Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

doi.org/10.35321/term28-03 Užívání a empirická produktivita mezinárodních adjektivních sufixů ve slovenštině znovu posouzena JANA LEVICKÁ Ľ. Štúr Institute of Linguistics, Slovak Academy of Sciences ORCID id: https://orcid.org/0000-0001-6027-604X ABSTRAKT Tento článek navazuje na předchozí výzkum zaměřený na užívání a produktivitu pěti latinských sufixů ve slovenštině. Analýza se soustředí na reálnou a potenciální produktivitu ve dvoustupňovém srovnání: 1) tokeny a lemmata vyskytující se v obecném vyváženém korpusu se srovnávají s tokeny a lemmaty v obecném korpusu specializovaných a akademických textů; 2) obecný korpus specializovaných a akademických textů se srovnává se specializovanými (pod)korpusy lékařských, právních, ekonomických a náboženských textů. Prvním cílem navazujícího výzkumu bylo zjistit, zda se mezi nízkofrekvenčními lemmaty vyskytují novotvary, které by mohly přispívat k rozdílům v produktivitě napříč oblastmi. Druhým cílem bylo určit a zavést vhodnou statistickou míru, která by umožnila srovnávat produktivitu korpusových dat napříč korpusy různého rozsahu. KLÍČOVÁ SLOVA: produktivita, adjektivum, přípona, obecný korpus, specializovaný korpus, hapax legomena, nízkofrekvenční lema, rozdělení velkého počtu vzácných jevů. ANOTACE Studie popsaná v tomto článku navazuje na předchozí výzkum, který se zabýval užíváním a produktivitou pěti latinských přípon ve slovenštině. Cílem studie je stanovit skutečnou a potenciální produktivitu prostřednictvím srovnání ve dvou etapách: 1) slovní formy (angl. slovní formy) a základní slovní formy neboli lemmata (angl. lemmata) v obecném vyváženém korpusu se srovnávají s těmi v obecném korpusu odborných a akademických textů; 2) porovnávají se slovní formy a lemmata v obecném korpusu odborných a akademických textů a ve specializovaných podkorpusech lékařských, právních, ekonomických a náboženských textů. Hlavním cílem navazující studie je zjistit, zda se mezi málo frekventovanými lemmaty nacházejí neologismy, které by mohly přispívat k rozdílům v produktivitě mezi různými obory. Studie se rovněž snaží stanovit a použít statistickou metodu, která umožní porovnat produktivitu korpusového materiálu v korpusech různého rozsahu. KLÍČOVÁ SLOVA: produktivita, adjektivum, přípona, obecný korpus, specializovaný korpus, hapax, nízkofrekvenční lema, rozdělení velkého počtu vzácných jevů 54 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 1. ÚVOD Motivací našeho výzkumu byl zájem o terminologickou synonymii a v rámci tohoto širšího tématu o synonymní deadjektivní adjektiva jako součásti víceslovných termínů. Zaměření na adjektiva není v terminologickém výzkumu novinkou. Podrobné analýzy zaměřené na adjektiva lze nalézt v pracích řady terminologů, zejména z 90. let a z prvního desetiletí 21. století1. V dějinách slovenské terminologie lze studie zaměřené na adjektiva, vyvolané potřebou sjednotit a vytvářet standardizovanou slovenskou terminologii, vysledovat až do 50. let 20. století (viz např. Ján Horecký 1956). Význam adjektiv v terminologii a jazycích pro speciální účely lze doložit také statistickými údaji poskytovanými korpusy. Většina specializovaných korpusů vzniklých v rámci projektu Slovenského národního korpusu (dále jen projekt SNC) vykazuje vyšší podíl adjektiv než referenční korpus (prim-7.0-frk), tj. korpus sestavený ze stejných podílů beletristických, odborných a publicistických textů2. Jak je patrné z tabulky 1, tento rozdíl činí téměř 2%, s výjimkou náboženského korpusu (blf-2.0), v němž je podíl adjektiv zhruba stejný jako v referenčním korpusu (7,46%). Druhý řádek tabulky 1 uvádí podíl přechodníků, které se ve slovenských víceslovných termínech rovněž používají s rozlišovací a klasifikační funkcí. V rámci morfologické anotace projektu SNC jsou klasifikovány jako zvláštní skupina, a proto jsou označovány odděleně od sloves (Garabík et al. 2004). Koexistence a konkurence adjektiv byla identifikována a analyzována v kontextu jazyka obecně (např. Nábelková 1996). Jejich vstupování do víceslovných termínů však představuje poměrně málo prozkoumané téma. Běžným jevem, který vede k synonymii a konkurenci adjektiv, je koexistence adjektiv latinského původu a jejich (slovenských) protějšků (vnútrožilový – intravenózny „intravenózní“). Druhá skupina zahrnuje také podskupinu, v níž se ke stejnému mezinárodnímu kořeni připojuje slovenská přípona i přípona latinského či mezinárodního původu (z hlediska etymologie) (např. bakteriálny – baktérioový „bakteriální“). Příležitostně dochází ke střídání dvou mezinárodních přípon se stejným in- 1 Viz například H. Assadi a D. Bourigault 1995; S. Normand a D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; nebo I. Carrière 2008. 2 Další podrobnosti o korpusech použitých v předkládané analýze jsou uvedeny v části 3.2. Terminologija | 2021 | 28 55 Tabulka 1. Počet tokenů a podíly adjektiv a přechodníků v referenčním a specializovaných korpusech projektu SNC KORPUS REFERENČNÍ KORPUS VĚDECKÝ PODKORPUS LÉKAŘSKÝ PODKORPUS PRÁVNÍ PODKORPUS NÁBOŽENSKÝ KORPUS EKONOMICKÝ KORPUS Počet tokenů v korpusu 253,137,609 149,581,785 7,099,555 33,600,183 65,920,357 164,987,015 Počet adjektiv ve výskytech 19,090,396 7.54% 13,415,554 8.97% 660,025 9.3% 4,841,400 9.88% 4,914,860 7.46% 15,540,381 9.42% Počet gerundií ve výskytech 3,174,567 1.25% 2,394,914 1.6% 112,164 1.58% 1,267,598 2.59% 761,719 1.16% 2,154,124 1.31% Může vzniknout mezinárodní kořen (např. hypersonórny – hypersonický, kontradiktorický – kontradiktórny). Tato studie, zaměřená na užívání konkrétních přípon ve slovenštině, usiluje o zjištění, zda některé z nich spíše umožňují takové soužití, nebo se častěji vyskytují v terminologických adjektivech, a proto je zde relevantní koncept morfologické produktivity. Přípony vybrané k analýze představují menší skupinu používanou k tvorbě deadjektivních adjektiv v rámci široké škály slovenských adjektivních přípon3. Pokud jde o jejich složení, těchto pět přípon tvoří (adaptovaná) mezinárodní adjektivní přípona spojená se sémanticky ekvivalentním slovenským -ný/ny: -álny, -árny, -itný, -ívny, -ózny, jejich adjektivní status je tedy do jisté míry znásoben. Zdá se zřejmé, že všech pět přípon latinského původu se používalo k tvorbě adjektiv z latinských podstatných jmen (-alis s variantou -aris, -ītus, -ōsus) nebo sloves (-ōrius). Je však třeba upozornit, že mnoho slovenských adjektiv s analyzovanými příponami vstoupilo 3 Martin Ološtiak and Lucia Ološtiaková (2015: 230) mention as many as 38 suffixes, though 25 suffixes in their sample – derived from the Slovník koreňových morfém slovenčiny comprising 66 500 lexical units – represent only 1% of adjectives. 56 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited do slovenského lexika nejen přímo z latiny, ale v posledních desetiletích častěji prostřednictvím francouzštiny nebo angličtiny (Horecký 1999) a prošlo procesem adaptace pomocí výše uvedené slovenské adjektivní přípony. Významné je, že toto přejímání a následná adaptace byly umožněny a podpořeny mimojazykovými faktory. Zejména z historických důvodů byla slovenština velmi otevřená novým slovům latinského původu, a podíl slov latinského původu je proto vysoký i v obecném lexiku slovenštiny (Horecký 1999: 81). V současnosti je díky vlivu masových médií, internetu a sociálních médií tento kombinovaný slovotvorný proces přejímání i derivace mimořádně produktivní, a proto velmi relevantní pro lingvistické a terminologické zkoumání. Náš článek navazuje na náš předchozí výzkum stejného tématu, který je v současnosti v tisku (Levičká 2021). V zájmu srovnání a srozumitelnosti pro čtenáře jsme považovali za nezbytné zahrnout shrnutí předchozího zdůvodnění a zjištění, doplněné o nové poznatky a teoretické východisko. Některé tabulky (1–4), ačkoli se objevily již v našem prvním článku, jsou tedy uvedeny znovu. 2. TEORETICKÁ VÝCHODISKA Teoretický koncept morfologické produktivity rozpracovalo značné množství výzkumníků a odborníků. Přehled předchozích teoretických úvah a studií z 20th. století byl shrnut a komentován v řadě studií a článků, například u Jesúse Fernándeze-Domíngueze (2013) nebo Victorie Hulseové (2011). Zde se zaměříme pouze na několik teoretických úvah, které nás inspirovaly a ovlivnily náš výběr přístupu a metodologie. Nejstarší zde citovanou definici napsal v roce 1948 americký lingvista Dwight L. Bolinger (citováno podle Säily 2018: 198), který dospěl k závěru, že produktivita je „statisticky zjistitelná připravenost4, s níž prvek vstupuje do nových kombinací“. In 1961, Dutch linguist Henk Schulting (quoted by Stefan Evert and Anke Lüdeling 2001: 165) defined productivity as “the possibility for language users to coin unintentionally and, in principle, unlimited numbers of new formations, by using the morphological procedure that lies behind the form-meaning correspondence of some known words”. 4 Výrazy nebo slova vyznačená tučně představují klíčové rysy našeho výzkumu. Terminologija | 2021 | 28 57 V neposlední řadě bychom rádi odkázali na výzkum slovotvorby českého lingvisty Miloše Dokulila, který ve své práci Teorie tvoření slov z roku 1962 představil komplexní teorii slovotvorné produktivity. Především Dokulil obecně definoval produktivitu jazykového prostředku jako „schopnost tohoto jazykového prostředku (ať už jde o základ, afix nebo slovotvorný vzorec) aktivně se podílet na tvoření nových slov“ (1962: 78). Upřesnil, že tato schopnost může být absolutní, tj. jeho použitelnost při tvoření nových slov kdykoli a v rámci jakéhokoli slovotvorného vzorce, nebo relativní, přičemž závisí také na sémantice, respektive stylu, a na slovotvorném vzorci. V Dokulilově teorii je produktivita „pojem synchronní povahy, zatímco realizace této schopnosti – tvoření nových slov podle určitých pravidel – je naopak pojmem diachronní povahy“ (1962: 80). Dokulil rovněž rozlišoval mezi systémovou a empirickou produktivitou (František Štícha ji také označuje jako „parolovou“ neboli „reálnou produktivitu“ (2012)), která poskytuje „obecnou představu o celkovém využití určitého slovotvorného vzorce nebo jazykového prostředku v systému jazyka v daném období“ (Dokulil 1962: 80). Dokulil se domníval, že i „přibližné údaje týkající se kvantitativního využití daného slovotvorného procesu nebo prvku mají zásadní význam pro celkový obraz daného jazyka obecně a zejména pro charakteristiku jeho lexikonu“ (Položka: 77). Z řad současných českých lingvistů, kteří navazují na Dokulilovu teorii produktivity a ověřují jeho předpoklady na korpusových datech (viz např. Štícha 2002, 2007, 2009, 2012 nebo Magda Ševčíková 2014), Štícha navrhuje analyzovat empirickou/parolovou produktivitu nejen ve velkých korpusech, ale také prostřednictvím souboru korpusů různé velikosti a složení (2012: 104). Lze tvrdit, že Dokulilovy předpoklady týkající se relativní produktivity se odrazily v práci Haralda Baayena a dalších, jejichž metodám a přístupům se budeme věnovat později v této analýze. V roce 1999 Baayen a jeho kolegové Ingo Plag a Christiane Dalton-Puffer napsali, že „tvrzení o produktivitě daného afixu se obvykle formulují bez rozlišování produktivity podle typu diskurzu, ačkoli se běžně předpokládá, že určité druhy derivačních sufixů jsou pro některé typy textů příznačnější než pro jiné“ (1999: 209). Díky dostupnosti rozsáhlých korpusů je možné měřit, identifikovat a analyzovat produktivitu slovotvorného vzorce nebo prvku nejen v obecném jazyce v daném období, ale také ve specializovaných oblastech a registrech. 58 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 3. DOSAVADNÍ VÝZKUM V souladu s úvahami a předpoklady lingvistů citovaných v předchozí části jsme na počátku našeho výzkumu zaměřeného na určení morfologické produktivity adjektivních sufixů formulovali tři klíčové výzkumné otázky: 1) Liší se morfologická produktivita jednotlivých adjektivních sufixů z vybrané skupiny v obecných a odborných textech? A jsou tyto rozdíly statisticky významné? 2) Může se morfologická produktivita jednotlivých adjektivních sufixů z vybrané skupiny lišit v závislosti na konkrétní oblasti? Jsou některé z těchto pěti sufixů „vhodnější“ k vyjadřování konceptů specifických pro daný obor nebo oblast? 3) Jaké metody jsou pro tuto konkrétní analýzu korpusových dat relevantní? Především jsme se vzhledem ke specifičnosti tohoto typu slovotvorného vzorce latinský základ + latinský sufix + etymologicky domácí sufix rozhodli odložit kvalitativní analýzu zahrnující limity a pravidla, jimiž se řídí kombinování jednotlivých latinských základů s jedním z vybraných adjektivních sufixů v kontextu slovenského jazyka. Ačkoli kvantitativní přístup nemůže poskytnout úplný obraz o stavu produktivity sufixu ani jiné morfologické formy, jeho přínos pro tento typ výzkumu spočívá v tom, že představuje perspektivu a kontext užívání slov vytvořených podle konkrétního vzorce spolu s konkrétním srovnáním sémanticky a funkčně ekvivalentních forem. Obecně se uznává, že kvantitativní přístup v analýzách morfologické produktivity představuje významnou doplňkovou metodu ke kvalitativnímu výzkumu (viz např. Evert and Lüdeling 2001). Jak uvádí Plag: „kvantitativní a kvalitativní pojetí produktivity [...] spolu úzce souvisejí. Potenciálnost, která je ústřední pro kvalitativní definice produktivity, lze tedy vyjádřit statistickými termíny pravděpodobnosti“ (citováno podle Naccarato 2016: 135). Podobně Baayen a jeho spoluautoři tvrdí, že produktivita „se jeví jako škálový pojem [...] u některých afixů je pravděpodobnější, že se setkáme s nově vytvořenými slovy, než u jiných; tato skutečnost činí z produktivity probabilistický pojem, který lze podrobit statistické analýze“ (1999: 10). Terminologija | 2021 | 28 59 3.1. Statistické metody V první fázi naší analýzy jsme se vydali dobře prošlapanou metodologickou cestou Haralda Baayena a jeho kolegů a následovníků (1991, 1992, 1993, 1994, 1996, 1997). Určili jsme takzvanou realizovanou produktivitu, tj. frekvenci užívání adjektiv utvořených pomocí vybraných sufixů a také počet různých adjektiv utvořených těmito sufixy v různých korpusech. Tyto korpusové statistiky zachycují produktivitu sufixů s ohledem na minulou i současnou jazykovou situaci. Dalším krokem bylo určení potenciální produktivity analyzovaných sufixů, tj. odhadu míry, s níž lze očekávat výskyt nových typů5. Baayen (2009: 7) navrhuje vypočítat ji jako poměr hapax legomen6 s afixem X ke všem tokenům s afixem X v korpusu. Užívání hapax legomen k výpočtu produktivity bylo široce kritizováno, protože tato skupina přímo nereprezentuje nově utvořená slova, která mají odrážet produktivitu prvku či vzorce. Plag, Dalton-Puffer a Baayen tvrdí, že potenciální produktivita je pravděpodobnostní měřítko a že s růstem korpusu „podíl neologismů mezi hapax legomeny narůstá a bylo prokázáno, že právě mezi hapax legomeny se objevuje největší počet neologismů“ (1999: 12). V předchozí fázi našeho výzkumu jsme se rozhodli nepoužít metodu hapax/token, ale v souladu s úvahami van Marleho (1992) jsme zvolili metodu hapax/type, podle níž je frekvence tokenů při měření produktivity méně relevantní proměnnou než počet lemmat. Nejzávažnější nevýhodou tohoto měřítka je však nemožnost porovnávat statistické údaje korpusů různé velikosti (Naccarato 2016: 133). K této otázce se vrátíme v části 5. 3.2. Korpusy použité v analýze7 Všechny tři korpusy a tři subkorpusy použité v této analýze zveřejnilo oddělení SNC v letech 2013–2020 a jsou přístupné všem registrovaným uživatelům. 5Typy v korpusové lingvistice představují jedinečná slova a jsou synonymem lemmat (Baker et al. 2006). 6Hapax legomena (původně řecké slovní spojení znamenající „řečeno jednou“), zkráceně také hapax, jsou slova, která se v daném korpusu vyskytují pouze jednou (Baker et al. 2006). 7Většina této části pochází z článku popisujícího předchozí fázi našeho výzkumu (Levická 2021); toto opakování je však nezbytné k vysvětlení povahy korpusových dat. 60 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited První referenční korpus (prim-7.0-frk), který obsahuje více než 253 milionů tokenů, se skládá ze stejných podílů publicistických, odborných a beletristických textů (64.12% z nich bylo původně napsáno slovensky, zatímco 29.51% představují překlady), napsaných v letech 1991–2015. Korpus byl použit při sestavování dvou frekvenčních slovníků slovenštiny (2017, 2018) a také reverzního slovníku (2018). Druhý korpus, prim-9.0-public-prf, je veřejně přístupným podkorpusem primárního korpusu projektu SNC (dále jen vědecký podkorpus). Tento podkorpus, sestavený z odborných, akademických a populárně-naučných textů, obsahuje více než 149 milionů tokenů a dokumentů a zachycuje také obecný diskurz vědy a výzkumu, včetně odborné publicistiky. Jeho texty byly napsány v letech 1955–2019. Podíl textů napsaných v letech 1955–1991 činí 8.7% (více než 13 milionů tokenů). Nejmenší (pod)korpus ze všech prohledávaných korpusů vznikl filtrováním primárního korpusu projektu SNC [9], verze 9.0. Skládá se z textů z oblasti medicíny, napsaných v letech 1976–2019, a obsahuje něco málo přes 7 milionů tokenů. Podíl textů napsaných v letech 1955–1991 činí 1.09%. V celém textu jej budeme označovat jako lékařský podkorpus. Abychom získali srovnatelný zdroj pocházející z jiných odborných korpusů a referenčního korpusu, byl odborný korpus legal-1.1 (dále jen právní podkorpus), vytvořený ve spolupráci se slovenským ministerstvem spravedlnosti, omezen na legislativní texty vzniklé v období 1991–2011. Jeho téměř 49 milionů tokenů se tak zredukovalo na 33.5 milionu tokenů. Odborný korpus blf-2.0 zaměřený na náboženskou oblast byl zveřejněn v roce 2014. Jeho texty obsahují téměř 66 milionů tokenů napsaných v letech 1989–2014 (dále jen náboženský korpus). Více než 80% jeho obsahu tvoří tematické časopisy a noviny. Podobně odborný korpus ecn-2.0-public (dále jen ekonomický korpus), věnovaný oblasti ekonomie, obsahuje až 96.24% odborných textů publikovaných v tematických časopisech a novinách. Texty tohoto korpusu pocházejí z let 1992–2014 a obsahují téměř 165 milionů tokenů. Je však třeba poznamenat, že tyto korpusy jsou heterogenní a zahrnují širokou škálu textů. Terminologija | 2021 | 28 6 1 Pokud jde o vyhledávání v korpusech, dotazy jsme nezakládali na morfologickém značkování poskytnutém pro každý z analyzovaných (pod)korpusů, protože u slov latinského původu se značkování ukázalo jako nedostatečné a chybné. Zvolili jsme proto jednoduché vyhledávání konkrétního zakončení tokenu, např. [lemma=“. *álny“], kombinované s automatickým filtrováním slov, která mají náhodou stejný řetězec znaků (viz část 4.1). 3.3. Výsledky předchozí fáze V předchozí fázi nám statistické údaje z korpusů umožnily sestavit pořadí analyzovaných přípon podle jejich realizované produktivity. Přípona -álny je jednoznačně nejrozšířenější ve všech (pod)korpusech, zatímco -órny se v 5 (pod)korpusech nachází na opačném konci frekvenční osy. Jak ukazují normalizované frekvence užití čtyř z pěti přípon, v odborných a akademických textech (vědeckém podkorpusu) se vyskytují častěji než v referenčním korpusu. Za pozornost stojí také to, že normalizované frekvence přípon v lékařském podkorpusu jsou buď stejné jako ipm ve vědeckém podkorpusu, nebo jej výrazně převyšují, zatímco ipm přípon (výskytů na milion) v náboženském korpusu je zřetelně nižší než v referenčním korpusu. To lze částečně vysvětlit typem textů zahrnutých do těchto (pod)korpusů. Tabulka 2. Frekvence a normalizovaná frekvence (IPM, výskyty na milion) analyzovaných přípon v příslušných (pod)korpusech. Korpusy jsou seřazeny od nejmenšího po největší PŘÍPONA LÉKAŘSKÝ PODKORPUS PRÁVNÍ PODKORPUS NÁBOŽENSKÝ KORPUS VĚDECKÝ PODKORPUS EKONOMICKÝ KORPUS REFERENČNÍ KORPUS Tokeny Tokeny Tokeny Tokeny Tokeny Tokeny IPM IPM IPM IPM IPM IPM -álny 31,408 102,863 128,472 537,682 597 005 547,742 4423.94 3061.38 1948.9 3594.57 3618.5 2163.81 -árny 4,529 25,980 14,253 94,586 38,178 84,780 637.93 773.21 216.22 634.14 231.40 334.92 -itný 2,683 2,256 9,176 30,402 52,574 44,655 377.91 67.14 139.20 203.25 318.66 176.41 62 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited PŘÍPONA LÉKAŘSKÝ PODKORPUS PRÁVNÍ PODKORPUS NÁBOŽENSKÝ PODKORPUS VĚDECKÝ PODKORPUS EKONOMICKÝ KORPUS REFERENČNÍ KORPUS Slova Slova Slova Slova Slova Slova IPM IPM IPM IPM IPM IPM -ózny 1,416 482 2,321 8,863 9,440 16,531 199.45 14.35 35.21 59.25 57.22 65.30 -órny 884 1,959 620 4,537 2,039 4,672 124.51 58.30 9.41 30.33 12.36 18.46 Pořadí korpusů v tabulce 3, která uvádí počet různých slov utvořených pomocí analyzovaných přípon, nám umožňuje porovnat variabilitu novotvarů, zaprvé mezi obecným a odborným jazykem a zadruhé od nejmenšího lékařského korpusu až po největší ekonomický korpus. Tabulka uvádí realizovanou produktivitu analyzovaných přípon podle Baayena. Ve všech (pod)korpusech -álny představuje nejčastěji používanou příponu, která se vyskytuje u největšího počtu typů; nejmenší počet typů neboli lemmat byl zjištěn u přípony -órny. Přípony -itný a -órny se zdají ve většině (pod)korpusů překrývat; k jejich jemnějšímu rozlišení je zapotřebí test významnosti. Skutečné porovnání korpusů však není možné, protože tabulka uvádí absolutní počty typů. Tabulka 3. Počet lemmat v daném (pod)korpusu PŘÍPONA REFERENČNÍ KORPUS VĚDECKÝ PODKORPUS LÉKAŘSKÝ PODKORPUS PRÁVNÍ PODKORPUS NÁBOŽENSKÝ KORPUS EKONOMICKÝ KORPUS -álny 1,003 1,178 519 322 611 744 -árny 300 365 179 99 141 200 -itný 90 98 36 41 55 117 -ózny 115 119 72 40 52 82 -órny 25 33 13 10 20 26 Zjištění týkající se odhadu potenciální produktivity uvedená v tabulce 4 jsou poměrně různorodá, jak naznačuje pořadí přípon. Terminologija | 2021 | 28 63 Tabulka 4. Poměry hapaxů a typů v daném (pod)korpusu. Přípony v každé podtabulce jsou uvedeny v pořadí podle klesajícího poměru POMĚR HAPAXŮ A TYPŮ referenční korpus vědecký podkorpus lékařský podkorpus -ózny 0.252173913 -órny 0.228571429 -ózny 0.208333333 -árny 0.201342282 -árny 0.210382514 -itný 0.138888889 -álny 0.173956262 -álny 0.209499576 -álny 0.129094412 -itný 0.122222222 -ózny 0.201680672 -árny 0.1 -órny 0.12 -itný 0.195876289 -órny 0.076923077 právní subkorpus náboženský korpus ekonomický korpus -órny 0.1 -órny 0.2 -itný 0.237288136 -ózny 0.075 -álny 0.188180404 -ózny 0.228915663 -álny 0.052795031 -árny 0.145833333 -órny 0.185185185 -árny 0.05 -ózny 0.134615385 -álny 0.177954847 -itný 0 -itný 0.090909091 -árny 0.142156863 Nejproduktivnější příponou až ve třech korpusech je -órny. Ve zbývajících třech (sub)korpusech je žebříček dvakrát na prvním místě zakončen příponou -ózny a jednou příponou -itný. Navíc se zdá, že stejná přípona -órny má obecně a v lékařských textech potenciálně nejnižší produktivitu. Ve třech (sub)korpusech se na posledním místě žebříčku produktivity ocitla přípona -itný. Podobně je poslední místo v žebříčku produktivity ekonomických textů obsazeno příponou -árny. 4. VÝZKUMNÉ OTÁZKY PŘEDLOŽENÉ ANALÝZY Předchozí etapa našeho výzkumu poukázala na pozoruhodné rozdíly v morfologické produktivitě analyzovaných přípon v závislosti jak na typu jazyka, tak na oblastech. Jedna otázka však byla zodpovězena pouze částečně a dala vzniknout nové otázce: 1. Má smysl analyzovat málo frekventované lemy kvůli neologismům? Několik výzkumníků ve skutečnosti naznačuje, že rozložení četnosti slov u produktivních afixů by mělo být výrazně posunuto směrem k málo frekventovaným lemům zahrnujícím novotvary. 64 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 2. Jak jsme již uvedli v předchozích částech, výsledky týkající se potenciální produktivity analyzovaných přípon nelze porovnávat napříč korpusy. Proto je třeba určit vhodnou statistickou metodu, která toto srovnání umožní. 4.1. Ruční čištění dat Předchozí i současná etapa naší analýzy vycházejí z ručně vyčištěných dat. Důležitost tohoto zdlouhavého a časově náročného procesu zdůraznilo několik výzkumníků. Evert a Lüdeling tvrdili (a dokázali), že jde o předpoklad kvalitního statistického vyhodnocení, a to nejen only při použití sofistikovanějších měr (2001: 168). Ruční čištění je důležité ze tří důvodů: první souvisí s povahou korpusových dat. Především korpusová data obvykle obsahují poměrně velký podíl překlepů, zejména mezi málo frekventovanými lemy. Za druhé se v korpusech vyskytují pravopisné chyby, které jsou obzvláště časté u slov latinského původu. Za třetí bylo nutné sloučit lemy s příponou X, které se liší pouze užitím či neužitím spojovníku, a také lemy s velkým a malým počátečním písmenem (nejde-li o vlastní jména), které automatická lemmatizace používaná v rámci projektu SNC rozlišuje. Výsledek této etapy ručního čištění lze vidět v tabulce 5, kde se průměrný podíl hapaxů u analyzovaných přípon pohybuje v rozmezí 24 až 30% z celkového počtu lem s danou příponou. V případě přípony -itný v právních textech však zůstalo méně než 5% lem (možných neologismů), zatímco u přípony -órny v náboženských a obecných vědeckých textech a u přípony -ózny v ekonomických textech a překvapivě také v textech referenčního korpusu zůstalo 40% či více. Tyto podíly mohou vypovídat o (ne)produktivitě daného korpusu. Baayen a spoluautoři uvádějí, že počet hapaxů u produktivních prvků může dosahovat až poloviny pozorované velikosti slovní zásoby v „dostatečně velkém korpusu“ (1999: 11). Druhým důvodem ručního čištění bylo odfiltrovat extrahovaná korpusová data, abychom získali seznamy neologismů s analyzovanými příponami. Vyloučili jsme proto lemy, které 1) náhodou obsahují stejný řetězec znaků jako analyzované přípony; 2) lze nalézt v obecných slovnících slovenštiny a ve Slovníku cizích slov8, tj. 8 Použili jsme integrovaný vyhledávací nástroj slovníkového portálu https://slovnik.juls.savba.sk/. Terminologija | 2021 | 28 65 Tabulka 5. Poměr hapaxů (potenciálních neologismů) v daném (pod)korpusu po 1. fázi ručního čištění POMĚR HAPAXŮ S KONKRÉTNÍ PŘÍPONOU PO 1. FÁZI RUČNÍHO ČIŠTĚNÍ přípona medicínský podkorpus právní podkorpus náboženský korpus vědecký podkorpus ekonomický korpus referenční korpus -álny 30.8% 24.2% 29.5% 32.7% 29.7% 30% -árny 29.6% 25.3% 33.3% 35.1% 31% 36% -itný 36.1% 4.9% 25.5% 29.6% 31.6% 26.7% -ózny 34.7% 32.5% 38.5% 30.3% 45.1% 42.6% -órny 30.8% 30% 40% 42.4% 38.5% 28% proto nejde o neologismy; 3) byly nalezeny ve dvou nejrozsáhlejších korpusech SNC9 – tyto lemy se musely vyskytovat alespoň v jednom z nich třikrát či vícekrát, přičemž se dané výskyty musely objevit ve třech různých zdrojích a ve třech různých letech. Tento poslední princip filtrování byl zaveden proto, že naše cílová slova s jednou z analyzovaných přípon bývají termíny specializovaných oborů a ve slovenštině nám chybějí aktuální odborné slovníky. Je třeba přiznat, že výsledné seznamy lem představují pouze potenciální neologismy. Výsledky jsou uvedeny ve sloupcích nazvaných Podíl potenciálních neologismů mezi hapaxy v tabulkách 6 a 7. Ve srovnání s tabulkou 5 se podíl potenciálních neologismů výrazně snížil. 4.2. Neologismy v nízkofrekvenčních lemmatech Abychom zodpověděli první výzkumnou otázku, použili jsme stejný postup filtrování jako při sestavování seznamu hapaxů. V tabulkách 6 a 7 uvádíme podíly potenciálních neologismů mezi nízkofrekvenčními lemmaty, která se vyskytují 4–2krát v (pod)korpusech (vypočtené z celkového počtu lemmat s danou příponou, srov. tabulku 3), a vedle nich podíly potenciálních neologismů ve skupině hapaxů. Zatímco podíl potenciálních neologismů se u všech analyzovaných přípon ve specializovaných a akademických textech mírně zvyšuje, v důsledku zahrnutí 9Tyto korpusy jsou v současné době největšími korpusy projektu SNC: obecný korpus prim-9.0-juls-all a právní korpus legal-1.1. 66 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited potenciálních neologismů ze skupiny nízkofrekvenčních lemmat se podíl potenciálních neologismů v referenčním korpusu u čtyř přípon zvýšil jen velmi nepatrně, zatímco podíl páté přípony — -órny — zůstal stabilní. Tuto situaci lze očekávat, protože novotvary s analyzovanými příponami se pravděpodobněji objevují ve specializovaných textech. Tabulka 6. Podíl potenciálních neologismů ve skupině nízkofrekvenčních lemmat (4–1 výskyty) a ve skupině hapaxů z celkového počtu typů po vyčištění v obecném korpusu a obecném vědeckém podkorpusu PŘÍPONA REFERENČNÍ KORPUS VĚDECKÝ PODKORPUS Podíl potenciálních neologismů v nízkofrekvenčních lemmatech (4–1) Podíl potenciálních neologismů v hapaxech Podíl potenciálních neologismů v nízkofrekvenčních lemmatech (4–1) Podíl potenciálních neologismů v hapaxech -álny 20.5% 17.3% 27.2% 21% -árny 24.5% 20% 27.1% 21.1% -itný 13.3% 12.2% 26.5% 19.4% -ózny 27.8% 25.2% 24.4% 20.2% -órny 12% 12% 27.3% 24.2% Pokud jde o potenciální neologismy specifické pro jednotlivé oblasti, nejvyšší procentuální podíl, podobně jako ve vědeckém podkorpusu, vykazuje ekonomický korpus, kde přípona -itný představuje až 35% potenciálních neologismů. Zbývající přípony v tomto korpusu dosahují přibližně 25% potenciálních neologismů mezi nízkofrekvenčními lemmaty. Naopak nejnižší procentuální podíl potenciálních neologismů byl zjištěn v právních textech. Za zmínku stojí také případy, kdy se procentuální podíl po zahrnutí skupiny nízkofrekvenčních lemmat zdvojnásobil: u -órny v lékařských textech, u -árny v právních textech a u -itný v náboženských textech. Není přitom překvapivé, že přípona -ózny vede v lékařských textech, neboť jde o typicky lékařskou příponu. Téměř stejný procentuální podíl potenciálních nových lemmat s příponou -ózny se však vyskytoval také v ekonomických textech. U přípony -itný nedošlo k žádnému nárůstu potenciálních neologismů v lékařských a právních textech a u přípony -órny rovněž v právních textech. Terminologija | 2021 | 28 67 Tabulka 7. Podíl potenciálních neologismů ve skupině nízkofrekvenčních lemmat (4–1 výskyty) a ve skupině hapaxů z celkového počtu typů po vyčištění ve specializovaných textech čtyř oblastí PŘÍPONA | LÉKAŘSKÝ PODKORPUS | PRÁVNÍ PODKORPUS | NÁBOŽENSKÝ KORPUS | EKONOMICKÝ KORPUS Podíl potenciálních neologismů v nízkofrekvenčních lemmatech (4–1) | Podíl potenciálních neologismů v hapaxech | Podíl potenciálních neologismů v nízkofrekvenčních lemmatech (4–1) | Podíl potenciálních neologismů v hapaxech | Podíl potenciálních neologismů v nízkofrekvenčních lemmatech (4–1) | Podíl potenciálních neologismů v hapaxech | Podíl potenciálních neologismů v nízkofrekvenčních lemmatech (4–1) | Podíl potenciálních neologismů v hapaxech -áľny | 16.8% | 12.9% | 7.8% | 5.3% | 26.5% | 19.7% | 26.5% | 18% -árny | 12.8% | 10.1% | 12.1% | 5.1% | 19.9% | 15% | 22.5% | 14.5% -itný | 13.9% | 13.9% | 0% | 0% | 18.2% | 9.1% | 35.1% | 23.1% -ózny | 26.4% | 20.8% | 10% | 7.5% | 21.2% | 13.5% | 25.6% | 23.2% -órny | 15.4% | 7.7% | 10% | 10% | 30% | 20% | 23.1% | 19.2% Pro lepší přehled uvádíme také jednu další tabulku, která zachycuje procentuální podíly potenciálních neologismů ve skupině nízkofrekvenčních lemmat. Tabulka 8. Procentuální rozdíl v podílu potenciálních neologismů mezi skupinou nízkofrekvenčních lemmat (4–1 výskyty) a skupinou hapaxů z celkového počtu typů po vyčištění PODÍL POTENCIÁLNÍCH NEOLOGISMŮ MEZI NÍZKOFREKVENČNÍMI LEMMATY (4–2 VÝSK.) přípona | referenční korpus | vědecký podkorpus | lékařský podkorpus | právní podkorpus | náboženský korpus | ekonomický korpus -áľny | 3.2% | 6.2% | 3.9% | 2.5% | 6.8% | 8.5% -árny | 4.5% | 6% | 2.7% | 7% | 4.9% | 8% -itný | 1.1% | 7.1% | 0% | 0% | 9.1% | 12% -ózny | 2.6% | 4.2% | 5.6% | 2.5% | 7.7% | 2.4% -órny | 0% | 3.1% | 7.7% | 0% | 10% | 3.9% Poslední tabulka nakonec uvádí pořadí přípon v jednotlivých (pod)korpusech po opakovaném použití upraveného vzorce z předchozí fáze – počet nízkofrekvenčních lemmat s danou příponou / počet typů s 68 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Tabulka 9. Rozdíl v poměru potenciálních neologismů mezi skupinou nízkofrekvenčních lemmat (4–1 výskyty) a počtem typů. Pořadí zvýrazněných sufixů se oproti tabulce 4 změnilo POMĚR NÍZKOFREKVENČNÍCH LEMMAT/TYPŮ referenční korpus vědecký podkorpus lékařský podkorpus -ózny 0.2689075 -órny 0.2727272 -ózny 0.2638888 -árny 0.2466666 -álny 0.2716468 -álny 0.1682785 -álny 0.2053838 -árny 0.2712328 -órny 0.1538461 -itný 0.1333333 -itný 0.2653061 -itný 0.1388888 -órny 0.12 -ózny 0.2436974 -árny 0.1284916 právní podkorpus náboženský korpus ekonomický korpus -árny 0.1212121 -órny 0.3 -itný 0.3504273 -órny 0.1 -álny 0.2651391 -álny 0.2647849 -ózny 0.1 -ózny 0.2115384 -ózny 0.2560975 -álny 0.0776397 -árny 0.1985815 -órny 0.2307692 -itný 0 -itný 0.1818181 -árny 0.225 daného sufixu. Ve srovnání s tabulkou 4 se pořadí změnilo ve všech (pod)korporusech s výjimkou referenčního korpusu. Zdá se tedy, že zahrnutí nízkofrekvenčních lemmat se vyplatilo. Sufix -órny je nejproduktivnější ve dvou korpusech (oproti třem v tabulce 4), zatímco -ózny zůstal na vrcholu dvou pořadí a -itný na vrcholu pořadí v ekonomickém korpusu. V právním korpusu se zdá být nejproduktivnějším sufixem -árny, zatímco tentýž sufix je současně nejméně produktivní v lékařských a ekonomických textech. Poslední místo v pořadí produktivity zaujímá sufix -órny jak v referenčním korpusu, tak v lékařských textech, sufix -ózny ve všeobecných vědeckých textech a sufix -itný zůstal nejméně produktivní v právních a náboženských korpusech. 5. POROVNÁNÍ PRODUKTIVITY NAPŘÍČ (POD)KORPUSY Jak jsme uvedli v části 3.1, statistické míry využívající hrubé četnosti a počty typů nám znemožnily porovnat předchozí výsledky pocházející z různých (pod)korpusů. Pokud přijmeme tvrzení, či spíše hypotézu, že produktivitu kteréhokoli slovotvorného prvku nebo Terminologija | 2021 | 28 69 vzorce lze vyvozovat z nových novotvarů (a současně jsme v části 4.2 prokázali, že tyto nové novotvary se mohou vyskytovat nejen ve skupinách hapaxů, ale také mezi nízkofrekvenčními typy), lze další analýzu založit na rozložení četnosti slov a frekvenčních spektrech. „Frekvenčním spektrem“ rozumíme seznam uvádějící, kolik typů ve frekvenčním seznamu se vyskytuje (Baroni 2009: 807). From the perspective of word-frequency distribution, Evert and Lüdeling (2001: 166), in line with Schultink’s definition, claim that “a productive pattern is, in theory, characterised by an infinite vocabulary (cf. the notion of un-limitedness in Schultink’s definition), whereas a totally unproductive pattern is expected to have a finite, and often quite small, vocabulary”. They point out that “low frequency types (including hapax legomena, but also types occurring two, three, etc. times) account for a major part of the vocabulary” of productive patterns and conclude that this kind of comparison cannot be based on standard statistical models (2001: 167). Za účelem tohoto statistického modelování zavedl Baayen v roce 2001 takzvaná rozdělení LNRE10. Výhoda těchto specializovaných modelů spočívá v možnosti extrapolovat statistiky typů a tokenů z konkrétního vzorku na větší počty tokenů, a odhadnout tak potenciální neologismy mimo tento vzorek. Vycházejí z predikovaných velikostí slovní zásoby, které se získávají počítáním nízkofrekvenčních typů v korpusu. Jedním z výstupů tohoto modelování jsou křivky růstu slovní zásoby, přesněji křivky růstu typů a tokenů, které vyjadřují počet typů jako funkci počtu tokenů. Typický tvar této křivky u neproduktivního procesu začíná stoupat, poté se však „zplošťuje a konverguje ke konstantní hodnotě, tedy k úplné velikosti slovní zásoby“ (2001: 168). Naproti tomu se produktivní vzorec typicky vyznačuje nekonečnou slovní zásobou, tj. křivka zdánlivě roste neomezeně. Pomocí rozdělení LNRE lze odhadnout počet typů ve větších objemech textů, a dokonce i počet typů 10 Teorie LNRE (teorie velkého počtu vzácných událostí, jako samostatná oblast statistiky) má svůj původ v roce 1988, kdy gruzínský statistik Estate Khmaladze publikoval The statistical analysis of a large number of rare events. Jak napsal jeho student Giorgi Kvizhinadze: „Společným rysem příkladů, které uvedeme níže, je, že vedle několika častých událostí existuje také velmi velké množství velmi vzácných událostí, například s četností 0, 1, 2. Celkový počet těchto vzácných událostí není ve srovnání s počtem pozorování obvykle velký, jejich počet mezi všemi různými pozorovanými událostmi je však vždy velmi významný. Tyto vzácné události jsou obvykle velmi důležité. Například počet slov použitých v knize pouze jednou nemusí být pro tuto knihu zásadní, je však zcela zřejmé, že tato slova jsou naprosto důležitá, protože tvoří polovinu autorovy slovní zásoby“ (2010). 70 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited formačního vzorce v celé „populaci“, tj. v jazyce jako takovém. Zároveň je možné odhadnout nebo předpovědět počet typů ve vzorcích stejné velikosti získaných z větších korpusů. Jak bylo uvedeno v části 4.1, tento statistický postup vyžaduje také správný počet typů a tokenů; jinak by výpočet odhadované velikosti slovní zásoby či počtu typů byl chybný – křivka by se místo vyrovnání a konvergence ke konstantní hodnotě mohla dále zvyšovat. 5.1. Rozdělení LNRE Rozhodli jsme se použít modely LNRE k určení11 produktivity v korpusech různé velikosti, částečně proto, že je online dostupný také nástroj s otevřeným zdrojovým kódem ZipfR, který vyvinuli Evert a Marco Baroni (2007). Tento nástroj s otevřeným zdrojovým kódem obsahuje několik modelů; použili jsme z nich konečný Zipfův-Mandelbrotův model (fZM) založený na Zipfově-Mandelbrotově zákoně12. Jak uvádějí autoři, jeho využití přesahuje oblast lingvistiky. ZipfR přijímá několik vstupních formátů, včetně jednoduchých frekvenčních seznamů a prostých vzorků ve formátu jednoho tokenu na řádek. Mohli jsme použít frekvenční seznamy z našeho předchozího výzkumu, které prošly manuálním čištěním v 1st. fázi (srov. část 4.1), což představovalo další výhodu této metody. Naše frekvenční seznamy prošly čtyřmi základními operacemi (Evert, Baroni 2007): (i) odhad parametrů, při němž se parametry modelu LNRE M stanovují z trénovacího vzorku dané velikosti porovnáním očekávaného frekvenčního spektra s pozorovaným frekvenčním spektrem; (ii) vyhodnocení dobré shody založené na kovarianční matici počtu typů a počtu typů vyskytujících se přesně mkrát; (iii) interpolace a extrapolace růstu slovní zásoby s využitím očekávaných hodnot; (iv) predikce očekávaného frekvenčního spektra pro libovolnou velikost vzorku. Jak upozornili Evert a Baroni (2007), toto modelování se nezaměřuje na frekvence jednotlivých slovních typů, „nýbrž na rozložení těchto frekvencí (ve vzorku) a pravděpodobností (v populaci)“. 11 Rádi bychom poděkovali našemu kolegovi Jánu Mášikovi za neocenitelnou pomoc při zajištění implementace modelu fZM pro naše korpusová data. 12 Podrobný popis Zipfova-Mandelbrotova zákona lze nalézt například v Baroni 2009. Terminologija | 2021 | 28 71 5.2. Aplikace rozdělení LNRE a jejich vyhodnocení Nástroj ZipfR nám poskytl frekvenční spektra slov a křivky typů a tokenů pro každou jednotlivou příponu v každém (pod)korpusu. Vzhledem k omezenému prostoru uvádíme pouze grafy znázorňující křivky typů a tokenů upravené tak, aby měly stejnou stupnici na ose x. Stupnice na ose y se liší, protože závisí na skutečném počtu typů pro konkrétní příponu v daném (pod)korpusu a tento počet také odráží. Navrhujeme porovnat dvojice grafů a následně vyhodnotit produktivitu přípon v datech našeho korpusu. Osa x představuje počet tokenů, zatímco osa y znázorňuje (očekávaný) počet různých typů vytvářených slovotvorným vzorcem, v němž se uplatňuje jedna z analyzovaných přípon. Oba korpusy, referenční i vědecký, vykazují stejné pořadí přípon, na jehož prvním místě je přípona -álny a na posledním přípona -órny. V referenčním korpusu křivky tří přípon -álny, -árny, -ózny rostou, a svědčí tak o jejich produktivitě, zatímco křivky přípon -itný a zejména -órny se zplošťují. Ve vědeckém podkorpusu lze za produktivní považovat dvě přípony: -álny a -árny. Křivky zbývajících tří přípon (-ózny, -itný, -órny) rostou velmi pomalu, ale na konci úseku osy x zobrazeného v grafu vykazují tendenci se zplošťovat. Grafy lékařského podkorpusu a právního korpusu ukazují pouze jednu produktivní příponu: -álny13. V lékařském podkorpusu se křivky přípon -árny a -ózny velmi rychle zplošťují (možná dosahují svého maxima z hlediska velikosti slovní zásoby), zatímco přípony -itný a -órny rostou pomalu, avšak soustavně; překračují hranici 100 typů a možná se zplošťují pod hranicí 200 typů. Přípona -álny v právních textech směřuje k hranici 350 typů, zatímco v lékařských textech dosahuje hranice 800 typů (srov. stupnici na ose y). Pořadí v právním korpusu se však mírně liší – přípona -itný je na třetím místě a předstihuje příponu -ózny, která se jeví jako téměř zcela neproduktivní, neboť její křivka probíhá rovnoběžně s osou x. Poslední přípona -órny vykazuje velmi pozvolný růst a následnou tendenci ke zploštění. Graf náboženského korpusu ukazuje tři produktivní přípony -álny, -árny a -ózny; pozoruhodné však je, že všech pět analyzovaných přípon se jeví jako produktivních v ekonomických textech. Pořadí přípon je v obou korpusech stejné. 13 V těchto dvou grafech chybí interpolační křivka pro příponu -álny. Důvodem je úprava a sjednocení stupnice osy x pro všechny (pod)korpusy, která neumožnila vytvoření tohoto typu křivky. 7 2 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Obr. 1. Křivky růstu slovní zásoby analyzovaných přípon v referenčním korpusu Obr. 2. Křivky růstu slovní zásoby analyzovaných přípon ve vědeckém podkorpusu Obr. 3. Křivky růstu slovní zásoby analyzovaných přípon v lékařském korpusu Obr. 4. Křivky růstu slovní zásoby analyzovaných přípon v právním korpusu V náboženském korpusu se obě křivky přípon –itný a –órny zplošťují výrazně pod hranicí 100 typů. Shrneme-li výše uvedená zjištění týkající se produktivity analyzovaných přípon napříč korpusovými daty, můžeme konstatovat, že nejproduktivnější příponou je –álny, která zaujímá první místo ve všech (pod)korpusech. Její produktivita se zdá být nejvyšší v podkorpusu vědeckých a akademických textů a v lékařském podkorpusu, následuje referenční korpus (křivka směřuje k hodnotě 700 typů), náboženský Terminologija | 2021 | 28 73 Obr. 5. Křivky růstu slovní zásoby analyzovaných přípon v náboženském korpusu Obr. 6. Křivky růstu slovní zásoby analyzovaných přípon v ekonomickém korpusu korpus (křivka překračuje hranici 600 typů), ekonomický korpus (křivka směřuje k hranici 500 typů) a nakonec právní korpus (v nejvyšším bodě se křivka blíží hranici 350 typů). Přípona -árny je na druhém místě a vykazuje produktivitu ve 4 ze 6 (pod)korpusů. Tvar křivek naznačuje, že je neproduktivní v právních a lékařských textech. Nejvyšší produktivitu této přípony lze pozorovat v podkorpusu vědeckých a akademických textů (křivka překračuje hranici 400 typů), poté v referenčním korpusu (křivka překračuje hranici 300 typů), zatímco v náboženských a ekonomických textech se křivka pohybuje poblíž hranice 300 typů. Podobně se přípona -ózny jeví jako produktivní ve 4 ze 6 korpusů. Zajímavé je, že se zdá být neproduktivní ve stejných (pod)korpusech jako přípona -árny, tedy v právních a lékařských korpusech. Nejproduktivnější je v ekonomických textech, kde křivka výrazně překračuje hranici 200 typů, poté v referenčním korpusu, kde křivka překračuje tutéž hranici; ve zbývajících dvou korpusech buď křivka této hranice dosahuje, ale zdá se, že se zde zplošťuje (prim-9.0-public-prf), nebo v náboženském korpusu k této hranici teprve směřuje. Také přípona -itný se zdá být produktivní ve 4 ze 6 korpusů. Zploštělou křivku signalizující neproduktivitu lze pozorovat v grafech právních a náboženských korpusů. Nejproduktivnější je v ekonomických textech, kde křivka výrazně překračuje hranici 100 typů, zatímco ve zbývajících třech (pod)korpusech tuto hranici překračuje a zůstává pod ní. 74 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Poslední přípona v pořadí -órny je rovněž produktivní ve 4 ze 6 korpusů. Její neproduktivnost byla zjištěna v referenčním a náboženském korpusu. Nejvyšší produktivity dosahuje v lékařských a ekonomických textech, kde křivka překračuje hranici 100 typů; v akademických a vědeckých textech se křivka této hranici blíží a v právních textech sotva překračuje hranici 25 typů. Závěrem lze říci, že analyzované přípony jsou nejproduktivnější ve vědeckých a akademických textech nebo v textech určité specializované oblasti (ekonomiky či medicíny), což vzhledem k jejich etymologii není překvapivé. Jejich produktivita, respektive míra produktivity, se v jednotlivých (sub)korpusech značně liší. Snad nejzajímavějším zjištěním je neproduktivnost tří přípon v právní oblasti a nejnižší produktivita zbývajících dvou přípon v téže oblasti. To by mohlo naznačovat, že právní texty nepodporují lexikální tvořivost při vytváření nových přídavných jmen tohoto typu. Ve srovnání s částí 4 lze rozdíl v pořadí přípon částečně vysvětlit jevem, který Václav Cvrček (2012) pozoroval v souvislosti s poměrem hapaxů k typům. Podle Cvrčkových experimentů má tento poměr tendenci klesat ze své maximální hodnoty 1 k místnímu minimu (tamtéž: 5). Po tomto bodě se však poměr začíná opět zvyšovat. Cvrček jej označuje za „jakýsi obecný kvantitativní princip rozsáhlých souborů textů“ (tamtéž: 14). Tvar funkce poměru hapaxů k typům se zdá být zhruba stejný i u typologicky odlišných jazyků, velikost textového vzorku však závisí na typu jazyka. Aby bylo dosaženo minimální hodnoty poměru hapaxů k typům, měl by podle Cvrčka anglický korpus obsahovat alespoň 3 miliony tokenů, zatímco český korpus (a vzhledem k typologické příbuznosti obou jazyků se domníváme, že i slovenský) by jich měl obsahovat až 58 milionů. Protože dva subkorpusy z naší analýzy jsou menší než Cvrčkem stanovená hranice, jejich poměr hapaxů k typům se nachází v klesající části této funkce. 6. ZÁVĚR V pokračování našeho výzkumu zaměřeného na produktivitu vybraných přípon v různých korpusech a oblastech se nám podařilo zodpovědět obě otázky předložené v části 4. 1. Podařilo se nám prokázat, že nízkofrekvenční lemmata získaná z korpusu zahrnují také potenciální neologismy a že jejich rozložení Terminologija | 2021 | 28 75 se sice může v korpusových datech lišit, mohou však změnit pořadí produktivity založené na vzorci hapaxů a typů. 2. Pro vyhodnocování produktivity napříč korpusy jsme identifikovali a použili statistické modelování – distribuce LNRE. Po zadání našich korpusových dat do nástroje s otevřeným zdrojovým kódem jsme získali vizuální model produktivity, který nám umožnil konstatovat, že produktivita analyzovaných přípon se liší nejen při srovnání obecných a vědeckých textů, ale také mezi jednotlivými specializovanými oblastmi. Domníváme se, že modelování jasně ukazuje skutečný potenciál každé z analyzovaných přípon vytvářet nové typy v příslušné oblasti. Výsledky a pořadí z částí 4 a 5 této studie jsou však navzájem jen obtížně srovnatelné, protože první z nich vychází přímo z hrubých dat – počtu typů a hapaxů nebo nízkofrekvenčních typů v konkrétním (sub)korpusu –, zatímco druhé vychází z očekávaných frekvenčních spekter pro každý (sub)korpus. Stručně řečeno, první přístup zachycuje skutečná data, zatímco druhý se snaží odhadnout produktivitu prvku v daném jazyce jako takovém. Proto bychom u rozsáhlejších korpusů lékařských a právních textů měli identifikovat více hapaxů, což by mohlo vést k odlišnému pořadí přípon. Naše předpoklady by bylo možné ověřit v budoucím výzkumu analýzou rozsáhlejších korpusů obsahujících reprezentativní vzorek příslušných textových typů pro jednotlivé oblasti, protože při morfologické produktivitě prvku mohou hrát roli také textové žánry. Vzhledem k tomu, že ani největší korpus by neobsahoval všechna slova, domníváme se, že morfologickou produktivitu kteréhokoli prvku je rozumnější vyhodnocovat sofistikovanějšími metodami než prostým počítáním typů či tokenů. Závěrem lze říci, že dokážeme určit minulou produktivitu slovotvorného vzorce nebo prvku. Můžeme také poskytnout různé odhady jeho budoucího využití, tedy Baayenovy potenciální produktivity. Navíc, i když statistická měření doplníme kvalitativní analýzou, měli bychom vzít v úvahu ještě jednu skutečnost: jak správně uvádí Fernández-Domínguez, pravděpodobnostní předpovědi morfologické produktivity je třeba chápat v kontextu mimojazykových faktorů, zejména těch, které souvisejí s pojmenovávacími potřebami jazykového společenství. „Neexistuje-li potřeba pojmenování, nemůže probíhat produktivní slovotvorba“ (Fernández-Domínguez 2013: 438). 76 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited PODĚKOVÁNÍ Článek vznikl v rámci projektu Slovenský národní korpus, který podporují Slovenská akademie věd, Ministerstvo školství, vědy, výzkumu a sportu Slovenské republiky, Ministerstvo kultury Slovenské republiky a Jazykovědný ústav Ľudovíta Štúra Slovenské akademie věd. SEZNAM ZDROJŮ Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Dostupné na: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Dostupné na: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Dostupné na: https://korpus.sk. Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Dostupné na: https://korpus.sk. Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Dostupné na: https://korpus.sk. Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Dostupné na: https://korpus.sk. Slovníkový portál Jazykovedného ústavu Ľ. Štúra SAV https://slovnik.juls.savba.sk/. Balíček ZipfR. Dostupné na: http://zipf.r-forge.r-project.org/. REFERENCES Assadi Houssem, Bourigault Didier 1995: Classification d’adjectifs extraits d’un corpus pour l’aide à la modélisation de connaissances. – Troisièmes journées internationales d’analyse des données textuelles, 313–320. Baayen R. Harald, Lieber Rochelle 1991: Productivity and English derivation: a corpus-based study. – Linguistics 29, 801–843. Baayen R. Harald 1992: Quantitative aspects of morphological productivity. – Yearbook of Morphology 1991, eds. G. E. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 109–149. Baayen R. Harald 1993: On frequency, transparency, and productivity. – Yearbook of Morphology 1992, eds. G. E. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 181–208. Baayen R. Harald 1994: Productivity in production. – Language and Cognitive Processes 9, 447–469. Baayen R. Harald, Renouf Antoinette 1996: Chronicling The Times: Productive Lexical Innovations in an English Newspaper. – Language 72, 69–96. Baayen R. Harald, Lieber Rochelle 1997: Word frequency distributions and lexical semantics. – Computers and the Humanities 30, 281–291. Baayen R. Harald 2009: Corpus linguistics in morphology: morphological productivity. – Corpus Linguistics. An international handbook, eds. A. Lüdeling, M. Kyto, Berlin, Mouton De Gruyter, 900–919. Baker Paul, Hardie Andrew, McEnery Tony 2006: A Glossary of Corpus Linguistics, Edinburgh: Edinburgh University Press Ltd. Available at: https://pdfs.semanticscholar.org/856a/9640311005ff8a97ab98976c9209aa12120a.pdf. Baroni Marco 2009: Distributions in text. – Corpus Linguistics. An international handbook, eds. A. Lüdeling, M. Kyto, Berlin, Mouton De Gruyter, 803–822. Available at: https://home.sslmit.unibo.it/~baroni/publications/hsk_39_dist_rev2.pdf. Carrière Isabelle 2008: Méditerm: encodage des adjectifs médicaux. – Corpus et dictionnaires de langues de spécialités, eds. F. Manize, P. Dury, N. Arlin, C. Rougemont, Grenoble: Presses Universitaires de Grenoble, 175–196. Cvrček Václav 2012: How Large is the Core of Language. – Corpus Linguistics 2011 [online], Birmingham. Available at: https://www.birmingham.ac.uk/Documents/college-artslaw/corpus/conference-archives/2011/Paper-145.pdf. Daille Béatrice 2001: Qualitative terminology extraction: Identifying relational adjectives. – Recent advances in computational terminology, eds. D. Bourigault, C. Jacquemin, M.-C. L’Homme, Amsterdam: John Benjamins Publishing Co, 149–166. Terminologija | 2021 | 28 77 Dokulil Miloš 1962: Teorie tvoření slov, Praha: Nakladatelství ČSAV. Evert Stefan, Lüdeling Anke 1991: Constraining psycholinguistic models of morphological processing and representation: the role of productivity. – Yearbook of morphology 1991, eds. G. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 165–183. Evert Stefan, Baroni Marco 2007: The zipfR library: Words and other rare events in R. Presentation at useR! 2006: The Second R User Conference, Vienna, Austria. Available at: https://zipfr.r-forge.r-project.org. Evert Stefan 2004: A simple LNRE model for random character sequences. – Proceedings of JADT 2004, 411–422. Fernández-Domínguez Jesús 2013: Morphological Productivity Measurement: Exploring Qualitative versus Quantitative Approaches. – English Studies 94, 4, 422–447. Garabík Radovan, Gianitsová Lucia, Horák Alexander, Šimková Mária 2004: Tokenizácia, lematizácia a morfologická anotácia Slovenského národného korpusu: internal document for manual morphological annotation. Unpublished. Available at: https://korpus.sk/attachments/publications/2004-garabik-gianitsova-horak-simkova-tokenizacia.pdf. Horecký Ján 1956: Základy slovenskej terminológie, Bratislava: VEDA. Horecký Ján 1999: Internacionalizácia a europeizácia slovenský. – Internacionalizácia v súčasných slovenských jazykoch: za a proti, ed. J. Bosák, Bratislava: Veda, 80–82. Hulse Victoria 2011: Productivity in morphological negation: a corpus based approach, The University of Manchester. Available at: https://www.research.manchester.ac.uk/portal/en/theses/productivity-in-morphological-negation--a-corpusbased-approach(266d2241-a266-4b99-8fab-e19571381d8f).html. Kvizinadze Giorgi 2010: Large number of rare events: Diversity analysis in multiple choice questionnaires and related topics, Victoria University of Wellington doctor thesis. Available at https://core.ac.uk/download/pdf/41336663.pdf Levická Jana 2021: Usage and empirical productivity of international adjectival suffixes in Slovak based on general and specialised corpora. – Jazykovedný časopis 72, 2 (in print). L’Homme Marie-Claude 2002: Fonctions lexicales pour représenter les relations entre termes. – Traitement automatique des langues 43, 1, 19–41. L’Homme Marie-Claude 2003: Adjectifs dérivés sémantiques dans la structuration des terminologies. – Journées d’étude Terminologie, Ontologie et représentation des connaissance, Lyon. Maniez François 2002: Distinguer les termes des collocations: études sur corpus du patron < Adjectif – Nom > en anglais médical. – Actes du colloque TALN de Nancy 1, 24–27 juin 2002, 345–350. van Marle Jaap 1992: The relationship between Morphological Productivity and Frequency: A Comment on Baayen’s Performance-Orientated Conception of Morphological Productivity. – Yearbook of Morphology 1991, eds. G. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 151–163. Nábělková Mira 1996: Variantnosť ako prvok dynamiky v adjektívnej paradigme. – Slovenská reč 61, 257–266. Naccarato Chiara 2016: A corpus-based quantitative approach to the study of morphological productivity in diachrony: The case of samo-compounds in Russian. – A Blend of MaLT Hanna Christ, eds. D. Klenovšak, L. Sönning, V. Werner, Bamberg: University of Bamberg Press, 133–153. Normand Sylvie, Bourigault Didier 2001: Analysing adjectives used in a histopathology corpus with NLP tools. – Terminology 7, 2, 155–164. Plag Ingo, Dalton-Puffer Christiane, Baayen Harald 1999: Morphological productivity across speech and writing. – English Language and Linguistics 3, 2, 209–228. Säily Tanja 2018: Change or variation? Productivity of the suffixes -ness and -ity. – Patterns of Change in 18ᵗʰ Century English. A Sociolinguistic Approach, eds. T. Nevalainen, M. Palander-Collin, T. Säily, Amsterdam: John Benjamins, 197–218. Ševčíková Magda 2014: Zjišťování slovotvorné produktivity z korpusových dat: přípony odvozující názvy vlastností. – Naše řeč 97, 228–240. Štícha František 2012: Jak v epoše elektronických korpusů následovat Miloše Dokulila (Miloši Dokulilovi ke stému výročí narození). – Jazykovědné aktuality 49, 95–107. Štícha František 2002: K Dokulilovu pojmu slovotvorné produktivity (z hlediska korpusové analýzy). – Čeština doma a ve světě 4, 302–310. Štícha František 2007: Korpusové statistiky a slovotvorná produktivita. – Grammar & Corpora/Gramatika a korpus 2005, eds. F. Štícha, J. Šimandl, Praha: Academia, 250–257. Štícha František 2009: Slovotvorná produktivita a gramatickosť: gradační expresivní adjektiva s prefixy pra-, pře- a vele- v současné psané češtině. – Eslavística Complutense 9, 145–170. 78 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited NAUJAS ŽVILGSNIS Į TARPtautinių BŪDVARDŽIŲ PRIESAGŲ VARTOJIMĄ IR EMPIRINĮ PRODUKTYVUMĄ SLOVAKŲ KALBOJE Santrauka Šio straipsnio objektas – morfologinis penkių lotynų kalbos priesagų, dažnai vartojamų slovakų kalbos būdvardžiams sudaryti, produktyvumas. Straipsnyje aprašomas tyrimas yra ankstesnio tekstynų duomenimis paremto tyrimo tęsinys. Tyrime buvo nustatyti reikšmingi priesagų vartojimo ir produktyvumo skirtumai skirtingose srityse. Analizei atlikti naudojami šeši tekstynai ir patekstyniai apima ir bendrąjį tekstyną, ir specialiuosius tekstynus (medicinos, teisės, ekonomikos ir ypač religijos srities). Ankstesnės statistinės analizės atspirties taškas buvo neologizmų dalis hapakso lemų grupėje su analizuojamomis priesagomis. Klausimas, ar tarp retai vartojamų lemų yra neologizmų, liko atviras. Beje, keli tyrėjai teigia, kad produktyviausias priesagas turinčių žodžių dažnumo pasiskirstymas turėtų būti nukreiptas į retai vartojamas lemas, sudarančias naujažodžius. Tokiu atveju statistinis morfologinio tiriamų priesagų produktyvumo įvertinimas galėtų būti kitoks. Be to, ankstesnės analizės rezultatai negalėjo būti palyginti tarp skirtingų tekstynų (patekstynių), nes jie rėmėsi pirminiais duomenimis, labai priklausomais nuo tekstyno (patekstynio) dydžio. Todėl antrasis šio tyrimo tikslas buvo nustatyti tinkamą statistinį metodą, kurį taikant toks palyginimas būtų įmanomas. Tiek ankstesnis, tiek dabartinis analizės etapai rėmėsi rankiniu būdu ištrinamais tekstyno duomenimis, t. y. lemų vartojimo dažnumo sąrašais, kuriuose nėra nei „tekstyno triukšmo“, nei bendrinės slovakų kalbos žodynuose jau esančių žodžių. Straipsnyje pateiktos analizės rezultatai rodo, kad tarp tekstyne rastų retai vartojamų lemų yra ir neologizmų, ir nors jų pasiskirstymas tekstyno duomenyse gali įvairuoti, jie gali pakeisti produktyvumo eiliškumą pagal hapakso žodžių santykį su visais žodžiais (angl. hapax / type formula). Antroje analizės dalyje buvo identifikuojami ir taikomi statistiniai modeliai, vadinami LNRE (angl. large number of rare events, liet. didelis retų įvykių skaičius) pasiskirstymais. Naudojantis atvirojo kodo įrankiu, buvo sukurtas vaizdinis priesagos produktyvumo modelis, kuriame atsiskleidžia analizuotų priesagų skirtumai, pirma, tarp mokslinių ir bendrųjų tekstų ir, antra, tarp specialiųjų sričių tekstų. Taigi, šis modelis įrodo realų kiekvienos analizuotos priesagos potencialą sudaryti naujus žodžius atitinkamose srityse. Gauta 2021-07-08 Jana Levická Ľ. Štúr Institute of Linguistics Slovak Academy of Sciences Panská 26 811 01, Bratislava, Slovakia E-mail janal@ korpus.sk Terminologija | 2021 | 28 79