Arbitraliųjų lietuvių kalbos kolokacijų nustatymas

JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ Universitatea Vytautas Magnus IDENTIFICAREA COLOCAȚIILOR ARBITRARE DIN LIMBA LITUANIANĂ CUVINTE-CHEIE: colocații arbitrare, limba lituaniană, combinabilitate lexicală restricționată, metoda vectorilor, identificare automatizată, identificare lingvistică manuală. REZUMAT Obiectul cercetării prezentate în articol îl constituie colocațiile arbitrare din limba lituaniană. Combinabilitatea lor se bazează nu pe restricții semantice, ci lexicale; astfel de colocații nu reflectă direct realitatea extralingvistică. Relația dintre cuvintele lor este arbitrară: deși, în funcție de similitudinea sensului, teoretic se poate alege mai mult de un partener de combinare, se tinde totuși să se folosească unul singur. Articolul descrie metodele de identificare a colocațiilor arbitrare, testate în cadrul proiectului „Metoda de analiză lingvistică manuală și de lingvistică computațională automatizată (ARKA)”. Materialul cercetării a fost preluat din Baza de date a îmbinărilor stabile de cuvinte din limba lituaniană. REZUMAT Articolul își propune să descrie abordările metodologice de identificare a colocațiilor arbitrare (AC), dezvoltate în cadrul proiectului „Colocații arbitrare din limba lituaniană: identificare, descriere și utilizare (ARKA)”. Sursa cercetării a fost „Baza de date a expresiilor pluriverbale din limba lituaniană”. Colocațiile arbitrare au fost identificate prin combinarea metodelor manuale și semiautomate de lingvistică computațională. INTRODUCERE După cum se știe, colocările constituie o mare parte a îmbinărilor stabile de cuvinte; totuși, atunci când acestea sunt identificate automat în corpusuri prin metode statistice sau hibride (pentru detalii, a se vedea Bielinskienė și colab. 2019: 15–22), sunt identificate și numeroase îmbinări care sunt considerate colocări BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 2 doi.org/10.35321/bkalba.2021.94.06 deoarece frecvența coocurenței cuvintelor care le compun este evaluată automat ca fiind semnificativă statistic, de exemplu: șase ani, o zi însorită, o femeie frumoasă și așa mai departe. Astfel, printre colocări apar și colocări false, formate ca îmbinări libere de cuvinte obișnuite, pe baza unor restricții semantice, nu lexicale (Marcinkevičienė 2010: 90–91). Unii cercetători consideră colocări doar colocările propriu-zise (numite și nemotivate, arbitrare) – îmbinări uzuale de cuvinte care nu reflectă direct realitatea extralingvistică; relația dintre cuvintele lor este arbitrară (pentru detalii despre arbitrar, a se vedea Kovalevskaitė și colab. 2021). Obiectul acestui studiu îl constituie tocmai colocările arbitrare (în continuare – CA), adică acelea caracterizate printr-o combinabilitate lexicală restricționată (în engl. lexical restrictedness): deși, în teorie, pe baza unei semnificații similare se poate alege mai mult de un partener de combinare, se tinde să se folosească unul anume, de exemplu, a înțelege o aluzie, nu *a percepe o aluzie, la îndemână, nu *luat cu mâna. Rūta Petrauskaitė scrie: „Absența unei legături directe cu realitatea denumită face ca nu doar combinabilitatea aceluiași cuvânt să difere considerabil în limbi diferite, ci chiar și în aceeași limbă un membru al colocării să nu poată fi înlocuit cu un altul, sinonim, fără riscul ca expresia să sune neobișnuit, de exemplu, timpul trece, zboară, se scurge, dar nu *pășește, aleargă, se târăște” (Marcinkevičienė 2010: 91). Partenerii de combinare ai cuvântului principal din colocările propriu-zise (arbitrare) sunt, potrivit lui R. Petrauskaitė, imprevizibili; baza combinabilității acestor colocări o constituie restricțiile lexicale (Marcinkevičienė 2010: 90). CA nu au beneficiat până în prezent de o atenție semnificativă din partea cercetătorilor limbii lituaniene, deși identificarea lor ar contribui la evidențierea acestor colocări drept nucleul colocărilor limbii lituaniene, fiind deosebit de utile în scopuri de traducere, de predare a limbii lituaniene ca limbă străină și lexicografice. În aceste scopuri, CA sunt analizate în cadrul proiectului „Colocări arbitrare ale limbii lituaniene: recunoaștere, descriere, utilizare (ARKA)”1, care urmărește să descrie CA din limba lituaniană și să elaboreze resurse lexicografice și didactice pentru CA. Scopul articolului este de a descrie metodele aplicate în cadrul proiectului ARKA pentru identificarea CA din limba lituaniană și de a compara rezultatele obținute prin diferite metode. CA au fost analizate prin metode de analiză lingvistică neautomată și de lingvistică computațională automatizată. 1 Proiectul este finanțat de Consiliul de Cercetare al Lituaniei (nr. S-LIP-20-18); pentru detalii, a se vedea https://arka.pastovu.vdu.lt. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 3 doi.org/10.35321/bkalba.2021.94.06 Surse: 1) Baza de date a combinațiilor stabile de cuvinte din limba lituaniană (în continuare – PŽJDB)2, care cuprinde aproximativ 12 mii de colocații; 2) Delfi.lt corpus3, alcătuit din 70 de milioane de cuvinte și cuprinzând texte publicate în perioada 2014–2016 în diverse secțiuni ale portalului de știri Delfi.lt (pentru mai multe detalii despre corpus, vezi Bielinskienė și colab. 2019: 14–15). Materialul de cercetare constă în colocații formate din 97 de substantive (loc, mediu, mod, bărbat, femeie, lucru etc.4). Structurile lor sunt: adjectiv / participiu folosit ca adjectiv + substantiv, verb + substantiv, substantiv + substantiv. În urma cercetării, aproximativ 2400 de colocații au fost recunoscute drept AC. Majoritatea sunt binare, dar unele sunt ternare; cele din urmă sunt de regulă formate din verbe, adjective și substantive (ordinea elementelor poate varia). Prima parte a materialului de cercetare, și anume colocațiile cu structura adjectiv + substantiv, a fost discutată într-un articol anterior (Kovalevskaitė și colab. 2021). Acesta a prezentat o încercare de a recunoaște AC prin aplicarea uneia dintre metodele lingvisticii computaționale – metoda automatizată (vectorială) –, prezentând totodată metoda în detaliu. Articolul de față sintetizează întregul studiu privind recunoașterea AC. Primul capitol prezintă ambele metode aplicate – cea neautomată (vezi secțiunea 1.1), descriind totodată criteriile și testele utilizate, și cea automatizată, a cărei aplicare este ilustrată cu un grup de colocații cu structura verb + substantiv (vezi secțiunea 1.2). Al doilea capitol, pe baza datelor din toate etapele cercetării, discută și compară rezultatele aplicării metodelor, posibilitățile și limitele acestora, relevante pentru evaluarea listei de AC identificate și planificarea cercetărilor viitoare asupra AC. 1. METODE DE IDENTIFICARE A COLOCAȚIILOR ARBITRARE În scrierile despre AC se menționează că limita dintre colocațiile arbitrare și așa-numitele colocații triviale ar putea fi trasată la nivelul substantivelor abstracte: „<...> colocațiile bazate pe substantive abstracte pot fi considerate autentice, nemotivate, 2 http://resursai.pastovu.vdu.lt/paieska/paprastoji 3 https://klc.vdu.lt/pastovuSearch.html 4 Așadar, atât substantivele concrete, cât și cele abstracte, care formează de obicei combinațiile stabile de cuvinte identificate în corpusul Delfi.lt, sunt discutate în detaliu în Bielinskienė și colab. 2019. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 4 doi.org/10.35321/bkalba.2021.94.06 iar expresiile fixe cu substantive concrete se bazează, de regulă, pe realitatea extralingvistică și sunt triviale” (Marcinkevičienė 2010: 91). Așadar, unul dintre criteriile menționate în lucrările despre colocări este semantica substantivelor. În cadrul acestui studiu s-a constatat că, într-adevăr, majoritatea AC sunt formate cu denumiri de entități abstracte, însă s-a observat că arbitrarietatea este caracteristică și colocărilor cu substantive concrete, cf.: a limita viteza, a face exerciții fizice, a lua mită, a părăsi terenul, a contracta un credit, a vorbi la telefon, a pune în scenă un spectacol etc. Provocarea acestui studiu a constat nu doar în aplicarea criteriilor de identificare a AC, ci și în alegerea unei metodologii potrivite pentru prelucrarea unui volum mare de date, astfel încât, pe baza acesteia, să se poată alcătui liste de AC din limba lituaniană după examinarea unui număr mare de colocări (în acest scop au fost utilizate datele din PŽJDB). În cadrul proiectului, au fost testate și aplicate două metode de identificare a AC: una neautomată și una automatizată. Mai întâi s-a aplicat metoda neautomată, alegându-se criteriile de identificare a AC (vezi secțiunea 1.1). Întrucât PŽJDB conține multe date, unul dintre obiectivele proiectului a fost să se testeze, alături de metoda neautomată, și o metodă care să permită automatizarea, cel puțin parțială, a procesului de identificare a AC (vezi secțiunea 1.2). 1.1. Identificarea neautomată a AC La identificarea neautomată a AC au fost aplicate două criterii principale: 1) criteriul restrictivității combinatorii lexicale, evaluat prin metoda substituției cu sinonime și/sau prin metoda grupurilor lexico-semantice de substantive; 2) criteriul sensului figurat. Dacă o colocare îndeplinea cel puțin unul dintre criterii, era considerată arbitrară. În continuare se discută modul în care a fost aplicat fiecare criteriu pentru a evalua dacă o colocare trebuie considerată arbitrară. 1.1.1. Identificarea AC pe baza restrictivității combinatorii lexicale După cum s-a menționat în introducere, colocările considerate arbitrare au o combinatorie lexicală restrictivă, adică adjectivului sau verbului folosit cu un anumit sens într-o combinație cu un substantiv îi este caracteristică o anumită restricție, mai mult sau mai puțin arbitrară, privind substituibilitatea (engl. arbitrary restriction on substitutability; Nesselhauf 2003, 2005). Așadar, potrivit concepției privind combinatorica lexicală restrictivă, orice componentă a unei colocări, cu un anumit sens, nu poate fi BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 5 doi.org/10.35321/bkalba.2021.94.06 folosit cu toți colocanții posibili din punct de vedere sintactic și semantic. Deși, teoretic, se pot găsi înlocuitori ai colocanților, aceștia fie nu s-ar potrivi deloc, fie ar fi neobișnuiți, de exemplu: favorabil față de *un mediu folositor; multistratificat față de *un roman stratificat. Lingviștii au verificat criteriul limitării combinabilității lexicale prin două teste: 1) pe baza sinonimelor verbului sau adjectivului (adică dacă acestea pot fi înlocuite cu alte cuvinte cu sens apropiat, considerate sinonime); 2) pe baza grupurilor lexico-semantice ale substantivelor. Deoarece AC sunt considerate acele colocări în care, de regulă, unul dintre componente nu poate fi înlocuit cu un alt cuvânt — un sinonim cu sens apropiat —, pentru identificarea AC s-a aplicat testul substituibilității prin sinonime (adaptat după Nesselhauf 2003): dacă o componentă a colocării nu poate fi înlocuită cu un alt sinonim cu sens apropiat, colocarea respectivă a fost considerată AC. De exemplu, pentru a evalua caracterul arbitrar al colocărilor a nu se supune legii, a implementa un sistem, muncă depusă, au fost verificate posibilele sinonime verbale *a încălca legea, *a introduce un sistem, *muncă băgată / pusă și s-a decis dacă înlocuirea era posibilă; în caz contrar, colocările au fost recunoscute drept AC. Testul a fost aplicat de trei lingviști prin metoda introspecției, însă s-au folosit colocările identificate în corpusul Delfi.lt. Totuși, trebuie recunoscut că adesea era destul de dificil să se găsească un sinonim, de aceea a fost aplicat frecvent și al doilea test — cel al grupurilor lexico-semantice ale substantivelor. Combinabilitatea lexicală limitată a fost evaluată și în funcție de diversitatea grupurilor lexico-semantice: pe baza colocărilor prezentate în PŽJDB, s-a stabilit cu substantive din câte grupuri lexico-semantice se combină adjectivul sau verbul din colocare și astfel s-a evaluat amploarea combinabilității lexicale. Pentru a determina cât mai exact cu ce cuvinte poate fi folosit un substantiv, a fost analizată întreaga sa paradigmă, adică toate colocările formate cu acel substantiv. Dar, deși întregul material de cercetare cuprinde aproximativ 12 mii de colocări disponibile în PŽJDB, uneori se observa că informațiile erau insuficiente. Dacă în materialul cercetat apărea o singură colocare cu un anumit adjectiv/verb, lingviștii completau paradigma bazându-se pe intuiția lor lingvistică de vorbitori nativi; dacă baza conținea mai multe colocări, testele de combinabilitate lexicală limitată se aplicau paradigmei disponibile. Pe baza grupurilor lexico-semantice ale substantivelor, amploarea combinabilității a fost evaluată ținând cont de următoarele condiții: BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 6 doi.org/10.35321/bkalba.2021.94.06 a) colocările nu au fost considerate AC dacă un anumit adjectiv/verb se combină cu substantive din multe grupuri lexico-semantice diferite, iar aceste grupuri sunt bogat reprezentate. O astfel de combinabilitate a adjectivului/verbului a fost considerată largă, fără restricții lexicale mai clare; comparați abundența colocărilor cu bun: un rezultat, o muncă, o lume, un om, un timp, o viață, un mod, un lucru, o țară, o echipă, o zi, o decizie, un an, o vreme, un loc, o parte, un sezon, o posibilitate, un preț, un meci, un automobil, un aliment, un semn, o sănătate, un drum, un bărbat, un copil, un produs, o întrebare, un început, un mijloc bun etc.; comparați și a cumpăra: a cumpăra un automobil, alimente, un produs, bunuri, teren; b) dacă adjectivul/verbul se combină cu substantive din multe grupuri lexico-semantice diferite, dar un grup se distinge sau sunt folosite doar câteva substantive dintr-un anumit grup semantic, colocarea putea fi considerată AC. De exemplu, deși a parca are o combinabilitate largă, acest verb nu poate fi folosit cu denumirile tuturor mijloacelor de transport; comparați a parca un automobil (precum și a parca o bicicletă, o motocicletă), dar a acosta o navă, a ateriza un avion. Prin urmare, colocarea a parca un automobil trebuie clasificată drept AC din cauza combinabilității limitate. Verbul a avea este considerat un cuvânt cu combinabilitate lexicală largă, deoarece poate forma multe colocări variate, însă în întreaga sa paradigmă se distinge colocarea a avea treabă — aceasta este considerată arbitrară. Cu a se înrăutăți se folosesc cuvinte din două grupuri lexico-semantice — cel al fenomenelor naturale și cel al sentimentelor —, dar colocările se formează numai cu substantivele vremea s-a înrăutățit și dispoziția s-a înrăutățit, așadar ambele cazuri sunt AC; c) colocările atribuite unui singur grup semantic mare nu sunt considerate AC. De exemplu, în PŽJDB s-a găsit o singură colocare, a deduce taxe, dar lingviștii, bazându-se pe intuiția lingvistică a unui vorbitor nativ, pot completa paradigma cu alte cuvinte (se pot deduce bani, un împrumut și alte elemente financiare), de aceea a deduce taxe nu este recunoscută drept AC. Este vorba despre un grup lexico-semantic care, deși este reprezentat în PŽJDB printr-o singură colocare, este teoretic bogat. Combinabilitatea lexicală limitată a fost verificată evaluând ambii termeni ai colocării: adjectivul/verbul nu poate fi înlocuit cu alte sinonime (testul 1) și/sau paradigma substantivului este limitată (testul 2). De exemplu, colocarea mâncare servită ar indica faptul că pot exista multe substantive din grupul alimentelor (se pot servi mâncare, băuturi, cină, prânz...). Așadar, ea nu îndeplinește condiția testului 2, deoarece există un singur grup semantic, însă îndeplinește condiția b, fiindcă a servi nu poate fi înlocuit cu a aduce. Așadar, conform testului 2, colocarea este recunoscută drept arbitrară. Un alt exemplu: BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas 7 doi.org/10.35321/bkalba.2021.94.06 verbul surengti este folosit cu substantive care denumesc evenimente și manifestări (surengti rinkimus, koncertą...), așadar, astfel de colocări nu ar trebui considerate arbitrare potrivit criteriului diversității grupului semantic, dar pot fi incluse printre AK în baza testului 1, deoarece surengti nu poate fi înlocuit în acest caz cu sinonimul suruošti. Testul sinonimiei nu poate fi aplicat întotdeauna. De exemplu, nu poate fi aplicat atunci când există mai multe variante de AK, cf.: kainos kyla ir kainos auga, didėja; klausimas kamuoja ir klausimas kankina; duoti galimybę ir suteikti galimybę; įgyti teisę ir įgauti teisę. De asemenea, testul nu poate fi aplicat în cazuri precum sumokėti mokesčius, apgyvendintas miestas – este dificil să propui chiar și ipotetic un sinonim pentru cuvintele sumokėti, apgyvendinti. Dacă nu se găsește un sinonim, nu se poate verifica posibilitatea înlocuirii, deoarece trebuie să existe cel puțin posibilitatea teoretică de a alege între două (sau mai multe) sinonime. Lingviștii care au verificat caracterul limitat al combinabilității lexicale atât prin testul sinonimiei (testul 1), cât și prin testul grupurilor lexico-semantice (testul 2) s-au bazat pe competența lor de vorbitori nativi. Totuși, rezultatele unei astfel de activități sunt inevitabil influențate de factorul subiectivității (cu privire la această problemă a identificării sinonimelor, a se vedea Divjak, Gries 2006: 24–26). Prin urmare, pentru evaluarea posibilității de substituire a sinonimelor a fost testată și o metodă automatizată (a se vedea secțiunea 1.2). 1.1.2. Identificarea AK pe baza sensului figurat Kai kuriuose ankstesnio laikotarpio tyrimuose (plg. Howarth 1998) tokios kolokacijos, kurių vienas iš dėmenų – perkeltinės reikšmės, vadinamos ribotosiomis kolokacijomis (angl. restricted collocations). Pasak Annos Reder (2006: 82), kolokacijos su perkeltinės reikšmės žodžiu yra riboto junglumo junginiai, kuriuose nenuspėjama ryši tarp kolokacijos narių lemia konvencija, o metaforiškumas yra konvencijos dalis. Todėl šios kolokacijos svarbios kalbos mokymui (Lewis 2000: 29). Tarkim, su anglų kalbos būdvardžiu heavy vartojami įvairūs daiktavardžiai, kurie reiškia dalykus su požymiu „sunkus“, bet žodžių junginyje heavy smoker (liet. užietėjęs rūkalius) minimas ne objektas, o asmuo, todėl mokant kalbos šią kolokaciją verta išskirti kaip įsidėmėtiną žodžių junginį. Adjectivele folosite cu sensuri figurate au, de regulă, și o capacitate combinatorie mai largă, iar colocările cu adjective cu o capacitate combinatorie mai largă sunt mai dificile pentru cei care învață o limbă (Nesselhauf 2005: 238). Având în vedere relevanța pentru învățarea limbii și traducere BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 8 doi.org/10.35321/bkalba.2021.94.06 (Volungevičienė 2010; Stulpinaitė și colab. 2016), la identificarea AK lituaniene a fost utilizat criteriul sensului figurat. În analiza manuală a colocărilor, un indiciu al unei AK a fost utilizarea cu sens indirect a unuia dintre componentele colocării (adjectiv, verb sau substantiv). Acest lucru a fost stabilit prin analizarea întregii paradigme a unui anumit cuvânt, generată pe baza datelor din corpusul Delfi.lt (a se vedea coloana 1 din tabelul 1). O astfel de paradigmă arată cu ce alte adjective sau verbe formează colocări un anumit substantiv și cu ce sens sunt folosite în aceste colocări atât acesta, cât și colocatele sale — adjectivele și verbele. Uneori, numai contextul mai larg permite stabilirea faptului dacă un cuvânt este folosit cu sens propriu sau figurat — în acest caz, s-au utilizat baza de date PŽJDB și corpusul Delfi.lt, cf. žalias + automobilis: Reprezentantul „Unicredit Leasing“ în Lituania remarcă încă câteva tendințe de pe piața mașinilor ecologice. Pilotat de Marius Slaboševičius mașina verde a rămas în urmă cu jumătate de secundă <...>. „Tesla Model S“ a câștigat mai multe premii pentru cea mai bună mașină, dintre care unul este cel de Mașina mondială a anului 2013, categoria mașina verde. Įdomūs žaliųjų automobilių koncepciniai modeliai. Exemplele arată că adjectivul verde descrie mașina ca fiind ecologică, dar nu îi indică culoarea5. O astfel de colocare a fost considerată arbitrară. Desigur, în corpusul Delfi.lt, ale cărui date au fost folosite pentru alcătuirea bazei PŽJDB, se pot găsi numeroase cazuri în care verde descrie culoarea mașinii. Sintagmele nominale cu adjective și verbe au fost considerate AK dacă cel puțin unul dintre componente era folosit cu sens figurat. În acest caz, testele descrise mai sus (a se vedea secțiunea 1.1.1) nu au fost aplicate. Utilizarea figurată a adjectivelor și verbelor este caracteristică în special colocărilor cu substantive abstracte, precum și colocărilor cu câteva substantive care denumesc obiecte concrete, de exemplu, colocările formate cu substantivele amžius, aplinka, apsauga, būdas, dalykas, dalis, dėmesys, duomenys, galimybė, gyvenimas, informacija, įstatymas, įvykis, kalba, karas, kartas, klausimas, laikas, metas, pabaiga, pagalba, pradžia, reikalas, rezultatas, saugumas, sprendimas, sveikata, teisė, turtas. 5 Atragem atenția că utilizarea particulară este semnalată și de formele pronominale. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 9 doi.org/10.35321/bkalba.2021.94.06 Colocațiile cu substantive abstracte, după cum a constatat R. Petrauskaitė (vezi Marcinkevičienė 2010), pot forma metafore conceptuale (de ex.: măsură blândă, critică aspră, rezultat sec, informație scursă, ațâța discuțiile, scurgere de date, lacună legislativă6). După cum afirmă R. Petrauskaitė, „cel mai important criteriu al metaforicitații este transferul de sens, care se evidențiază prin opoziția dintre substantivul concret și cel abstract. Când proprietățile unui obiect concret sunt luate drept bază pentru a introduce abstractul în context, pentru a forma o sintagmă cu acesta, ia naștere metafora <...> un lucru, de obicei abstract, este perceput ca un altul, concret, prin recurgerea la terminologia acestuia din urmă <...>” (Marcinkevičienė 2010: 178). Adjectivele (mai rar, verbele) folosite cu sens figurat în sintagme cu substantive concrete le atribuie acestora proprietăți necaracteristice din punct de vedere semantic (de ex.: mâncare rapidă, femeie strălucitoare, persoană vizibilă). Ca și în sintagmele cu substantive abstracte, sensul sintagmei este adesea înțeles nu din cuvintele luate separat, ci din întreaga sintagmă (de ex.: om de fier, epocă de aur, femeie sălbatică; vezi, de asemenea, exemplele prezentate anterior cu substantivul automobilis). În studiile asupra colocațiilor din alte limbi (de ex., Strakatova, Hinrichs 2019), colocațiile lexicalizate includ colocațiile cu un colocat folosit cu sens figurat, în care sensul figurat se manifestă numai alături de un număr limitat de cuvinte din anumite grupuri lexico-semantice. De exemplu, sensul adjectivului heavy în sintagme cu substantivele smoker, rain, traffic (în lituaniană: fumător înrăit, ploaie puternică, trafic intens) nu este prototipic, deoarece denotă intensitatea, nu greutatea. S-a stabilit că un potențial metaforizant ridicat îl au cuvintele cu un grad mediu de combinabilitate lexicală7, de exemplu, verbele paralyžiuoti (a paraliza traficul), sekti (timpul se scurge), sugriauti (a distruge viața). Printre adjective se găsesc multe care, folosite cu sens literal, 6 Despre metaforele spațiale, ontologice și structurale din colocații, vezi și: Drūlienė 2008a, b; Šilinytė 2008. Scopul acestui articol și al întregului proiect nu este clasificarea metaforelor identificate, astfel că acest aspect nu va fi aprofundat, deși se înțelege că AC pot constitui un obiect de studiu interesant pentru specialiștii în lingvistică cognitivă. 7 Pe baza formulei prezentate de Susane Handl în 2008, Delfi.lt au fost calculate scorurile de colocabilitate ale componentelor colocațiilor analizate, pe baza corpusului de texte. Aceste cercetări vor continua. Deocamdată se poate spune că AC ar trebui să fie combinații de intensitate medie, adică scorul de colocabilitate al niciuneia dintre componente — nici al celei de-a doua (sau a treia) — nu ar trebui să fie foarte mic sau foarte mare. Dacă, de pildă, scorul primei componente este mare, iar al celei de-a doua este mic, prima componentă poate fi folosită cu puține cuvinte, iar a doua cu foarte multe, de ex.: substanță psihoactivă, copil autist, apă dulce, loc umbros, contract tripartit, copil minor, apă carbogazoasă / distilată, automobil de ocazie. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 10 doi.org/10.35321/bkalba.2021.94.06 sensuri, denotă trăsături fizice (de ex.: chestiune alunecoasă, muncă curată, muncă sângeroasă), dar poate fi și un adjectiv cu alte sensuri (timp prețios, întrebare apăsătoare, eveniment important). Aplicarea criteriului sensului figurat este ilustrată prin analiza paradigmelor adjectivului (ne)švarus, verbului nutekėti și substantivului euras (vezi Tabelul 1): TABELUL 1. Aplicarea criteriului sensului figurat Paradigma Identificarea AC 1. švarus sport, muncă; muncă, chestiune, treabă murdară 2. švarus (-i) apă, mediu, aer, oraș, loc, automobil; apă murdară 1. Este considerată AC datorită sensului figurat al adjectivului în sintagme cu substantive cu sens abstract. 2. Nu este considerată AC, deoarece în aceste colocații adjectivul este folosit cu sens literal. 1. nutekėti informație 2. nutekinta (-i) informație, material, date 1–2 sunt considerate AC, deoarece în sintagmele cu substantive abstracte se realizează sensul figurat al verbului. 1. euro depreciere, apreciere 2. euro curs, monedă, cent 3. euroschimb 1. Este considerată AC, deoarece euro este înzestrat cu proprietăți caracteristice unui obiect viu. 2. Sunt termeni; nu este considerată AC. 3. Nu este considerată AC, deoarece nu există sens figurat. După cum se observă din exemplele prezentate în Tabelul 1, nu întotdeauna adjectivul sau verbul din paradigma colocației, folosit cu sens literal, și uneori nici întreaga colocație cu un anumit adjectiv / verb nu are sens figurat; totuși, sensul figurat este evident în cazuri precum: decizie / chestiune / eveniment dureros; persoană / fire / viață închisă; se deschide un drum / o piață / o perspectivă; a-și câștiga un drept / un loc etc. Astfel de colocații sunt considerate arbitrare. În concluzie, se poate afirma că criteriul sensului figurat este deosebit de relevant în analiza colocărilor formate din adjective și substantive — acesta a fost adesea considerat BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 11 doi.org/10.35321/bkalba.2021.94.06 principalul și cel mai clar indicator al arbitrarității. În analiza colocărilor verb + substantiv s-a aplicat mai frecvent criteriul restricției combinatorii lexicale (precum și testul grupurilor semantice). Întrucât s-au găsit foarte puține CA formate din două substantive, este dificil să se generalizeze cu privire la particularitățile colocărilor cu această structură (a se vedea secțiunea 1.1.1). 1.2. Identificarea automatizată a CA Unul dintre criteriile CA — restricția combinatorie lexicală — a fost verificat și automatizat, adică sinonimele necesare testului de substituție au fost identificate prin metoda vectorilor. Aplicarea testului de substituție și a metodei vectorilor este descrisă mai detaliat într-un articol publicat anterior (Kovalevskaitė și colab. 2021). Acesta descrie aplicarea metodei vectorilor pentru evaluarea arbitrarității colocărilor adjectiv + substantiv; prin urmare, în acest articol este descrisă în detaliu numai evaluarea arbitrarității colocărilor verb + substantiv. Mai întâi vom recapitula pe scurt etapele principale ale aplicării metodei vectorilor (secțiunea 1.2.1), apoi vom discuta selecția sinonimelor verbale prin metoda vectorilor (a se vedea secțiunea 1.2.2) și vom sintetiza rezultatele clasificării colocărilor verbale și nominale drept arbitrare (a se vedea secțiunea 1.2.3). 1.2.1. Identificarea CA pe baza restricției combinatorii lexicale prin metoda vectorilor Prin aplicarea metodei vectorilor s-a urmărit automatizarea identificării CA și reducerea factorului de subiectivitate în evaluarea datelor. Metoda vectorilor a fost aplicată în următoarea succesiune pentru identificarea restricției combinatorii lexicale. Mai întâi au fost extrase automat cuvintele asociate din întregul corpus Delfi.lt8. În acest scop a fost utilizat GloVe, un model de vectori de cuvinte (în engleză embeddings) (Pennington și colab. 2014). Metoda vectorilor (în engleză Word Embedding Approach) face parte din categoria metodelor destinate analizei automate a cuvintelor pe baza asemănărilor distribuționale sau contextuale (în engleză distributional similarity measures). Aceste metode sunt aplicate pentru recunoașterea automată a diferitelor relații (hiperonimie, sinonimie, antonimie, partonimie) și se bazează pe 8 În cadrul proiectului anterior („Recunoașterea automată a expresiilor pluriverbale fixe din limba lituaniană (PASTOVU)”, a se vedea https://pastovu.vdu.lt), vectorii identificați sunt prezentați aici: https://clarin.vdu.lt/xmlui/handle/20.500.11821/26. În acest studiu, aceștia sunt utilizați pentru selectarea sinonimelor necesare identificării CA. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 12 doi.org/10.35321/bkalba.2021.94.06 ipoteza că termenii cu sensuri apropiate și/sau înrudiți semantic sunt utilizați în contexte similare (vezi Grigonytė 2010). Mai întâi, pentru adjectivele și verbele utilizate în colocările alcătuite automat în PŽJDB au fost construite șiruri de vectori (în continuare VE)9. În aplicarea selecției automate a cuvintelor înrudite, au fost excluse adjectivele și verbele cu o combinabilitate lexicală largă sau care nu sunt utilizate autonom, de exemplu: geras, naujas, puikus; būti, reikėti, pradėti. Adjectivele sau verbele grupate în VE au fost selectate în funcție de similaritatea contextului. Au fost alcătuite aproximativ 800 de VE cu adjective și peste 3800 cu verbe. Deși VE conțineau cuvinte înrudite, printre date se aflau și cuvinte legate prin alte relații semantice (de exemplu, antonimice) sau chiar cuvinte fără legătură, astfel că a fost necesară editarea lingvistică pentru a stabili care dintre cuvintele înrudite puteau fi considerate sinonime și folosite la evaluarea gradului în care combinabilitatea unui sinonim sau altul cu un anumit substantiv este limitată. Au fost considerate sinonime cuvintele din aceeași parte de vorbire, cu sens denotativ (referențial) foarte asemănător, dar cu o combinabilitate lexicală parțial sau total diferită10. VE de verbe, după ce au fost revizuite, au fost folosite pentru a evalua caracterul arbitrar al colocărilor verb + substantiv. S-a urmărit să se stabilească în care colocări componenta verbală nu poate fi înlocuită cu un verb cu sens apropiat. Pentru fiecare pereche sau grup de sinonime verbale au fost prezentate colocări cu un anumit substantiv. Dacă pentru substantivul respectiv era prezentată o colocare doar cu unul dintre sinonimele unei perechi sau ale unui grup, s-a concluzionat că substantivul analizat se combină doar cu un verb din perechea sau grupul de sinonime respectiv, iar colocarea a fost considerată arbitrară. Dacă substantivul analizat forma colocări cu toate verbele din perechea sau grupul de sinonime, colocările nu au fost clasificate drept arbitrare (vezi Tabelul 2). 9 Cuvintele înrudite identificate prin metoda vectorilor ar fi numite cel mai exact șiruri de posibile sinonime identificate prin metoda vectorilor. Pentru concizie, în continuare folosim termenul șiruri de vectori, mai precis, abrevierea VE. 10 Conceptul de sinonim utilizat în acest articol poate fi asociat cu termenul mai răspândit în lexicografia lituaniană «sinonime parțiale» (vezi Jakaitienė 2010). BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 13 doi.org/10.35321/bkalba.2021.94.06 TABELUL 2. Etapele identificării colocărilor arbitrare (AK) folosind VE Identificată ca AK Neidentificată ca AK Etapa 1: se preia VE cu două perechi de sinonime, gauti–įgyti și duoti–teikti; Etapa 2: pe baza acestei VE se verifică cu câte dintre aceste sinonime formează colocări substantivul apdovanojimas; sunt identificate două colocări: gauti apdovanojimą (un sinonim din perechea gauti–įgyti) și teikti apdovanojimą (un sinonim din perechea duoti–teikti); Etapa 3: se decide că gauti apdovanojimą și teikti apdovanojimą sunt considerate AK. Etapa 1: se preia VE cu două sinonime, įkurti și įsteigti; Etapa 2: pe baza acestei VE se verifică dacă substantivul asociacija formează colocări cu vreunul dintre aceste sinonime; sunt identificate două colocări: įkurti asociaciją și įsteigti asociaciją; Etapa 3: se decide că įkurti asociaciją și įsteigti asociaciją nu sunt AK. De exemplu, pentru substantivul apdovanojimas au fost prezentate colocările gauti apdovanojimą, teikti apdovanojimą, dar nu și *įgyti apdovanojimą, *duoti apdovanojimą. Prin urmare, cu perechile de sinonime gauti–įgyti și duoti–teikti, substantivul apdovanojimas are o singură opțiune în fiecare caz, astfel că colocările gauti apdovanojimą și teikti apdovanojimą au fost clasificate drept arbitrare. Dintre colocările cu verbe, au fost adesea considerate arbitrare cele care conțin verbe cu sens atenuat (desemantizate) (mai pe larg, Kovalevskaitė și colab. 2020), de exemplu: atlikti tyrimą, duoti rezultatą, imti mokestį. Caracterul arbitrar al colocărilor substantivului asociacija a fost evaluat pe baza unei VE care conține două sinonime – įkurti și įsteigti; deoarece acest substantiv forma colocări cu ambele sinonime, acestea au fost respinse ca nearbitrare. Ca și în evaluarea colocărilor cu adjective, în cadrul cercetării experimentale sinonimele verbelor au fost testate manual, deoarece trebuie luate în considerare sensul sinonimului și sensul substantivului testat. Dacă sensul sinonimelor din VE nu corespunde sensului verbului din colocarea evaluată, testul de substituibilitate pentru verbul respectiv BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 14 doi.org/10.35321/bkalba.2021.94.06 nu poate fi aplicat. De exemplu, pentru a evalua arbitraritatea colocării a construi o mașină, VE cu a construi nu a fost potrivită din cauza sensului „a construi o clădire” (166 VE11). Așadar, etapele aplicării metodei automatizate sunt următoarele: a) automată (VE sunt alcătuite prin metoda vectorilor), b) neautomată (lingvistul le examinează și, dacă este necesar, le corectează); c) parțial automată (colocările sunt asociate automat cu VE concrete și, după examinare, sunt confirmate sau nu ca AK). 1.2.2. Selectarea sinonimelor verbale în șiruri vectoriale Deoarece VE generate conțineau multe date redundante și nerelevante, așa-numitul zgomot (engl. noise), lingvistul a examinat fiecare VE și a șters cuvintele inutile, care nu erau legate prin relații de sinonimie, iar unele VE le-a eliminat cu totul. În continuare, vom discuta diferite cazuri de editare lingvistică a VE. Numărul VE pentru verbe a fost mult mai mare decât cel pentru adjective (3800 și, respectiv, 800 VE), deoarece și lista verbelor în sine era [mai mare]. Se alcătuiește automat o VE pentru fiecare verb, prin urmare unele VE sunt asemănătoare, însă numărul sinonimelor din VE asemănătoare poate diferi în funcție de verbul-ancoră. Verbul-ancoră este cuvântul cu care sunt asemănătoare celelalte cuvinte enumerate; cu alte cuvinte, este cuvântul pentru care s-au căutat sinonime posibile (asemănarea poate fi stabilită pe baza unei relații hiperonimice, sinonimice, antonimice sau partonimice; acest cuvânt este subliniat în grupurile de sinonime). De exemplu, în VE 151 verbul-ancoră este a organiza, în timp ce VE 40 este mult mai lungă, cuvântul său-ancoră fiind a executa: VE 151: a organiza, a organiza, a executa VE 40: a executa, a implementa, a organiza, a executa, a efectua, a îndeplini, a întrerupe După cum s-a menționat deja, VE alcătuite automat trebuiau încă examinate de lingvist. După efectuarea acestei activități, s-a observat că, la fel ca în cazul adjectivelor, și în cazul verbelor au fost colectate automat multe VE lungi, care cuprind mai multe perechi de sinonime verbale, și puține VE cu o singură pereche de sinonime sau trei sinonime. Uneori, după examinare, se constata că verbul-ancoră pe baza căruia era alcătuită VE nu avea sinonime, deși în acea VE putea exista un altul 11 Aici și în continuare sunt indicate numerele VE ale posibilelor sinonime stabilite prin metoda vectorilor, pe care se bazează acest articol. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 15 doi.org/10.35321/bkalba.2021.94.06 o pereche de sinonime adecvată; de exemplu, în setul de verbe VE- al verbului-suport kisti se află perechea de sinonime paaštrėti, pablogėti. La fel ca în cazul adjectivelor, „zgomotul” seturilor de verbe VE era cauzat de antonime; cf. seturile VE pasivyti–aplenkti, sutrumpinti–pailginti, griežtinti–švelninti, alcătuite din membri ai aceluiași grup lexico-semantic care nu sunt sinonime, de exemplu: pasnigti: palynoti, nugriaudėti; nepasiekti: pargrūti, iššausėti, patinti, pakrypti, sušlubuoti, sudužti; vakarieniauti: pietauti; pavirti: troškinti. La rafinarea seturilor VE, se constata adesea că unul sau mai multe verbe nu erau potrivite, deoarece denumeau un aspect prea specific al unei acțiuni similare; de exemplu, în setul VE al cuvântului remtis erau incluse următoarele cuvinte: vadovautis, pasikliauti, apsiriboti, kliautis. A fost eliminat apsiriboti, iar sinonime au fost considerate doar vadovautis, pasikliauti, kliautis. Sunt frecvente și cazurile în care un cuvânt din setul VE are un sens mai larg, de exemplu paveikti, iar celelalte cuvinte incluse în setul VE denumesc mai precis aspecte ale unui efect negativ, de exemplu pakenkti, sutrikdyti. Prin urmare, numai acestea au fost considerate sinonime. Din setul VE pagrįsti, įvardinti, paaiškinti, pateisinti, au fost recunoscute drept sinonime pagrįsti și paaiškinti, în timp ce pateisinti și įvardyti nu au fost considerate sinonime, deoarece se îndepărtează prea mult, prin trăsături semantice suplimentare, de sensul primelor două cuvinte. Din cauza unor astfel de situații, uneori trebuia abandonat întregul set VE, de exemplu atmesti, ignoruoti, uždrausti. Uneori, nici seturile VE ale verbelor-suport nu erau deloc potrivite, deși, s-ar părea, sinonimele ar fi trebuit să poată fi identificate cu certitudine în mod automat; de exemplu: suprastėti (un posibil sinonim este pablogėti, dar acesta nu apărea în setul VE); sąlygoti (un posibil sinonim este lemti, dar acesta nu era indicat; apărea pakentėti). Seturile VE ale verbelor cu negație nu erau exacte și, prin urmare, au fost respinse; de exemplu, au fost respinse verbele-suport negydyti, nesuskaičiuoti, nepridėti. Trebuie menționat că seturile VE trebuiau adesea ajustate și din cauza particularităților derivationale ale verbelor. De exemplu, verbele de aspect imperfectiv și perfectiv nu au fost considerate sinonime (tirti ir ištirti), la fel ca verbele care au dobândit sensuri diferite prin adăugarea unui prefix, precum palyti ir palynoti, naršyti ir panaršyti, și verbele reflexive și nereflexive (klausyti ir klausytis). Dacă, de pildă, verbul din setul VE al verbului-suport era reflexiv, atunci verbul nereflexiv era eliminat pe baza acestuia. De exemplu, din setul VE išsirinkti, atsirinkti, pasirinkti, nuspręsti, rinktis au fost eliminate verbele išrinkti, parinkti. Variantele derivative (de exemplu, vardinti ir vardyti, lukterėti ir luktelėti) au fost considerate sinonime. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 16 doi.org/10.35321/bkalba.2021.94.06 La rafinarea seturilor VE a ieșit în evidență încă o particularitate a selecției automate: întrucât, prin metoda vectorilor, cuvintele sunt colectate pe baza similarității contextelor lor, seturile VE pot fi alcătuite din sinonime care par nepotrivite doar la prima vedere. Cu alte cuvinte, fără a cunoaște substantivele concrete care au făcut ca două sau mai multe verbe să fie grupate într-un singur set VE, calitatea anumitor seturi VE poate fi evaluată greșit. De exemplu, în al 60-lea set VE apăreau următoarele cuvinte: rodyti, demonstruoti, jausti. Eliminarea imediată a cuvântului jausti ar fi fost o greșeală, deoarece acesta a ajuns acolo datorită contextului comun acestor verbe, în care se vorbește despre sentimente; cf. demonstruoti, rodyti jausmus și, de exemplu, jausti pyktį, jausti nusivylimą și așa mai departe. Verbele sumažėti, pigti sau padidėti, ūgtelėti pot fi sinonime dacă este vorba despre prețuri. Toate cele trei verbe din setul VE apsispręsti, priimti, pasirinkti sunt sinonime, iar verbul imti, care este eliminat cel mai adesea, a apărut aici deoarece denotă priimti sprendimą, cu alte cuvinte, acest set VE trebuie citit astfel: apsispręsti, priimti sprendimą, pasirinkti12. Aceste exemple arată că, în mod automat, pot fi identificate mai multe sinonime și/sau sinonime diferite, deoarece metoda vectorilor evaluează similaritatea contextelor, nu similaritatea sensurilor cuvintelor luate separat. Este puțin probabil ca, luând cuvintele separat, să asociem sinonimic verbele atsikratyti, numesti, sulieknėti, dar le găsim într-un singur set VE deoarece au fost folosite într-un context comun, în care apărea și substantivul svoris. Se pot aduce și alte exemple, cf.: trukti, užtrukti, gyvuoti, egzistuoti, užsitęsti; domėtis și užsiimti; gerti și vartoti; nusiteikti și pasiruošti; skambinti, kreiptis, pranešti; atkurti, atstatyti, atgaivinti; peržiūrėti, koreguoti, atnaujinti, keisti; išprovokuoti, lemti, peraugti; šokiruoti, sukresti, priblokšti; atlaikyti, ištverti, įveikti. În context sportiv, toate cele patru verbe – užsitikrinti, iškovoti, pasiekti, išsaugoti – sunt sinonime, deoarece uneori obținerea unei victorii este formulată astfel: užsitikrino sau vietą finale sau išsaugojo titulą. Astfel de rezultate arată că, atunci când se evaluează sinonimia, este important să se ia în considerare mai mult decât un singur cuvânt, deoarece membrii unui grup de sinonime pot fi atât cuvinte izolate, cât și îmbinări stabile de cuvinte 12 În seturile VE apar uneori cuvinte legate sintagmatic, de exemplu įžeisti și nenorėti. Deoarece nenorėti este adesea folosit într-un context comun cu įžeisti (când apare în îmbinarea nenorėjo įžeisti, bet...), ele sunt incluse într-un singur set VE. Un alt caz: liautis: nustoti, verkti. Verbul verkti a apărut aici deoarece a fost selectat din contextul frecvent în care este folosit: liovėsi verkęs / verkusi. Cu alte cuvinte, seturi VE foarte lungi (și nepotrivite) sunt alcătuite pentru verbele-suport folosite ca auxiliare și care, datorită caracteristicilor lor gramaticale, au o valență largă, de exemplu: daryti, imti, pradėti, norėti, reikėti, privalėti, reikėti, stengtis, nepajėgti. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 17 doi.org/10.35321/bkalba.2021.94.06 combinații. Prin aplicarea metodei vectorilor, care compară similaritatea contextelor, se evidențiază tocmai legăturile dintre cuvintele individuale și context. Lingvistului i-ar fi dificil să gestioneze un volum atât de mare de date (pentru mai multe informații despre utilizarea unui spectru larg de indicatori distribuționali în analiza automată a sinonimelor, a se vedea Divjak, Gries 2006). S-a observat că, adesea, VE a unui verb cu sens mai specific și cu valență mai restrânsă este mai scurtă și mai omogenă, probabil din cauza valenței mai restrânse. Comparând VE ale sinonimelor nerimauti, jaudintis, būgštauti ir nuogąstauti, se observă că VE a lui nerimauti este mai lungă și mai puțin omogenă, conținând cuvinte cu sens mai larg, de exemplu bijoti (nerimauti: jaudintis, baimintis, bijoti), în timp ce în VE a lui būgštauti au fost adunate doar cele patru cuvinte: būgštauti: nerimauti, jaudintis, nuogąstauti. S-a observat, de asemenea, că în VE bazate pe verbe cu sens mai concret (duoti, bėgti, išimti, atsistoti, medžioti, kvėpuoti, sugesti, kalėti) pot exista puține sinonime sau chiar niciunul, deoarece cuvintele adunate în funcție de verbul cu sens concret sunt legate tematic, nu sinonimic, cf.: išimti: išmesti, išbraukti, išnešti; medžioti ir žvejoti; kvėpuoti ir vaikščioti; virti ir kepti; kalėti ir nuteisti; sugesti: skilti, perkaitti, sprogti, užsikimšti, užsidegti. Astfel de VE sunt alcătuite și din două cuvinte, dar pot fi mai lungi. Uneori sunt foarte lungi; de exemplu, pentru verbul-suport sumenkti au fost chiar 26 de verbe. În concluzie, se poate menționa că, după corectare, au fost obținute 2634 din 3800 de VE (70 la sută). Așadar, VE generate automat nu sunt suficient de precise pentru a putea fi utilizate fără editare în etapa următoare de identificare a AK. Astfel de erori pot fi cauzate de particularitățile corpusului Delfi.lt – deși acesta are un volum mare de cuvinte (aproximativ 70 de milioane), diversitatea lexicală poate fi mai redusă în textele de un singur stil. Pentru generarea unor VE mai precise, ar fi necesar un corpus cu o diversitate mai mare de stiluri funcționale. 1.2.3. Rezultate: calitatea VE și recunoașterea arbitrarității Comparând VE adjectivale și verbale înainte și după revizuire, s-a constatat că în ambele cazuri s-a renunțat la un număr destul de mare de VE, ca fiind neinformative: 1) din 1927 de VE adjectivale, după revizuire au rămas 800 de VE (41 la sută); 2) din 3800 de VE verbale, după revizuire au rămas 1166 de VE (30 la sută). VE rămase au trebuit, de asemenea, editate. De fapt, nu s-a evaluat câte cuvinte sunt eliminate de obicei dintr-o singură VE. Adesea trebuia eliminată și materialul auxiliar, care nu este pe deplin autonom BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 18 doi.org/10.35321/bkalba.2021.94.06 verbele: a face, a lua, a trăi, a merita, a trebui, a fi obligat, a începe, a obține, a dori, a se strădui, a reuși. Multe dintre cuvintele eliminate se aflau la sfârșitul VE, unde apăreau cuvintele cu cel mai mic prag al scorului aplicat (0,5; scorul maxim este 1), dar au existat și numeroase cazuri în care a fost eliminat un cuvânt cu un scor ridicat, aflat pe pozițiile 2–5 într-o anumită VE (VE poate cuprinde cel mult 20 de cuvinte). Trebuie subliniat că evaluarea s-a făcut pe baza VE și s-a limitat doar la cuvintele incluse în acea VE. Dacă există și alte sinonime, dar ele nu se aflau în VE pe baza căreia s-a făcut evaluarea (nu au fost selectate prin metoda vectorilor, nu au fost folosite în corpusul Delfi.lt etc.), unele colocări ar fi putut fi clasificate drept nearbitrare (sau invers). De exemplu, la evaluarea colocărilor stea căzătoare și stea în ascensiune, s-a folosit VE care include verbele a crește, a cădea, a se ridica, a scădea, a se dezvolta, a spori. În această VE nu apare a se prăbuși, care ar putea fi sinonim cu a cădea, astfel încât steaua căzătoare nu a fost recunoscută drept AK. În cursul cercetării au fost observate și avantajele selecției automate a datelor: 1) după cum s-a menționat în subsecțiunea 1.2.2, prin metoda vectorilor se pot identifica mai multe sinonime și sinonime diferite decât folosind doar metoda introspecției; 2) metoda vectorilor este potrivită pentru prelucrarea unui volum mare de date, în timp ce ar fi greu de evaluat manual similitudinea contextelor unui număr atât de mare de cuvinte. După aplicarea testului de substituibilitate seturilor VE de sinonime verbale, 291 de colocări au fost recunoscute drept arbitrare. Este evident că sinonimele incluse în VE determină care colocări vor fi recunoscute drept AK. Pe de o parte, aceasta este o limitare a metodei, iar pe de altă parte, oferă posibilitatea de a automatiza procesul de identificare a arbitrarității. Când recunoașterea arbitrarității depinde doar de o anumită VE, se poate întâmpla adesea ca unele colocări să nu fie selectate pe baza unei VE, dar să fie selectate pe baza alteia. De exemplu, dacă s-ar evalua arbitraritatea colocărilor a crea o imagine și a forma o imagine pe baza VE 368 a crea, a forma, niciuna dintre cele două colocări nu ar fi clasificată drept AK. Însă verbele a crea, a forma apar și în alte VE cărora le este asociat același substantiv imagine, astfel încât colocarea a crea o imagine este recunoscută drept AK pe baza unei alte VE (45): a crea, a crea, a dezvolta, a extinde, a implementa, a pregăti, a înființa. Este posibil și un alt caz: aceleași colocări pot fi recunoscute drept arbitrare pe baza mai multor VE, de exemplu, a face exerciții, a efectua exerciții pot fi evaluate drept AK atât pe baza VE 11 (a efectua, a desfășura, a face), cât și pe baza VE 15 (a face, a efectua, a crea; BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 19 doi.org/10.35321/bkalba.2021.94.06 a realiza). Problema apare atunci când o colocare arbitrară nu este considerată arbitrară dacă acest lucru nu poate fi stabilit pe baza niciunei VE. Acest lucru se întâmpla destul de des la evaluarea variantelor colocărilor. De exemplu, cu substantivul impozite se folosesc atât a ridica, cât și a majora; ambele verbe se află în VE 52, pe baza căreia se evaluează arbitraritatea, prin urmare aceste colocări nu vor fi clasificate drept AK. Totuși, ele sunt variante ale AK (cf. cresc, se ridică, sporesc prețurile). Un caz similar este a efectua / a desfășura / a face o cercetare (pe baza VE 11, aceste expresii nu au fost recunoscute drept AK). În aceeași VE apăreau a obține și a dobândi, astfel încât a obține o diplomă și a dobândi o diplomă nu au fost recunoscute drept AK. Astfel de cazuri arată că, la evaluarea arbitrarității colocărilor pe baza criteriului de combinare lexicală restricționată, sunt importante atât instrumentele de testare folosite, cât și faptul că metoda manuală este mai potrivită pentru identificarea variantelor AK. Deoarece testarea substituibilității sinonimelor este atât de strâns legată de cuvintele incluse într-o anumită VE, se poate întâmpla și ca unele colocări similare, dar cu sensuri opuse, să nu fie selectate. De exemplu, colocarea crește nemulțumirea a fost selectată, iar scade nemulțumirea nu. Prin metoda manuală, ambele ar fi fost evaluate drept AK. Prin urmare, atunci când pentru evaluarea arbitrarității se folosesc date evaluate prin introspecție lingvistică, se păstrează o parte dintre AK pierdute prin metoda 2. Totuși, aplicarea metodei lingvistice manuale implică un anumit grad de subiectivitate. Metoda automatizată este mai obiectivă, deși trebuie recunoscut că datele sunt mai fragmentare (pentru testare se folosesc doar VE-urile disponibile, în măsura în care au fost colectate). În plus, nu toate colocările care sunt AK sunt recunoscute ca atare. 2. REZULTATELE IDENTIFICĂRII AK Privind numărul de AK identificate, se observă în mod evident că AK identificate prin metodele neautomată și automatizată, care coincid, sunt foarte puține (pentru detalii, vezi secțiunile 2.1 și 2.2); prin urmare, fiecare dintre cele două metode furnizează separat date importante. Datele colectate prin metoda analizei neautomate sunt mult mai numeroase decât cele identificate automatizat, însă în analiza neautomată s-au aplicat nu unul, ci două criterii de selecție (restricția combinabilității lexicale și sensul figurat), pe când la aplicarea metodei vectorilor – numai restricția BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 20 doi.org/10.35321/bkalba.2021.94.06 combinabilității lexicale. Așadar, aplicând mai multe criterii, se colectează mai multe colocări cu adjective și verbe mai diverse. Pe baza exemplelor concrete de AK, în acest capitol se va explica de ce s-au obținut tocmai aceste rezultate, cum au fost determinate de criteriile aplicate și de datele utilizate. Mai întâi vom discuta ce indică datele obținute. Toate AK cu un anumit adjectiv sau verb pot fi identificate în moduri diferite: a) numai prin una dintre cele două metode; b) o parte dintre colocări printr-o metodă, iar o parte prin cealaltă; c) o parte dintre colocări printr-o metodă, o parte prin cealaltă, iar o parte prin ambele metode. În subsecțiunile următoare vom discuta AK cu structuri diferite, comentând rezultatele obținute prin ambele metode. 2.1. Colocări arbitrare formate din adjective și substantive În total au fost identificate 1048 AK cu structura adjectiv + substantiv. Aceste colocări includ 320 de adjective diferite. Este adevărat că unele adjective (didelis, mažas, atviras, aukštas, modernus, išskirtinis, pagrindinis și altele asemenea) formează mai multe sau zeci de AK, în timp ce altele (de exemplu, netrumpas, nuodugnus, permainingas, pikantiškas) formează AK izolate (în medie, același adjectiv formează 3,3 colocări; pentru detalii, vezi tabelul 3). TABELUL 3. AK identificate prin metode diferite (adjectiv + substantiv) AK identificate prin metoda neautomatăAK identificate prin metoda automatizatăAK identificate prin ambele metodeNumăr (proc.)Numărul adjectivelor diferite (numărul mediu de AK formate cu același adjectiv)Număr (proc.)Numărul adjectivelor diferite (numărul mediu de AK formate cu același adjectiv)Număr (proc.)Numărul adjectivelor diferite (numărul mediu de AK formate cu același adjectiv)577 (55,06)230 (2,5)306 (29,2)86 (3,56)165 (15,74)42 (3,93) BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 21 doi.org/10.35321/bkalba.2021.94.06 După cum se poate observa din tabelul 3, cele mai multe AK au fost identificate prin metoda neautomată – mai mult de jumătate din totalul AK (de exemplu: imagine crudă, muncă de sclav, întrebare directă, lucru dureros); aproximativ o treime dintre AK au fost identificate automat (de exemplu: avere valoroasă, proiect unic, zi complicată, metodă optimă), iar cea mai mică parte (15,74%) o reprezintă AK identificate prin ambele metode (de exemplu: război fratricid, comerț intens, proiect uriaș, preț scăzut). Proporții similare se observă și în cazul AK cu verbe (vezi secțiunea 2.2). Analizând adjectivele din AK, se observă că unele apar doar în AK identificate printr-una dintre metode (vezi exemplele prezentate mai sus), iar altele apar în AK identificate prin ambele metode (de exemplu: mare, mic, puternic). La începutul cercetării a fost formulată ipoteza că diversitatea adjectivelor este mai mare în AK identificate prin metoda neautomată, iar în AK identificate prin metoda vectorilor automatizată este mai mică. Ipoteza s-a confirmat: în AK identificate prin prima metodă au fost folosite 235 de adjective diferite, ceea ce înseamnă că, în medie, același adjectiv formează 2,5 AK. În AK identificate prin metoda vectorilor se regăsesc 86 de adjective diferite, astfel că, în medie, 3,56 AK sunt formate cu același adjectiv. Cea mai mică diversitate de adjective (42) se înregistrează în AK identificate prin ambele metode, dar și numărul acestor colocări este cel mai mic. În acest grup de AK, același adjectiv formează în medie 3,93 colocări. Se poate presupune că diversitatea redusă a adjectivelor se datorează numărului relativ mic de date. Este foarte probabil ca o colocare să fie arbitrară dacă este formată din adjective precum mare, însemnat, uriaș, imens, mic, tensionat, periculos, serios, puternic, greu, folosite cu substantive abstracte, deoarece aceste adjective sunt folosite în sens figurat. Pentru a discuta modul în care metodele aplicate au determinat tocmai aceste rezultate, am dori să analizăm drept exemplu AK cu adjectivul inteligent, întrucât acestea ilustrează întreaga diversitate: unele colocări au fost identificate printr-o metodă, altele prin cealaltă, iar altele prin ambele. Dintre cele opt colocări cu adjectivul inteligent (decizie inteligentă, oraș inteligent, copil inteligent, bărbat inteligent, timp inteligent, mod inteligent), șase au fost considerate AK: colocările acestui adjectiv cu substantivele decizie și oraș au fost selectate neautomat, cele cu copil și bărbat au fost selectate automat, iar cele cu timp și mod au fost selectate prin ambele metode. Lingviștii au constatat că grupul semantic „persoane” este obișnuit pentru acest adjectiv. Cuvintele din acest grup se pot combina, la alegere, cu adjective cu sensuri asemănătoare (se poate BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 22 doi.org/10.35321/bkalba.2021.94.06 nu doar inteligent, ci și om înțelept), prin urmare colocările copil inteligent și bărbat inteligent au fost incluse printre AK doar ca rezultat al selecției automate (colocarea om înțelept nu este atestată în corpusul Delfi.lt); ulterior, la revizuirea datelor, au fost respinse. Lingviștii au observat că celelalte substantive (decizie, timp, mod) aparțin în principal grupului lexico-semantic „abstracte”, dar colocările se formează totuși doar cu anumite substantive abstracte; așadar, posibilitățile de alegere din acest grup sunt limitate, ceea ce indică arbitraritatea. Prin urmare, toate aceste colocări au fost considerate arbitrare. Doar două dintre ele (timp inteligent și mod inteligent) au fost identificate ca AK în mod automat, deoarece metoda vectorilor nu aplică testul grupurilor lexico-semantice. AK identificate prin metoda neautomată. De exemplu, nouă colocări cu adjectivul înalt au fost considerate arbitrare: rezultat înalt, oficial de rang înalt, preț ridicat și altele. Aici adjectivul este folosit în sens figurat (și aproape exclusiv cu substantive abstracte); prin urmare, criteriul sensului figurat a determinat lingviștii să clasifice aceste colocări drept AK. Metoda automatizată nu a identificat adesea aceste colocări, deoarece pentru testul de substituție cu sinonime nu existau VE care să conțină adjectivul respectiv (înalt, închis, dureros, slab, larg, confortabil, ușor, liber, lung sau rapid), așadar substituibilitatea nu a putut fi evaluată. După cum s-a menționat în secțiunea anterioară, rezultatele metodei automatizate depind în mare măsură de disponibilitatea sinonimelor necesare pentru verificarea substituibilității și de calitatea ordonării sinonimelor. Acest caz ilustrează faptul că, dacă se aplică doar metoda automatizată, unele AK pot rămâne neidentificate, iar competența lingvistică poate compensa lipsa datelor din corpus. Un alt motiv pentru care unele AK pot rămâne neidentificate automat este că nu toate substantivele pot fi asociate cu o serie de sinonime cu un anumit sens, întrucât contextul unor substantive poate fi diferit. De exemplu, printre colocările adjectivului pronunțat se găsesc multe identificate neautomat (de exemplu: femeie proeminentă, persoană proeminentă) și doar o singură AK identificată prin ambele metode – eveniment important. Aceasta înseamnă că exista o VE cu acest adjectiv, dar că nu toate cele trei substantive au fost asociate automat cu aceasta, ci doar eveniment. AK identificate prin metoda automatizată. AK cu adjectivul eficient au fost identificate doar prin metoda vectorilor, de exemplu: măsură eficientă, rezultat eficient, sistem eficient, muncă eficientă. VE conținea mai multe sinonime (de exemplu, eficace), însă colocările măsură eficace, rezultat eficace și altele nu sunt atestate în corpus; prin urmare, după aplicarea imposibilității BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 23 doi.org/10.35321/bkalba.2021.94.06 pe baza testului de substituibilitate, colocările cu efektyvus au fost recunoscute drept AK. Este important de adăugat aici că lingviștii, bazându-se pe competența vorbitorilor nativi, au evaluat diferit acest caz: substituirea este posibilă (se poate folosi atât efektyvi priemonė, cât și veiksminga priemonė), prin urmare s-a decis să nu se considere aceste colocări drept AK. Prin metoda automatizată au fost recunoscute drept AK multe colocări de acest fel, în care adjectivul este evaluativ, cf.: išskirtinis (deoarece este legat sinonimic de ypatingas), keistas (legat de neįprastas), modernus (legat de šiuolaikiškas), pagrindinis (legat de esminis), sudėtingas (legat de sunkus). Lingviștii au fost mai înclinați să nu clasifice astfel de cazuri drept AK. Colocările cu stabilus, de exemplu, stabilus gyvenimas, stabili kaina, stabili savaitė, stabili valstybė, au fost recunoscute drept arbitrare doar prin metoda vectorilor, deoarece substituibilitatea a fost verificată folosind sinonimul pastovus, care nu a fost folosit ca colocat cu substantivele corespunzătoare. Totuși, lingviștii nu au recunoscut aceste colocări ca arbitrare, deoarece, examinând capacitatea de combinare a lui stabilus, se observă că aceasta este într-adevăr largă și nu au fost identificate restricții, iar pastovus nu a fost considerat sinonim al lui stabilus, cf.: stabilus darbas, stabili valstybė, stabili kaina, stabilus rezultatas, stabilus gyvenimas, stabili savaitė. AK identificate prin ambele metode. Printre datele disponibile nu există niciun caz în care toate colocările cu același adjectiv recunoscute drept AK să fi fost identificate prin ambele metode. În toate cazurile, prin ambele metode a fost identificată doar o parte dintre acestea, iar printre adjectivele respective se numără cel mai adesea unele care pot fi folosite cu sens figurat, de exemplu: garsus, greitas, liūdnas, mažas, nelengvas, patrauklus, pavojingas, rimtas, stiprus, sunkus, tvirtas. După cum s-a menționat deja, AK pentru majoritatea acestor adjective au fost identificate numai prin metoda neautomată; de exemplu, colocările cu adjectivul silpnas (a se vedea și exemplele menționate anterior). Aceasta se datorează faptului că, la identificarea neautomată a AK, astfel de cazuri au fost selectate pe baza criteriului sensului figurat, în timp ce, prin metoda 2, ele se încadrau în categorie numai dacă făceau parte din seriile de sinonime utilizate pentru testul de substituibilitate. Verificând câte colocări sunt obținute prin fiecare metodă pentru unul dintre substantivele cele mai productive, sprendimas, se observă tendințe similare celor din tabelul 3: prin metoda neautomată s-a obținut cel mai mare număr de AK, dar o proporție considerabilă de AK a fost identificată prin metoda automatizată. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 24 doi.org/10.35321/bkalba.2021.94.06 TABELUL 4. AK identificate cu substantivul sprendimas și adjective AK identificate prin metoda neautomată AK identificate prin metoda automatizată AK identificate prin ambele metode 1) responsabil 2) fără precedent 3) drastic 4) curajos 5) formal 6) strict 7) inteligent 8) înțelept 9) constructiv 10) creativ 11) prost 12) temporar 13) decisiv 14) fatal 15) ușor 16) ilogic 17) irațional 18) justificat 19) confortabil 20) avansat 21) practic 22) opus 23) inteligent 24) rațional 25) conștient 26) sigur 27) independent 28) scandalos 29) dureros 30) pripit 31) urgent 32) inteligent 33) pașnic 34) corect 35) durabil 36) unit 1) clar 2) categoric 3) ciudat 4) concret 5) creativ 6) util 7) neașteptat 8) optim 9) simplu 10) prost 11) real 12) complex 13) unic 1) rapid 2) logic 3) dificil 4) serios 5) riscant 6) greu 7) dăunător 8) solid BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 25 doi.org/10.35321/bkalba.2021.94.06 În prezentarea exemplului substantivului sprendimas, este important să menționăm încă un aspect legat de metoda automatizată: o parte dintre colocările clasificate drept arbitrare pot fi discutabile, adică pot părea situate la limită, mai aproape de cele neautentice. De exemplu, se poate pune întrebarea dacă colocări precum aiškus sprendimas sau keistas sprendimas pot fi într-adevăr considerate arbitrare. S-ar părea că adjectivele aiškus, keistas, kūrybiškas, naudingas, netikėtas și altele se pot combina nu numai cu sprendimas, ci și cu multe alte substantive cu care se pot asocia în funcție de sens; cf. toate colocările acestor adjective identificate în corpusul Delfi.lt: aiškus ženklas, aiškus vaizdas, aiški informacija, aiškus rezultatas, aiški sistema, aiškus dalykas; keistas dalykas, keistas būdas, keistas klausimas, keista vieta, keistas sprendimas, keistas įvykis, keistas vaizdas. Lingviștii au verificat restricționarea combinatorie lexicală nu doar prin testul sinonimiei, ci și pe baza grupurilor lexico-semantice, prin urmare nu au clasificat colocările aiškus sprendimas și keistas sprendimas drept arbitrare. La evaluarea automatizată a restricționării lexicale, aceste colocări au fost clasificate ca AK, deoarece verificarea substituibilității sinonimelor a arătat că substantivul sprendimas forma colocări numai cu unul dintre sinonimele perechii aiškus, suprantamas și cu unul dintre membrii perechii de sinonime keistas, neįprastas. Aceste exemple arată că se pot obține rezultate mai precise pentru AK dacă, la verificarea restricționării combinatorii lexicale, se aplică nu doar testul sinonimiei, ci și testul grupurilor lexico-semantice. 2.2. Colocări arbitrare formate din verbe și substantive Au fost identificate 1171 de AK formate dintr-un verb și un substantiv. Numărul este destul de apropiat de cel al AK formate cu adjective – 1048. De asemenea, distribuția AK identificate prin metode diferite este destul de asemănătoare cu cea a colocărilor formate cu adjective (vezi tabelul 2) (vezi tabelul 3): aproximativ jumătate dintre AK au fost identificate manual (de exemplu: apniukusi diena, aptarti galimybes, iškvies­ti apsaugą), aproximativ o treime – automatizat (de exemplu: suskubti į pagalbą, žvelgti į gyvenimą, sugadintas turtas, kaupti turtą), iar aproape o cincime au fost identificate prin ambele metode (de exemplu: atlikti tarnybą, duoti komandą, matyti reikalą). A fost analizată și diversitatea lexicală a AK cu această structură, adică numărul de verbe diferite care formează AK identificate printr-o anumită metodă. În medie, același verb formează 2,05 dintre AK discutate în această subsecțiune (vezi tabelul 5). BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 26 doi.org/10.35321/bkalba.2021.94.06 TABELUL 5. AK identificate prin metode diferite (verb + substantiv) AK identificate prin metode manuale AK identificate prin metode automatizate AK identificate prin ambele metode Nr. (proc.) Numărul de verbe diferite (numărul mediu de AK formate cu același verb) Nr. (proc.) Numărul de verbe diferite (numărul mediu de AK formate cu același verb) Nr. (proc.) Numărul de verbe diferite (numărul mediu de AK formate cu același verb) 561 (47,91) 376 (1,5) 382 (32,62) 189 (2,02) 228 (19,47) 102 (2,24) Funcțiile sintactice ale verbelor din AK sunt mai diverse decât cele ale adjectivelor: pot fi utilizate forme personale, care se combină cu substantive cu funcție de obiect, subiect sau circumstanțial (de exemplu: apipilti klausimais, kelti kainą, parodyti laikas13, pastatyti į vietą), sau forme nepersonale, cel mai adesea participii, cu funcție atributivă (de exemplu: išpūsta kaina, einamieji metai, neapgalvotas sprendimas, klestinti šalis, negirdėtas dalykas, vykdomas darbas). În AK cu trei cuvinte, ordinea cuvintelor poate varia, de exemplu: atskubėti į pagalbą / į pagalbą atskubėti; eiti į rinkimus / į rinkimus eiti. În comparație cu colocările alcătuite din adjective, se observă o diversitate mai mare a verbelor: în AK identificate prin metoda neautomatizată, același verb formează în medie 1,5 colocări; în AK identificate prin metoda automatizată bazată pe vectori, formează în medie 2,02 colocări, iar diversitatea verbelor este cea mai redusă în AK identificate prin ambele metode — același verb a format în medie 2,24 AK. Este probabil ca acest rezultat să se datoreze faptului că numărul colocărilor identificate prin ambele metode este cel mai mic. Pe de altă parte, tendințele sunt similare: AK identificate prin metoda neautomatizată se remarcă prin cea mai mare diversitate lexicală. 13 Uneori, lemele colocărilor subiective par neobișnuite, dar s-a ales prezentarea infinitivului, deoarece se pot folosi forme personale foarte variate, de exemplu: parodys laikas, parodė laikas, parodytų laikas. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 27doi.org/10.35321/bkalba.2021.94.06 Analizând datele, se observă o mare diversitate a verbelor (au fost considerate verbe diferite cuvintele cu și fără prefix, precum și cele cu prefixe diferite (de exemplu: saugoti, apsaugoti, išsaugoti); formele reflexive și nereflexive, dacă nu își schimbă sensul, au fost considerate același verb), însă există verbe cu valență care formează câteva sau chiar mai bine de zece AK, de exemplu: suteikti: protecție acordată, informații furnizate, a oferi posibilitatea, a oferi posibilitatea de a alege, a furniza informații despre; skirti: a acorda puțină atenție, a aloca timp, a acorda atenție, a acorda multă atenție, arest la domiciliu impus, a acorda o atenție deosebită, a aloca mult timp, a acorda multă atenție, trebuie acordată atenție; ateiti / ateinantis: a veni la alegeri, a veni euro, a veni timpul, a veni momentul, anii care vin, alegerile care urmează, bugetul anului viitor, începutul anului viitor, luna următoare, începutul săptămânii viitoare, sezonul următor, anii care vin, ziua următoare, săptămâna următoare. Se observă că o parte considerabilă dintre AK formate cu un singur verb reprezintă variante ale aceleiași colocări, cf. variantele AK skirti dėmesį prezentate mai sus. Totuși, orice variații lexicale sau gramaticale ale colocărilor (se schimbă ordinea cuvintelor, se adaugă cuvinte suplimentare) sunt numărate ca colocări distincte. Sunt considerate colocări distincte și cazurile în care același verb este folosit la o formă personală (în acest caz, lema este de obicei prezentată la infinitiv) sau nepersonală (de exemplu: kovoti dėl vietos, kovoti iki pabaigos, kovojanti grupė). Așadar, diversitatea lexicală mai mare a colocărilor cu verbe (în comparație cu cele cu adjective) este determinată de particularitatea verbului ca parte de vorbire: folosirea frecventă a aceluiași verb-rădăcină cu prefixe diferite. Pe de o parte, astfel de verbe pot fi considerate cuvinte diferite; pe de altă parte, datele respective nu pot fi comparate întru totul cu cele referitoare la adjective, care sunt în toate cazurile cuvinte diferite, nu variante derivaționale ale aceluiași cuvânt. AK identificate prin metoda neautomatizată. Spre deosebire de colocările adjectiv + substantiv, colocările cu verbe sunt adesea recunoscute ca arbitrare nu numai pe baza criteriului sensului figurat (de exemplu: gadinti gyvenimą, atverti galimybę), ci și pe baza criteriului valenței lexicale restrânse și a testului grupurilor lexico-semantice. De exemplu, colocările cu vaizdas, būdas, informacija au fost evaluate având în vedere următoarele paradigme: BENDRINĖ KALBA 94 (2021)http://journals.lki.lt/bendrinekalbaISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 28 doi.org/10.35321/bkalba.2021.94.06 a denatura informația a denatura piața informație denaturată mod distorsionat imagine distorsionată Gradul de combinabilitate al verbelor a denatura, a distorsiona (folosite și atributiv) nu este extins: la paradigma colocărilor cu a denatura s-ar mai putea adăuga a denatura cuvintele, dar substantivul cuvinte ar intra în aceeași grupă cu informație, prin urmare s-a decis clasificarea ambelor colocări drept AK. Cu participiul folosit atributiv distorsionat s-au format trei colocări și toate au fost considerate AK, deoarece, deși paradigma poate fi extinsă (de exemplu, prin adăugarea expresiei gândire distorsionată), ea ar rămâne totuși limitată. Substantivele informație, imagine, mod, deși sunt atribuite aceleiași grupe lexico-semantice de abstracte, sunt doar trei, iar numărul mic de cuvinte este una dintre condițiile aplicării testului grupelor lexico-semantice. Aplicarea testului substituției prin sinonime arată că, în locul formelor a denatura, distorsionat, nu se potrivesc, să zicem, formele a sluți / sluțit. AK identificate prin metoda automatizată. Este important să subliniem o limitare a metodei automatizate: este posibil ca unele AK să nu fie recunoscute, deoarece astfel de colocări nu au fost identificate în corpusul Delfi.lt (deși este posibil ca grupul de cuvinte să fi fost folosit). De exemplu, colocarea trizodă a clarifica împrejurările evenimentului a fost recunoscută drept AK pe baza sinonimelor a analiza, a clarifica, a investiga incluse în VE. În corpus a fost găsită doar colocarea cu verbul a clarifica, prin urmare s-a concluzionat că aceasta este AK. Pe de altă parte, într-un alt corpus ar putea exista și colocarea a investiga împrejurările evenimentului, așadar, dacă testarea s-ar face pe baza aceleiași grupe de sinonime, două colocări, nu una, ar fi considerate arbitrale. Printre colocările identificate prin metoda automatizată există cazuri pe care lingviștii nu le-au considerat AK tocmai pentru că, potrivit intuiției lingvistice, nu s-a considerat că există o tendință de a alege un singur sinonim dintre mai multe posibile. Exemple ar putea fi colocările a înțelege lumea, a cunoaște lumea, a privi lumea. Lingviștii nu au considerat niciuna dintre aceste colocări drept arbitrală. Metoda automatizată a stabilit că toate trei sunt AK, deoarece, printre colocările din corpusul Delfi.lt, nu existau colocări cu alți membri ai grupelor de sinonime corespunzătoare, adică apărea a înțelege lumea, dar nu și a percepe lumea; apărea a cunoaște lumea, dar nu și a învăța lumea; apărea a privi lumea, dar nu și a arunca o privire asupra lumii. Evaluarea lingvistică a stabilit că gradul de combinabilitate al acestor trei verbe nu prezintă caracteristicile unei combinabilități limitate. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 29doi.org/10.35321/bkalba.2021.94.06 Colocațiile arbitrare (CA) au fost identificate prin ambele metode. Trebuie menționat că CA din acest grup nu au fost neapărat identificate după același criteriu. La evaluarea arbitrarității prin metoda neautomată, o CA putea fi identificată pe baza oricăruia dintre teste, nu neapărat pe baza substituției cu sinonime. După cum s-a arătat în cazul colocațiilor adjectiv-substantiv, aceleași CA au fost selectate manual pe baza criteriului sensului figurat, iar prin metoda automatizată – pe baza criteriului restrictivității combinatorii lexicale (testul substituției cu sinonime); cf. sutriko eismas și sutriko sveikata au fost selectate de lingviști deoarece sutr būti se combină cu un grup restrâns de substantive, iar prin cele două metode aceste colocații au fost recunoscute drept CA deoarece, dintre sinonimele sugedo și sutriko, în colocațiile evaluate a fost atestat un singur sinonim. Apga l v otas sprendimas a fost recunoscută drept CA, întrucât nu exista nicio colocație cu celălalt sinonim – apmąstytas sprendimas. Așadar, este important să se țină seama de faptul că colocațiile din acest grup nu au fost recunoscute după același criteriu. TABELUL 6. CA identificate cu substantivul sprendimas și verbe CA identificate prin metoda neautomată CA identificate prin metoda automatizată CA identificate prin ambele metode 1) a contesta o hotărâre judecătorească 2) a amâna o hotărâre 3) a lua o hotărâre 4) a fundamenta o hotărâre 5) a căuta o soluție 6) hotărâre intrată în vigoare 7) hotărâre nechibzuită 8) a nu lua o hotărâre 9) a nu executa hotărârea judecătorească 10) hotărârea s-a dovedit justă 11) a lua hotărârea corespunzătoare a lua hotărârea necesară 12) a lua o hotărâre 13) a fi de acord cu hotărârea 14) a pronunța o hotărâre 15) a contesta o hotărâre (în instanță) 16) a executa hotărârea judecătorească 1) a lua o hotărâre 2) a solicita o hotărâre 3) soluție propusă 4) a aștepta o hotărâre 5) a semna o hotărâre 1) a executa hotărârea judecătorească 2) hotărâre luată 3) soluție propusă 4) a pronunța o hotărâre 5) hotărâre chibzuită BENDRINĖ KALBA 94 (2021)http://journals.lki.lt/bendrinekalbaISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 30 doi.org/10.35321/bkalba.2021.94.06 După ce se evaluează câte colocări verb + substantiv ale unuia dintre cele mai productive substantive sprendimas sunt identificate prin metode diferite (a se vedea tabelul 6), se constată că cele mai multe au fost identificate prin metoda neautomată, iar prin ambele metode și prin metoda automatizată au fost identificate doar câte cinci AC. OBSERVAȚII CONCLUZIVE În urma analizei AC bipartite și tripartite, alcătuite din adjective și substantive, precum și din verbe și substantive, se poate afirma că prin metoda neautomată a fost identificată aproximativ jumătate dintre acestea, prin metoda automatizată – aproximativ o treime, iar prin ambele metode – circa o cincime. Se suprapune doar o mică parte dintre AC identificate prin aceste metode, ceea ce permite concluzia că folosirea ambelor metode poate duce la identificarea unui număr mai mare de AC. Prin urmare, pentru a recunoaște AC, merită să se valorifice atât posibilitățile oferite de metoda neautomată, cât și cele ale metodei automatizate. Trebuie subliniat că în analiza neautomată s-a aplicat nu un singur criteriu de selecție, ci două, de aceea datele identificate neautomat sunt mult mai numeroase decât cele identificate automatizat. Analiza neautomată a inclus nu numai criteriul sensului figurat, ci și criteriul restricțiilor de combinare lexicală, verificat prin două teste (cel al grupurilor lexico-semantice și cel al substituibilității sinonimelor), în timp ce metoda automatizată a aplicat doar criteriul restricțiilor de combinare lexicală, pe baza testului substituibilității sinonimelor. Din cauza numărului diferit de criterii, rezultatele obținute prin metode diferite nu pot fi comparate, deoarece prin prima metodă au fost identificate, în orice caz, mai multe AC, iar colocările care se suprapun sunt relativ puține. Ar fi interesantă compararea AC identificate automatizat și neautomatizat exclusiv pe baza criteriului comun al restricțiilor de combinare (testul substituibilității sinonimelor). O astfel de comparație ar putea arăta că o parte dintre AC identificate sunt aceleași, dar ar permite și evaluarea metodei prin care au fost selectate mai multe AC și a diferențelor dintre AC care nu se suprapun. Prin metoda neautomată s-au colectat nu doar mai multe date, ci și date cu o mai mare diversitate lexicală. AC identificate prin această metodă includ adjective și verbe mai diverse, în timp ce AC obținute prin metoda automatizată prezintă o diversitate lexicală mai redusă. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 31 doi.org/10.35321/bkalba.2021.94.06 În testarea metodei automatizate, s-a urmărit în principal reducerea factorului de subiectivitate în evaluarea arbitrarității și bazarea exclusivă pe datele consemnate în corpus. Odată ce se dispun de perechi sau grupuri de sinonime identificate prin metoda vectorilor dintr-un anumit corpus, procedura de evaluare se simplifică, deoarece este mai ușor să se decidă dacă un component al colocării poate fi substituit sau nu: dacă în materialul cercetat există colocări cu toate cuvintele dintr-o pereche sau dintr-un grup de sinonime, substituirea este posibilă. Desigur, au ieșit la iveală și neajunsuri ale metodei automatizate. Deoarece arbitraritatea colocării evaluate este stabilită pe baza sinonimelor din VE, este posibil ca unele AC să nu fie recunoscute, întrucât recunoașterea arbitrarității depinde în mare măsură de VE disponibile. Pentru testare se folosesc doar atâtea sinonime și doar cele colectate în VE, drept urmare nu toate colocările sunt recunoscute ca AC. Deși procesul de analiză a AC poate fi automatizat, în etapa inițială a acestui proces este necesară contribuția lingviștilor: în VE alcătuite prin metoda vectorilor, aceștia trebuie să distingă sinonimele de cuvintele legate prin alte relații semantice, de exemplu antonimele. Verificând cât de multe date obținute automat rămân după controlul lingvistic, se constată că din VE sunt eliminate multe adjective și verbe, iar datele rămase — 41 la sută și, respectiv, 30 la sută — necesită, de asemenea, editare și prelucrare. Deoarece metoda vectorilor identifică nu numai cuvinte legate prin relații de sinonimie, pregătirea datelor sinonimice pentru testul substituibilității durează mai mult. Prin urmare, ar trebui testate și alte metode de identificare a relațiilor de sinonimie. În evaluarea adecvării metodei vectorilor pentru selectarea sinonimelor, pot fi menționate următoarele argumente care dovedesc valoarea datelor colectate automat. În primul rând, metoda vectorilor permite identificarea unui număr mai mare și a unor sinonime diferite de cele obținute doar prin introspecție. În al doilea rând, sinonimele identificate prin această metodă (după eliminarea prealabilă a cuvintelor care nu sunt sinonime) dezvăluie un fenomen important din perspectiva sinonimiei: nu doar cuvintele individuale sunt sinonime, ci și sintagmele. În al treilea rând, metoda vectorilor este potrivită pentru prelucrarea unui volum mare de date, adică pentru identificarea sinonimelor într-un corpus de mari dimensiuni, în timp ce evaluarea manuală a asemănării contextelor unui număr atât de mare de cuvinte ar fi dificilă. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 32 doi.org/10.35321/bkalba.2021.94.06 LITERATŪRA Bielinskienė Agnė, Boizou Loic, Bumbulienė Ieva, Kovalevskaitė Jolanta, Krilavičius Tomas, Mandravickaitė Justina, Rimkutė Erika, Vilkaitė-Lozdienė Laura (sud.) 2019: Lietuvių kalbos kolokacijų žodynas, Kaunas: Vytauto Didžiojo universitetas. Prieiga internete: https://doi.org/10.7220/9786094673733. Divjak Dagmar, Gries Stefan T. 2006: Ways of Trying in Russian. Clustering and Comparing Behavioral Profiles. – Corpus Linguistics and Linguistic Theory 2(1), 23–60. Drūlienė Viltė 2008a: Erduvinės metaforos Daiktavardinių frazių žodyne: magistro darbas, Kaunas: Vytauto Didžiojo universitetas. Drūlienė Viltė 2008b: Lietuviškosios metaforikos vertikalumo matas. – Darbai ir dienos 50, 73–90. Grigonytė Gintarė 2010: Building and Evaluating Domain Ontologies: NLP Contributions: daktaro disertacija, Berlin: Logos Verlag Berlin. Handl Susanne 2008: Essential Collocations for Learners of English: The Role of Collocational Direction and Weight. – Phraseology in Foreign Language Learning and Teaching, eds. F. Meunier, S. Granger, Amsterdam, Philadelphia: John Benjamins Publishing Company, 43–66. Howarth Peter 1998: Phraseology and Second Language Proficiency. – Applied Linguistics 19 (1), 24–44. Jakaitienė Evalda 2010: Lietuvių kalbos leksikologija, Vilnius: Vilniaus universiteto leidykla. Kovalevskaitė Jolanta, Rimkutė Erika, Vilkaitė Laura 2020: Light Verb Constructions in Lithuanian: Identification and Classification. – Kalbų studijos 36, 5–16. Kovalevskaitė Jolanta, Rimkutė Erika, Vaičenonienė Jurgita 2021: Automatizuotas arbitraliųjų kolokacijų atpažinimas: būdvardžių ir daiktavardžių kolokacijos. – Kalbų studijos 39, 71–84. Lewis Michael 2000: Teaching Collocation: Further Developments in the Lexical Approach, London: Language Teaching Publications. Marcinkevičienė Rūta 2010: Lietuvių kalbos kolokacijos, Kaunas: Vytauto Didžiojo universitetas. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 33 doi.org/10.35321/bkalba.2021.94.06 Nesselhauf Nadja 2003: The Use of Collocations by Advanced Learners of English and Some Implications for Teaching. – Applied Linguistics 24 (2), 223–242. Nesselhauf Nadja 2005: Collocations in a Learner Corpus, Amsterdam: John Benjamins. Pennington Jeffry, Socher Richard, Manning Christopher D. 2014: GloVe: Global Vectors for Word Representation. – Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNL). Association for Computational Linguistic. Doha, Qatar, October 25–29, 2014, 1532–1543. Reder Anna 2006: Kollokationen in der Wortschatzarbeit. Praesens Verlag. Strakatova Yana, Hinrichs Erhard 2019: Semantic Modelling of Adjective-Noun Collocations Using FrameNet. – Proceedings of the Joint Workshop on Multiword Expressions and WordNet, 104–113. Stulpinaitė Miglė, Horbačauskienė Jolita, Kasperavičienė Ramunė 2016: Issues in Translation of Linguistic Collocations. – Kalbų studijos 29, 31–41. Šilinytė Justina 2008: Ontologinės ir struktūrinės metaforos Daiktavardinių frazių žodyne: magistro darbas, Kaunas: Vytauto Didžiojo universitetas. Volungevičienė Skaistė 2010: Metaforinių kolokacijų vertimo problemos. – Kalbų studijos 16, 23–27. Gauta 2021 11 14 Priimta 2021 12 15 BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 34 doi.org/10.35321/bkalba.2021.94.06 ARBITRALIŲJŲ LIETUVIŲ KALBOS KOLOKACIJŲ NUSTATYMAS Santrauka Šiame straipsnyje sprendžiama arbitraliųjų lietuvių kalbos kolokacijų atpažinimo problema. Tam skirtas projektas „Arbitrariosios lietuvių kalbos kolokacijos: atpažinimas, aprašymas, vartojimas (ARKA)“. Arbitraliosiomis kolokacijomis laikomos kolokacijos, kurių žodžių junglumo pagrindas yra ne semantiniai, o leksiniai ribojimai. Tokios kolokacijos tiesiogiai neatspindi nekalbinės tikrovės, o ryšys tarp jų žodžių – arbitralius: nors pagal panašią reikšmę teoriškai galima rinktis daugiau negu vieną junglumo partnerį, bet linkstama vartoti kurį nors vieną, pvz., suprasti užuominą, bet ne *subokti užuominą. Tyrimo šaltinis yra Lietuvių kalbos pastoviųjų žodžių junginių duomenų bazė, kurioje pateikiama apie 12 tūkst. kolokacijų; ištyrus kolokacijas su 97 daiktavardžiais, arbitraliosiomis priskirta apie 2400 kolokacijų, kurių struktūra yra būdvardis / būdvardiškai vartojamas dalyvis + daiktavardis, veiksmažodis + daiktavardis, daiktavardis + daiktavardis. Straipsnyje aprašyti du pagal minėtą projektą išbandyti arbitraliųjų kolokacijų nustatymo metodai: neautomatinis lingvistinės analizės ir automatizuotas kompiuterinės lingvistikos metodas. Nustatant AK neautomatiškai, taikyti du pagrindiniai kriterijai: perkeltinės reikšmės kriterijus ir riboto leksinio junglumo kriterijus, kuriam įvertinti taikyti veiksmažodžio ar būdvardžio sinonimų pakeičiamumo ir (arba) daiktavardžių leksinių semantinių grupių testai. Vienas iš AK nustatymo kriterijų – riboto leksinio junglumo – buvo tikrinamas ir automatizuotai, vektorių metodų nustatčius pakeičiamumo testui reikalingus sinonimus. Automatizuoto metodo taikymą sudarė šie etapai: 1) automatinis, kai vektorių metodu buvo surenkamos vektorių eilės su panašų kontekstą turinčiais žodžiais; 2) neautomatinis – vektorių eilių tvarkymas paliekant tik sinoniminiais ryšiais susijusius žodžius; 3) iš dalies automatinis etapas, kai kolokacijos buvo automatiškai susiejamos su konkrečiomis sinonimų eilėmis ir po peržiūros lingvistų patvirtinamos arba nepatvirtinamos kaip AK. Neautomatiniu metodu nustatyta apie pusė AK, automatizuotu metodu – apie trečdalis. Neautomatinei analizei taikytas ne vienas, o du atrankos kriterijai, todėl neautomatiškai nustatytų duomenų daug daugiau negu nustatytų automatizuotai. Nors BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 35 doi.org/10.35321/bkalba.2021.94.06 automatizuotu metodu galima sumažinti subjektyvumą vertinant duomenis ir supaprastinti arbitralumo vertinimo procedūrą, tačiau pastebėta ir tai, kad arbitralumo pripažinimą lemia vektorių eilėje esantys sinonimai, taigi dalis AK gali likti neatpažintos. Vektorių metodu surinktus sinonimus reikia atskirti nuo kitais semantiniais ryšiais susijusių žodžių, tam reikalinga lingvisto patikra. Tačiau, nepaisant šio ribotumo, vektorių metodas yra tinkamas dideliam duomenų kiekiui apdoroti, o rankiniu įvertinti gausybės žodžių konteksto panašumą būtų sunku. Abiem metodais atpažintos kolokacijos sudaro tik penktadalį visų nustatytų AK, todėl yra pagrindo manyti, kad siekiant atpažinti AK svarbu taikyti tiek automatizuoto, tiek ir neautomatinio metodo teikiamas galimybes. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 36 doi.org/10.35321/bkalba.2021.94.06 IDENTIFICATION OF LITHUANIAN ARBITRARY COLLOCATIONS Summary In this article, we describe the methodological approaches of arbitrary collocation (AC) identification developed within the framework of an ongoing project “Arbitrary Collocations of Lithuanian: Identification, Description and Usage (ARKA)”. The object of this research is arbitrary collocations of the Lithuanian language the collocability of which is determined by lexical rather than semantic constraints. Such collocations do not directly reflect the non-linguistic reality and the relation between the collocates is arbitrary: although there may be several close synonyms, a particular one is preferred in a certain word combination (e.g., suprasti užuominą vs. *suokti užuominą). The source of the research was the Database of Lithuanian Multiword Expressions encompassing over 12.000 collocations. The structural composition of the identified 2400 arbitrary collocations was as follows: adjective (participle)+noun, verb+noun, and noun+noun. Arbitrary collocations were determined by combining the manual linguistic analysis and semi-automatic methods of computational linguistics. The manual method included two major AC identification criteria: lexical restrictedness and (or) meaning transfer. Lexical restrictedness was measured using two tests: the synonym substitution of pre-modifier and (or) semantic field comparison of the head noun. Moreover, lexical restrictedness was also assessed using a semi-automatic approach by analyzing synonym pairs in the automatically generated vector strings. The semi-automatic approach consisted of three stages: (1) the automatic generation of vector strings with potential synonyms; (2) the manual vector string editing to reduce the noise, and (3) the semi-automatic process during which the collocations were compared to particular synonym pairs in vector strings and approved or not approved by linguists as arbitrary. Approximately half of ACs were detected by using the manual method based on two AC identification criteria, whereas about one-third of ACs were identified using the semi-automated method based on one criterion. On the one hand, the semi-automatic method can reduce the subjectivity in data evaluation and simplify the AC identification procedure. On BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 37 doi.org/10.35321/bkalba.2021.94.06 the other hand, as arbitrariness is determined on the basis of the available synonyms in the vector string, some ACs may not be identified because of the insufficient scope of the generated synonyms. Also, the automatically generated synonyms need to be manually analyzed to eliminate semantically unrelated words. Despite these limitations, the method is suitable for processing large amounts of the data. It would be difficult to manually assess the contextual similarity of such a large number of words. About one fifth of ACs were identified using a combination of both methods. These results suggest that different methodological approaches allowed the researchers to detect more arbitrary collocations. It is maintained that taking into consideration the mentioned advantages and disadvantages, the best results in the Lithuanian arbitrary collocation identification are acquired when combining both manual and semi-automatic methods. KEYWORDS: arbitrary collocations, Lithuanian, lexical restrictedness, vector space model, semi-automatic approach, linguistic manual approach. JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ Vytauto Didžiojo universitetas Kristijono Donelaičio g. 58, 44248 Kaunas [email protected] [email protected] [email protected] BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204