Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

doi.org/10.35321/term28-03 Uso y productividad empírica de los sufijos adjetivales internacionales en eslovaco, revisitado JANA LEVICKÁ Ľ. Štúr Institute of Linguistics, Slovak Academy of Sciences Identificador ORCID: https://orcid.org/0000-0001-6027-604X RESUMEN Este artículo constituye una continuación de una investigación anterior centrada en el uso y la productividad de cinco sufijos latinos en eslovaco. El análisis se centra en la productividad real y potencial mediante una comparación en dos etapas: 1) se comparan los tokens y lemas presentes en un corpus general equilibrado con los de un corpus general de textos especializados y académicos; 2) se comparan los tokens y lemas presentes en el corpus general de textos especializados y académicos con los de subcorpus especializados de textos médicos, jurídicos, económicos y religiosos. El primer objetivo de esta continuación fue determinar si entre los lemas de baja frecuencia se incluyen neologismos que pudieran contribuir a la variación de la productividad entre ámbitos. El segundo objetivo fue identificar e implementar una medida estadística adecuada que permitiera comparar los datos de productividad de corpus de corpus de distinto tamaño. PALABRAS CLAVE: productividad, adjetivo, sufijo, corpus general, corpus especializado, hápax legómena, lema de baja frecuencia, distribuciones de un gran número de sucesos raros. ANOTACIÓN Este artículo presenta una investigación que constituye la continuación de un estudio anterior sobre el uso y la productividad de cinco sufijos latinos en eslovaco. El estudio busca determinar la productividad real y potencial mediante una comparación en dos etapas: 1) se comparan las formas de palabra (en inglés, tokens) y las formas de cita, o lemas (en inglés, lemmas), presentes en el corpus general equilibrado con las presentes en el corpus general de textos especializados y académicos; 2) se comparan las formas de palabra y los lemas presentes en el corpus general de textos especializados y académicos con los del subcorpus especializado de textos médicos, jurídicos, económicos y religiosos. El objetivo principal de esta investigación de seguimiento es determinar si entre los lemas de baja frecuencia hay neologismos que podrían contribuir a las diferencias de productividad entre ámbitos. El estudio también pretende identificar y aplicar una medida estadística que permita comparar la productividad de los datos de corpus en corpus de distinto tamaño. PALABRAS CLAVE: productividad, adjetivo, sufijo, corpus general, corpus especializado, hápax, lema de baja frecuencia, distribuciones de un gran número de sucesos raros 54 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 1. INTRODUCCIÓN La motivación de nuestra investigación surgió del interés por la sinonimia terminológica y, dentro de este tema más amplio, por los adjetivos denominales sinónimos como constituyentes de términos pluriverbales. El enfoque en los adjetivos no es una novedad en la investigación terminológica. En los trabajos de varios terminólogos, especialmente de las décadas de 1990 y 2000, pueden encontrarse análisis detallados centrados en los adjetivos1. En la historia de la terminología eslovaca, los estudios centrados en los adjetivos, impulsados por la necesidad de unificar y acuñar terminologías eslovacas normalizadas, se remontan a la década de 1950 (véase, por ejemplo, Ján Horecký 1956). La importancia de los adjetivos en la terminología y en las lenguas de especialidad también puede ilustrarse mediante datos estadísticos proporcionados por los corpus. La mayoría de los corpus especializados surgidos del proyecto del Corpus Nacional Eslovaco (en adelante, solo proyecto SNC) presentan una proporción de adjetivos mayor que la del corpus de referencia (prim-7.0-frk), es decir, el corpus compuesto por partes iguales de textos de ficción, especializados y periodísticos2. Como se observa en la Tabla 1, esta diferencia asciende a casi un 2%, excepto en el corpus religioso (blf-2.0), cuya proporción de adjetivos es aproximadamente la misma que en el corpus de referencia (7,46%). La segunda fila de la Tabla 1 presenta la proporción de gerundios, que también se utilizan con funciones diferenciadoras y clasificadoras en los términos eslovacos pluriverbales. En el marco del etiquetado morfológico del proyecto SNC, estos se clasifican como un grupo específico, por lo que se etiquetan por separado de los verbos (Garabík et al. 2004). La coexistencia y la competencia entre adjetivos se han identificado y analizado en el contexto de la lengua en general (por ejemplo, Nábelková 1996). Sin embargo, su incorporación a términos pluriverbales es un tema relativamente poco investigado. Un fenómeno común que da lugar a la sinonimia y a la competencia entre adjetivos es la coexistencia de adjetivos de origen latino y sus equivalentes (eslovacos) (vnútrožilový – intravenózny «intravenoso»). Este último grupo comprende también un subgrupo que incluye tanto un sufijo eslovaco como uno latino o internacional desde el punto de vista etimológico, combinados con la misma raíz internacional (por ejemplo, bakteriálny – baktérioový «bacteriano»). En ocasiones, se observa una variación entre dos sufijos internacionales con la misma in- 1 Véanse, por ejemplo, H. Assadi y D. Bourigault 1995; S. Normand y D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; o I. Carrière 2008. 2 En la Parte 3.2 pueden encontrarse más detalles sobre los corpus utilizados para el análisis presentado. Terminologija | 2021 | 28 55 Tabla 1. Número de tokens y proporciones de adjetivos y gerundios en los corpus de referencia y especializados del proyecto SNC CORPUS CORPUS DE REFERENCIA SUBCORPUS CIENTÍFICO SUBCORPUS MÉDICO SUBCORPUS JURÍDICO CORPUS RELIGIOSO CORPUS ECONÓMICO Número de tokens del corpus 253,137,609 149,581,785 7,099,555 33,600,183 65,920,357 164,987,015 Número de adjetivos en tokens 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% Número de gerundios en tokens 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% puede surgir una raíz internacional (p. ej., hypersonórny – hypersonický, kontradiktorický – kontradiktórny). Este estudio, centrado en el uso de sufijos específicos en la lengua eslovaca, pretende determinar si algunos de ellos favorecen más la coexistencia de este tipo o aparecen con mayor frecuencia en adjetivos terminológicos, razón por la cual el concepto de productividad morfológica resulta pertinente en este caso. Los sufijos seleccionados para el análisis representan un grupo reducido empleado para formar adjetivos denominales dentro de la amplia gama de sufijos adjetivales eslovacos3. En cuanto a su composición, los cinco sufijos constan de un sufijo adjetival internacional (adaptado) combinado con el elemento eslovaco semánticamente equivalente -ný/ny: -álny, -árny, -itný, -ívny, -ózny; por tanto, su carácter adjetival se ve reforzado de algún modo. Parece evidente que los cinco sufijos de origen latino se emplearon para formar adjetivos a partir de sustantivos latinos (-alis, con la variante -aris, -ītus, -ōsus) o de verbos (-ōrius). Cabe señalar, sin embargo, que muchos adjetivos eslovacos con los sufijos analizados entraron 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 en el léxico eslovaco no solo directamente del latín, sino, con mayor frecuencia, a través del francés o del inglés en las últimas décadas (Horecký 1999), y experimentaron un proceso de adaptación mediante el mencionado sufijo adjetival eslovaco. Es significativo que esta incorporación de préstamos y su posterior adaptación fueran posibilitadas y favorecidas por factores extralingüísticos. Debido principalmente a consideraciones históricas, el eslovaco ha sido muy receptivo a las palabras nuevas de origen latino y, por ello, la proporción de palabras latinizantes es elevada incluso en el léxico general del eslovaco (Horecký 1999: 81). Hoy en día, gracias a la influencia de los medios de comunicación de masas, internet y las redes sociales, este proceso combinado de formación de palabras, basado tanto en el préstamo como en la derivación, resulta extraordinariamente productivo y, por tanto, muy pertinente para un estudio lingüístico y terminológico. Este artículo es la continuación de nuestra investigación anterior sobre el mismo tema, que se encuentra actualmente en prensa (Levičká 2021). Para facilitar la comparación y la claridad para el lector, consideramos necesario incluir un resumen de los razonamientos y hallazgos anteriores, complementado con nuevas perspectivas y antecedentes teóricos. Así pues, algunas tablas (1–4), aunque ya aparecieron en nuestro primer artículo, se reproducen aquí. 2. FUNDAMENTOS TEÓRICOS El concepto teórico de productividad morfológica ha sido desarrollado por numerosos investigadores y académicos. Diversos estudios y artículos han resumido y comentado una visión general de las reflexiones teóricas y los estudios previos del siglo XXth; por ejemplo, los de Jesús Fernández-Dominguez (2013) o Victoria Hulse (2011). Aquí nos centraremos únicamente en algunas consideraciones teóricas que nos inspiraron e influyeron en la elección de nuestro enfoque y metodología. La definición más antigua citada aquí fue formulada en 1948 por el lingüista estadounidense Dwight L. Bolinger (citado por Säily 2018: 198), quien concluyó que la productividad era la «disposición estadísticamente determinable4 con la que un elemento entra en nuevas combinaciones». 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 Las frases o palabras señaladas en negrita representan las características clave de nuestra investigación. Terminologija | 2021 | 28 57 Por último, pero no por ello menos importante, quisiéramos hacer referencia a las investigaciones sobre formación de palabras del lingüista checo Miloš Dokulil, quien presentó una teoría compleja de la productividad de la formación de palabras en su obra Teorie tvoření slov en 1962. En primer lugar, Dokulil definió en términos generales la productividad de un dispositivo lingüístico como la «capacidad de dicho dispositivo lingüístico (ya sea una base, un afijo o un patrón de formación de palabras) para participar activamente en la creación de palabras nuevas» (1962: 78). Especificó que esta capacidad puede ser absoluta, es decir, su utilidad para crear palabras nuevas en cualquier momento y dentro de cualquier patrón de formación de palabras, o relativa, en cuyo caso también depende de la semántica o, más bien, del estilo, así como del patrón de formación de palabras. En la teoría de Dokulil, la productividad es un «concepto de naturaleza sincrónica, mientras que la puesta en práctica de esta capacidad —la creación de palabras nuevas según reglas específicas— es, por el contrario, un concepto de naturaleza diacrónica» (1962: 80). Dokulil también distinguió entre la productividad sistémica y la productividad empírica (denominada también «parole» o «productividad real» por František Štícha 2012)), que ofrece una «idea general de la explotación global de un patrón de formación de palabras o dispositivo lingüístico específico en el sistema de una lengua en un momento dado» (Dokulil 1962: 80). Dokulil consideraba que incluso «los datos aproximativos relativos al uso cuantitativo de un proceso o elemento de formación de palabras determinado son de suma importancia para la imagen general de una lengua y, en particular, para las características de su léxico» (Item: 77). Entre los lingüistas checos contemporáneos que desarrollan la teoría de la productividad de Dokulil y verifican sus hipótesis con datos de corpus (véanse, por ejemplo, Štícha 2002, 2007, 2009, 2012 o Magda Ševčíková 2014), Štícha propone analizar la productividad empírica/de parole no solo en corpus grandes, sino también mediante una serie de corpus de distintos tamaños y composiciones (2012: 104). Podría afirmarse que las hipótesis de Dokulil sobre la productividad relativa tuvieron eco en Harald Baayen y otros, cuyos métodos y enfoques examinaremos más adelante en este análisis. En 1999, Baayen y sus colegas Ingo Plag y Christiane Dalton-Puffer escribieron que «las afirmaciones sobre la productividad de un afijo determinado suelen formularse sin diferenciarla según el tipo de discurso, aunque se suele suponer que ciertos tipos de sufijos derivativos son más pertinentes en determinados tipos de textos que en otros» (1999: 209). Con grandes corpus disponibles, es posible medir, identificar y analizar la productividad de un patrón o elemento de formación de palabras no solo en la lengua general en un momento determinado, sino también en ámbitos y registros especializados. 58 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 3. INVESTIGACIONES PREVIAS En consonancia con los razonamientos y las hipótesis de los lingüistas citados en la sección anterior, al comienzo de nuestra investigación, cuyo objetivo era identificar la productividad morfológica de los sufijos adjetivales, formulamos tres preguntas de investigación clave: 1) ¿Difiere la productividad morfológica de los distintos sufijos adjetivales del grupo seleccionado entre los textos generales y los especializados? ¿Son estadísticamente significativas estas diferencias? 2) ¿Puede variar la productividad morfológica de los distintos sufijos adjetivales del grupo seleccionado en función del ámbito específico? ¿Hay algunos de esos cinco sufijos que sean más «aptos» para contribuir a codificar conceptos específicos de un campo o ámbito? 3) ¿Qué métodos son pertinentes para este análisis específico de datos de corpus? En primer lugar, debido a la especificidad de este tipo de patrón de formación de palabras base latina + sufijo latino + sufijo de origen etimológico nativo, decidimos dejar de lado el análisis cualitativo de los límites y las reglas que rigen la combinación de bases latinas individuales con uno de los sufijos adjetivales seleccionados en el contexto de la lengua eslovaca. Aunque el enfoque cuantitativo no puede ofrecer una visión completa del estado de productividad de un sufijo o de cualquier otra forma morfológica, su utilidad para este tipo de investigación radica en que presenta la perspectiva y el contexto de uso de las palabras acuñadas según un patrón específico, junto con comparaciones concretas con formas semántica y funcionalmente equivalentes. Se acepta generalmente que el enfoque cuantitativo en los análisis de la productividad morfológica constituye un método complementario importante para la investigación cualitativa (véase, por ejemplo, Evert and Lüdeling 2001). Como afirma Plag: «las nociones cuantitativas y cualitativas de productividad [...] están estrechamente relacionadas. Así, la idea de potencialidad, central en las definiciones cualitativas de productividad, puede expresarse en términos estadísticos de probabilidad» (citado por Naccarato 2016: 135). Del mismo modo, Baayen y sus coautores sostienen que la productividad «parece ser un concepto escalar [...] con algunos afijos es más probable encontrar palabras recién formadas que con otros; este hecho hace de la productividad una noción probabilística susceptible de análisis estadístico» (1999: 10). Terminologija | 2021 | 28 59 3.1. Métodos estadísticos En la etapa 1 de nuestro análisis, seguimos el camino metodológico ya bien establecido de Harald Baayen y sus colegas y seguidores (1991, 1992, 1993, 1994, 1996, 1997). Identificamos la denominada productividad realizada, es decir, la frecuencia de uso de los adjetivos acuñados con los sufijos seleccionados, así como el número de adjetivos distintos acuñados con estos sufijos en diferentes corpus. Estas estadísticas de corpus describen la productividad de los sufijos con respecto a la situación lingüística pasada y presente. El siguiente paso fue determinar la productividad potencial de los sufijos analizados, es decir, estimar la tasa a la que se espera que aparezcan nuevos tipos5. Baayen (2009: 7) propone calcularla como la proporción entre los hápax legómena6 con el afijo X y todos los tokens con el afijo X de un corpus. El uso de los hápax legómena para calcular la productividad ha sido objeto de numerosas críticas, ya que este grupo no representa directamente las nuevas acuñaciones que deberían reflejar la productividad de un elemento o patrón. Plag, Dalton-Puffer y Baayen sostienen que la productividad potencial es una medida probabilística y que, a medida que aumenta el tamaño de un corpus, «la proporción de neologismos entre los hápax legómena aumenta, y se ha demostrado que es precisamente entre los hápax legómena donde aparece el mayor número de neologismos» (1999: 12). En la etapa anterior de nuestra investigación, decidimos no utilizar el método hápax/token, pero adoptamos el método hápax/tipo, de acuerdo con el razonamiento de van Marle (1992), según el cual la frecuencia de los tokens no es una variable tan pertinente en una medida de productividad como el número de lemas. Sin embargo, el principal inconveniente de esta medida es la imposibilidad de comparar los datos estadísticos de corpus de distinto tamaño (Naccarato 2016: 133). Volveremos sobre esta cuestión en la Parte 5. 3.2. Corpus utilizados en el análisis7 Los tres corpus y los tres subcorpus utilizados en este análisis fueron publicados por el Departamento del SNC entre 2013 y 2020, y están disponibles para todos los usuarios registrados. 5 En lingüística de corpus, los tipos representan palabras únicas y son sinónimos de lemas (Baker et al. 2006). 6 Los hápax legómena (frase de origen griego que significa «dicho una sola vez»), también abreviados como hápax, son palabras que aparecen una sola vez en un corpus determinado (Baker et al. 2006). 7 La mayor parte de esta sección procede del artículo que describe la etapa anterior de nuestra investigación (Levická 2021); sin embargo, esta repetición es necesaria para explicar la naturaleza de los datos del corpus. 60 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited El primer corpus, de referencia (prim-7.0-frk), con más de 253 millones de tokens, está compuesto por una proporción equivalente de textos periodísticos, especializados y de ficción (el 64.12% de ellos se escribió originalmente en eslovaco, mientras que el 29.51% son traducciones), escritos entre 1991 y 2015. El corpus se utilizó para elaborar dos diccionarios de frecuencias del eslovaco (2017, 2018), así como el diccionario inverso (2018). El segundo corpus, prim-9.0-public-prf, es un subcorpus de acceso público del corpus primario del proyecto SNC (en adelante, subcorpus científico). Compilado a partir de textos especializados, académicos y de no ficción, este subcorpus contiene más de 149 millones de tokens y documentos, así como el discurso general de la ciencia y la investigación, incluido el periodismo especializado. Sus textos se escribieron entre 1955 y 2019. El porcentaje de textos escritos entre 1955 y 1991 asciende al 8.7% (más de 13 millones de tokens). El menor (sub)corpus de todos los corpus analizados es el resultado de filtrar el corpus primario del proyecto SNC [9], versión 9.0. Consiste en textos del ámbito de la medicina escritos entre 1976 y 2019 y comprende algo más de 7 millones de tokens. El porcentaje de textos escritos entre 1955 y 1991 asciende al 1.09%. A lo largo del texto nos referiremos a él como el subcorpus médico. Para contar con una fuente comparable procedente de otros corpus especializados y del corpus de referencia, el corpus especializado legal-1.1 (en adelante, subcorpus jurídico), elaborado en colaboración con el Ministerio de Justicia de Eslovaquia, se restringió a textos legislativos creados en el período 1991–2011. Sus casi 49 millones de tokens se redujeron así a 33.5 millones. El corpus especializado blf-2.0, centrado en el ámbito religioso, se publicó en 2014. Sus textos comprenden casi 66 millones de tokens escritos entre 1989 y 2014 (en adelante, corpus religioso). Más del 80% corresponde a revistas y periódicos temáticos. De modo similar, el corpus especializado ecn-2.0-public (en adelante, corpus económico), dedicado al ámbito de la economía, incluye hasta un 96.24% de textos especializados publicados en revistas y periódicos temáticos. Los textos de este corpus abarcan el período 1992–2014 y suman casi 165 millones de tokens. Sin embargo, cabe señalar que estos corpus son heterogéneos y abarcan una amplia variedad de textos. Terminologija | 2021 | 28 6 1 En cuanto a la búsqueda en los corpus, no basamos las consultas en el etiquetado morfológico proporcionado para cada uno de los (sub)corpus incluidos en el análisis, ya que se comprobó que, en el caso de las palabras de origen latino, dicho etiquetado era inadecuado y contenía errores. Por ello, optamos por una búsqueda sencilla de la terminación específica de un token, p. ej., [lemma=“. *álny“], combinada con el filtrado automático de palabras que casualmente contienen la misma secuencia de caracteres (véase la Parte 4.1). 3.3. Resultados de la etapa anterior En la etapa anterior, los datos estadísticos de los corpus nos permitieron establecer una clasificación de la productividad realizada de los sufijos analizados. El sufijo -álny es, con diferencia, el más utilizado en todos los (sub)corpus, mientras que -órny ocupa el extremo opuesto del eje de frecuencia en 5 (sub)corpus. Como muestran las frecuencias de uso normalizadas de cuatro de los cinco sufijos, estos aparecen con mayor frecuencia en textos especializados y académicos (subcorpus científico) que en el corpus de referencia. También cabe destacar que las frecuencias normalizadas de los sufijos en el subcorpus médico igualan o superan considerablemente el IPM del subcorpus científico, mientras que el IPM de los sufijos (casos por millón) en el corpus religioso es claramente inferior al del corpus de referencia. Esto puede explicarse en parte por el tipo de textos incluidos en esos (sub)corpus. Tabla 2. Frecuencia y frecuencia normalizada (IPM, casos por millón) de los sufijos analizados en los respectivos (sub)corpus. Los corpus están ordenados de menor a mayor SUFFIX MEDICAL SUB-CORPUS LEGAL SUB-CORPUS RELIGIOUS CORPUS SCIENTIFIC SUB-CORPUS ECONOMIC CORPUS REFERENCE CORPUS Tokens Tokens Tokens Tokens Tokens Tokens 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 SUFIJO SUBCORPUS MÉDICO SUBCORPUS JURÍDICO SUBCORPUS RELIGIOSO SUBCORPUS CIENTÍFICO CORPUS ECONÓMICO CORPUS DE REFERENCIA Tokens Tokens Tokens Tokens Tokens Tokens 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 El orden de los corpus en la Tabla 3, que muestra el número de palabras diferentes acuñadas con los sufijos analizados, nos permite comparar la variabilidad de las creaciones léxicas, primero entre la lengua general y la especializada y, en segundo lugar, desde el corpus médico más pequeño hasta el corpus económico más grande. La tabla muestra la productividad realizada de Baayen para los sufijos analizados. En todos los (sub)corpus -álny representa el sufijo de uso más frecuente que aparece en distintos tipos; el menor número de tipos o lemas se identificó con el sufijo -órny. Los sufijos -itný y -órny parecen solaparse en la mayoría de los (sub)corpus; su distinción más sutil requiere una prueba de significación. Sin embargo, no es posible realizar una comparación real entre los corpus, ya que la tabla presenta recuentos absolutos de tipos. Tabla 3. Número de lemas en un (sub)corpus determinado SUFIJO CORPUS DE REFERENCIA SUBCORPUS CIENTÍFICO SUBCORPUS MÉDICO SUBCORPUS JURÍDICO CORPUS RELIGIOSO CORPUS ECONÓMICO -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 Los resultados relativos a la estimación de la productividad potencial presentados en la Tabla 4 son bastante variados, como indica el orden de los sufijos. Terminologija | 2021 | 28 63 Tabla 4. Cocientes de hápax/tipos en un (sub)corpus determinado. Los sufijos de cada subtabla se enumeran en orden decreciente del cociente COCIENTE HÁPAX/TIPOS corpus de referencia subcorpus científico subcorpus médico -ózny 0.252173913 -órny 0.228571429 -ózny 0.208333333 -árny 0.201342282 -árny 0.210382514 -itný 0.138888889 -al 0.173956262 -al 0.209499576 -al 0.129094412 -ivo 0.122222222 -oso 0.201680672 -ario 0.1 -orio 0.12 -ivo 0.195876289 -orio 0.076923077 subcorpus jurídico corpus religioso corpus económico -orio 0.1 -orio 0.2 -ivo 0.237288136 -oso 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 El sufijo más productivo en hasta tres corpus es -órny. En los tres (sub)corpus restantes, la clasificación está encabezada dos veces por -ózny y una vez por -itný. Además, el mismo sufijo -órny parece ser, en general y en los textos médicos, el potencialmente menos productivo. En hasta tres (sub)corpus, el sufijo -itný ocupa el último lugar en la clasificación de productividad. De manera similar, el último lugar en la clasificación de productividad de los textos económicos lo ocupa el sufijo -árny. 4. PREGUNTAS DE INVESTIGACIÓN DEL ANÁLISIS PRESENTADO La etapa anterior de nuestra investigación indicó diferencias notables en la productividad morfológica de los sufijos analizados, en función tanto del tipo de lengua como de los ámbitos. Sin embargo, una pregunta solo se respondió parcialmente y dio lugar a una nueva: 1. ¿Vale la pena analizar las lemas de baja frecuencia en busca de neologismos? De hecho, varios investigadores sugieren que la distribución de frecuencias de las palabras de los afijos productivos debería desplazarse claramente hacia las lemas de baja frecuencia, que incluyen nuevas acuñaciones. 64 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 2. Como ya señalamos en las secciones anteriores, los resultados relativos a la productividad potencial de los sufijos analizados no pueden compararse entre corpus. Por lo tanto, es necesario identificar un método estadístico adecuado que permita realizar esta comparación. 4.1. Depuración manual de los datos Tanto la etapa anterior como la actual de nuestro análisis se basan en datos depurados manualmente. Varios investigadores han señalado la importancia de este proceso tedioso y laborioso. Evert y Lüdeling afirmaron (y demostraron) que es un requisito previo para una evaluación estadística de calidad, no solo cuando se emplean medidas más sofisticadas (2001: 168). La depuración manual es especialmente importante por tres razones; la primera se deriva de la naturaleza de los datos de corpus. En primer lugar, los datos de corpus suelen contener una proporción considerable de errores tipográficos, sobre todo entre las lemas de baja frecuencia. En segundo lugar, los corpus presentan errores ortográficos que aparecen con frecuencia, en particular, en palabras de origen latino. En tercer lugar, fue necesario combinar las lemas con el sufijo X que solo se diferenciaban por el uso o la ausencia de un guion, así como las lemas con inicial mayúscula y minúscula (que no eran nombres propios), que la lematización automática empleada en el proyecto SNC distingue. El resultado de esta etapa de depuración manual puede verse en la Tabla 5, donde la proporción media de hápax para los sufijos analizados oscila entre el 24 y el 30% del recuento total de lemas con un sufijo determinado. Sin embargo, en el caso de -itný en textos jurídicos, quedó menos del 5% de las lemas (posibles neologismos); por el contrario, se mantuvo el 40% o más con el sufijo -órny en textos religiosos y científicos generales, y con el sufijo -ózny en textos económicos y, sorprendentemente, en los textos del corpus de referencia. Estas proporciones podrían indicar la (im)productividad de un corpus determinado. Como afirman Baayen y sus coautores, el número de hápax de los elementos productivos puede alcanzar hasta la mitad del tamaño del vocabulario observado en un «corpus suficientemente grande» (1999: 11). La segunda razón para la depuración manual fue filtrar los datos extraídos de los corpus con el fin de obtener listas de neologismos con los sufijos analizados. Por tanto, excluimos las lemas que 1) contienen por casualidad la misma cadena de caracteres que los sufijos analizados; 2) aparecen en diccionarios generales de eslovaco y en el Diccionario de extranjerismos8, es decir, 8 Utilizamos la herramienta de búsqueda integrada del portal de diccionarios https://slovnik.juls.savba.sk/. Terminologija | 2021 | 28 65 Tabla 5. Proporción de hápax (neologismos potenciales) en un (sub)corpus determinado tras la primera etapa de depuración manual PROPORCIÓN DE HÁPAX CON UN SUFIJO ESPECÍFICO TRAS LA PRIMERA ETAPA DE DEPURACIÓN MANUAL sufijo subcorpus médico subcorpus jurídico corpus religioso subcorpus científico corpus económico corpus de referencia -al 30.8% 24.2% 29.5% 32.7% 29.7% 30% -ario 29.6% 25.3% 33.3% 35.1% 31% 36% -itivo 36.1% 4.9% 25.5% 29.6% 31.6% 26.7% -oso 34.7% 32.5% 38.5% 30.3% 45.1% 42.6% -orio 30.8% 30% 40% 42.4% 38.5% 28% por lo tanto, no son neologismos; 3) se encontraron en los dos corpus más extensos del SNC9: esas lemas debían aparecer en al menos uno de ellos tres o más veces, siempre que dichas apariciones procedieran de tres fuentes diferentes y de tres años distintos. Este último principio de filtrado se estableció debido a que las palabras objeto de nuestro estudio que llevan uno de los sufijos analizados suelen ser términos de ámbitos especializados y carecemos de diccionarios especializados actualizados en eslovaco. Debe reconocerse que las listas de lemas resultantes representan únicamente neologismos potenciales. Los resultados pueden consultarse en las columnas tituladas Proporción de neologismos potenciales entre los hápax de las tablas 6 y 7. En comparación con la Tabla 5, la proporción de neologismos potenciales se redujo considerablemente. 4.2. Neologismos en lemas de baja frecuencia Para responder a la primera pregunta de investigación, llevamos a cabo el mismo procedimiento de filtrado que el empleado para la lista de hápax. En las tablas 6 y 7, mostramos los porcentajes (calculados a partir del número total de lemas con un sufijo determinado, cf. Tabla 3) de neologismos potenciales entre los lemas de baja frecuencia que aparecen de 4 a 2 veces en los (sub)corpus, y junto a ellos los porcentajes de neologismos potenciales dentro del grupo de hápax. Aunque la proporción de neologismos potenciales muestra pequeños aumentos en los textos especializados y académicos para cada sufijo analizado, debido a la inclusión 9 Por el momento, esos corpus son los de mayor tamaño del proyecto SNC: el corpus general prim-9.0-juls-all y el corpus jurídico legal-1.1. 66 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited de neologismos potenciales del grupo de lemas de baja frecuencia, los neologismos potenciales en el corpus de referencia solo aumentaron muy modestamente para cuatro sufijos, mientras que el porcentaje del quinto — -órny — se mantuvo estable. Esta situación era previsible, ya que es más probable que aparezcan nuevas acuñaciones con los sufijos analizados en textos especializados. Tabla 6. Proporción de neologismos potenciales en el grupo de lemas de baja frecuencia (4–1 apariciones) y en el grupo de hápax respecto del recuento total de tipos tras la depuración en el corpus general y el subcorpus científico general SUFIJO CORPUS DE REFERENCIA SUBCORPUS CIENTÍFICO Proporción de neologismos potenciales en lemas de baja frecuencia (4–1) Proporción de neologismos potenciales en hápax Proporción de neologismos potenciales en lemas de baja frecuencia (4–1) Proporción de neologismos potenciales en hápax -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% En cuanto a los neologismos potenciales específicos de cada ámbito, el porcentaje más alto, como sucede en el subcorpus científico, se observa en el corpus económico, donde el sufijo -itný representa hasta un 35% de los neologismos potenciales. Los sufijos restantes de este corpus alcanzan aproximadamente un 25% de neologismos potenciales entre las lemas de baja frecuencia. Por otra parte, el porcentaje más bajo de neologismos potenciales se identificó en los textos jurídicos. También cabe mencionar los casos en que el porcentaje se duplicó al incluir el grupo de lemas de baja frecuencia: -órny en textos médicos, -árny en textos jurídicos y -itný en textos religiosos. Al mismo tiempo, no sorprende que el sufijo -ózny ocupe el primer puesto en los textos médicos, ya que es un sufijo prototípicamente médico. Sin embargo, en los textos económicos se encontró un porcentaje casi igual de nuevas lemas potenciales con -ózny. No se produjo ningún aumento de neologismos potenciales para el sufijo -itný en los textos médicos y jurídicos, ni para el sufijo -órny tampoco en los textos jurídicos. Terminologija | 2021 | 28 67 Tabla 7. Proporción de neologismos potenciales en el grupo de lemas de baja frecuencia (4–1 apariciones) y en el grupo de hápax, respecto del recuento total de tipos tras la depuración, en textos especializados de los cuatro ámbitos SUFIJO | SUBCORPUS MÉDICO | SUBCORPUS JURÍDICO | CORPUS RELIGIOSO | CORPUS ECONÓMICO Proporción de neologismos potenciales en lemas de baja frecuencia (4–1) | Proporción de neologismos potenciales en hápax | Proporción de neologismos potenciales en lemas de baja frecuencia (4–1) | Proporción de neologismos potenciales en hápax | Proporción de neologismos potenciales en lemas de baja frecuencia (4–1) | Proporción de neologismos potenciales en hápax | Proporción de neologismos potenciales en lemas de baja frecuencia (4–1) | Proporción de neologismos potenciales en hápax -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% Para facilitar la comprensión, añadimos también una tabla más que muestra los porcentajes de neologismos potenciales en el grupo de lemas de baja frecuencia. Tabla 8. Diferencia porcentual de neologismos potenciales entre el grupo de lemas de baja frecuencia (4–1 apariciones) y el grupo de hápax, respecto del recuento total de tipos tras la depuración PROPORCIÓN DE NEOLOGISMOS POTENCIALES ENTRE LEMAS DE BAJA FRECUENCIA (4–2 APAR.) sufijo | corpus de referencia | subcorpus científico | subcorpus médico | subcorpus jurídico | corpus religioso | corpus económico -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% Por último, la última tabla muestra la clasificación de los sufijos en los respectivos (sub)corpus tras aplicar repetidamente la fórmula adaptada de la etapa anterior: proporción de lemas de baja frecuencia con un sufijo determinado/número de tipos con 68 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Tabla 9. Diferencia en la proporción de neologismos potenciales entre el grupo de lemas de baja frecuencia (4–1 apariciones) y el número de tipos. La clasificación de los sufijos resaltados cambió con respecto a la Tabla 4 PROPORCIÓN DE LEMAS DE BAJA FRECUENCIA/TIPOS corpus de referencia subcorpus científico subcorpus médico -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 subcorpus jurídico corpus religioso corpus económico -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 un sufijo determinado. En comparación con la Tabla 4, la clasificación cambió en todos los (sub)corpus excepto en el corpus de referencia. Así pues, parece que incluir lemas de baja frecuencia resultó útil. El sufijo -órny es el más productivo en dos corpus (frente a tres en la Tabla 4), mientras que -ózny se mantuvo en lo alto de dos clasificaciones y -itný en lo alto de la clasificación del corpus económico. En el corpus jurídico, el sufijo más productivo parece ser -árny, mientras que este mismo sufijo es a la vez el menos productivo en los textos médicos y económicos. El último puesto en las clasificaciones de productividad lo ocupa el sufijo -órny tanto en el corpus de referencia como en los textos médicos; el sufijo -ózny, en los textos científicos generales; y el sufijo -itný siguió siendo el menos productivo en los corpus jurídico y religioso. 5. COMPARACIÓN DE LA PRODUCTIVIDAD ENTRE (SUB)CORPUS Como señalamos en la Parte 3.1, las medidas estadísticas basadas en frecuencias absolutas y recuentos de tipos nos impidieron comparar resultados anteriores procedentes de distintos (sub)corpus. Si aceptamos la afirmación —o, más bien, la hipótesis— de que la productividad de cualquier elemento o patrón de formación de palabras Terminologija | 2021 | 28 69 puede inferirse de las nuevas acuñaciones (y, al mismo tiempo, demostramos en la Parte 4.2 que estas nuevas acuñaciones podían aparecer no solo en los grupos de hápax, sino también entre los tipos de baja frecuencia), es posible basar el análisis posterior en las distribuciones de frecuencias de palabras y en los espectros de frecuencias. Por «espectro de frecuencias» entendemos una lista que indica cuántos tipos de una lista de frecuencias se observa que aparecen (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). Con este propósito de modelización estadística, Baayen introdujo en 2001 las denominadas distribuciones LNRE10. La ventaja de estos modelos especializados reside en la posibilidad de extrapolar las estadísticas de tipos y tokens de una muestra específica a cantidades mayores de tokens y, así, estimar los neologismos potenciales fuera de esa muestra. Se basan en los tamaños de vocabulario previstos, obtenidos a partir del recuento de tipos de baja frecuencia del corpus. Uno de los resultados de esta modelización son las curvas de crecimiento del vocabulario o, más precisamente, las curvas de crecimiento de tipos y tokens, que cuentan el número de tipos en función del número de tokens. La forma típica de esta curva para un proceso improductivo comienza con un aumento, pero después «se aplana y converge hacia un valor constante, el tamaño total del vocabulario» (2001: 168). Por el contrario, un patrón productivo típico presenta un vocabulario infinito; es decir, la curva parece crecer indefinidamente. Mediante el uso de las distribuciones LNRE, es posible estimar el número de tipos en cantidades mayores de textos, e incluso el número de tipos 10 La teoría LNRE (teoría de un gran número de sucesos raros, como área independiente de la estadística) tiene su origen en 1988, cuando el estadístico georgiano Estate Khmaladze publicó The statistical analysis of a large number of rare events. Como escribió su alumno Giorgi Kvizhinadze: «La característica común de los ejemplos que presentaremos a continuación es que, junto con varios sucesos frecuentes, también hay un número muy elevado de sucesos muy raros, por ejemplo, con frecuencia 0, 1 o 2. La cantidad total de estos sucesos raros en comparación con el número de observaciones no suele ser grande, pero el número de estos sucesos entre todos los sucesos observados distintos es siempre muy significativo. Estos sucesos raros suelen ser muy importantes. Por ejemplo, el número de palabras utilizadas una sola vez en un libro podría considerarse poco importante para ese libro, pero es muy evidente que esas palabras son absolutamente importantes porque constituyen la mitad del vocabulario del autor» (2010). 70 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited de un patrón de formación de palabras en toda la «población», es decir, en una lengua como tal. Al mismo tiempo, es posible estimar o predecir el número de tipos en muestras del mismo tamaño extraídas de corpus más grandes. Como se mencionó en la Parte 4.1, este procedimiento estadístico también requiere recuentos fiables de tipos y tokens; de lo contrario, el cálculo del tamaño estimado del vocabulario o del número de tipos sería erróneo: en lugar de aplanarse y converger hacia un valor constante, la curva podría seguir creciendo. 5.1. Las distribuciones LNRE Decidimos aplicar los modelos LNRE para identificar11 la productividad en corpus de distintos tamaños, en parte porque también hay disponible en línea una herramienta de código abierto: ZipfR, desarrollada por Evert y Marco Baroni (2007). Esta herramienta de código abierto incluye varios modelos; nosotros utilizamos el modelo Zipf-Mandelbrot finito (fZM), basado en la ley de Zipf-Mandelbrot12. Como señalan los autores, su uso va más allá de la lingüística. ZipfR admite varios formatos de entrada, incluidas listas sencillas de frecuencias y muestras en texto sin formato, con un token por línea. Pudimos utilizar listas de frecuencias de nuestra investigación anterior, que habían sido sometidas a la limpieza manual de la etapa 1st (cf. Parte 4.1), lo cual representó otra ventaja de este método. Nuestras listas de frecuencias se sometieron a 4 operaciones básicas (Evert, Baroni 2007): (i) estimación de parámetros, en la que los parámetros del modelo LNRE M se determinan a partir de una muestra de entrenamiento de tamaño determinado, comparando el espectro de frecuencias esperado con el espectro de frecuencias observado; (ii) evaluación de la bondad del ajuste basada en la matriz de covarianza del número de tipos y del número de tipos que aparecen exactamente m veces; (iii) interpolación y extrapolación del crecimiento del vocabulario, utilizando los valores esperados; (iv) predicción del espectro de frecuencias esperado para un tamaño de muestra arbitrario. Como señalaron Evert y Baroni (2007), esta modelización no se centra en las frecuencias de los tipos de palabras individuales, «sino más bien en la distribución de dichas frecuencias (en una muestra) y probabilidades (en la población)». 11 Queremos agradecer la inestimable ayuda de nuestro colega Ján Mášik, quien se encargó de implementar el modelo fZM para los datos de nuestro corpus. 12 Para una descripción exhaustiva de la ley de Zipf-Mandelbrot, remitimos al lector, por ejemplo, a Baroni 2009. Terminologija | 2021 | 28 71 5.2. Aplicación de las distribuciones LNRE y evaluación La herramienta ZipfR nos proporcionó espectros de frecuencia de palabras y curvas de tipos por número de tokens para cada sufijo en todos y cada uno de los (sub)corpus. Por falta de espacio, solo presentamos los gráficos que muestran las curvas de tipos por número de tokens ajustadas a la misma escala en el eje x. El eje y difiere, ya que depende del recuento real de tipos de un sufijo específico en un (sub)corpus determinado y refleja dicho recuento. Proponemos comparar los pares de gráficos y, finalmente, evaluar la productividad de los sufijos en los datos de nuestro corpus. El eje x representa el número de tokens, mientras que el eje y muestra el número (esperado) de tipos diferentes producidos por el patrón de formación de palabras que incluye uno de los sufijos analizados. Ambos corpus, el de referencia y el científico, presentan la misma clasificación de sufijos, encabezada por el sufijo -álny y cerrada por el sufijo -órny. En el corpus de referencia, la curva de tres sufijos -álny, -árny, -ózny crece y, por tanto, indica su productividad, mientras que las curvas de -itný y, en particular, -órny se aplanan. En el subcorpus científico, dos sufijos pueden considerarse productivos: -álny y -árny. Las curvas de los tres restantes (-ózny, -itný, -órny) crecen muy lentamente, pero muestran una tendencia a aplanarse al final del eje x representado en el gráfico. Los gráficos del subcorpus médico y del corpus jurídico muestran un único sufijo productivo: -álny13. En el subcorpus médico, tanto -árny como -ózny se aplanan muy rápidamente (posiblemente, alcanzan el tamaño máximo de vocabulario), y aunque -itný y -órny crecen lenta pero constantemente, superan el umbral de 100 tipos y posiblemente se aplanan por debajo del umbral de 200 tipos. El sufijo -álny en los textos jurídicos se acerca al umbral de 350 tipos, mientras que en los textos médicos alcanza el de 800 tipos (cf. la escala del eje y). Sin embargo, en el corpus jurídico la clasificación difiere ligeramente: el sufijo -itný ocupa el tercer puesto, superando al sufijo -ózny, que parece casi completamente improductivo, pues su curva discurre paralela al eje x. El último sufijo, -órny, presenta un ascenso muy lento y una tendencia posterior a aplanarse. Aunque el gráfico del corpus religioso muestra tres sufijos productivos -álny, -árny y -ózny, cabe destacar que los cinco sufijos analizados parecen ser productivos en los textos económicos. La clasificación de los sufijos se mantiene igual en ambos corpus. 13 A estos dos gráficos les falta la curva de interpolación del sufijo -álny. Esto se debe al ajuste y la unificación de la escala del eje x para todos los (sub)corpus, lo que impidió crear este tipo de curva. 7 2 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Fig. 1. Curvas de crecimiento del vocabulario de los sufijos analizados en el corpus de referencia Fig. 2. Curvas de crecimiento del vocabulario de los sufijos analizados en el subcorpus científico Fig. 3. Curvas de crecimiento del vocabulario de los sufijos analizados en el corpus médico Fig. 4. Curvas de crecimiento del vocabulario de los sufijos analizados en el corpus jurídico En el corpus religioso, ambas curvas de –itný y –órny se aplanan bastante por debajo del punto de 100 tipos. Si resumimos los hallazgos mencionados anteriormente sobre la productividad de los sufijos analizados en los datos de nuestro corpus, podemos afirmar que el sufijo más productivo es –álny, que ocupa el primer lugar en todos los (sub)corpus. Su productividad parece ser mayor en el subcorpus de textos científicos y académicos y en el subcorpus médico, seguidos por el corpus de referencia (la curva se dirige hacia el punto de 700 tipos), el religioso Terminologija | 2021 | 28 73 Fig. 5. Curvas de crecimiento del vocabulario de los sufijos analizados en el corpus religioso Fig. 6. Curvas de crecimiento del vocabulario de los sufijos analizados en el corpus económico corpus (la curva supera el punto de 600 tipos), el corpus económico (la curva se dirige hacia el punto de 500 tipos) y, por último, el corpus jurídico (en su punto máximo, la curva se acerca al punto de 350 tipos). El sufijo -árny ocupa el segundo lugar y presenta productividad en 4 de los 6 (sub)corpus. La forma de las curvas sugiere que es improductivo en los textos jurídicos y médicos. La mayor productividad de este sufijo se observa en el subcorpus de textos científicos y académicos (la curva supera el punto de 400 tipos), seguido del corpus de referencia (la curva supera el punto de 300 tipos), mientras que en los textos religiosos y económicos la curva se mantiene cerca del punto de 300 tipos. Del mismo modo, el sufijo -ózny parece ser productivo en 4 de los 6 corpus. Curiosamente, parece ser improductivo en los mismos (sub)corpus que el sufijo -árny: en los corpus jurídico y médico. Es más productivo en los textos económicos, donde la curva supera ampliamente el punto de 200 tipos; le sigue el corpus de referencia, donde la curva supera ese mismo punto, mientras que en los dos corpus restantes la curva alcanza ese punto, pero parece aplanarse allí (prim-9.0-public-prf), o solo se dirige hacia ese punto en el corpus religioso. Asimismo, el sufijo -itný parece ser productivo en 4 de los 6 corpus. La curva aplanada, que indica falta de productividad, se observa en los gráficos de los corpus jurídico y religioso. Es más productivo en los textos económicos, donde la curva supera ampliamente los 100 tipos, mientras que en los tres (sub)corpus restantes supera este punto y se mantiene por debajo. 74 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited El último sufijo de la clasificación -órny también es productivo en 4 de los 6 corpus. Su falta de productividad se identificó en los corpus de referencia y religioso. Su productividad es máxima en los textos médicos y económicos, donde la curva cruza el punto de 100 tipos; en los textos académicos y científicos, la curva pasa cerca de este punto, mientras que en los textos jurídicos apenas cruza el punto de 25 tipos. En conclusión, puede decirse que los sufijos analizados son más productivos en los textos científicos y académicos o en los textos de un ámbito especializado (economía o medicina), lo cual no sorprende si se tiene en cuenta su etimología. Su productividad, o más bien su grado de productividad, difiere considerablemente entre los (sub)corpus. Quizá la observación más interesante sea la falta de productividad de tres sufijos en el ámbito jurídico y la productividad más baja de los dos sufijos restantes en ese mismo ámbito. Esto podría indicar que los textos jurídicos no favorecen la creatividad léxica a la hora de acuñar adjetivos nuevos de este tipo. En comparación con la Parte 4, la diferencia en la clasificación de los sufijos puede explicarse parcialmente por el fenómeno observado por Václav Cvrček (2012) en relación con la proporción de tipos hapax. Según los experimentos de Cvrček, esta proporción tiende a disminuir desde su valor máximo, 1, hasta su mínimo local (ibid: 5). Sin embargo, después de este punto, la proporción vuelve a aumentar. Cvrček afirma que se trata de «una especie de principio cuantitativo general de las grandes colecciones de textos» (ibid: 14). La forma de la función de tipos hapax parece ser aproximadamente la misma incluso en lenguas tipológicamente diferentes; sin embargo, el tamaño de una muestra textual depende del tipo de lengua. Para alcanzar el punto mínimo de la proporción de tipos hapax, Cvrček señala que un corpus de inglés debería contener al menos 3 millones de tokens, mientras que uno de checo (y creemos que uno de eslovaco también, dada la relación tipológica entre ambas lenguas) debería contener hasta 58 millones de tokens. Como dos de los subcorpus de nuestro análisis son menores que el límite establecido por Cvrček, su proporción de tipos hapax se sitúa en la parte decreciente de la función de tipos hapax. 6. CONCLUSIÓN En la continuación de nuestra investigación, centrada en la productividad de determinados sufijos en distintos corpus y ámbitos, logramos responder a las dos preguntas planteadas en la Parte 4. 1. Pudimos demostrar que las lemas de baja frecuencia extraídas de un corpus también incluyen neologismos potenciales y que, aunque su distribución Terminologija | 2021 | 28 75 puede variar entre los datos de los corpus, pueden alterar la clasificación de productividad basada en la fórmula hapax/tipo. 2. Identificamos y aplicamos la modelización estadística para evaluar la productividad entre corpus: las distribuciones LNRE. Al introducir los datos de nuestros corpus en la herramienta de código abierto, obtuvimos una modelización visual de la productividad que nos permitió afirmar que la productividad de los sufijos analizados difiere no solo al comparar los textos generales con los científicos, sino también entre distintos ámbitos especializados. Creemos que la modelización muestra claramente el potencial real de cada uno de los sufijos analizados para producir nuevos tipos en el ámbito correspondiente. Sin embargo, los resultados y las clasificaciones de las Partes 4 y 5 de este artículo son más bien incomparables entre sí, porque los primeros se basan directamente en datos brutos —el recuento de tipos y de hápax, o de tipos de baja frecuencia, en un (sub)corpus específico—, mientras que los segundos se basan en los espectros de frecuencia esperados para cada (sub)corpus. En resumen, mientras que los primeros representan datos reales, los segundos buscan estimar la productividad de un elemento en la lengua específica como tal. Por lo tanto, en corpus más grandes de textos médicos y jurídicos, deberíamos identificar más hápax, lo que podría dar lugar a una clasificación distinta de los sufijos. Nuestras hipótesis podrían verificarse finalmente en investigaciones futuras mediante el análisis de corpus más extensos que comprendan una muestra representativa de los tipos de texto pertinentes para ámbitos específicos, ya que los géneros textuales también pueden influir en la productividad morfológica de un elemento. Dado que ni siquiera el corpus más grande contendría todas las palabras, creemos que es más razonable evaluar la productividad morfológica de cualquier elemento mediante métodos más sofisticados que el mero recuento de tipos o tokens. En conclusión, podría decirse que somos capaces de identificar la productividad pasada de un patrón o elemento de formación de palabras. También podemos ofrecer distintas estimaciones de su explotación futura, es decir, de la productividad potencial de Baayen. Además, aunque completemos las medidas estadísticas con un análisis cualitativo, deberíamos tener en cuenta un hecho más: como sostiene acertadamente Fernández-Domínguez, las predicciones probabilísticas de la productividad morfológica deben entenderse en el contexto de factores extralingüísticos y, en particular, de aquellos relacionados con las necesidades de denominación de una comunidad de hablantes. «Si no existe una necesidad de denominación, no puede producirse una formación de palabras productiva» (Fernández-Domínguez 2013: 438). 76 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited AGRADECIMIENTOS El artículo se ha redactado en el marco del proyecto del Corpus Nacional Eslovaco, con el apoyo de la Academia Eslovaca de Ciencias, el Ministerio de Educación, Ciencia, Investigación y Deporte de la República Eslovaca, el Ministerio de Cultura de la República Eslovaca y el Instituto de Lingüística Ľudovít Štúr de la Academia Eslovaca de Ciencias. LISTA DE FUENTES Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Disponible en: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Disponible en: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Disponible en: https://korpus.sk. Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Disponible en: https://korpus.sk. Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Disponible en: https://korpus.sk. Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Disponible en: https://korpus.sk. Slovníkový portál Jazykovedného ústavu Ľ. Štúra SAV https://slovnik.juls.savba.sk/. El paquete ZipfR. Disponible en: 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