JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ,

JURGITA VAIČENONIENĖ

Universidade Vytautas Magnus

IDENTIFICAÇÃO DE COLOCAÇÕES ARBITRÁRIAS DA LÍNGUA LITUANA

PALAVRAS-CHAVE: colocações arbitrárias, língua lituana, combinabilidade lexical restrita, método vetorial, identificação automatizada, identificação linguística manual.

RESUMO

O objeto de estudo apresentado no artigo são as colocações arbitrárias da língua lituana. Sua combinabilidade baseia-se não em restrições semânticas, mas lexicais; tais colocações não refletem diretamente a realidade extralinguística. A relação entre seus elementos é arbitrária: embora, com base em um significado semelhante, seja teoricamente possível escolher mais de um parceiro de combinação, tende-se a usar apenas um deles. O artigo descreve métodos de identificação de colocações arbitrárias, testados no âmbito do projeto “Método de análise linguística manual e de linguística computacional automatizada (ARKA)”. O material para o estudo foi obtido do Banco de Dados de Combinações Fixas de Palavras da Língua Lituana.

RESUMO

O artigo tem como objetivo descrever as abordagens metodológicas para a identificação de colocações arbitrárias (CA), desenvolvidas no âmbito do projeto “Colocações Arbitrárias do Lituano: Identificação, Descrição e Uso (ARKA)”. A fonte da pesquisa foi o “Banco de Dados de Expressões Multipalavras do Lituano”. As colocações arbitrárias foram identificadas combinando métodos manuais e semiautomáticos de linguística computacional.

INTRODUÇÃO

Como se sabe, as colocações constituem uma grande parte das combinações de palavras fixas; contudo, ao identificá-las automaticamente em corpora por métodos estatísticos ou híbridos (para mais detalhes, ver Bielinskienė et al. 2019: 15–22), identificam-se também numerosas combinações que são consideradas colocações

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

por a frequência de coocorrência das palavras que as compõem ser automaticamente avaliada como estatisticamente significativa, por exemplo: seis anos, dia ensolarado, mulher bonita etc. Assim, entre as colocações surgem colocações espúrias, formadas como combinações livres de palavras comuns, com base em restrições semânticas, e não lexicais (Marcinkevičienė 2010: 90–91).

Alguns investigadores consideram colocações apenas as colocações genuínas (também designadas não motivadas ou arbitrárias): combinações de palavras convencionais que não refletem diretamente a realidade extralinguística; a relação entre as suas palavras é arbitrária (para uma discussão pormenorizada da arbitrariedade, ver Kovalevskaitė et al. 2021).

O objeto deste estudo são precisamente as colocações arbitrárias (doravante, CA), isto é, colocações caracterizadas por uma restrição lexical de combinabilidade (em inglês, lexical restrictedness): embora, em teoria, seja possível escolher mais do que um parceiro de combinabilidade com base numa semelhança de significado, tende-se a usar apenas um deles, por exemplo, compreender uma insinuação, e não *perceber uma insinuação; ao alcance da mão, e não *apanhado pela mão. Rūta Petrauskaitė escreve: «A ausência de uma ligação direta com a realidade designada faz com que a combinabilidade da mesma palavra varie consideravelmente não só entre línguas diferentes, mas também dentro da mesma língua: não se pode substituir um dos elementos de uma colocação por outro que lhe seja sinónimo sem correr o risco de a expressão soar pouco natural, por exemplo, o tempo passa, corre, desliza, mas não *caminha, dispara, rasteja» (Marcinkevičienė 2010: 91). Segundo R. Petrauskaitė, os parceiros de combinabilidade da palavra-núcleo das colocações genuínas (arbitrárias) são imprevisíveis; a combinabilidade dessas colocações assenta em restrições lexicais (Marcinkevičienė 2010: 90).

Até agora, as CA não têm recebido muita atenção dos investigadores da língua lituana, embora a sua identificação ajudasse a distinguir estas colocações como o núcleo das colocações do lituano, algo particularmente útil para a tradução, o ensino do lituano como língua estrangeira e a lexicografia. Com estes objetivos, as CA são analisadas no âmbito do projeto «Colocações arbitrárias da língua lituana: reconhecimento, descrição, uso (ARKA)»¹, que visa descrever as CA do lituano e elaborar recursos lexicográficos e pedagógicos sobre as CA.

O objetivo do artigo é descrever os métodos aplicados no âmbito do projeto ARKA para reconhecer as CA do lituano e comparar os resultados obtidos por diferentes métodos. As CA foram analisadas por métodos de análise linguística não automatizada e de linguística computacional automatizada.

¹ O projeto é financiado pelo Conselho de Investigação da Lituânia (n.º S-LIP-20-18); para mais detalhes, ver 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

Fontes: 1) Banco de dados de combinações fixas de palavras da língua lituana (doravante PŽJDB)², que contém cerca de 12 mil colocações; 2) corpusDelfi.lt³, composto por 70 milhões de palavras e abrangendo textos publicados entre 2014 e 2016 em várias secções do portal de notícias Delfi.lt (para mais informações sobre o corpus, ver Bielinskienė et al. 2019: 14–15).

O material de pesquisa consiste em colocações formadas a partir de 97 substantivos (lugar, ambiente, modo, homem, mulher, coisa etc.⁴). Sua estrutura é: adjetivo/adjetivos ou particípio + substantivo, verbo + substantivo, substantivo + substantivo. Após a pesquisa, cerca de 2.400 colocações foram classificadas como AK. A maioria delas é composta por duas palavras, mas algumas têm três; estas últimas geralmente são formadas por verbos, adjetivos e substantivos (a ordem dos constituintes pode variar).

A primeira parte do material de pesquisa, isto é, as colocações com estrutura adjetivo + substantivo, foi abordada em um artigo anterior (Kovalevskaitė et al. 2021). Nele, apresentou-se uma tentativa de identificar AK aplicando um dos métodos da linguística computacional — o método automatizado (vetorial) —, que também foi descrito em detalhe. Este artigo sintetiza toda a pesquisa de identificação de AK. O primeiro capítulo apresenta os dois métodos aplicados: o não automatizado (ver seção 1.1), incluindo a descrição dos critérios e testes utilizados, e o automatizado, cuja aplicação é demonstrada com um grupo de colocações de estrutura verbo + substantivo (ver seção 1.2). O segundo capítulo, com base nos dados de todas as etapas da pesquisa, discute e compara os resultados da aplicação dos métodos, suas possibilidades e limitações, relevantes para avaliar a lista de AK identificadas e planejar pesquisas futuras sobre AK.

1. MÉTODOS DE IDENTIFICAÇÃO DE COLOCAÇÕES ARBITRÁRIAS

Ao tratar das AK, afirma-se que a fronteira entre as colocações arbitrárias e as chamadas colocações triviais poderia ser traçada no limite dos substantivos abstratos: „<...> colocações cuja base são substantivos abstratos podem ser consideradas genuínas, não motivadas,

² http://resursai.pastovu.vdu.lt/paieska/paprastoji

³ https://klc.vdu.lt/pastovuSearch.html

⁴ Tanto os substantivos concretos como os abstratos que formam, na maioria dos casos, combinações fixas de palavras identificadas no corpus Delfi.lt são discutidos em maior detalhe em Bielinskienė et al. 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

e as combinações fixas com substantivos concretos geralmente se baseiam na realidade extralinguística e são triviais» (Marcinkevičienė 2010: 91). Assim, um dos critérios mencionados nos estudos sobre colocações é a semântica dos substantivos. No decurso deste estudo, verificou-se que a maioria das AC é, de facto, formada com nomes de conceitos abstratos, mas também se observou que a arbitrariedade é característica de colocações com substantivos concretos, cf.: limitar a velocidade, fazer exercícios, aceitar um suborno, abandonar o campo, obter um empréstimo, falar ao telefone, encenar uma peça, etc.

O desafio deste estudo consistiu não apenas em aplicar critérios para reconhecer AC, mas também em escolher uma metodologia adequada para trabalhar com grandes quantidades de dados, de modo que, com base nela, fosse possível elaborar listas de AC da língua lituana após analisar um grande número de colocações (para isso, foram utilizados os materiais da PŽJDB). No âmbito do projeto, foi testada e aplicada uma metodologia dupla para identificar AC: manual e automatizada. Primeiro, aplicou-se o método manual, tendo sido escolhidos os critérios de reconhecimento de AC (ver secção 1.1). Como a PŽJDB contém muitos dados, um dos objetivos do projeto foi também testar, juntamente com o método manual, um método que permitisse automatizar pelo menos parcialmente o processo de reconhecimento de AC (ver secção 1.2).

1.1. Identificação manual de AC

Na identificação manual de AC, foram aplicados dois critérios principais:

1) o critério de restrição da combinabilidade lexical, avaliado pelo método de substituição por sinónimos e/ou pelo método dos grupos léxico-semânticos de substantivos;

2) o critério do sentido figurado.

Se uma colocação satisfazia pelo menos um dos critérios, era considerada arbitrária. A seguir, discute-se a aplicação de cada critério para avaliar se uma colocação deve ser considerada arbitrária.

1.1.1. Identificação de AC segundo a combinabilidade lexical restrita

Como mencionado na introdução, consideram-se arbitrárias as colocações com combinabilidade lexical restrita, isto é, um adjetivo ou verbo usado com um sentido específico em combinação com um substantivo caracteriza-se por uma restrição de substituição mais ou menos arbitrária (em inglês, arbitrary restriction on substitutability; Nesselhauf 2003, 2005). Assim, segundo a noção de combinabilidade lexical restrita, qualquer elemento de uma colocação, num determinado sentido, não pode ser

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

empregado com todos os colocados sintática e semanticamente possíveis. Embora, em teoria, seja possível encontrar substitutos para os colocados, estes ou seriam totalmente inadequados ou pouco habituais, por exemplo: palanki vs. *naudinga aplinka; daugiasluoksnis vs. *sluoksniuotas romanas.

Os linguistas verificaram o critério de combinabilidade lexical restrita com dois testes:

1) com base em sinónimos do verbo ou do adjetivo (isto é, verificando se é possível substituí-los por outras palavras de significado próximo, consideradas sinónimos);

2) com base nos grupos léxico-semânticos dos substantivos.

Uma vez que se consideram AC as colocações em que, em geral, um dos constituintes não pode ser substituído por outra palavra — um sinónimo de significado próximo —, para identificar as AC aplicou-se um teste de substituibilidade por sinónimos (adaptado de Nesselhauf 2003): se um constituinte da colocação não puder ser substituído por outro sinónimo de significado próximo, a colocação foi considerada AC. Por exemplo, ao avaliar a arbitrariedade das colocações nepaklusti įstatymui, diegti sistemą, įdėtas darbas, verificaram-se possíveis sinónimos dos verbos *nusižengti įstatymui, *įvesti sistemą, *įkištas / įkeltas darbas e avaliou-se se a substituição era possível; caso não fosse, as colocações eram reconhecidas como AC. O teste foi realizado por três linguistas, aplicando o método de introspeção, mas baseou-se em colocações identificadas no corpus Delfi.lt. Ainda assim, é preciso reconhecer que muitas vezes foi bastante difícil encontrar um sinónimo; por isso, aplicou-se também com frequência o segundo teste, baseado nos grupos léxico-semânticos dos substantivos.

A combinabilidade lexical restrita também foi avaliada com base na diversidade dos grupos léxico-semânticos: recorrendo às colocações disponíveis na PŽJDB, determinou-se com substantivos de quantos grupos léxico-semânticos diferentes se combinava o adjetivo ou o verbo da colocação e, assim, avaliou-se a extensão da combinabilidade lexical. Para determinar com a maior precisão possível com que palavras o substantivo podia ser usado, analisou-se todo o seu paradigma, isto é, todas as colocações formadas com esse substantivo. No entanto, embora o material de investigação completo seja constituído por cerca de 12 mil colocações disponíveis na PŽJDB, por vezes verificava-se que a informação era insuficiente. Se no material analisado aparecesse apenas uma colocação com determinado adjetivo / verbo, os linguistas completavam o paradigma com base na sua intuição linguística de falantes nativos; se a base de dados contivesse várias colocações, os testes de combinabilidade lexical restrita eram aplicados ao paradigma disponível.

Com base nos grupos léxico-semânticos dos substantivos, a extensão da combinabilidade foi avaliada tendo em conta as seguintes condições:

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) as colocações não foram consideradas AC quando um adjetivo / verbo se combinava com substantivos pertencentes a muitos grupos léxico-semânticos diferentes e esses grupos eram numerosos. Considerou-se ampla a combinabilidade desse adjetivo / verbo, sem restrições lexicais mais claras; compare-se a abundância de colocações com geras: geras rezultatas, darbas, pasaulis, žmogus, laikas, gyvenimas, būdas, dalykas, šalis, komanda, diena, sprendimas, metai, oras, vieta, pusė, sezonas, galimybė, kaina, rungtynės, automobilis, maistas, ženklas, sveikata, kelias, vyras, vaikas, produktas, klausimas, pradžia, priemonė e outras; compare-se ainda pirkti: pirkti automobilį, maistą, produktą, turtą, žemę;

b) se um adjetivo / verbo se combinava com substantivos pertencentes a muitos grupos léxico-semânticos diferentes, mas um grupo se destacava ou eram usados apenas alguns substantivos de determinado grupo semântico, a colocação podia ser considerada AC. Por exemplo, embora statyti tenha ampla combinabilidade, este verbo não pode ser usado com os nomes de todos os meios de transporte; compare-se statyti automobilį (bem como statyti dviratį, motociklą), mas prišvartuoti laivą, nutupdyti lėktuvą. Assim, devido à sua combinabilidade restrita, a colocação statyti automobilį é classificada como AC. O verbo turėti é considerado uma palavra de ampla combinabilidade lexical, pois pode formar muitas colocações variadas; contudo, em todo o seu paradigma, destaca-se a colocação turėti reikalą, que é considerada arbitrária. Com subjurti usam-se palavras de dois grupos léxico-semânticos — fenómenos naturais e sentimentos —, mas as colocações são formadas apenas com os substantivos subjuro oras ir subjuro nuotaika, pelo que ambos os casos são AC;

c) não se consideram AC as colocações pertencentes a um único grupo semântico amplo. Por exemplo, na PŽJDB encontrou-se apenas uma colocação, nuskaičiuoti mokesčius, mas os linguistas podem completar o paradigma com outras palavras com base na intuição linguística de falantes nativos (nuskaičiuoti pode ser usado com dinheiro, empréstimos e outras questões financeiras); por isso, não reconhecem nuskaičiuoti mokesčius como AC. Trata-se de um grupo léxico-semântico teoricamente numeroso, representado na PŽJDB por uma única colocação.

A combinabilidade lexical restrita foi verificada avaliando ambas as palavras da colocação: o adjetivo / verbo não pode ser substituído por outros sinónimos (teste 1) ou (e) o paradigma dos substantivos é restrito (teste 2). Por exemplo, a colocação patiekiamas maistas poderia indicar que há muitos substantivos do grupo dos alimentos (pode servir-se comida, bebidas, jantar, almoço...). Assim, não satisfaz a condição do teste 2, pois há apenas um grupo semântico; no entanto, satisfaz a condição b, porque patiekti não pode ser substituído por paduoti. Assim, de acordo com o teste 2, a colocação é reconhecida como arbitrária. Outro exemplo:

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

o verbo surengti é usado com substantivos que designam eventos ou acontecimentos (surengti rinkimus, koncertą...), portanto, tais colocações não deveriam ser consideradas arbitrárias segundo o critério da abundância de grupos semânticos; contudo, podem ser classificadas como AK de acordo com o teste 1, pois, neste caso, surengti não pode ser substituído pelo sinônimo suruošti.

Nem sempre é possível aplicar o teste de sinonímia. Por exemplo, ele não pode ser aplicado quando existem várias variantes de AK, cf.: kainos kyla ir kainos auga, didėja; klausimas kamuoja ir klausimas kankina; duoti galimybę ir suteikti galimybę; įgyti teisę ir įgauti teisę. O teste também não pode ser aplicado em casos como sumokėti mokesčius, apgyvendintas miestas — é difícil propor, mesmo hipoteticamente, sinônimos para sumokėti, apgyvendinti. Se não se encontra um sinônimo, não é possível verificar a substituibilidade, pois deve haver pelo menos a possibilidade teórica de escolher entre dois (ou mais) sinônimos.

Ao realizar a verificação da restrição lexical de combinação, tanto pelo teste de sinonímia (teste 1) quanto pelo teste de grupos semânticos lexicais (teste 2), os linguistas basearam-se na sua competência como falantes nativos. No entanto, o fator da subjetividade influencia inevitavelmente os resultados desse trabalho (sobre esse problema de identificação de sinônimos, ver Divjak, Gries 2006: 24–26). Por isso, também foi testado um método automatizado para avaliar a possibilidade de substituição por sinônimos (ver seção 1.2).

1.1.2. Identificação de AK com base no sentido figurado

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.

Os adjetivos usados em sentido figurado geralmente também se caracterizam por uma amplitude combinatória mais ampla, e as colocações com adjetivos de ampla combinabilidade são mais difíceis para os aprendizes (Nesselhauf 2005: 238). Devido à sua relevância para o ensino de línguas e a tradução

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 ir kt. 2016), para identificar as AK lituanas, foi utilizado o critério do sentido figurado.

Na análise manual das colocações, considerou-se uma característica de AK o uso de um dos componentes da colocação (adjetivo, verbo ou substantivo) em sentido indireto. Isso foi determinado por meio da análise de todo o paradigma de uma determinada palavra, gerado a partir dos dados do corpus Delfi.lt (ver a coluna 1 da Tabela 1). Esse paradigma mostra com que outros adjetivos ou verbos um substantivo específico forma colocações e em que sentido são usados nessas colocações tanto o próprio substantivo quanto seus colocados — adjetivos e verbos.

Às vezes, somente um contexto mais amplo permite determinar se uma palavra é usada em sentido literal ou figurado; nesses casos, recorreu-se ao PŽJDB e ao corpus Delfi.lt, cf. žalias + automobilis:

O representante da „Unicredit Leasing“ na Lituânia observa mais algumas tendências do mercado de žaliųjų automobilių.

O žaliasis automobilis pilotado por Marius Slaboševičius ficou meio segundo atrás <...>.

O „Tesla Model S“ ganhou vários prêmios de melhor automóvel, um dos quais foi o de žaliasis automobilis do Ano Mundial de 2013.

Modelos conceituais interessantes de žaliųjų automobilių.

Os exemplos mostram que o adjetivo žalias caracteriza o automóvel como ecológico, mas não indica sua cor⁵. Essa colocação foi considerada arbitrária. Naturalmente, no corpus Delfi.lt, cujos dados constituem a base do PŽJDB, podem-se encontrar muitos casos em que žalias indica a cor do automóvel.

As combinações de substantivos com adjetivos e verbos foram consideradas AK se pelo menos um dos componentes fosse usado em sentido figurado. Nesse caso, os testes descritos (ver seção 1.1.1) não foram aplicados. O uso figurado de adjetivos e verbos é particularmente característico das colocações de substantivos abstratos e também de alguns substantivos que designam entidades concretas, por exemplo, das colocações formadas com os substantivos 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 Chamamos a atenção para o fato de que as formas pronominais também sinalizam um uso excepcional.

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

As colocações com substantivos abstratos, como estabelecido por R. Petrauskaitė (ver Marcinkevičienė 2010), podem formar metáforas conceptuais (por exemplo: medida suave, crítica acerba, resultado seco, informação vazada, alimentar rumores, vazamento de dados, lacuna na lei⁶). Como afirma R. Petrauskaitė, «o critério mais importante da metaforicidade é a transferência de significado, que se evidencia no contraste entre um substantivo concreto e um abstrato. Quando as propriedades de um objeto concreto servem de base para integrar um abstrato no contexto, para formar com ele um sintagma, nasce então uma metáfora <...> uma coisa, geralmente abstrata, é compreendida como outra, concreta, recorrendo-se à terminologia desta última <...>» (Marcinkevičienė 2010: 178).

Os adjetivos (mais raramente, os verbos) usados em sentido figurado em combinações com substantivos concretos conferem-lhes propriedades semanticamente atípicas (por exemplo: comida rápida, mulher vistosa, pessoa visível). Tal como nas combinações com substantivos abstratos, muitas vezes o significado do sintagma não se depreende das palavras isoladamente, mas do sintagma como um todo (por exemplo: homem de ferro, idade de ouro, mulher selvagem; ver também os exemplos apresentados anteriormente com o substantivo automóvel). Em estudos de colocações noutras línguas (por exemplo, Strakatova, Hinrichs 2019), as colocações lexicalizadas incluem colocações com colocados usados em sentido figurado, nas quais esse sentido só se manifesta com um número limitado de palavras pertencentes a grupos léxico-semânticos específicos. Por exemplo, o significado do adjetivo heavy nas combinações com os substantivos smoker, rain, traffic (em lituano: fumador inveterado, chuva forte, trânsito intenso) não é prototípico, pois denota intensidade, não peso.

Constatou-se que as palavras com grau médio de combinabilidade lexical⁷ têm grande potencial de metaforização, por exemplo, os verbos paralisar (paralisar o trânsito), esgotar-se (o tempo está a esgotar-se), destruir (destruir a vida). Entre os adjetivos, há muitos que, quando usados em sentido literal

⁶ Sobre as metáforas espaciais, ontológicas e estruturais nas colocações, ver também: Drūlienė 2008a, b; Šilinytė 2008. O objetivo deste artigo e do projeto como um todo não é classificar as metáforas identificadas, pelo que não se aprofunda mais esse tema, embora se reconheça que as colocações arbitrárias podem ser um objeto de estudo interessante para especialistas em linguística cognitiva.

⁷ Com base na fórmula apresentada por Susane Handl em 2008, Delfi.lt, foram calculadas as pontuações de colocatividade dos componentes das colocações analisadas. Estes estudos terão continuidade. Por enquanto, pode dizer-se que as colocações arbitrárias devem ser combinações de força média, isto é, que a pontuação de colocatividade de nenhum dos componentes — primeiro, segundo ou terceiro — deve ser muito baixa ou muito alta. Se, por exemplo, a pontuação do primeiro componente for alta e a do segundo baixa, o primeiro componente pode ocorrer com poucas palavras, enquanto o segundo pode ocorrer com muitas, por exemplo: substância psicoativa, criança autista, água doce, local sombreado, contrato tripartido, criança menor, água gaseificada / destilada, automóvel de passagem.

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

significados, designam características físicas (por exemplo: assunto escorregadio, trabalho limpo, trabalho sangrento), mas também podem ser adjetivos com outros significados (tempo precioso, questão premente, acontecimento marcante). A aplicação do critério do sentido figurado é ilustrada pela análise dos paradigmas do adjetivo (não)limpo, do verbo vazar e do substantivo euro (ver Tabela 1):

TABELA 1. Aplicação do critério do sentido figurado

Paradigma

Identificação de colocações arbitrárias

1. limpo desporto, trabalho; trabalho, assunto, caso sujo 2. limpo água, ambiente, ar, cidade, local, automóvel; água suja

1. Considera-se colocação arbitrária devido ao sentido figurado do adjetivo em combinações com substantivos de significado abstrato. 2. Não se considera colocação arbitrária, pois nestas colocações o adjetivo é usado em sentido literal.

1. vazar informação 2. vazada (-i) informação, material, dados

1–2 considera-se colocação arbitrária, pois nas combinações com nomes abstratos se realiza o sentido figurado do verbo.

1. euro desvalorização, valorização 2. euro câmbio, moeda, cêntimo 3. euro substituição

1. Considera-se colocação arbitrária, pois ao euro são atribuídas propriedades características de um objeto vivo. 2. São termos; não se considera colocação arbitrária. 3. Não se considera colocação arbitrária, pois não há sentido figurado.

Como se pode ver nos exemplos apresentados na Tabela 1, nem sempre, no paradigma de uma colocação, o adjetivo ou verbo usado em sentido literal — e, por vezes, nem toda a colocação com determinado adjetivo/verbo — tem sentido figurado; porém, este é evidente em casos como: decisão / assunto / acontecimento doloroso; pessoa / caráter / vida fechados; abre-se um caminho / mercado / panorama; conquistar um direito / lugar etc. Estas colocações são consideradas arbitrárias.

Em síntese, pode afirmar-se que o critério do significado figurado é particularmente relevante na análise de colocações formadas por adjetivos e substantivos — foi frequentemente utilizado como

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

principal e mais claro indicador de arbitrariedade. Já na análise de colocações de verbo e substantivo, aplicou-se com maior frequência o critério de restrição da combinabilidade lexical (e o teste dos grupos semânticos). Como foram encontradas muito poucas AK formadas por dois substantivos, é difícil generalizar as características das colocações com esta estrutura (ver sec. 1.1.1).

1.2. Identificação automatizada de AK

Um dos critérios de AK — a combinabilidade lexical restrita — também foi verificado automaticamente, ou seja, os sinónimos necessários para o teste de substituibilidade foram identificados por meio do método dos vetores. A aplicação do teste de substituibilidade e do método dos vetores é descrita mais pormenorizadamente num artigo publicado anteriormente (Kovalevskaitė et al. 2021). Esse artigo descreve a aplicação do método dos vetores para avaliar a arbitrariedade de colocações de adjetivo + substantivo; por isso, neste artigo, descreve-se em pormenor apenas a avaliação da arbitrariedade de colocações de verbo + substantivo.

Primeiro, recordaremos brevemente as principais etapas da aplicação do método dos vetores (sec. 1.2.1); em seguida, discutiremos a seleção de sinónimos de verbos por meio do método dos vetores (ver sec. 1.2.2) e resumiremos os resultados da classificação de colocações de verbos e substantivos como arbitrárias (ver sec. 1.2.3).

1.2.1. Identificação de AK com base na combinabilidade lexical restrita, utilizando o método dos vetores

Com a aplicação do método dos vetores, procurou-se automatizar a identificação de AK e reduzir o fator de subjetividade na avaliação dos dados. O método dos vetores foi aplicado, na seguinte sequência, para identificar a combinabilidade lexical restrita. Primeiro, foram extraídas automaticamente palavras relacionadas de todo o corpus Delfi.lt⁸. Para isso, utilizou-se GloVe, um modelo de vetores de palavras (em inglês, embeddings) (Pennington et al. 2014). O método dos vetores (em inglês, Word Embedding Approach) pertence ao grupo de métodos destinados à análise automática de palavras com base em semelhanças distribucionais, ou de contexto (em inglês, distributional similarity measures). Estes métodos são aplicados ao reconhecimento automático de diversas relações (hiperonímia, sinonímia, antonímia, partonímia) e baseiam-se em

⁸ No âmbito do projeto anterior («Reconhecimento automático de combinações fixas de palavras em língua lituana (PASTOVU)», ver https://pastovu.vdu.lt), os vetores identificados são apresentados aqui: https://clarin.vdu.lt/xmlui/handle/20.500.11821/26. Neste estudo, são utilizados para selecionar os sinónimos necessários à identificação de AK.

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

hipótese de que palavras de significado próximo e/ou semanticamente relacionadas são usadas em contextos semelhantes (ver Grigonytė 2010).

Em primeiro lugar, foram criadas automaticamente séries vetoriais (doravante SV) dos adjetivos e verbos usados nas colocações da PŽJDB⁹. Na seleção automática de palavras relacionadas, foram excluídos adjetivos e verbos de ampla combinabilidade lexical ou usados de forma não autónoma, por exemplo: geras, naujas, puikus; būti, reikėti, pradėti. Os adjetivos ou verbos agrupados nas SV foram selecionados com base na semelhança contextual. Foram compiladas cerca de 800 SV com adjetivos e mais de 3 800 com verbos. Embora as SV apresentassem palavras relacionadas, os dados também incluíam palavras relacionadas por outros vínculos semânticos (por exemplo, antonímia), ou mesmo palavras sem relação entre si; por isso, foi necessária uma revisão linguística para determinar quais das palavras relacionadas deviam ser consideradas sinónimos, passíveis de uso na avaliação do grau de restrição da combinabilidade de um ou outro sinónimo com determinado substantivo. Consideraram-se sinónimas as palavras da mesma classe gramatical cuja significação denotativa (referencial) é muito semelhante, mas cuja combinabilidade lexical é parcial ou totalmente diferente¹⁰.

As SV de verbos, depois de organizadas, foram usadas para avaliar a arbitrariedade das colocações verbo + substantivo. Pretendia-se determinar em quais colocações o componente verbal não pode ser substituído por um verbo de significado próximo. Para cada par ou grupo de sinónimos verbais, foram apresentadas colocações com determinado substantivo. Se, com esse substantivo, fosse apresentada uma colocação apenas com um dos sinónimos do par ou grupo, concluía-se que o substantivo analisado se combinava apenas com um verbo desse grupo de sinónimos, e a colocação era considerada arbitrária. Se o substantivo analisado formasse colocações com todos os verbos do par ou grupo de sinónimos, as colocações não eram classificadas como arbitrárias (ver Tabela 2).

⁹ O termo mais preciso para as palavras relacionadas identificadas pelo método vetorial seria séries de possíveis sinónimos identificadas pelo método vetorial. Por razões de brevidade, doravante usamos séries vetoriais, ou, mais precisamente, a abreviatura SV.

¹⁰ O conceito de sinónimo adotado neste artigo pode ser associado ao termo mais difundido na lexicografia lituana, sinónimos parciais (ver 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

TABELA 2. Etapas de identificação das colocações arbitrárias (CA) utilizando SV

CA reconhecida

CA não reconhecida

Etapa 1: toma-se uma SV com dois pares de sinónimos, gauti–įgyti e duoti–teikti; Etapa 2: com base nesta SV, verifica-se com quantos destes sinónimos o substantivo apdovanojimas forma colocações; identificam-se duas colocações: gauti apdovanojimą (um dos sinónimos do par gauti–įgyti) e teikti apdovanojimą (um dos sinónimos do par duoti–teikti); Etapa 3: decide-se que gauti apdovanojimą e teikti apdovanojimą devem ser consideradas CA.

Etapa 1: toma-se uma SV com dois sinónimos, įkurti e įsteigti; Etapa 2: com base nesta SV, verifica-se com quantos destes sinónimos o substantivo asociacija forma colocações; identificam-se duas colocações: įkurti asociaciją e įsteigti asociaciją; Etapa 3: decide-se que įkurti asociaciją e įsteigti asociaciją não são CA.

Por exemplo, para o substantivo apdovanojimas foram apresentadas as colocações gauti apdovanojimą, teikti apdovanojimą, mas não *įgyti apdovanojimą, *duoti apdovanojimą. Portanto, com os pares de sinónimos gauti–įgyti e duoti–teikti, o substantivo apdovanojimas seleciona apenas uma opção em cada par; assim, as colocações gauti apdovanojimą e teikti apdovanojimą foram classificadas como arbitrárias. Entre as colocações com verbos, foram frequentemente consideradas arbitrárias as que empregam verbos de significado esbatido (dessemantizados) (ver Kovalevskaitė et al. 2020 para mais pormenores), por exemplo: atlikti tyrimą, duoti rezultatą, imti mokestį. A arbitrariedade das colocações do substantivo asociacija foi avaliada com base numa SV que contém dois sinónimos — įkurti e įsteigti; como este substantivo formava colocações com ambos os sinónimos, estas foram rejeitadas como não arbitrárias.

Tal como na avaliação das colocações com adjetivos, no estudo experimental os sinónimos verbais foram testados manualmente, pois é necessário ter em conta o significado do sinónimo e do substantivo em teste. Se o significado dos sinónimos presentes na SV não coincidir com o significado do verbo da colocação avaliada, o teste de substituibilidade do verbo

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

não pode ser aplicado. Por exemplo, para avaliar a arbitrariedade da colocação construir um automóvel, o VE com construir não foi adequado devido ao significado de «construir um edifício» (166 VE¹¹).

Assim, as etapas da aplicação do método automatizado são as seguintes: a) automática (os VE são gerados pelo método vetorial); b) não automática (o linguista revê e, se necessário, faz ajustes); c) parcialmente automática (as colocações são automaticamente associadas a VE específicos e, após revisão, confirmadas ou não como AK).

1.2.2. Seleção de sinónimos verbais em conjuntos vetoriais

Como os VE gerados continham muitos dados redundantes e irrelevantes, o chamado ruído (em inglês, noise), um linguista reviu cada VE e eliminou as palavras desnecessárias, que não estavam relacionadas por sinonímia, removendo por completo alguns VE. A seguir, discutiremos diferentes casos de edição linguística dos VE.

O número de VE verbais era muito superior ao dos adjetivos (3800 e 800 VE, respetivamente), pois a própria lista de verbos era [maior]. É gerado automaticamente um VE para cada verbo, pelo que alguns VE são semelhantes; no entanto, o número de sinónimos num VE semelhante pode variar consoante o verbo que serve de termo de referência. O verbo de referência é a palavra à qual se assemelham as outras palavras apresentadas; por outras palavras, é aquela para a qual foram procurados possíveis sinónimos (a semelhança pode ser estabelecida com base numa relação de hiperonímia, sinonímia, antonímia ou partonímia; esta palavra aparece sublinhada nos grupos de sinónimos). Por exemplo, no VE 151, o verbo de referência é organizar, enquanto o VE 40 é muito mais longo e tem como palavra de referência executar:

VE 151: organizar, preparar, executar

VE 40: executar, implementar, preparar, organizar, realizar, concluir, interromper

Como já foi referido, os VE compilados automaticamente ainda tinham de ser revistos por um linguista.

Após a realização deste trabalho, observou-se que, tal como no caso dos adjetivos, também entre os verbos foram recolhidos automaticamente muitos VE extensos, contendo vários pares de sinónimos verbais, e poucos VE que continham apenas um par de sinónimos ou três sinónimos. Por vezes, após a revisão, verificava-se que o verbo de referência usado para gerar o VE não tinha sinónimos, embora esse VE pudesse conter outro

¹¹Aqui e adiante, indicam-se os números dos VE de possíveis sinónimos identificados pelo método vetorial e utilizados neste artigo.

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

um par de sinónimos adequado; por exemplo, na VE do verbo de suporte kisti há o par de sinónimos paaštrėti, pablogėti.

Tal como no caso dos adjetivos, os antónimos provocavam «ruído» nas VE dos verbos; cf. VE pasivyti–aplenkti, sutrumpinti–pailginti, griežtinti–švelninti, formadas por membros de um mesmo grupo semântico lexical que não são sinónimos, por exemplo: pasnigti: palynoti, nugriaudėti; nepasiekti: pargrūti, iššausėti, patinti, pakrypti, sušlubuoti, sudužti; vakarieniauti: pietauti; pavirti: troškinti. Ao depurar as VE, ficava muitas vezes claro que um ou vários verbos não eram adequados, por designarem um aspeto demasiado específico de uma ação semelhante. Por exemplo, na VE da palavra remtis eram apresentadas as seguintes palavras: vadovautis, pasikliauti, apsiriboti, kliautis. Foi eliminado apsiriboti, e apenas vadovautis, pasikliauti, kliautis. foram considerados sinónimos.

São também frequentes os casos em que uma palavra da VE tem um significado mais amplo, por exemplo, paveikti, enquanto as outras palavras incluídas na VE designam mais especificamente aspetos do efeito negativo, por exemplo, pakenkti, sutrikdyti. Por isso, apenas estas foram consideradas sinónimas. Da VE pagrįsti, įvardinti, paaiškinti, pateisinti, foram reconhecidos como sinónimos pagrįsti e paaiškinti, enquanto pateisinti e įvardyti não foram considerados sinónimos, porque se afastam demasiado do significado das duas primeiras palavras devido a traços semânticos adicionais. Por vezes, esses casos obrigavam a descartar toda a VE, por exemplo, atmesti, ignoruoti, uždrausti.

Por vezes, as VE dos verbos de suporte também eram completamente inadequadas, embora parecesse que, certamente, deveria ser possível identificar sinónimos automaticamente, por exemplo: suprastėti (sinónimo possível pablogėti, mas este não constava da sua VE); sąlygoti (sinónimo possível lemti, mas não foi indicado; constava pakentėti). As VE dos verbos com negação não eram precisas e, por isso, foram rejeitadas; por exemplo, foram rejeitados os verbos de suporte negydyti, nesuskaičiuoti, nepridėti.

Importa mencionar que muitas vezes também era necessário corrigir as VE devido às características derivacionais dos verbos. Por exemplo, os verbos de aspeto imperfectivo e perfectivo não foram considerados sinónimos (tirti ir ištirti), tal como os verbos cujo significado diferia devido à aquisição de um prefixo, como palyti ir palynoti, naršyti ir panaršyti, e os verbos reflexivos e não reflexivos (klausyti ir klausytis). Se, por exemplo, o verbo de suporte da VE fosse reflexivo, eliminava-se a forma não reflexiva correspondente. Por exemplo, da VE išsirinkti, atsirinkti, pasirinkti, nuspręsti, rinktis foram eliminados os verbos išrinkti, parinkti. As variantes derivacionais (por exemplo, vardinti ir vardyti, lukterėti ir luktelėti) foram consideradas sinónimos.

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

A depuração das VE revelou ainda outra particularidade da seleção automática: como as palavras são agrupadas pelo método dos vetores de acordo com a semelhança dos seus contextos, uma VE pode ser composta por sinónimos que só à primeira vista parecem inadequados. Por outras palavras, sem conhecer os substantivos concretos que levaram a que dois ou mais verbos fossem agrupados numa VE, é possível avaliar incorretamente a qualidade de algumas VE. Por exemplo, a VE n.º 60 continha as seguintes palavras: rodyti, demonstruoti, jausti. Apagar imediatamente a palavra jausti seria um erro, pois ela foi incluída devido ao contexto comum a esses verbos, no qual se fala de sentimentos; cf. demonstruoti, rodyti jausmus e, por exemplo, jausti pyktį, jausti nusivylimą, entre outros. Os verbos sumažėti, pigti ou padidėti, ūgtelėti podem ser sinónimos quando se fala de preços. Os três verbos da VE apsispręsti, priimti, pasirinkti são sinónimos, enquanto o verbo imti, que é geralmente eliminado, foi incluído neste caso porque significa priimti sprendimą; por outras palavras, esta VE deve ser lida assim: apsispręsti, priimti sprendimą, pasirinkti¹².

Estes exemplos mostram que é possível identificar automaticamente mais sinónimos e/ou sinónimos de outro tipo, porque o método dos vetores avalia a semelhança dos contextos, e não a semelhança do significado das palavras isoladas. Dificilmente associaríamos como sinónimos, se considerássemos as palavras isoladamente, os verbos atsikratyti, numesti, sulieknėti; contudo, encontramo-los na mesma VE porque foram usados num contexto comum, que também incluía o substantivo svoris. Podem apresentar-se mais exemplos; cf.: trukti, užtrukti, gyvuoti, egzistuoti, užsitęsti; domėtis e užsiimti; gerti e vartoti; nusiteikti e pasiruošti; skambinti, kreiptis, pranešti; atkurti, atstatyti, atgaivinti; peržiūrėti, koreguoti, atnaujinti, keisti; išprovokuoti, lemti, peraugti; šokiruoti, sukresti, priblokšti; atlaikyti, ištverti, įveikti.

No contexto desportivo, os quatro verbos — užsitikrinti, iškovoti, pasiekti, išsaugoti — são sinónimos, pois por vezes a conquista é expressa da seguinte forma: užsitikrino sau vietą finale («garantiu um lugar na final») ou išsaugojo titulą («conservou o título»). Estes resultados mostram que, ao avaliar a sinonímia, é importante abranger mais do que uma palavra, uma vez que os membros de um grupo de sinónimos podem ser tanto palavras isoladas como expressões fixas

¹² Nas VE há palavras que se relacionam sintagmaticamente, por exemplo, įžeisti e nenorėti. Como nenorėti é frequentemente usado num contexto comum com įžeisti (quando ocorre na expressão nenorėjo įžeisti, bet...), foram agrupados numa mesma VE. Outro caso: liautis: nustoti, verkti. O verbo verkti foi incluído por ter sido selecionado a partir do contexto frequente liovėsi verkęs / verkusi. Por outras palavras, formam-se VE muito longas (e inadequadas) para os verbos de suporte que são usados como auxiliares e que, devido às suas características gramaticais, têm uma capacidade de combinação ampla, por exemplo: 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

combinações. Ao aplicar o método dos vetores, que compara a semelhança dos contextos, tornam-se evidentes precisamente as relações entre palavras isoladas e o contexto. Seria difícil para um linguista abarcar tantos dados (para mais informações sobre o uso de um amplo espectro de medidas de distribuição na análise automática de sinônimos, ver Divjak, Gries 2006).

Observou-se que, com frequência, o conjunto de vetores (VE) de um verbo de significado mais específico e combinabilidade mais restrita é mais curto e mais homogêneo, provavelmente devido à sua combinabilidade mais restrita. A comparação dos VE dos sinônimos nerimauti, jaudintis, būgštauti ir nuogąstauti mostra que o VE de nerimauti é mais longo e menos homogêneo, incluindo palavras de significado mais amplo, por exemplo, bijoti (nerimauti: jaudintis, baimintis, bijoti), enquanto o VE de būgštauti contém apenas essas quatro palavras: būgštauti: nerimauti, jaudintis, nuogąstauti. Observou-se também que os VE baseados em verbos de significado mais concreto (duoti, bėgti, išimti, atsistoti, medžioti, kvėpuoti, sugesti, kalėti) podem conter poucos ou nenhum sinônimo, pois as palavras reunidas com base num verbo de significado concreto estão relacionadas tematicamente, e não sinonimicamente; compare-se: išimti: išmesti, išbraukti, išnešti; medžioti ir žvejoti; kvėpuoti ir vaikščioti; virti ir kepti; kalėti ir nuteisti; sugesti: skilti, perkaitti, sprogti, užsikimšti, užsidegti. Esses VE também são constituídos por apenas duas palavras, mas podem ser mais longos. Por vezes, são muito longos; por exemplo, o verbo de base sumenkti apresentou nada menos que 26 verbos.

Em síntese, pode-se mencionar que, após a revisão, foram obtidos 2634 de 3800 VE (70 por cento).

Assim, os VE gerados automaticamente não são suficientemente precisos para serem utilizados sem edição na etapa seguinte de identificação de AK. Esses erros podem dever-se às características do corpus Delfi.lt: embora contenha um grande volume de palavras (cerca de 70 milhões), a diversidade lexical dos textos de um único estilo pode ser menor. Para gerar VE mais precisos, seria necessário um corpus com maior diversidade de estilos funcionais.

1.2.3. Resultados: qualidade dos VE e reconhecimento da arbitrariedade

A comparação dos VE de adjetivos e verbos antes e depois da revisão revelou que, em ambos os casos, muitos VE foram descartados por serem pouco informativos:

1) dos 1927 VE de adjetivos, restaram 800 VE após a revisão (41 por cento);

2) dos 3800 VE de verbos, restaram 1166 VE após a revisão (30 por cento).

Os VE restantes também precisaram ser editados. Cabe notar que não foi avaliado quantas palavras são normalmente eliminadas de cada VE. Muitas vezes, era preciso eliminar palavras auxiliares, não inteiramente autónomas

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

verbos: fazer, tomar, viver, valer, ser necessário, dever, começar, obter, querer, esforçar-se, conseguir. Muitas palavras elimináveis ficavam no final da VE, onde apareciam as palavras com o limiar de pontuação aplicado mais baixo (0,5; a pontuação máxima é 1), mas também houve muitos casos em que era eliminada uma palavra com pontuação elevada, apresentada na 2.ª a 5.ª posição numa determinada VE (uma VE pode conter, no máximo, 20 palavras).

Importa salientar que a avaliação foi feita com base na VE e se limitou às palavras nela incluídas. Se houver outros sinónimos, mas estes não constarem da VE usada para a avaliação (por não terem sido selecionados pelo método dos vetores, por não serem usados no corpus Delfi.lt, etc.), algumas colocações podem ter sido classificadas como não arbitrárias (ou vice-versa). Por exemplo, ao avaliar as colocações estrela cadente e estrela ascendente, foi usada uma VE que inclui os verbos crescer, cair, subir, diminuir, desenvolver-se, aumentar. Esta VE não inclui desabar, que poderia ser sinónimo de cair; por conseguinte, estrela cadente não foi reconhecida como AK.

Durante a investigação, foram também observadas vantagens da seleção automática de dados: 1) como referido na secção 1.2.2, o método dos vetores permite identificar mais sinónimos e sinónimos diferentes dos que se obtêm recorrendo apenas ao método da introspeção; 2) o método dos vetores é adequado para processar grandes quantidades de dados, ao passo que dificilmente seria possível avaliar manualmente a semelhança contextual de um número tão elevado de palavras.

Após a aplicação do teste de substituibilidade às VE de sinónimos verbais, 291 colocações foram reconhecidas como arbitrárias. É evidente que são precisamente os sinónimos presentes na VE que determinam quais colocações serão reconhecidas como AK. Por um lado, esta é uma limitação do método; por outro, constitui uma possibilidade de automatizar o processo de identificação da arbitrariedade.

Quando o reconhecimento da arbitrariedade depende apenas de uma VE específica, pode acontecer frequentemente que algumas colocações não sejam selecionadas com base numa VE, mas sejam selecionadas com base noutra. Por exemplo, ao avaliar a arbitrariedade das colocações criar uma imagem e formar uma imagem com base na VE 368 criar, formar, nenhuma das duas colocações seria classificada como AK. No entanto, os verbos criar, formar também aparecem noutras VE às quais foi atribuído o mesmo substantivo imagem; por isso, a colocação criar uma imagem é reconhecida como AK com base noutra VE (45): criar, criar, desenvolver, expandir, implementar, preparar, fundar.

Também é possível que as mesmas colocações sejam reconhecidas como arbitrárias com base em mais de uma VE; por exemplo, fazer exercícios, realizar exercícios podem ser avaliadas como AK tanto com base na 11.ª (realizar, executar, fazer), como com base na VE 15 (fazer, realizar, criar;

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

realizar). O problema surge quando uma colocação arbitrária não é considerada arbitrária por não ser possível identificá-la com base em nenhuma VE. Isto acontecia com bastante frequência ao avaliar variantes de colocações. Por exemplo, com o substantivo impostos usam-se tanto aumentar como elevar; ambos os verbos constam da VE 52, com base na qual se avalia a arbitrariedade, pelo que estas colocações não serão classificadas como AK. No entanto, são variantes de AK (cf. sobem, aumentam, crescem os preços). O mesmo sucede com realizar / executar / fazer uma investigação (com base na VE 11, estas combinações não foram reconhecidas como AK). Nessa mesma VE constavam obter e adquirir; por isso, obter um diploma e adquirir um diploma não foram reconhecidas como AK. Estes casos mostram que, ao avaliar a arbitrariedade das colocações segundo o critério da restrição lexical de combinabilidade, são importantes tanto os instrumentos de teste utilizados como o facto de que o método não automático é mais adequado para identificar variantes de AK.

Uma vez que o teste de substituibilidade de sinónimos está tão estreitamente ligado às palavras presentes numa VE específica, também pode acontecer que colocações semelhantes, mas de sentido oposto, não sejam selecionadas. Por exemplo, a colocação cresce o descontentamento foi selecionada, mas diminui o descontentamento não. Pelo método não automático, ambas seriam avaliadas como AK. Assim, quando se utilizam dados avaliados por introspeção linguística para estimar a arbitrariedade, preserva-se uma parte das AK que se perdem com o método 2. É verdade que a aplicação do método linguístico não automático envolve subjetividade. O método automatizado é mais objetivo, embora seja necessário reconhecer que os dados são mais fragmentários (os testes utilizam apenas as VE disponíveis, e apenas aquelas que foram recolhidas). Além disso, nem todas as colocações que são AK são reconhecidas como tal.

2. RESULTADOS DA IDENTIFICAÇÃO DE AK

Ao observar os números de AK identificadas, fica evidente que há muito poucas AK coincidentes identificadas pelos métodos não automático e automatizado (para mais detalhes, ver as seções 2.1 e 2.2); portanto, cada um dos métodos fornece dados importantes por si só.

Os dados recolhidos pelo método de análise não automática são muito mais numerosos do que os identificados automaticamente, mas a análise não automática aplicou não um, mas dois critérios de seleção (ligação lexical restrita e sentido figurado), ao passo que o método vetorial aplicou apenas o critério de ligação lexical restrita

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

Assim, ao aplicar mais critérios, recolhe-se um maior número de colocações com adjetivos e verbos mais variados.

Com base em exemplos concretos de AK, este capítulo explica por que foram obtidos precisamente estes resultados e como os critérios aplicados e os dados utilizados os determinaram. Primeiro, discutiremos o que os dados obtidos mostram. Todas as AK com um adjetivo ou verbo específico podem ser identificadas de maneiras diferentes: a) apenas por um dos dois métodos; b) algumas colocações por um método e outras pelo outro; c) algumas colocações por um método, outras pelo outro e algumas por ambos. Nas subseções seguintes, discutiremos AK de estruturas diferentes, comentando os resultados obtidos por ambos os métodos.

2.1. Colocações arbitrárias formadas por adjetivos e substantivos

No total, foram identificadas 1048 AK com a estrutura adjetivo + substantivo. Estas colocações incluem 320 adjetivos diferentes. É verdade que com alguns adjetivos (didelis, mažas, atviras, aukštas, modernus, išskirtinis, pagrindinis e semelhantes) formam-se várias ou uma dezena de AK, enquanto com outros (por exemplo, netrumpas, nuodugnus, permainingas, pikantiškas) formam-se AK isoladas (em média, formam-se 3,3 colocações com o mesmo adjetivo; para mais detalhes, ver a Tabela 3).

TABELA 3. AK identificadas por métodos diferentes (adjetivo + substantivo)

AK identificadas pelo método não automáticoAK identificadas pelo método automatizadoAK identificadas por ambos os métodosN.º (porcentagem)Número de adjetivos diferentes (número médio de AK formadas com o mesmo adjetivo)N.º (porcentagem)Número de adjetivos diferentes (número médio de AK formadas com o mesmo adjetivo)N.º (porcentagem)Número de adjetivos diferentes (número médio de AK formadas com o mesmo adjetivo)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

Como se pode ver na Tabela 3, a maioria das AK foi identificada pelo método não automatizado — mais da metade de todas as AK (por exemplo: imagem cruel, trabalho escravo, pergunta direta, assunto doloroso); cerca de um terço das AK foi identificado automaticamente (por exemplo: bem valioso, projeto único, dia difícil, método ideal), e a menor parcela (15,74%) corresponde às AK identificadas por ambos os métodos (por exemplo: guerra fratricida, comércio intenso, projeto gigantesco, preço baixo). Proporções semelhantes também se observam nas AK com verbos (ver seção 2.2).

Ao analisar os adjetivos das AK, observa-se que alguns aparecem apenas em AK identificadas por um dos métodos (ver os exemplos apresentados acima), enquanto outros aparecem em AK identificadas por ambos os métodos (por exemplo: grande, pequeno, forte).

No início do estudo, formulou-se a hipótese de que a variedade de adjetivos seria maior nas AK identificadas pelo método não automatizado e menor nas AK identificadas mediante a aplicação do método vetorial automatizado. A hipótese foi confirmada: nas AK identificadas pelo primeiro método, foram usados 235 adjetivos diferentes, ou seja, cada adjetivo forma, em média, 2,5 AK. Nas AK identificadas pelo método vetorial, há 86 adjetivos diferentes; assim, em média, 3,56 AK são formadas com o mesmo adjetivo. A menor variedade de adjetivos (42) ocorre entre as AK identificadas por ambos os métodos, mas também é o grupo com menos colocações. Nesse grupo de AK, o mesmo adjetivo forma, em média, 3,93 colocações. É provável que essa pequena variedade de adjetivos se deva ao número relativamente baixo de dados.

É muito provável que uma colocação seja arbitrária quando formada por adjetivos como grande, enorme, gigantesco, diminuto, pequeno, tenso, perigoso, sério, forte, difícil com substantivos abstratos, pois esses adjetivos são usados em sentido figurado.

Para discutir de que modo os métodos aplicados levaram precisamente a esses resultados, gostaríamos de analisar, como exemplo, as AK com o adjetivo inteligente, pois elas ilustram toda a variedade: algumas colocações foram identificadas por um método, outras pelo outro e outras por ambos. Das oito colocações do adjetivo inteligente (decisão inteligente, cidade inteligente, criança inteligente, homem inteligente, tempo inteligente, método inteligente), seis foram reconhecidas como AK: as colocações desse adjetivo com os substantivos decisão e cidade foram selecionadas não automaticamente; as colocações com criança e homem foram selecionadas automaticamente; e as colocações com tempo e método foram selecionadas por ambos os métodos.

Os linguistas determinaram que o grupo semântico «pessoas» é habitual para esse adjetivo. Com palavras desse grupo, podem combinar-se opcionalmente adjetivos de significado semelhante (pode ser

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

não apenas inteligente, mas também uma pessoa sábia); por isso, criança inteligente e homem inteligente entraram entre as AK apenas como resultado da seleção automática (a colocação uma pessoa sábia não foi registrada no corpus Delfi.lt), tendo sido posteriormente descartadas durante a revisão dos dados. Os linguistas observaram que os outros substantivos (decisão, tempo, método) pertencem, em sua maioria, ao grupo léxico-semântico dos «abstratos», mas, ainda assim, as colocações se formam apenas com certos substantivos abstratos; portanto, as possibilidades de escolha nesse grupo são limitadas, o que indica arbitrariedade. Por isso, todas essas colocações foram reconhecidas como arbitrárias. Apenas duas delas (tempo inteligente e método inteligente) foram identificadas como AK automaticamente, pois o método vetorial não aplica o teste dos grupos léxico-semânticos.

AK identificadas pelo método não automatizado. Por exemplo, nove colocações com o adjetivo alto foram reconhecidas como arbitrárias: resultado alto, alto funcionário, preço alto, entre outras. Aqui, o adjetivo é usado em sentido figurado (e quase exclusivamente com substantivos abstratos); assim, o critério do sentido figurado levou os linguistas a classificar essas colocações como AK. Muitas vezes, essas colocações não foram detectadas pelo método automatizado, pois não havia VE para o teste de substituibilidade por sinônimos que contivessem o adjetivo correspondente (alto, fechado, doloroso, fraco, amplo, confortável, leve, livre, longo ou rápido), pelo que não foi possível avaliar a substituibilidade. Como já mencionado na seção anterior, os resultados do método automatizado dependem muito da disponibilidade de sinônimos para verificar a substituibilidade e da qualidade da lista de sinônimos. Este caso ilustra que, quando se aplica apenas o método automatizado, algumas AK podem permanecer não reconhecidas, e que a competência linguística pode compensar a insuficiência dos dados do corpus.

Outra razão pela qual algumas AK podem não ser reconhecidas automaticamente é que nem todos os substantivos podem estar associados a uma lista de sinônimos com determinado significado, uma vez que o contexto de alguns substantivos pode ser diferente. Por exemplo, entre as colocações com o adjetivo marcante, muitas foram identificadas não automaticamente (por exemplo: mulher marcante, pessoa marcante), e apenas uma AK foi identificada por ambos os métodos — acontecimento marcante. Isso significa que havia uma VE com esse adjetivo, mas nem todos os três substantivos foram associados automaticamente a ela; apenas acontecimento.

AK identificadas pelo método automatizado. As AK com o adjetivo eficaz foram identificadas apenas pelo método vetorial, por exemplo: medida eficaz, resultado eficaz, sistema eficaz, trabalho eficaz. Havia mais sinônimos na VE (por exemplo, eficiente), mas as colocações medida eficiente, resultado eficiente, entre outras, não foram registradas no corpus; portanto, ao aplicar o impossível

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

No teste de substituibilidade, as colocações com efektyvus foram reconhecidas como AC. Cabe acrescentar que, neste caso, os linguistas, com base na competência dos falantes nativos, avaliaram de outra forma: a substituição é possível (pode-se usar tanto efektyvi priemonė quanto veiksminga priemonė), pelo que se decidiu não considerar essas colocações como AC. O método automatizado reconheceu como AC muitas colocações cujo adjetivo é avaliativo, cf.: išskirtinis (por estar associado sinonimicamente a ypatingas), keistas (associado a neįprastas), modernus (associado a šiuolaikiškas), pagrindinis (associado a esminis), sudėtingas (associado a sunkus). Os linguistas tenderam, com maior frequência, a não classificar esses casos como AC.

As colocações com stabilus, por exemplo, stabilus gyvenimas, stabili kaina, stabili savaitė, stabili valstybė, foram reconhecidas como arbitrárias apenas pelo método dos vetores, pois a substituibilidade foi testada com o sinônimo pastovus, que não foi usado como colocado com os substantivos correspondentes. Ainda assim, os linguistas não reconheceram essas colocações como arbitrárias, pois, ao observar a combinabilidade de stabilus, constata-se que ela é de fato ampla e que não foram identificadas restrições; além disso, pastovus não foi considerado sinônimo de stabilus, cf.: stabilus darbas, stabili valstybė, stabili kaina, stabilus rezultatas, stabilus gyvenimas, stabili savaitė.

AC identificadas por ambos os métodos. Entre os dados disponíveis, não há nenhum caso em que todas as colocações reconhecidas como AC com o mesmo adjetivo tenham sido identificadas por ambos os métodos. Em todos os casos, ambos os métodos identificaram apenas parte delas, e entre esses adjetivos predominam os que podem ser usados em sentido figurado, por exemplo: garsus, greitas, liūdnas, mažas, nelengvas, patrauklus, pavojingas, rimtas, stiprus, sunkus, tvirtas. Como já mencionado, as AC de muitos desses adjetivos foram identificadas apenas pelo método não automatizado, por exemplo, as colocações com o adjetivo silpnas (ver também os exemplos anteriormente mencionados). Isso ocorre porque, na identificação não automatizada de AC, esses casos foram selecionados segundo o critério do sentido figurado; já na aplicação do método 2, só se enquadravam quando integravam as séries de sinônimos utilizadas no teste de substituibilidade.

Ao verificar quantas colocações são recolhidas por cada método para um dos substantivos mais produtivos, sprendimas, observam-se tendências semelhantes às da Tabela 3: o método não automatizado produziu o maior número de AC, mas há uma proporção considerável de AC identificadas automaticamente.

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

TABELA 4. AC identificadas com o substantivo sprendimas e adjetivos

AC identificadas por métodos não automatizados

AC identificadas por métodos automatizados

AC identificadas por ambos os métodos

1) responsável

2) sem precedentes

3) drástico

4) ousado

5) formal

6) rigoroso

7) inteligente

8) sábio

9) construtivo

10) criativo

11) estúpido

12) temporário

13) decisivo

14) fatídico

15) leve

16) ilógico

17) irracional

18) fundamentado

19) confortável

20) avançado

21) prático

22) contrário

23) inteligente

24) racional

25) consciente

26) seguro

27) independente

28) escandaloso

29) doloroso

30) apressado

31) urgente

32) inteligente

33) pacífico

34) correto

35) sustentável

36) unido

1) claro

2) categórico

3) estranho

4) concreto

5) criativo

6) útil

7) inesperado

8) ótimo

9) simples

10) mau

11) real

12) complexo

13) único

1) rápido

2) lógico

3) difícil

4) sério

5) arriscado

6) difícil

7) prejudicial

8) sólido

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

Ao apresentar o exemplo do substantivo sprendimas, é importante mencionar mais um aspeto relacionado com o método automatizado: algumas colocações classificadas como arbitrárias podem ser discutíveis, isto é, podem parecer estar no limite, mais próximas das não verdadeiras. Por exemplo, pode surgir a questão de saber se colocações como aiškus sprendimas ou keistas sprendimas devem realmente ser consideradas arbitrárias. Poderia parecer que os adjetivos aiškus, keistas, kūrybiškas, naudingas, netikėtas e outros podem combinar-se não só com sprendimas, mas também com muitos outros substantivos com os quais podem combinar-se em função do significado; comparem-se todas as colocações destes adjetivos identificadas no corpus 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. Os linguistas verificaram a restrição lexical não só através do teste de sinonímia, mas também com base em grupos semântico-lexicais; por isso, não incluíram as colocações aiškus sprendimas e keistas sprendimas entre as arbitrárias. Na avaliação automatizada da restrição lexical, estas colocações foram classificadas como AK, pois a verificação da substituibilidade por sinónimos revelou que o substantivo sprendimas formava colocações apenas com um dos membros do par de sinónimos aiškus, suprantamas e do par keistas, neįprastas. Estes exemplos mostram que é possível esperar resultados mais precisos para as AK quando a restrição lexical é verificada não apenas através do teste de sinonímia, mas também do teste de grupos semântico-lexicais.

2.2. Colocações arbitrárias formadas por verbos e substantivos

Foram identificadas 1171 AK formadas por um verbo e um substantivo. Este número é bastante semelhante ao das AK formadas com adjetivos: 1048. A distribuição das AK identificadas através de diferentes métodos é também bastante semelhante à das colocações formadas com adjetivos (ver Tabela 2) (ver Tabela 3): aproximadamente metade das AK foi identificada manualmente (por exemplo: apniukusi diena, aptarti galimybes, iškvies­ti apsaugą), cerca de um terço, de forma automatizada (por exemplo: suskubti į pagalbą, žvelgti į gyvenimą, sugadintas turtas, kaupti turtą), e quase um quinto foi identificado através de ambos os métodos (por exemplo: atlikti tarnybą, duoti komandą, matyti reikalą).

Foi também analisada a diversidade lexical das AK desta estrutura, isto é, quantos verbos diferentes formam as AK identificadas por um determinado método. Em média, 2,05 das AK discutidas nesta secção são formadas com o mesmo verbo (ver Tabela 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

TABELA 5. AK identificadas através de diferentes métodos (verbo + substantivo)

AK identificadas por métodos manuais

AK identificadas por métodos automatizados

AK identificadas por ambos os métodos

N.º (percentagem)

Número de verbos diferentes (número médio de AK formadas com o mesmo verbo)

N.º (percentagem)

Número de verbos diferentes (número médio de AK formadas com o mesmo verbo)

N.º (percentagem)

Número de verbos diferentes (número médio de AK formadas com o mesmo verbo)

561 (47,91)

376 (1,5)

382 (32,62)

189 (2,02)

228 (19,47)

102 (2,24)

As funções sintáticas dos verbos nas AK são mais variadas do que as dos adjetivos: podem ser usadas formas finitas, que se combinam com substantivos que desempenham a função de objeto, sujeito ou adjunto circunstancial (por exemplo: apipilti klausimais, kelti kainą, parodyti laikas¹³, pastatyti į vietą), ou formas não finitas, geralmente particípios, que desempenham a função de atributo (por exemplo: išpūsta kaina, einamieji metai, neapgalvotas sprendimas, klestinti šalis, negirdėtas dalykas, vykdomas darbas). Nas AK compostas por três palavras, a ordem das palavras pode variar, por exemplo: atskubėti į pagalbą / į pagalbą atskubėti; eiti į rinkimus / į rinkimus eiti.

Em comparação com as colocações formadas por adjetivos, observa-se uma maior diversidade de verbos: nas AK identificadas pelo método manual, o mesmo verbo forma, em média, 1,5 colocações; nas AK identificadas pelo método vetorial automatizado, em média, 2,02 colocações; e, nas AK identificadas por ambos os métodos, a diversidade de verbos é a menor — o mesmo verbo formou, em média, 2,24 AK. É provável que esse resultado se deva ao fato de que as colocações identificadas por ambos os métodos são as menos numerosas. Por outro lado, as tendências são semelhantes: as AK identificadas pelo método manual apresentam a maior diversidade lexical.

¹³ Por vezes, os lemas das colocações subjetivas parecem pouco habituais, mas optou-se por apresentar o infinitivo, pois podem ser usadas formas conjugadas muito variadas, por exemplo: 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

Na análise dos dados, observa-se uma grande diversidade de verbos (consideraram-se verbos diferentes as palavras com e sem prefixo, bem como as que têm prefixos diferentes (por exemplo: saugoti, apsaugoti, išsaugoti); as formas reflexivas e não reflexivas, quando não alteram o significado, foram consideradas o mesmo verbo), mas há verbos combinatórios com os quais se formaram várias ou mesmo dezenas de AK, por exemplo:

conceder: proteção concedida, informação concedida, conceder a possibilidade, conceder a possibilidade de escolher, fornecer informações sobre;

dedicar: dedicar pouca atenção, dedicar tempo, prestar atenção, dedicar muita atenção, prisão domiciliária imposta, dedicar grande atenção, dedicar muito tempo, dedicar muita atenção, é necessário prestar atenção;

vir / vindouro: ir às eleições, chegar o euro, chegar a hora, chegar o momento, anos vindouros, eleições vindouras, orçamento do próximo ano, início do próximo ano, próximo mês, início das próximas semanas, próxima estação, anos vindouros, dia seguinte, próxima semana.

Observa-se que uma parte considerável das AK formadas com um único verbo consiste em variantes de uma mesma colocação; compare-se, por exemplo, com as variantes de AK skirti dėmesį apresentadas anteriormente. Ainda assim, quaisquer variações lexicais ou gramaticais das colocações (alteração da ordem das palavras, acréscimo de palavras) são contabilizadas como colocações distintas. Consideram-se colocações distintas quando o mesmo verbo é usado numa forma conjugada (nesse caso, o lema é geralmente apresentado no infinitivo) ou numa forma não conjugada (por exemplo: kovoti dėl vietos, kovoti iki pabaigos, kovojanti grupė). Assim, nas colocações com verbos, a maior diversidade lexical (em comparação com os adjetivos) deve-se a uma particularidade dos verbos enquanto classe gramatical: o uso frequente de verbos com a mesma raiz e diferentes prefixos. Por um lado, esses verbos podem ser considerados palavras diferentes; por outro, esses dados não são inteiramente comparáveis aos dados dos adjetivos, que em todos os casos são palavras diferentes, e não variantes derivacionais de uma mesma palavra.

AK identificadas pelo método manual. Ao contrário das colocações de adjetivo + substantivo, as colocações com verbos são frequentemente consideradas arbitrárias mediante a aplicação não apenas do critério do sentido figurado (por exemplo: gadinti gyvenimą, atverti galimybę), mas também do critério da combinabilidade lexical restrita e do teste de grupos léxico-semânticos. Por exemplo, as colocações com vaizdas, būdas, informacija foram avaliadas com base nos seguintes paradigmas:

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

distorcer informação

distorcer o mercado

informação distorcida

método distorcido

imagem distorcida

A combinabilidade dos verbos distorcer, deformar (também usados atributivamente) não é ampla: ao paradigma das colocações com distorcer ainda se poderia acrescentar distorcer palavras, mas o substantivo palavras ficaria no mesmo grupo que informação, pelo que se decidiu classificar ambas as colocações como AK. Com o particípio usado atributivamente distorcido foram formadas três colocações, todas consideradas AK, pois, embora o paradigma possa ser ampliado (por exemplo, acrescentando pensamento distorcido), continuaria a ser limitado. Os substantivos informação, imagem, método, embora atribuídos a um mesmo grupo semântico-lexical de abstratos, são apenas três, e um número reduzido de palavras é uma das condições para aplicar o teste dos grupos semântico-lexicais. Aplicando o teste de substituibilidade por sinónimos, verifica-se que, em vez de distorcer, distorcido, não é adequado usar, por exemplo, desfigurar / desfigurado.

AK identificadas pelo método automatizado. É importante salientar uma limitação do método automatizado: algumas AK podem não ser reconhecidas, porque tais colocações não foram identificadas no corpus Delfi.lt (embora a própria combinação de palavras possa ter sido usada). Por exemplo, a colocação de três palavras investigar as circunstâncias do acontecimento foi reconhecida como AK com base nos sinónimos analisar, esclarecer, investigar incluídos no VE. No corpus, encontrou-se apenas a colocação com o verbo esclarecer, pelo que se reconheceu que era uma AK. Por outro lado, noutro corpus poderia haver também a colocação investigar as circunstâncias do acontecimento; assim, ao testar o mesmo grupo de sinónimos, duas colocações seriam consideradas arbitrárias, e não apenas uma.

Entre as colocações identificadas pelo método automatizado há casos que os linguistas não reconheceram como AK precisamente porque, com base na intuição linguística, não se considerou existir uma tendência para escolher um dos vários sinónimos possíveis. As colocações compreender o mundo, conhecer o mundo, olhar para o mundo poderiam servir de exemplo. Os linguistas não reconheceram nenhuma destas colocações como arbitrária. O método automatizado identificou as três como AK, pois entre as colocações do corpus Delfi.lt não havia colocações com outros membros dos grupos de sinónimos correspondentes: havia compreender o mundo, mas não perceber o mundo; havia conhecer o mundo, mas não aprender o mundo; havia olhar para o mundo, mas não dirigir o olhar para o mundo. A avaliação linguística estabeleceu que a combinabilidade destes três verbos não apresenta características de combinabilidade restrita.

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

AK identificadas por ambos os métodos. É preciso dizer que as AK deste grupo não foram necessariamente identificadas segundo o mesmo critério. Ao avaliar a arbitrariedade pelo método não automatizado, uma AK podia ser identificada com base em qualquer um dos testes, não necessariamente no teste de substituição por sinónimos. Como foi referido a propósito das colocações de adjetivos e substantivos, as mesmas AK foram selecionadas manualmente com base no critério do sentido figurado, enquanto pelo método automatizado foram identificadas segundo o critério da restrição da combinabilidade lexical (teste de substituição por sinónimos), cf. sutriko eismas e sutriko sveikata, selecionadas pelos linguistas por sutr būti se combinar com um grupo restrito de substantivos; os dois métodos reconheceram estas colocações como AK porque, entre os sinónimos sugedo e sutriko, nas colocações avaliadas foi registado apenas um sinónimo. Apga l v otas sprendimas foi reconhecida como AK, uma vez que não havia colocação com outro sinónimo — apmąstytas sprendimas. Portanto, é importante ter em conta que as colocações deste grupo não foram reconhecidas segundo o mesmo critério.

TABELA 6. AK identificadas com o substantivo sprendimas e verbos

AK identificadas pelo método não automatizado

AK identificadas pelo método automatizado

AK identificadas por ambos os métodos

1) recorrer da decisão (judicial) 2) adiar a decisão 3) tomar uma decisão 4) fundamentar a decisão 5) procurar uma solução 6) decisão transitada em julgado 7) decisão irrefletida 8) não tomar uma decisão 9) não cumprir a decisão judicial 10) a decisão revelou-se acertada 11) tomar a decisão adequada tomar a decisão necessária 12) ir tomando uma decisão 13) concordar com a decisão 14) anunciar a decisão 15) recorrer da decisão (ao tribunal) 16) executar a decisão judicial

1) priimti sprendimą 2) reikalauti sprendimo 3) siūlomas sprendimas 4) laukti sprendimo 5) pasirašyti sprendimą

1) įvykdyti teismo sprendimą 2) padarytas sprendimas 3) pasiūlytas sprendimas 4) paskelbti sprendimą 5) apgalvotas sprendimas

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

Ao avaliar quantas colocações com a estrutura verbo + substantivo do substantivo sprendimas, um dos mais produtivos, são identificadas por métodos diferentes (ver Tabela 6), observa-se que a maioria foi identificada pelo método manual, enquanto apenas cinco AC foram identificadas tanto por ambos os métodos como pelo método automatizado.

OBSERVAÇÕES CONCLUSIVAS

Após a análise de AC de duas e três palavras, constituídas por adjetivos e substantivos, bem como por verbos e substantivos, pode-se afirmar que cerca de metade delas foi identificada pelo método manual, aproximadamente um terço pelo método automatizado e cerca de um quinto por ambos os métodos. Apenas uma pequena parcela das AC identificadas por esses métodos coincide, o que permite afirmar que ambos os métodos podem identificar mais AC. Portanto, para reconhecer AC, vale a pena recorrer às possibilidades oferecidas tanto pelo método manual como pelo automatizado.

Cabe ressaltar que, na análise manual, foi aplicado não um, mas dois critérios de seleção; por isso, os dados identificados manualmente são muito mais numerosos do que os identificados automaticamente. A análise manual abrangeu não apenas o critério do sentido figurado, mas também o critério de restrição da combinabilidade lexical, verificado por meio de dois testes (grupos léxico-semânticos e substituibilidade por sinônimos), enquanto o método automatizado aplicou apenas o critério de restrição da combinabilidade lexical, segundo o teste de substituibilidade por sinônimos.

Devido ao número diferente de critérios, não é possível comparar os resultados obtidos pelos diferentes métodos, pois, em qualquer caso, o primeiro método identificou mais AC, e o número de colocações coincidentes é reduzido. Seria interessante comparar as AC identificadas automática e manualmente apenas segundo o critério comum de restrição da combinabilidade (o teste de substituibilidade por sinônimos). Essa comparação poderia mostrar que algumas das AC identificadas são as mesmas, mas também permitiria avaliar qual método selecionou mais AC e em que diferem as AC não coincidentes.

O método manual reuniu não só mais dados, mas também dados lexicalmente mais diversificados. As AC identificadas por esse método são compostas por adjetivos e verbos mais variados, enquanto o método automatizado produz AC com menor diversidade lexical.

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

Ao testar o método automatizado, procurou-se sobretudo reduzir o fator de subjetividade na avaliação da arbitrariedade e basear-se exclusivamente nos dados registados no corpus. Dispondo de pares ou grupos de sinônimos identificados pelo método vetorial a partir de um corpus específico, o procedimento de avaliação torna-se mais simples, pois é mais fácil decidir se um elemento da colocação pode ou não ser substituído: se o material analisado contém colocações com todas as palavras do par ou grupo de sinônimos, a substituição é possível.

Naturalmente, também se evidenciaram desvantagens do método automatizado. Como a arbitrariedade das colocações avaliadas é determinada com base nos sinônimos do VE, algumas AC podem não ser reconhecidas, pois o reconhecimento da arbitrariedade depende muito do VE disponível. No teste, utilizam-se apenas tantos sinônimos e apenas aqueles que foram reunidos no VE, razão pela qual nem todas as colocações são reconhecidas como AC.

Embora seja possível automatizar o processo de análise de AC, a etapa inicial desse processo requer a contribuição de linguistas: nas listas de sinônimos construídas pelo método vetorial, é preciso distinguir os sinônimos das palavras relacionadas por outras relações semânticas, como os antônimos. Ao verificar quantos dados obtidos automaticamente permanecem após a revisão linguística, observa-se que foram removidos muitos adjetivos e verbos do VE e que os dados restantes — respetivamente 41% e 30% — também precisam de ser editados e organizados. Como o método vetorial identifica não apenas palavras relacionadas por sinonímia, preparar os dados de sinônimos para o teste de substituibilidade demora mais. Por isso, seria necessário testar outros métodos destinados a identificar relações de sinonímia.

Ao avaliar a adequação do método vetorial para a seleção de sinônimos, cabe mencionar os seguintes argumentos que demonstram o valor dos dados recolhidos automaticamente. Em primeiro lugar, o método vetorial permite identificar mais sinônimos e sinônimos diferentes daqueles que se identificam apenas por introspeção. Em segundo lugar, os sinônimos identificados por esse método — naturalmente, após a seleção dos não sinônimos — revelam um fenómeno importante para a sinonímia: não são apenas palavras isoladas que são sinônimas, mas também combinações de palavras. Em terceiro lugar, o método vetorial é adequado para processar grandes volumes de dados, isto é, para identificar sinônimos em corpora extensos, ao passo que seria difícil avaliar manualmente a semelhança contextual de uma quantidade tão grande de palavras.

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