Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

doi.org/10.35321/term28-03 Uso e produtividade empírica de sufixos adjetivais internacionais em eslovaco: uma revisitação JANA LEVICKÁ Ľ. Štúr Institute of Linguistics, Slovak Academy of Sciences ID ORCID: https://orcid.org/0000-0001-6027-604X RESUMO Este artigo apresenta a continuação de uma pesquisa anterior sobre o uso e a produtividade de cinco sufixos de origem latina no eslovaco. A análise centra-se na produtividade real e potencial, comparando, em duas etapas: 1) tokens e lemas presentes num corpus geral equilibrado com os presentes num corpus geral de textos especializados e académicos; 2) tokens e lemas presentes no corpus geral de textos especializados e académicos com os presentes em subcorpora especializados de textos médicos, jurídicos, económicos e religiosos. O primeiro objetivo desta continuação foi determinar se os lemas de baixa frequência incluem novas formações que possam contribuir para a variação da produtividade entre domínios. O segundo objetivo foi identificar e implementar uma medida estatística adequada que permitisse comparar a produtividade dos dados de corpus em corpora de diferentes dimensões. PALAVRAS-CHAVE: produtividade, adjetivo, sufixo, corpus geral, corpus especializado, hapax legomena, lema de baixa frequência, distribuições de grande número de eventos raros. RESUMO Este artigo apresenta a continuação de uma pesquisa anterior sobre o uso e a produtividade de cinco sufixos de origem latina no eslovaco. A pesquisa procura determinar a produtividade real e potencial por meio de uma comparação em duas etapas: 1) comparam-se os tokenstokens e os lemaslemmas presentes num corpus geral equilibrado com os presentes num corpus geral de textos especializados e académicos; 2) comparam-se os tokens e lemas presentes no corpus geral de textos especializados e académicos com os presentes no subcorpus especializado de textos médicos, jurídicos, económicos e religiosos. O principal objetivo desta continuação foi determinar se entre os lemas de baixa frequência existem neologismos que possam contribuir para as diferenças de produtividade entre áreas. A pesquisa também procura identificar e aplicar uma medida estatística que permita comparar a produtividade dos dados de corpus em corpora de diferentes dimensões. PALAVRAS-CHAVE: produtividade, adjetivo, sufixo, corpus geral, corpus especializado, hapax, lema de baixa frequência, distribuições de grande número de eventos raros 54 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 1. INTRODUÇÃO A motivação para nossa pesquisa surgiu do interesse pela sinonímia terminológica e, dentro desse tema mais amplo, pelos adjetivos denominais sinônimos como constituintes de termos multipalavra. O foco nos adjetivos não é uma novidade na pesquisa terminológica. Análises detalhadas voltadas aos adjetivos podem ser encontradas nos trabalhos de diversos terminólogos, especialmente nas décadas de 1990 e 20001. Na história da terminologia eslovaca, estudos centrados nos adjetivos, motivados pela necessidade de unificar e cunhar terminologias eslovacas padronizadas, remontam à década de 1950 (ver, por exemplo, Ján Horecký 1956). A importância dos adjetivos na terminologia e nas línguas para fins específicos também pode ser ilustrada por dados estatísticos fornecidos por corpora. A maioria dos corpora especializados surgidos do projeto do Corpus Nacional Eslovaco (doravante, apenas projeto SNC) apresenta uma proporção de adjetivos superior à do corpus de referência (prim-7.0-frk), isto é, o corpus compilado com partes iguais de textos ficcionais, especializados e jornalísticos2. Como se pode observar na Tabela 1, essa diferença chega a quase 2%, com exceção do corpus religioso (blf-2.0), no qual a proporção de adjetivos é aproximadamente a mesma que no corpus de referência (7,46%). A segunda linha da Tabela 1 apresenta a proporção de gerúndios, que também são usados com funções de diferenciação e classificação nos termos multipalavra eslovacos. No âmbito da anotação morfológica do projeto SNC, estes são classificados como um grupo específico, razão pela qual são etiquetados separadamente dos verbos (Garabík et al. 2004). A coexistência e a competição de adjetivos foram identificadas e analisadas no contexto da língua em geral (por exemplo, Nábelková 1996). No entanto, sua incorporação a termos multipalavra é um tema relativamente pouco estudado. Um fenômeno comum que resulta em sinonímia e competição entre adjetivos é a coexistência de adjetivos de origem latina e seus equivalentes (eslovacos) (vnútrožilový – intravenózny “intravenoso”). O último grupo compreende também um subgrupo que apresenta tanto um sufixo eslovaco quanto um sufixo de origem etimológica latina ou internacional, combinados com a mesma raiz internacional (por exemplo, bakteriálny – baktérioový “bacteriano”). Ocasionalmente, ocorre uma variação de dois sufixos internacionais com a mesma in- 1 Ver, por exemplo, H. Assadi e D. Bourigault 1995; S. Normand e D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; ou I. Carrière 2008. 2 Mais detalhes sobre os corpora utilizados na análise apresentada podem ser encontrados na Parte 3.2. Terminologija | 2021 | 28 55 Tabela 1. Número de tokens e proporções de adjetivos e gerúndios nos corpora de referência e especializados do projeto SNC CORPUS CORPUS DE REFERÊNCIA SUBCORPUS CIENTÍFICO SUBCORPUS MÉDICO SUBCORPUS JURÍDICO CORPUS RELIGIOSO CORPUS ECONÔMICO Número de tokens no corpus 253,137,609 149,581,785 7,099,555 33,600,183 65,920,357 164,987,015 Número de adjetivos em 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 gerúndios em 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% uma raiz internacional pode surgir (por exemplo, hypersonórny – hypersonický, kontradiktorický – kontradiktórny). Este estudo, centrado no uso de sufixos específicos na língua eslovaca, procura determinar se alguns deles têm maior probabilidade de facilitar essa coexistência ou de ocorrer com maior frequência em adjetivos terminológicos, razão pela qual o conceito de produtividade morfológica se torna relevante neste caso. Os sufixos selecionados para a análise representam um grupo minoritário utilizado para formar adjetivos denominais entre os numerosos sufixos adjetivais eslovacos3. Quanto à sua composição, os cinco sufixos consistem num sufixo adjetival internacional (adaptado) combinado com o sufixo eslovaco semanticamente equivalente -ný/ny: -álny, -árny, -itný, -ívny, -ózny; assim, o seu estatuto adjetival é, de certa forma, multiplicado. Parece evidente que os cinco sufixos de origem latina eram usados para formar adjetivos a partir de substantivos latinos (-alis, com a variante -aris, -ītus, -ōsus) ou verbos (-ōrius). Convém salientar, contudo, que muitos adjetivos eslovacos com os sufixos analisados entraram 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 no léxico eslovaco não só diretamente do latim, mas, nas últimas décadas, mais frequentemente através do francês ou do inglês (Horecký 1999), tendo passado pelo processo de adaptação por meio do já mencionado sufixo adjetival eslovaco. É significativo que essa incorporação e adaptação subsequente tenham sido possibilitadas e favorecidas por fatores extralinguísticos. Devido a considerações predominantemente históricas, o eslovaco tem sido muito receptivo a palavras novas de origem latina, pelo que a proporção de palavras latinas é elevada, mesmo no léxico geral do eslovaco (Horecký 1999: 81). Atualmente, graças à influência dos meios de comunicação de massa, da internet e das redes sociais, este processo combinado de formação de palavras, que envolve tanto o empréstimo como a derivação, é extremamente produtivo e, por isso, muito pertinente para um estudo linguístico e terminológico. O nosso artigo dá continuidade à nossa investigação anterior sobre o mesmo tema, que se encontra atualmente no prelo (Levičká 2021). Para efeitos de comparação e para maior clareza para o leitor, considerámos necessário incluir um resumo dos raciocínios e resultados anteriores, complementado com novas perspetivas e enquadramento teórico. Assim, algumas das tabelas (1–4), embora já tenham sido apresentadas no nosso primeiro artigo, são aqui reproduzidas. 2. FUNDAMENTAÇÃO TEÓRICA O conceito teórico de produtividade morfológica foi desenvolvido por numerosos investigadores e estudiosos. Uma visão geral das reflexões teóricas e dos estudos anteriores do século 20th foi sintetizada e comentada em vários estudos e artigos, por exemplo, por Jesús Fernández-Dominguez (2013) ou Victoria Hulse (2011). Aqui, centraremos a atenção apenas em algumas considerações teóricas que nos inspiraram e influenciaram a escolha da abordagem e da metodologia. A definição mais antiga aqui citada foi formulada em 1948 pelo linguista norte-americano Dwight L. Bolinger (citado por Säily 2018: 198), que concluiu que a produtividade era a «disponibilidade estatisticamente determinável4 com que um elemento participa em novas combinações». 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 As expressões ou palavras assinaladas a negrito representam as características principais da nossa investigação. Terminologija | 2021 | 28 57 Por último, mas não menos importante, gostaríamos de fazer referência à investigação sobre formação de palavras do linguista checo Miloš Dokulil, que apresentou uma teoria complexa da produtividade da formação de palavras na sua obra Teorie tvoření slov, em 1962. Em primeiro lugar, Dokulil definiu, em geral, a produtividade de um recurso linguístico como a «capacidade desse recurso linguístico (seja ele uma base, um afixo ou um padrão de formação de palavras) para participar ativamente na criação de novas palavras» (1962: 78). Especificou que essa capacidade pode ser absoluta, isto é, a sua possibilidade de utilização na criação de novas palavras em qualquer momento e segundo qualquer padrão de formação de palavras, ou relativa, sendo também dependente da semântica — ou, mais precisamente, do estilo — e do padrão de formação de palavras. Na teoria de Dokulil, a produtividade é um «conceito de natureza sincrónica, enquanto a concretização dessa capacidade — a criação de novas palavras segundo regras específicas — é, pelo contrário, um conceito de natureza diacrónica» (1962: 80). Dokulil distinguiu também entre produtividade sistémica e produtividade empírica (também designada «parole» ou «produtividade real» por František Štícha 2012)), que proporciona uma «ideia geral do aproveitamento global de um padrão específico de formação de palavras ou de um recurso linguístico no sistema de uma língua num dado momento» (Dokulil 1962: 80). Dokulil considerava que até mesmo «dados aproximativos relativos à utilização quantitativa de um determinado processo ou elemento de formação de palavras são de importância fundamental para a imagem global de uma língua em geral e, em particular, para a caracterização do seu léxico» (Item: 77). Entre os linguistas checos contemporâneos que se apoiam na teoria da produtividade de Dokulil e verificam as suas hipóteses com base em dados de corpora (ver, por exemplo, Štícha 2002, 2007, 2009, 2012 ou Magda Ševčíková 2014), Štícha propõe a análise da produtividade empírica/parole não apenas em grandes corpora, mas também por meio de uma série de corpora de diferentes dimensões e composições (2012: 104). Pode afirmar-se que as hipóteses de Dokulil relativas à produtividade relativa encontraram eco em Harald Baayen e noutros autores, cujos métodos e abordagens serão referidos mais adiante nesta análise. Em 1999, Baayen e os seus colegas Ingo Plag e Christiane Dalton-Puffer escreveram que «as afirmações sobre a produtividade de um determinado afixo são geralmente feitas sem distinguir a produtividade em função do tipo de discurso, embora se suponha comummente que certos tipos de sufixos derivacionais sejam mais pertinentes em certos tipos de textos do que noutros» (1999: 209). Com a disponibilidade de grandes corpora, é possível medir, identificar e analisar a produtividade de um padrão ou elemento de formação de palavras não só na língua geral num dado momento, mas também em domínios e registos especializados. 58 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 3. INVESTIGAÇÃO ANTERIOR Em consonância com o raciocínio e as hipóteses dos linguistas citados na parte anterior, formulámos, no início da nossa investigação, três questões de investigação fundamentais, destinadas a identificar a produtividade morfológica dos sufixos adjetivais: 1) A produtividade morfológica dos sufixos adjetivais individuais do grupo selecionado difere entre os textos gerais e os especializados? E essas diferenças são estatisticamente significativas? 2) A produtividade morfológica dos sufixos adjetivais individuais do grupo selecionado pode variar consoante o domínio específico? Alguns desses cinco sufixos são mais «aptos» a contribuir para a codificação de conceitos próprios de determinado campo ou domínio? 3) Que métodos são pertinentes para esta análise específica de dados de corpora? Em primeiro lugar, devido à especificidade deste tipo de padrão de formação de palavras base latina + sufixo latino + sufixo etimologicamente nativo, decidimos deixar de lado a análise qualitativa que envolve os limites e as regras que regem a combinação de bases latinas individuais com um dos sufixos adjetivais selecionados no contexto da língua eslovaca. Embora a abordagem quantitativa não possa fornecer uma imagem completa do estado de produtividade de um sufixo ou de qualquer outra forma morfológica, a sua contribuição para este tipo de investigação reside em apresentar a perspetiva e o contexto de uso das palavras cunhadas segundo um padrão específico, juntamente com comparações específicas com formas semântica e funcionalmente equivalentes. É geralmente aceite que a abordagem quantitativa na análise da produtividade morfológica constitui um método complementar significativo da investigação qualitativa (ver, por exemplo, Evert and Lüdeling 2001). Como afirma Plag: «as noções quantitativas e qualitativas de produtividade [...] estão estreitamente relacionadas. Assim, a ideia de potencialidade, central nas definições qualitativas de produtividade, pode ser expressa em termos estatísticos de probabilidade» (citado por Naccarato 2016: 135). Do mesmo modo, Baayen e os seus coautores defendem que a produtividade «parece ser um conceito escalar [...] com alguns afixos é mais provável encontrar palavras recém-formadas do que com outros, um facto que faz da produtividade uma noção probabilística suscetível de análise estatística» (1999: 10). Terminologija | 2021 | 28 59 3.1. Métodos estatísticos Na etapa 1 da nossa análise, seguimos o caminho metodológico já bem estabelecido por Harald Baayen e pelos seus colegas e seguidores (1991, 1992, 1993, 1994, 1996, 1997). Identificámos a chamada produtividade realizada, isto é, a frequência de uso dos adjetivos formados com os sufixos selecionados, bem como o número de adjetivos diferentes formados com esses sufixos em diferentes corpora. Estas estatísticas de corpus delineiam a produtividade dos sufixos em relação à situação linguística passada e presente. O passo seguinte consistiu em determinar a produtividade potencial dos sufixos analisados, isto é, uma estimativa da taxa a que se espera que surjam novos tipos5. Baayen (2009: 7) sugere calculá-la como a proporção de hapax legomena6 com o afixo X em relação a todos os tokens com o afixo X num corpus. O uso de hapax legomena para calcular a produtividade tem sido amplamente criticado, pois este grupo não representa diretamente as novas formações que se supõe refletirem a produtividade de um elemento ou padrão. Plag, Dalton-Puffer e Baayen argumentam que a produtividade potencial é uma medida probabilística e que, à medida que o tamanho de um corpus aumenta, «a proporção de neologismos entre os hapax legomena aumenta, e demonstrou-se que é precisamente entre os hapax legomena que surge o maior número de neologismos» (1999: 12). Na etapa anterior da nossa investigação, optámos por não utilizar o método hapax/token, mas adotámos o método hapax/type, em consonância com o raciocínio de van Marle (1992), segundo o qual a frequência de tokens não é uma variável tão relevante numa medida de produtividade como o número de lemas. No entanto, o inconveniente mais grave desta medida é a impossibilidade de comparar dados estatísticos de corpora de dimensões diferentes (Naccarato 2016: 133). Voltaremos a esta questão na Parte 5. 3.2. Corpora utilizados na análise7 Os três corpora e os três subcorpora utilizados nesta análise foram disponibilizados pelo Departamento do SNC entre 2013 e 2020 e estão acessíveis a todos os utilizadores registados. 5 Na linguística de corpus, os tipos representam palavras únicas e são sinónimos de lemas (Baker et al. 2006). 6 Hapax legomena (expressão de origem grega que significa «dito uma vez»), também abreviado como hapax, é uma palavra que ocorre apenas uma vez num determinado corpus (Baker et al. 2006). 7 A maior parte desta secção provém do artigo que descreve a etapa anterior da nossa investigação (Levická 2021); no entanto, esta repetição é necessária para explicar a natureza dos dados do corpus. 60 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited O primeiro corpus de referência (prim-7.0-frk), com mais de 253 milhões de tokens, é composto por partes iguais de textos jornalísticos, especializados e ficcionais (64.12% deles foram originalmente escritos em eslovaco, enquanto 29.51% são traduções), escritos entre 1991–2015. O corpus foi utilizado na compilação de dois dicionários de frequência do eslovaco (2017, 2018), bem como do dicionário inverso (2018). O segundo corpus, prim-9.0-public-prf, é um subcorpus disponível publicamente do corpus primário do projeto SNC (doravante designado subcorpus científico). Compilado a partir de textos especializados, académicos e de não ficção, este subcorpus contém mais de 149 milhões de tokens e documentos, bem como regista o discurso geral da ciência e da investigação, incluindo o jornalismo especializado. Os seus textos foram escritos entre 1955–2019. A percentagem de textos escritos entre 1955–1991 é de 8.7% (mais de 13 milhões de tokens). O menor (sub)corpus de todos os corpora pesquisados resulta da filtragem do corpus primário do projeto SNC [9], versão 9.0. É constituído por textos da área da medicina, escritos entre 1976–2019, e compreende pouco mais de 7 milhões de tokens. A percentagem de textos escritos entre 1955–1991 é de 1.09%. Ao longo do texto, referir-nos-emos a ele como subcorpus médico. Para obter uma fonte comparável, proveniente de outros corpora especializados e do corpus de referência, o corpus especializado legal-1.1 (doravante designado subcorpus jurídico), criado em cooperação com o Ministério da Justiça da Eslováquia, foi limitado a textos legislativos produzidos no período de 1991–2011. Os seus quase 49 milhões de tokens foram assim reduzidos a 33.5 milhões de tokens. O corpus especializado – blf-2.0 –, centrado no domínio religioso, foi publicado em 2014. Os seus textos compreendem quase 66 milhões de tokens escritos entre 1989–2014 (doravante designado corpus religioso). É composto por mais de 80% de revistas e jornais temáticos. Do mesmo modo, o corpus especializado ecn-2.0-public (doravante designado corpus económico), dedicado ao domínio da economia, inclui até 96.24% de textos especializados publicados em revistas e jornais temáticos. Os textos deste corpus datam de 1992–2014 e compreendem quase 165 milhões de tokens. No entanto, importa notar que estes corpora são heterogéneos e abrangem uma grande variedade de textos. Terminologija | 2021 | 28 6 1 No que diz respeito à pesquisa nos corpora, não baseámos as consultas na etiquetagem morfológica fornecida para cada um dos (sub)corpora incluídos na análise, uma vez que, no caso das palavras de origem latina, a etiquetagem se revelou inadequada e incorreta. Por conseguinte, optámos por uma pesquisa simples da terminação específica de um token, por exemplo, [lemma=“. *álny“], combinada com a filtragem automática de palavras que, por acaso, contêm a mesma sequência de caracteres (ver Parte 4.1). 3.3. Resultados da etapa anterior Na etapa anterior, os dados estatísticos dos corpora permitiram-nos criar uma classificação da produtividade realizada dos sufixos analisados. O sufixo -álny é, indiscutivelmente, o mais utilizado em todos os (sub)corpora, enquanto -órny se encontra no extremo oposto do eixo de frequência em 5 (sub)corpora. Como se pode observar pelas frequências normalizadas de uso de quatro dos cinco sufixos, estes ocorrem com maior frequência em textos especializados e académicos (subcorpus científico) do que no corpus de referência. É também digno de nota que as frequências normalizadas dos sufixos no subcorpus médico são iguais ou consideravelmente superiores ao ipm no subcorpus científico, ao passo que o ipm dos sufixos (ocorrências por milhão) no corpus religioso é manifestamente inferior ao do corpus de referência. Isto pode explicar-se, em parte, pelo tipo de textos incluídos nesses (sub)corpora. Tabela 2. Frequência e frequência normalizada (IPM, ocorrências por milhão) dos sufixos analisados nos respetivos (sub)corpora. Os corpora estão ordenados do menor para o maior SUFIXO SUBCORPUS MÉDICO SUBCORPUS JURÍDICO CORPUS RELIGIOSO SUBCORPUS CIENTÍFICO CORPUS ECONÓMICO CORPUS DE REFERÊNCIA 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 SUFIXO SUBCORPUS MÉDICO SUBCORPUS JURÍDICO SUBCORPUS RELIGIOSO SUBCORPUS CIENTÍFICO CORPUS ECONÔMICO CORPUS DE REFERÊNCIA 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 A ordenação dos corpora na Tabela 3, que apresenta o número de palavras diferentes cunhadas com os sufixos analisados, permite-nos comparar a variabilidade das cunhagens, primeiro entre a língua geral e a especializada e, em segundo lugar, desde o menor corpus médico até ao maior corpus econômico. A tabela apresenta a produtividade realizada de Baayen dos sufixos analisados. Em todos os (sub)corpora, -álny representa o sufixo mais frequentemente utilizado, aparecendo em diferentes tipos; o menor número de tipos ou lemas foi identificado com o sufixo -órny. Os sufixos -itný e -órny parecem sobrepor-se na maioria dos (sub)corpora; a sua distinção mais subtil exige um teste de significância. No entanto, não é possível uma comparação efetiva entre corpora, uma vez que a tabela apresenta contagens absolutas de tipos. Tabela 3. Número de lemas num dado (sub)corpus SUFIXO CORPUS DE REFERÊNCIA SUBCORPUS CIENTÍFICO SUBCORPUS MÉDICO SUBCORPUS JURÍDICO CORPUS RELIGIOSO CORPUS ECONÔMICO -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 Os resultados relativos à estimativa da produtividade potencial apresentados na Tabela 4 são bastante variados, como indica a ordenação dos sufixos. Terminologija | 2021 | 28 63 Tabela 4. Proporções hapax/tipo num dado (sub)corpus. Os sufixos em cada subtabela estão listados por ordem decrescente da proporção PROPORÇÃO HAPAX/TIPO corpus de referência subcorpus científico subcorpus médico -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 subcorpus jurídico corpus religioso corpus económico -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 O sufixo mais produtivo em até três corpora é -órny. Nos três (sub)corpora restantes, a classificação é liderada duas vezes por -ózny e uma vez por -itný. Além disso, o mesmo sufixo -órny parece ser, em geral e em textos médicos, potencialmente o menos produtivo. Em até três (sub)corpora, é o sufixo -itný que ocupa o último lugar na classificação de produtividade. De modo semelhante, o último lugar na classificação de produtividade dos textos económicos é ocupado pelo sufixo -árny. 4. QUESTÕES DE PESQUISA DA ANÁLISE APRESENTADA A etapa anterior da nossa pesquisa indicou diferenças notáveis na produtividade morfológica dos sufixos analisados, dependendo tanto do tipo de língua como dos domínios. No entanto, uma questão foi respondida apenas parcialmente e deu origem a uma nova: 1. Vale a pena analisar lemas de baixa frequência em busca de neologismos? De facto, vários investigadores sugerem que a distribuição de frequência das palavras dos afixos produtivos deverá apresentar um claro desvio em direção aos lemas de baixa frequência, que incluem novas criações. 64 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 2. Como já salientámos nas secções anteriores, os resultados relativos à produtividade potencial dos sufixos analisados não podem ser comparados entre corpora. Por conseguinte, é necessário identificar um método estatístico adequado que permita efetuar essa comparação. 4.1. Limpeza manual dos dados Tanto a etapa anterior como a atual da nossa análise baseiam-se em dados limpos manualmente. Vários investigadores salientaram a importância deste processo moroso e trabalhoso. Evert e Lüdeling afirmaram (e provaram) que este é um pré-requisito para uma avaliação estatística de qualidade, não apenas quando se empregam medidas mais sofisticadas (2001: 168). A limpeza manual é mais do que importante por três razões: a primeira decorre da natureza dos dados de corpus. Em primeiro lugar, os dados de corpus geralmente contêm uma proporção bastante elevada de erros tipográficos, sobretudo entre os lemas de baixa frequência. Em segundo lugar, os corpora apresentam erros ortográficos que ocorrem com frequência, em particular, em palavras de origem latina. Em terceiro lugar, foi necessário agrupar os lemas com o sufixo X que diferiam apenas pelo uso ou não uso de hífen, bem como os lemas com letras iniciais maiúsculas e minúsculas (que não eram nomes próprios), distinguidos pela lematização automática utilizada no projeto SNC. O resultado desta etapa da nossa limpeza manual pode ser observado na Tabela 5, onde a proporção média de hapaxes para os sufixos analisados varia entre 24 e 30% do número total de lemas com um determinado sufixo. No entanto, menos de 5% dos lemas (possíveis neologismos) restaram no caso de -itný em textos jurídicos; em contrapartida, restaram 40% ou mais com o sufixo -órny em textos religiosos e científicos gerais e com o sufixo -ózny em textos económicos e, surpreendentemente, nos textos do corpus de referência. Estas proporções podem ser indicativas da (im)produtividade de um determinado corpus. Como afirmam Baayen e coautores, o número de hapaxes de elementos produtivos pode atingir até metade do tamanho do vocabulário observado num «corpus suficientemente grande» (1999: 11). A segunda razão para a limpeza manual foi filtrar os dados de corpus extraídos, a fim de obter listas de neologismos com os sufixos analisados. Por conseguinte, excluímos os lemas que 1) incluem incidentalmente a mesma sequência de caracteres que os sufixos analisados; 2) podem ser encontrados em dicionários gerais de eslovaco e no Dicionário de Palavras Estrangeiras8, isto é, 8 Utilizámos a ferramenta de pesquisa integrada do portal de dicionários https://slovnik.juls.savba.sk/. Terminologija | 2021 | 28 65 Tabela 5. Proporção de hapaxes (neologismos potenciais) num dado (sub)corpus após a 1.ª etapa de limpeza manual PROPORÇÃO DE HAPAXES COM UM SUFIXO ESPECÍFICO APÓS A 1.ª ETAPA DE LIMPEZA MANUAL sufixo subcorpus médico subcorpus jurídico corpus religioso subcorpus científico corpus económico corpus de referência -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% portanto, não são neologismos; 3) foram encontradas nos dois corpora mais extensos do SNC9 – essas lemas têm de ter ocorrido pelo menos três vezes em pelo menos um deles, desde que essas ocorrências provenham de três fontes diferentes e de três anos diferentes. Este último princípio de filtragem foi estabelecido porque as palavras em análise, com um dos sufixos analisados, tendem a ser termos de domínios especializados e não dispomos de dicionários especializados atualizados em eslovaco. Importa reconhecer que as listas de lemas resultantes representam apenas neologismos potenciais. Os resultados podem ser consultados nas colunas intituladas Proporção de neologismos potenciais entre os hapaxes nas tabelas 6 e 7. Em comparação com a Tabela 5, a proporção de neologismos potenciais foi consideravelmente reduzida. 4.2. Neologismos em lemas de baixa frequência Para responder à primeira questão de investigação, realizámos o mesmo procedimento de filtragem utilizado para a lista de hapaxes. Nas tabelas 6 e 7, apresentamos as percentagens (calculadas a partir do número total de lemas com um determinado sufixo, cf. Tabela 3) de potenciais neologismos entre os lemas de baixa frequência que ocorrem 4–2 vezes nos (sub)corpora e, ao lado, as percentagens de potenciais neologismos no grupo dos hapaxes. Embora a proporção de potenciais neologismos apresente pequenos aumentos nos textos especializados e académicos para cada sufixo analisado, devido à inclusão 9Por enquanto, estes são os maiores corpora do projeto SNC: o corpus geral prim-9.0-juls-all e o corpus jurídico legal-1.1. 66 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited de potenciais neologismos do grupo de lemas de baixa frequência, os potenciais neologismos no corpus de referência registaram apenas um aumento muito modesto para quatro sufixos, enquanto a percentagem do quinto — -órny — permaneceu estável. Esta situação era expectável, uma vez que é mais provável que novas formações com os sufixos analisados surjam em textos especializados. Tabela 6. Proporção de potenciais neologismos no grupo de lemas de baixa frequência (4–1 ocorrências) e no grupo dos hapaxes, relativamente ao número total de tipos após a limpeza, no corpus geral e no subcorpus científico geral SUFIXO CORPUS DE REFERÊNCIA SUBCORPUS CIENTÍFICO Proporção de potenciais neologismos em lemas de baixa frequência (4–1) Proporção de potenciais neologismos entre hapaxes Proporção de potenciais neologismos em lemas de baixa frequência (4–1) Proporção de potenciais neologismos entre hapaxes -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% No que diz respeito aos neologismos potenciais específicos de domínio, a maior percentagem, semelhante à situação no subcorpus científico, observa-se no corpus económico, onde o sufixo -itný representa até 35% dos neologismos potenciais. Os restantes sufixos neste corpus atingem aproximadamente 25% de neologismos potenciais entre as lemas de baixa frequência. Por outro lado, a percentagem mais baixa de neologismos potenciais foi identificada nos textos jurídicos. Também vale a pena mencionar os casos em que a percentagem duplicou com a inclusão do grupo de lemas de baixa frequência: -órny nos textos médicos, -árny nos textos jurídicos e -itný nos textos religiosos. Ao mesmo tempo, não surpreende que o sufixo -ózny ocupe o primeiro lugar nos textos médicos, pois é um sufixo prototipicamente médico. No entanto, quase a mesma percentagem de novas lemas potenciais com -ózny foi encontrada nos textos económicos. Não houve aumento de neologismos potenciais para o sufixo -itný nos textos médicos e jurídicos, nem para o sufixo -órny também nos textos jurídicos. Terminologija | 2021 | 28 67 Tabela 7. Proporção de neologismos potenciais no grupo de lemas de baixa frequência (4–1 ocorrências) e no grupo de hapax, do número total de tipos após a limpeza nos textos especializados dos quatro domínios SUF–FIXO | SUBCORPUS MÉDICO | SUBCORPUS JURÍDICO | CORPUS RELIGIOSO | CORPUS ECONÓMICO Proporção de neologismos potenciais em lemas de baixa frequência (4–1) | Proporção de neologismos potenciais em hapax | Proporção de neologismos potenciais em lemas de baixa frequência (4–1) | Proporção de neologismos potenciais em hapax | Proporção de neologismos potenciais em lemas de baixa frequência (4–1) | Proporção de neologismos potenciais em hapax | Proporção de neologismos potenciais em lemas de baixa frequência (4–1) | Proporção de neologismos potenciais em hapax -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 a compreensão, acrescentamos também mais uma tabela que apresenta as percentagens de neologismos potenciais no grupo de lemas de baixa frequência. Tabela 8. Diferença percentual de neologismos potenciais entre o grupo de lemas de baixa frequência (4–1 ocorrências) e o grupo de hapax, do número total de tipos após a limpeza PROPORÇÃO DE NEOLOGISMOS POTENCIAIS ENTRE LEMAS DE BAIXA FREQUÊNCIA (4–2 OCORR.) sufixo | corpus de referência | 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 fim, a última tabela apresenta a classificação dos sufixos nos respetivos (sub)corpora, após a aplicação repetida da fórmula adaptada da etapa anterior – proporção de lemas de baixa frequência com um dado sufixo/número de tipos com 68 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Tabela 9. Diferença na proporção de neologismos potenciais entre o grupo de lemas de baixa frequência (4–1 ocorrências) e o número de tipos. A classificação dos sufixos destacados mudou em comparação com a Tabela 4 PROPORÇÃO DE LEMAS DE BAIXA FREQUÊNCIA/TIPOS corpus de referência 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 econômico -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 um dado sufixo. Em comparação com a Tabela 4, a classificação mudou em todos os (sub)corpora, exceto no corpus de referência. Assim, parece que a inclusão de lemas de baixa frequência se mostrou proveitosa. O sufixo -órny é o mais produtivo em dois corpora (em comparação com três na Tabela 4), enquanto -ózny permaneceu no topo de duas classificações e -itný no topo da classificação do corpus econômico. No corpus jurídico, o sufixo mais produtivo parece ser -árny, ao passo que esse mesmo sufixo é simultaneamente o menos produtivo nos textos médicos e econômicos. A última posição nas classificações de produtividade é ocupada pelo sufixo -órny tanto no corpus de referência quanto nos textos médicos, pelo sufixo -ózny nos textos científicos gerais, e o sufixo -itný permaneceu como o menos produtivo nos corpora jurídico e religioso. 5. COMPARAÇÃO DA PRODUTIVIDADE ENTRE (SUB)CORPORA Como apontamos na Parte 3.1, as medidas estatísticas que utilizam frequências brutas e contagens de tipos nos impediram de comparar resultados anteriores provenientes de diferentes (sub)corpora. Se concordarmos com a afirmação, ou melhor, com a hipótese de que a produtividade de qualquer elemento de formação de palavras ou Terminologija | 2021 | 28 69 padrão pode ser inferida a partir de novas formações (e, ao mesmo tempo, demonstramos na Parte 4.2 que essas novas formações podem ocorrer não apenas entre os hapax, mas também entre os tipos de baixa frequência), é possível basear análises posteriores nas distribuições de frequência das palavras e nos espectros de frequência. Por “espectro de frequência” entendemos uma lista que informa quantos tipos de uma lista de frequências podem ser observados (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). Para esse propósito de modelagem estatística, Baayen introduziu em 2001 as chamadas distribuições LNRE10. A vantagem desses modelos especializados está na possibilidade de extrapolar as estatísticas tipo-token de uma amostra específica para quantidades maiores de tokens e, assim, estimar neologismos potenciais fora dessa amostra. Eles se baseiam nos tamanhos de vocabulário previstos, obtidos a partir de uma contagem de tipos de baixa frequência no corpus. Um dos resultados dessa modelagem são as curvas de crescimento do vocabulário, ou melhor, as curvas de crescimento tipo-token, que contabilizam o número de tipos em função do número de tokens. A forma típica dessa curva para um processo improdutivo começa com uma subida, mas depois “se achata e converge para um valor constante, o tamanho total do vocabulário” (2001: 168). Em contrapartida, um padrão produtivo típico apresenta um vocabulário infinito, isto é, a curva parece crescer indefinidamente. Ao empregar as distribuições LNRE, é possível estimar o número de tipos em quantidades maiores de textos e até mesmo o número de tipos 10 A teoria LNRE (teoria dos grandes números de eventos raros, como área independente da estatística) tem sua origem em 1988, quando o estatístico georgiano Estate Khmaladze publicou The statistical analysis of a large number of rare events. Como escreveu seu aluno Giorgi Kvizhinadze: “A característica comum dos exemplos que apresentaremos abaixo é que, juntamente com vários eventos frequentes, há também um número muito grande de eventos muito raros, digamos, com frequência 0,1,2. A quantidade total desses eventos raros, em comparação com o número de observações, normalmente não é grande, mas o número desses eventos entre todos os diferentes eventos observados é sempre muito significativo. Esses eventos raros são geralmente muito importantes. Por exemplo, o número de palavras usadas apenas uma vez no livro pode ser considerado sem importância vital para esse livro, mas é muito claro que essas palavras são absolutamente importantes porque constituem metade do vocabulário do autor” (2010). 70 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited de um padrão de formação de palavras em toda a «população», isto é, numa língua enquanto tal. Ao mesmo tempo, é possível estimar ou prever o número de tipos em amostras do mesmo tamanho extraídas de corpora maiores. Como mencionado na Parte 4.1, este procedimento estatístico também exige contagens de qualidade de tipos e tokens; caso contrário, o cálculo do tamanho estimado do vocabulário ou dos tipos seria erróneo — em vez de se estabilizar e convergir para um valor constante, a curva poderia continuar a crescer. 5.1. As distribuições LNRE Decidimos aplicar os modelos LNRE para identificar11 a produtividade em corpora de diferentes dimensões, em parte devido à existência de uma ferramenta de código aberto disponível em linha — ZipfR, desenvolvida por Evert e Marco Baroni (2007). Esta ferramenta de código aberto inclui vários modelos, dos quais utilizámos o modelo finito de Zipf-Mandelbrot (fZM), baseado na lei de Zipf-Mandelbrot12. Como afirmam os autores, a sua utilização vai além da linguística. O ZipfR aceita vários formatos de entrada, incluindo listas simples de frequências e amostras em texto simples, no formato de um token por linha. Pudemos utilizar listas de frequências do nosso estudo anterior, que tinham sido submetidas à limpeza manual da etapa 1st (cf. Parte 4.1), o que representou outra vantagem deste método. As nossas listas de frequências foram submetidas a 4 operações básicas (Evert, Baroni 2007): (i) estimação dos parâmetros, na qual os parâmetros do modelo LNRE M são determinados a partir de uma amostra de treino de dimensão, comparando o espectro de frequências esperado com o espectro de frequências observado; (ii) avaliação da qualidade do ajustamento, baseada na matriz de covariância do número de tipos e do número de tipos que ocorrem exatamente m vezes; (iii) interpolação e extrapolação do crescimento do vocabulário, utilizando os valores esperados; (iv) previsão do espectro de frequências esperado para uma dimensão de amostra arbitrária. Como salientaram Evert e Baroni (2007), esta modelação não se centra nas frequências de tipos de palavras individuais, «mas antes na distribuição dessas frequências (numa amostra) e probabilidades (na população)». 11 Gostaríamos de agradecer a ajuda inestimável do nosso colega Ján Mášik, que assegurou a implementação do modelo fZM nos dados do nosso corpus. 12 Para uma descrição abrangente da lei de Zipf-Mandelbrot, o leitor poderá consultar, por exemplo, Baroni 2009. Terminologija | 2021 | 28 71 5.2. Aplicação das distribuições LNRE e avaliação A ferramenta ZipfR forneceu-nos espectros de frequência de palavras e curvas tipo-token para cada sufixo em cada (sub)corpus. Devido à falta de espaço, apresentamos apenas os gráficos com curvas tipo-token ajustadas para terem a mesma escala no eixo x. O eixo y difere, pois depende da contagem real de tipos para um sufixo específico num dado (sub)corpus, da qual resulta. Propomos comparar os pares de gráficos e, por fim, avaliar a produtividade dos sufixos nos dados do nosso corpus. O eixo x representa o número de tokens, enquanto o eixo y mostra o número (esperado) de tipos diferentes produzidos pelo padrão de formação de palavras que contém um dos sufixos analisados. Ambos os corpora, o de referência e o científico, apresentam a mesma classificação dos sufixos, encabeçada pelo sufixo -álny e terminada pelo sufixo -órny. No corpus de referência, a curva de três sufixos -álny, -árny, -ózny cresce e, assim, indica a sua produtividade, enquanto as curvas de -itný e, em particular, -órny se tornam planas. No subcorpus científico, dois sufixos podem ser considerados produtivos: -álny e -árny. As curvas dos três restantes (-ózny, -itný, -órny) crescem muito lentamente, mas mostram tendência a estabilizar no final do eixo x abrangido pelo gráfico. Os gráficos do subcorpus médico e do corpus jurídico mostram apenas um sufixo produtivo: -álny13. No subcorpus médico, tanto -árny como -ózny se estabilizam muito rapidamente (possivelmente, atingem o tamanho máximo do vocabulário) e, embora -itný e -órny cresçam lentamente, mas de forma constante, ultrapassam o patamar dos 100 tipos e possivelmente estabilizam abaixo do patamar dos 200 tipos. O sufixo -álny nos textos jurídicos aproxima-se do patamar dos 350 tipos, enquanto nos textos médicos atinge o patamar dos 800 tipos (cf. a escala no eixo y). No entanto, no corpus jurídico, a classificação difere ligeiramente: o sufixo -itný ocupa o terceiro lugar, ultrapassando o sufixo -ózny, que parece quase completamente improdutivo, com a curva a correr paralela ao eixo x. O último sufixo, -órny, apresenta uma subida muito lenta e uma tendência subsequente para estabilizar. Embora o gráfico do corpus religioso mostre três sufixos produtivos -álny, -árny e -ózny, é digno de nota que os cinco sufixos analisados parecem ser produtivos nos textos económicos. A classificação dos sufixos mantém-se igual em ambos os corpora. 13 Estes dois gráficos não incluem a curva de interpolação do sufixo -álny. A razão para isso reside no ajuste e na uniformização da escala do eixo x para todos os (sub)corpora, o que não permitiu criar este tipo de curva. 7 2 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Fig. 1. Curvas de crescimento do vocabulário dos sufixos analisados no corpus de referência Fig. 2. Curvas de crescimento do vocabulário dos sufixos analisados no subcorpus científico Fig. 3. Curvas de crescimento do vocabulário dos sufixos analisados no corpus médico Fig. 4. Curvas de crescimento do vocabulário dos sufixos analisados no corpus jurídico No corpus religioso, ambas as curvas de –itný e –órny estabilizam-se bem abaixo do ponto de 100 tipos. Se resumirmos as conclusões acima sobre a produtividade dos sufixos analisados nos dados dos nossos corpora, podemos afirmar que o sufixo mais produtivo é –álny, que ocupa o primeiro lugar em todos os (sub)corpora. Sua produtividade parece ser maior no subcorpus de textos científicos e acadêmicos e no subcorpus médico, seguidos pelo corpus de referência (a curva dirige-se ao ponto de 700 tipos), pelo religioso Terminologija | 2021 | 28 73 Fig. 5. Curvas de crescimento do vocabulário dos sufixos analisados no corpus religioso Fig. 6. Curvas de crescimento do vocabulário dos sufixos analisados no corpus econômico corpus (a curva ultrapassa o ponto de 600 tipos), pelo corpus econômico (a curva dirige-se ao ponto de 500 tipos) e, por fim, pelo corpus jurídico (em seu ponto mais alto, a curva aproxima-se do ponto de 350 tipos). O sufixo -árny vem em segundo lugar e apresenta produtividade em 4 dos 6 (sub)corpora. O formato das curvas sugere que ele é improdutivo nos textos jurídicos e médicos. A maior produtividade desse sufixo pode ser observada no subcorpus de textos científicos e acadêmicos (a curva ultrapassa o ponto de 400 tipos), seguido pelo corpus de referência (a curva ultrapassa o ponto de 300 tipos), enquanto nos textos religiosos e econômicos a curva se mantém próxima do ponto de 300 tipos. Da mesma forma, o sufixo -ózny parece ser produtivo em 4 dos 6 corpora. Curiosamente, parece ser improdutivo nos mesmos (sub)corpora que o sufixo -árny – nos corpora jurídico e médico. É mais produtivo nos textos econômicos, em que a curva ultrapassa amplamente o ponto de 200 tipos, seguido pelo corpus de referência, em que a curva ultrapassa esse mesmo ponto; nos outros dois corpora, a curva ou toca esse ponto, mas parece estabilizar-se ali (prim-9.0-public-prf), ou apenas se dirige a esse ponto no corpus religioso. Além disso, o sufixo -itný parece ser produtivo em 4 dos 6 corpora. A curva que se estabiliza, indicando improdutividade, pode ser observada nos gráficos dos corpora jurídico e religioso. É mais produtivo nos textos econômicos, em que a curva ultrapassa amplamente o ponto de 100 tipos, enquanto nos três (sub)corpora restantes ultrapassa esse ponto e segue abaixo. 74 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited O último sufixo na classificação -órny também é produtivo em 4 dos 6 corpora. A sua improdutividade foi identificada nos corpora de referência e religiosos. A sua produtividade máxima ocorre nos textos médicos e económicos, onde a curva ultrapassa o ponto de 100 tipos; nos textos académicos e científicos, a curva aproxima-se desse ponto, e nos textos jurídicos mal ultrapassa o ponto de 25 tipos. Em conclusão, pode dizer-se que os sufixos analisados são mais produtivos em textos científicos e académicos ou em textos de domínios especializados (economia ou medicina), o que não surpreende, tendo em conta a sua etimologia. A sua produtividade, ou melhor, o grau de produtividade, difere consideravelmente entre (sub)corpora. Talvez a observação mais interessante seja a improdutividade de três sufixos no domínio jurídico e a produtividade mais baixa dos dois sufixos restantes nesse mesmo domínio. Isso poderia indicar que os textos jurídicos não favorecem a criatividade lexical na formação de novos adjetivos deste tipo. Em comparação com a Parte 4, a diferença na classificação dos sufixos pode ser parcialmente explicada pelo fenómeno observado por Václav Cvrček (2012) relativo à proporção de tipos hapax. De acordo com as experiências de Cvrček, esta proporção tende a diminuir a partir do seu valor máximo de 1 até ao seu mínimo local (ibid: 5). No entanto, depois desse ponto, a proporção volta a aumentar. Cvrček considera-a “uma espécie de princípio quantitativo geral aplicável a grandes coleções de textos” (ibid: 14). A forma da função de tipos hapax parece ser aproximadamente a mesma mesmo em línguas tipologicamente diferentes; contudo, a dimensão de uma amostra textual depende do tipo de língua. Para atingir o ponto mínimo da proporção de tipos hapax, Cvrček afirma que um corpus de inglês deve conter pelo menos 3 milhões de tokens, enquanto um corpus de checo (e acreditamos que também um de eslovaco, devido à relação tipológica entre as duas línguas) deve conter até 58 milhões de tokens. Como dois subcorpora da nossa análise são menores do que o limite estabelecido por Cvrček, a sua proporção de tipos hapax situa-se na parte descendente da função de tipos hapax. 6. CONCLUSÃO Na continuação da nossa investigação, centrada na produtividade de sufixos selecionados em diferentes corpora e domínios, conseguimos responder às duas questões apresentadas na Parte 4. 1. Conseguimos demonstrar que as lemas de baixa frequência extraídas de um corpus incluem também neologismos potenciais e que, embora a sua distribuição Terminologija | 2021 | 28 75 possa variar entre os dados do corpus, podem alterar a classificação da produtividade baseada na fórmula hapax/tipo. 2. Identificámos e aplicámos a modelação estatística para avaliar a produtividade entre corpora – distribuições LNRE. Ao introduzirmos os dados do nosso corpus na ferramenta de código aberto, obtivemos uma modelação visual da produtividade que nos permitiu afirmar que a produtividade dos sufixos analisados difere não só quando se comparam textos gerais e científicos, mas também entre diferentes domínios especializados. Acreditamos que a modelação mostra claramente o potencial real de cada um dos sufixos analisados para produzir novos tipos no respetivo domínio. No entanto, os resultados e a classificação das Partes 4 e 5 deste artigo são, em grande medida, incomparáveis entre si, porque o primeiro se baseia diretamente em dados brutos – a contagem de tipos e hapaxes ou de tipos de baixa frequência num (sub)corpus específico –, enquanto o segundo se baseia nos espectros de frequência esperados para cada (sub)corpus. Em suma, enquanto o primeiro representa dados efetivos, o segundo procura estimar a produtividade de um elemento na língua específica enquanto tal. Assim, em corpora maiores de textos médicos e jurídicos, deveríamos identificar mais hapaxes, o que poderia resultar numa classificação diferente dos sufixos. As nossas hipóteses poderiam eventualmente ser verificadas em futuras investigações, mediante a análise de corpora mais extensos que incluíssem uma amostra representativa dos tipos de texto pertinentes para domínios específicos, uma vez que os géneros textuais também podem desempenhar um papel na produtividade morfológica de um elemento. Considerando que nem o maior corpus conteria todas as palavras, acreditamos ser mais razoável avaliar a produtividade morfológica de qualquer elemento por meio de métodos mais sofisticados do que a contagem bruta de tipos ou tokens. Em conclusão, pode dizer-se que somos capazes de identificar a produtividade passada de um padrão ou elemento de formação de palavras. Podemos também fornecer diferentes estimativas da sua exploração futura, isto é, da produtividade potencial de Baayen. Além disso, mesmo que completemos as medidas estatísticas com uma análise qualitativa, devemos ter em consideração mais um facto: como Fernández-Domínguez argumenta acertadamente, as previsões probabilísticas da produtividade morfológica devem ser entendidas no contexto de fatores extralinguísticos e, em particular, daqueles que envolvem as necessidades de nomeação de uma comunidade linguística. “Se não existir uma necessidade de nomeação, não pode ocorrer formação produtiva de palavras” (Fernández-Domínguez 2013: 438). 76 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited AGRADECIMENTOS O artigo foi escrito no âmbito do projeto do Corpus Nacional Eslovaco, apoiado pela Academia Eslovaca de Ciências, pelo Ministério da Educação, Ciência, Investigação e Desporto da República Eslovaca, pelo Ministério da Cultura da República Eslovaca e pelo Instituto de Linguística Ľudovít Štúr da Academia Eslovaca de Ciências. LISTA DE FONTES Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Disponível em: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Disponível em: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Disponível em: https://korpus.sk. Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Disponível em: https://korpus.sk. Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Disponível em: https://korpus.sk. Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Disponível em: https://korpus.sk. Portal de dicionários do Instituto de Linguística Ľ. Štúr da SAV https://slovnik.juls.savba.sk/. O pacote ZipfR. Disponível em: 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