISO 639, joka käsittelee kielikoodijärjestelmien ongelmia ja jonka Unicode-konsortio on julkaissut sarjassa Unicode Technical Notes.
Erikoista on, että ISO ja eräät muut standardointiorganisaatiot itse käyttävät yksikirjaimisia kielikoodeja joissakin yhteyksissä. Esimerkiksi jonkin standardin erityisen kieliversion koodi voi olla seuraavantapainen: "EN 1828:2002 (E)", missä "EN" ilmaisee standardien luokan (tässä 'CENin vahvistama eurooppalainen standardi'), "1828" on numero luokan sisällä, "2002" on vahvistamisvuosi, jonka avulla voidaan erottaa sisällöltään erilaiset versiot toisistaan, ja "(E)" ilmoittaa kieliversion (tässä englannin). Selitys tälle lienee, että koodit on haluttu pitää lyhyinä ja kyseisissä yhteyksissä tulevat kyseeseen vain muutamat kielet eli yksi kirjain riittää. Mutta tämä on outo poikkeus.
Monissa yhteyksissä käytetään myös muita kielikoodijärjestelmiä kuin ISO 639:n mukaisia. Osaa niistä on käytetty melko vakiintuneestikin eri aloilla, joskin ehkä enemmänkin kokonaisten dokumenttien kielen ilmoittamiseen kuin kielimerkkauksessa.
Erityisesti laaja Ethnologue-tietokanta käyttää ns. SIL-koodia, joka on kolmikirjaiminen mutta poikkeaa ISO 639-2:sta joissakin suhteissa ja ennen muuta sisältää paljon suuremman määrän koodeja, yli 7 000.
Toinen laaja (yli 21 000 kieltä ja murretta) kielikoodien järjestelmä on Linguasphere. Ison-Britannian standardointijärjestö on ehdottanut kansainvälisen standardin laatimista sen pohjalle.
Kirjastoalalla on paljon käytetty MARC-kielikoodeja. Se on sovitettu yhteen ISO 639-2:n kanssa.
Käyttöjärjestelmissä ja muissa tietokoneohjelmissa on usein
erilaisia omia kielikoodijärjestelmiä. Esimerkiksi
Windowsissa on sisäisesti käytössä
sekä kirjain- että numerokoodeja. Eräs sellainen järjestelmä sisältää
koodinimiä kuten LANG_FINNISH ja
koodinumeroita, jotka esitetään
heksadesimaalisina, esim. suomen koodi on
0x0b eli desimaalisena 11. Näitä sekä Mac-järjestelmien kielikoodeja kuvailee dokumentti
Language Codes: ISO 639, Microsoft
and Macintosh. Toisaalta Microsoftin omassa dokumentaatiossa
on kuvattu useita muita kielikoodijärjestelmiä. Ks. esim.
List of Windows XP's Three Letter Acronyms for Languages,
jossa pohjana ovat ISO 639:n kaksikirjainkoodit, joihin on lisätty
kolmas kirjain, joka osoittaa maakohtaisen tai muun muunnelman.
RTF-tiedostomuodon
dokumentaatio
(erityisesti RTF:n version 1.5 spesifikaatio)
puolestaan käyttää ilmaisua
"the standard languages used by Microsoft"
ja esittää taulukon, jossa esimerkiksi suomen kielen koodi on 0x040b.
Tämän mukaisesti näyttää toimivan ainakin
Word 95: kun siinä esimerkiksi asettaa
dokumentin yleiskieleksi jonkin muun kielen kuin suomen ja sitten
maalaa osan tekstistä ja asettaa sen kieleksi suomen, niin RTF-muotoon
tallennuksessa tiedostoon menee
{\lang 1035 merkitty tekstinosa}
ja heksadesimaaliluku 0x040b on desimaalisena 1035.
Runsaasti tietoja erilaisista kielikoodijärjestelmistä on edellä mainitussa dokumentissa Language Identifiers in the Markup Context. Se on laaja ja informatiivinen, joskin osittain vaikealukuinen muun muassa siksi, että siinä on eri aikoina kirjoitettuja osia. Lisäksi lopussa olevat otteet eri lähteistä ovat käänteisessä aikajärjestyksessä, vaikka ne olisi luultavasti parempi lukea vanhimmista uusimpiin.
Metadataa koskevan
Dublin Core
-suosituksen
(Dublin Core Metadata Element Set, Versio 1.1,
Tallenteiden kuvailuformaatti, kohta
12 Kieli)
mukaan käytetään kaksikirjaimisia koodeja, esimerkiksi (HTML:ssä
metadataa esitettäessä)
<meta name="DC.Language" content="en">
Kyseisessä määrittelyssä on tältä osin kummallisuuksia: siinä
väitetään virheellisesti RFC 1766:ta
"Internet standardiksi" (ks. Mitä
RFC:t ovat), puhutaan ISO 639:stä nimenomaan ja vain
kaksimerkkiset koodit määrittelevänä mutta silti viitataan linkillä
ISO 639-2:een ja lisäksi annetaan virheellinen esimerkki
en-uk; Ison-Britannian ja Pohjois-Irlannin Yhdistyneen
kuningaskunnan maakoodi on GB,
ei UK.
Nämä kummallisuudet ovat mukana myös 2001-04-12 päivätyssä suosituksessa
Using Dublin Core
(kohta 4.15 Language),
paitsi että se ei viittaa ISO 639-2:een vaan Oasis-dokumenttiin
Code for the Representation of the Names of Languages. From ISO 639, revised 1989, joka käsittelee kaksikirjaimisia koodeja mutta
viittaa uudempaankin informaatioon, erityisesti
(edellä jo mainitsemaamme) katsaukseen
Language Identifiers in the Markup Context.
Dokumentti
Dublin Core Qualifiers määrittelee
merkintäjärjestelmän
(encoding scheme) käsitteen. Lyhyesti sanottuna
sillä tarkoitetaan sitä menetelmää (järjestelmää), jonka mukaan
dokumentin jonkin ominaisuuden arvot esitetään koodatulla tavalla.
Kielikoodien yhteydessä se tarkoittaa jotakin erityistä kielikoodien
järjestelmää, kuten RFC 1766. Itse merkintäjärjestelmilläkin on
Dublin Coressa koodit, kuten rfc1766
ja ISO639-2. Ilmeisestikin ajatuksena on, että niistä
ensin mainittu olisi ensisijainen eli sitä olisi käytettävä, jos
mahdollista.
Suomalaisen Julkisen hallinnon suosituksen JHS 143, Asiakirjojen kuvailuformaatti, mukaisessa metadatassa on kaksikirjaiminen koodi ainoa sallittu vaihtoehto. Toisaalta vuonna 2001 vahvistettu kansallinen standardi SFS 5895, Dublin Core -metadataformaatin suomalainen versio, ilmoittaa, että language-kentän merkintäjärjestelmiä ovat ISO 639-2 ja RFC 1766 sekä kansallinen merkintäjärjestelmä SFS-ISO 639. Nämä on lueteltu tässä järjestyksessä mutta esittämättä erityistä suositusta siitä, miten valinta niiden välillä tehdään. Standardi viittaa yhdysvaltalaiseen standardiin ANSI/NISO Z39.85 Dublin Core Metadata Element Set, jossa sanotaan:
Comment: Recommended best practice is to use RFC 3066 [RFC3066],
which, in
conjunction with ISO 639 [ISO639],
defines two-and three-letter primary language tags
with optional subtags.
Examples include "en" or "eng" English, "akk" for Akkadian,
and "en-GB" for English used in the United Kingdom.
Kielikoodit on erotettava maakoodeista.
Sekaannukset ovat tavallisia muun muassa siksi, että joskus maakoodi
on sama kuin maan pääkielen koodi; esimerkiksi fi on
sekä suomen kielen koodi että Suomen maakoodi.
Maakoodeja käsittelee dokumentti
Maailman maat - nimet, koodit, kuvauksia.
Suositus on, että maakoodi kirjoitetaan isoin kirjaimin, kielikoodi pienin kirjaimin. Tämä ei kuitenkaan ratkaise ilmaisun merkitystä. Kieli- ja maakoodeissa isojen ja pienten kirjainten välisellä erolla ei ole vaikutusta koodin merkitykseen. Se, tulkitaanko kirjainjono maakoodiksi, kielikoodiksi vai joksikin muuksi, riippuu käyttöyhteydestä eli siitä, mitä jossakin tekstin tai lomakkeen kohdassa, tietokannan kentässä tms. jonkin sopimuksen tai muun määrittelyn mukaan on.
Useissa yhteyksissä voidaan kielikoodin perään liittää maakoodi.
Tällöin ilmaisu tarkoittaa kielen kyseisessä maassa puhuttua muotoa.
Valitettavasti on erilaisia käytäntöjä sen suhteen, miten tällainen
ilmaisu tarkkaan ottaen kirjoitetaan
eli mikä on välissä käytettävä erotinmerkki.
SFS/ISO 639:n
mukaan käytetään välilyöntiä (esim. sv FI
'suomenruotsi'),
aiemmin mainitussa DocBookissa
alaviivaa (esim. sv_FI)
ja seuraavassa kuvattavien Internet-sääntöjen mukaan
yhdysmerkkiä (esim. sv-FI).
Internetissä on pyritty siihen, että
kielimuodon voisi
ilmoittaa tarkemminkin. Vuonna 1995 laadittu RFC 1766, Tags for the Identification of Languages, kuvasi järjestelmän,
jossa kielikoodi (language tag) koostuu
peruskoodista (primary tag) ja sitä mahdollisesti seuraavasta
yhdysmerkistä ja
lisäkoodista (subtag). Sen mukaan peruskoodi on
normaalisti ISO 639-1:n mukainen kaksikirjainkoodi.
Lisäksi on kaksi erityiskoodia:
i-kirjain, jonka alaisiksi lisäkoodeiksi voidaan
erikseen rekisteröidä koodeja eri kielille, ja
x-kirjain, joka on varattu ns. yksityiseen käyttöön
eli viestinnän osapuolten keskenään sopimaa käyttöä varten.
Jos lisäkoodi on kaksikirjaiminen, se tulkitaan maakoodiksi
ISO 3166-1:n mukaan.
Esimerkiksi en-US tarkoittaa amerikanenglantia
(Yhdysvalloissa puhuttua englantia) ja en-GB
brittienglantia.
Muunlaisia, tarkemmin sanoen
3 - 8 merkin mittaisia lisäkoodeja voi
rekisteröidä
IANA:n ylläpitämään rekisteriin,
josta on olemassa
luetteloversio
ja
lista viittauksia varsinaisiin rekisteröintitietoihin.
Ehdotukset lisäyksiksi rekisteriin käsitellään listalla
ietf-languages.
Hyödyllinen tiivistelmätaulukko on dokumentissa
RFC 3066 Language code assignments.
Useat Internet-protokollat viittaavat RFC 1766:een.
Käytännössä tällaiset viittaukset on usein tulkittava niin, että
niissä viitataan yleisemmin kielikoodeja käsitteleviin, kulloinkin
voimassa oleviin RFC:ihin. Esimerkiksi HTML 4.01:n määrittely sanoo:
"[RFC1766] defines and explains the language codes that must be used in HTML documents."
Toisaalta sen References-osa viittaa
RFC 1766:n uusimistyöhön, ja XML:n määrittelyn kohta
Language Identification jo selvästi sanoo
xml:lang-määritteestä:
"The values of the
attribute are language identifiers as defined by [IETF RFC 1766], Tags for the Identification of Languages, or its successor on the IETF Standards Track.".
- RFC:t ovat numeroitu sarja Internetiin liittyviä
spesifikaatioita ja muita dokumentteja. Aiheesta kertoo lisää dokumentti
Mitä RFC:t ovat.
Sittemmin laadittiin kaksi uutta RFC:tä, jotka korvaavat
RFC 1766:n, nimittäin
Tags for the Identification of Languages (RFC 3066)
ja
Content Language Headers (RFC 3282).
Niistä ensin mainittu määrittelee itse kielikoodien järjestelmän.
Keskeiset periaatteet ovat samat kuin RFC 1766:ssa, mutta
kolmikirjaimiset koodit on varattu käytettäviksi
ISO 639-2:n mukaan. Kielistä, joille on kaksikirjaiminen
koodi, tulee käyttää sitä eikä kolmikirjaimista, siis esimerkiksi
suomesta koodia fi eikä
fin. Toistaiseksi käytetään Internetissä
lähes yksinomaan kaksikirjaimisia koodeja.
Syyskuussa 2006 mainitut RFC:t korvattiin määrittelyillä Tags for Identifying Languages (RFC 4646) ja Matching of Language Tags (RFC 4647). Niihin on sopivinta viitata tunnuksilla BCP 46 ja BCP 47, koska BCP-numero (BCP = Best Current Practice) ei muutu, toisin kuin RFC-numero, jos määrittelystä myöhemmin tehdään uusi versio.
Edellä mainittu RFC 3282 käsittelee kielen ilmoittamista niin sanotuissa otsakkeissa (headers) esimerkiksi Webin tiedonsiirtoprotokollassa HTTP:ssä. Otsakkeet eivät yleensä näy käyttäjille, eivätkä useimmat ehkä edes tiedä, miten ne saa näkyville, mutta ne voisivat ohjata ohjelmia, joilla dokumentteja tai viestejä käsitellään, esimerkiksi hakukoneita ja puhesyntetisaattoreita.
Tämä on kuitenkin toistaiseksi aika puhtaasti vain teoriaa. Lisäksi teoriassakin tämän otsakkeen merkitys on epäselvä.
Esimerkiksi otsake
Content-Language: fi
kertoo RFC 2616:n mukaan,
että dokumentti on tarkoitettu suomen kieltä osaaville;
käytännössä tämä merkitsee yleensä sitä, että dokumentin pääkieli
on suomi. Jos kyseisessä otsakkeessa luetellaan useita kieliä,
se tarkoittaa,
että dokumentti on tarkoitettu ihmisille, jotka osaavat ainakin
yhtä luetelluista kielistä.
Esimerkiksi Content-Language: fi,sv sopisi siis
dokumentille, joka sisältää saman tekstin sekä suomeksi
että ruotsiksi.
RFC 3282:n
mukaan tämä otsake ilmoittaa dokumentin
kielen tai kielet, mikä on
tietysti varsin pitkälle sama asia. Mutta se voitaisiin tulkita myös
niin, että Content-Language: fi,sv sopisi myös
dokumentille, joka sisältää suuren määrän ruotsinkielisiä paikannimiä
ja lyhyet suomenkieliset selostukset.
Vaikka esimerkiksi HTTP-otsake Content-Language: fi
ja HTML-merkkaus <html lang="fi"> voivat
vaikuttaa samaa tarkoittavilta, kyse on kuitenkin periaatteessa
erillisistä asioista. Esimerkiksi jos HTML-dokumentissa on vain
joukko esineiden kuvia ja suomenkielisiä nimiä, on epäilemättä
oikein merkata sen kieleksi <html lang="fi">.
Mutta Content-Language: fi ei välttämättä olisi oikein,
jos se tulkitaan määrittelyjen mukaan eli niin, että dokumentin
kohdeyleisön kieli on suomi. Voisihan dokumentti olla tarkoitettu
opiskelutarkoituksiin
ihmisille, jotka eivät ennestään lainkaan osaa suomea!
Otsakkeet koskevat dokumenttia kokonaisuutena. Niillä ei siis voida ilmoittaa dokumentin osien kieltä. Toisaalta otsakkeita voidaan käyttää silloinkin, kun dokumentin muoto ei salli kielen ilmoittamista kielimerkkauksella, esimerkiksi kun dokumentti on pelkkää tekstiä (eikä esimerkiksi HTML-muotoinen) tai äänite tai video.
Koko dokumentin kielellä on keskeinen merkitys muun muassa niin sanotussa kielivalintamekanismissa. Tällöin kieltä ei kuitenkaan ilmaista HTTP-otsakkeessa vaan palvelimen sisäisessä määrittelyiedostossa. Aihetta käsittelee dokumentti Tekniikoita monikielisiä Web-sivustoja varten.
Dokumentin kieli voidaan ilmoittaa myös
mediatyypin
language-parametrilla. Esimerkiksi
text/plain; language=fi
ilmoittaa, että kyseessä on pelkkää tekstiä oleva dokumentti,
jonka kieli on suomi. Kyseinen parametri on kuvattu dokumentissa
RFC 2987.
Suositus JHS 143 sanoo metadatan kielikentästä, että se ilmoittaa "asiakirjan kielen". Ja se lisää: "Jos asiakirjassa on käytetty useita kieliä voidaan tätä kenttää toistaa." Epäselvää on, onko järjestyksellä tällöin merkitystä ja voidaanko kenttää käyttää, jos jotakin kieltä on vain vähän (esimerkiksi vain yksi sana).
Kielikoodi ei useinkaan anna riittävää tietoa tekstin kielestä eri tarkoituksia varten, varsinkaan kehittynyttä tekstien ohjelmallista käsittelyä varten, ei vaikka kielikoodien järjestelmässä mentäisiin murteiden tasolle. Asiakirjan kieltä tarkemmin kuvaavien tietojen esittäminen yhtenäisten koodijärjestelmien on kuitenkin vasta kehitteillä.
Ilmeisin tarve on käytetyn kirjoitusjärjestelmän tietäminen. Tätä käsitellään jäljempänä kohdassa Kirjoitusjärjestelmien vaikutus. Käytännössä nykyisin ohjelmat tehdään yleensä olettaen, että kutakin kieltä kirjoitetaan vain yhtä kirjoitusjärjestelmää käyttäen, mikä ei pidä paikkaansa.
Kirjoitusjärjestelmistä onkin laadittu standardi
ISO 15924,
Code for the Representation of Names of Scripts.
Se määrittelee nelikirjaimiset koodit, ks. sivustoa
ISO 15924 Registration Authority.
Koodaus on melko karkea;
esimerkiksi
Latn tarkoittaa yleisesti latinalaista
(latinalaisperäistä) kirjoitusjärjestelmää, vaikka
sitä käyttävien kielten kuten latinan, saksan ja suomen
järjestelmissä on paljon eroja.
Erityisesti tämä koodi ei tee eroa vaikkapa kyrillisen kirjoituksen
erilaisten translitterointien (latinisointien) välillä.
Huomattakoon, että esimerkiksi HTML:ssä ei ole mitään elementtiä
eikä määritettä, jolla tekstin osan kirjoitusjärjestelmän voisi ilmaista.
Sen sijaan standardi esittää esimerkkinä, että HTML:ssä voisi
ilmoittaa koko dokumentin kirjoitusjärjestelmän
meta-elementillä tyyliin
<meta name="Content-Script" content="Latn">
On kuitenkin huomattava, että meta-elementtien
järjestelmä on varsin säätelemätön ja epämääräinen.
Jossain määrin hämäävää on, että kirjoitusjärjestelmästä käytetään
englannissa nimitystä script, joka tarkoittaa toisaalta
myös eräänlaisia tietokoneohjelmia, "skriptejä".
Automaattisessa kielenkääntämisessä, varsinkin sen kehittyneissä muodoissa, olisi olennaista tietää myös kielilaji ja -tyyli, esimerkiksi erottaen arkikieli ylevästä tyylistä. Joissakin kielissä on suuri ero oppineiston ja vähemmän kouluja käyneiden kielenkäytön välillä. Kielentutkijakin voisi olla kiinnostunut selvittämään suuresta tekstimassasta, miten usein siinä esiintyy vaikkapa asiatyylisessä tekstissä jokin sana, jonka oletetaan olevan siirtymässä slangista asiatyyliinkin. Silloin olisi hyvin olennaista, että kielilajit on jollain tapaa eroteltu helposti käsiteltävillä koodeilla, jotta voidaan tehokkaasti etsiä sellaisia esiintymiä.
Myös kielenkäytön tilanne voi olla olennainen esimerkiksi puhesynteesissä. Näytelmien yms. käsikirjoituksissa on usein sulkeissa huomautuksia tyyliin "(Kiivaasti)" tai "(Hiljaisella äänellä)". Nämä ovat eräänlaista merkkausta, mutta sellaista, jota on varsin hankala hyödyntää tekstien automaattisessa käsittelyssä, ellei päästä yhtenäiseen, koodattuun käytäntöön.
Erästä hanketta, jossa pyritään kieliasua kuvaavien koodien kehittämiseen, selostavat artikkeli Standards Bodies Face Growing Demand for Enhanced Language Identifier Systems ja ISO / TC 37 / SC 2 / WG 1:n piirissä laadittu (Word-muotoinen) dokumentti Additional language coding.
Seuraava osa: Ongelmia kielimerkkauksen käytössä