Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

doi.org/10.35321/term28-03 Slovakçada Uluslararası Sıfat Türetme Eklerinin Kullanımı ve Ampirik Üretkenliği Yeniden İnceleniyor JANA LEVICKÁ Ľ. Štúr Institute of Linguistics, Slovak Academy of Sciences ORCID kimliği: https://orcid.org/0000-0001-6027-604X ÖZET Bu makalede sunulan çalışma, Slovakçada beş Latince kökenli ekin kullanımını ve üretkenliğini inceleyen önceki araştırmanın devamıdır. Analiz, gerçek ve potansiyel üretkenliği iki aşamalı bir karşılaştırmayla ele almaktadır: 1) genel dengeli derlemde bulunan sözcük biçimleri ve lemmalar ile uzmanlık ve akademik metinlerden oluşan genel derlemde bulunanlar karşılaştırılır; 2) uzmanlık ve akademik metinlerden oluşan genel derlemde bulunan sözcük biçimleri ve lemmalar, tıp, hukuk, ekonomi ve din alanlarına ait özel alt derlemlerde bulunanlarla karşılaştırılır. Devam çalışmasının ilk amacı, düşük frekanslı lemmalar arasında alanlar arasındaki üretkenlik farklılıklarına katkıda bulunabilecek yeni türetimlerin bulunup bulunmadığını saptamaktı. İkinci amaç ise farklı büyüklükteki derlemlerdeki üretkenlik verilerinin karşılaştırılmasını sağlayacak uygun bir istatistiksel ölçüt belirleyip uygulamaktı. ANAHTAR KELİMELER: üretkenlik, sıfat, ek, genel derlem, uzmanlık derlemi, hapaks legomenon, düşük frekanslı lemma, çok sayıda nadir olay dağılımı. ÖZET Bu makalede açıklanan çalışma, Slovakçada beş Latince ekin kullanımını ve üretkenliğini inceleyen önceki bir çalışmanın devamıdır. Çalışma, iki aşamalı bir karşılaştırmayla gerçek ve potansiyel üretkenliği belirlemeyi amaçlamaktadır: 1) genel dengeli derlemde bulunan sözcük biçimleri (İng. tokens) ve başsözcük biçimleri ya da lemalar (İng. lemmas), genel uzmanlık ve akademik metinler derleminde bulunanlarla karşılaştırılır; 2) genel uzmanlık ve akademik metinler derlemi ile tıp, hukuk, ekonomi ve din metinlerinden oluşan özel alt derlemdeki sözcük biçimleri ve lemalar karşılaştırılır. Devam çalışmasının temel amacı, farklı alanlardaki üretkenlik farklılıklarına katkıda bulunabilecek yeni sözcüklerin seyrek kullanılan lemalar arasında bulunup bulunmadığını belirlemektir. Çalışma ayrıca, farklı büyüklükteki derlemlerdeki derlem materyalinin üretkenliğini karşılaştırmayı sağlayacak istatistiksel bir ölçüt belirlemeyi ve uygulamayı amaçlamaktadır. ANAHTAR KELİMELER: üretkenlik, sıfat, ek, genel derlem, özel derlem, hapaks, seyrek kullanılan lema, çok sayıda düşük frekanslı olay dağılımı 54 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 1. GİRİŞ Araştırmamızın motivasyonu, terminolojik eş anlamlılığa ve bu daha geniş konu çerçevesinde, çok sözcüklü terimlerin bileşenleri olarak kullanılan eş anlamlı ad kökenli sıfatlara duyulan ilgiden kaynaklanmıştır. Sıfatlara odaklanmak, terminoloji araştırmalarında yeni bir yaklaşım değildir. Sıfatları ele alan ayrıntılı incelemelere, özellikle 1990’lı ve 2000’li yıllarda1 birçok terminoloğun çalışmalarında rastlanabilir. Slovak terminolojisinin tarihinde, Slovakça standart terminolojileri birleştirme ve türetme gereksiniminin tetiklediği, sıfat merkezli çalışmalara 1950’lerden itibaren rastlanmaktadır (ör. Ján Horecký 1956). Sıfatların terminolojide ve özel amaçlı dillerdeki önemi, derlemlerin sunduğu istatistiksel verilerle de gösterilebilir. Slovak Ulusal Derlemi projesinden (bundan böyle yalnızca SNC projesi) ortaya çıkan uzmanlık derlemlerinin çoğunda sıfat oranı, karşılaştırma derlemine (prim-7.0-frk), yani eşit miktarda kurmaca, uzmanlık ve gazetecilik metninden oluşturulan derleme kıyasla daha yüksektir2. Tablo 1’de görülebileceği üzere, bu fark dinî derlemin (blf-2.0) istisna olduğu durumda (sıfat oranının karşılaştırma derlemiyle yaklaşık aynı,%7,46 olduğu durumda) neredeyse%2’dir. Tablo 1’in ikinci satırında, Slovakça çok sözcüklü terimlerde ayırt edici ve sınıflandırıcı işlevlerle de kullanılan ulaçların oranı sunulmaktadır. SNC projesinin biçimbilimsel etiketlemesi çerçevesinde bunlar, fiillerden ayrı etiketlenmelerinin nedeni olan özgül bir grup olarak sınıflandırılmıştır (Garabík et al. 2004). Sıfatların bir arada bulunması ve rekabeti, genel olarak dil bağlamında belirlenmiş ve incelenmiştir (ör. Nábelková 1996). Ancak sıfatların çok sözcüklü terimlere girmesi, yeterince araştırılmamış bir konudur. Sıfatlar arasında eş anlamlılığa ve rekabete yol açan yaygın bir olgu, Latince kökenli sıfatlarla bunların (Slovakça) karşılıklarının bir arada bulunmasıdır (vnútrožilový – intravenózny “intravenöz”). İkinci grup, aynı uluslararası kökle birleşen hem Slovakça hem de etimolojik açıdan Latince kökenli veya uluslararası bir sonek içeren bir alt grubu da kapsar (ör. bakteriálny – baktérioový “bakteriyel”). Bazen aynı anlama gelen iki uluslararası sonek arasında bir değişim görülür. 1 Örneğin bkz. H. Assadi ve D. Bourigault 1995; S. Normand ve D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; veya I. Carrière 2008. 2 Sunulan analizde kullanılan derlemlerle ilgili daha fazla ayrıntı 3.2. Bölüm’de bulunabilir. Terminologija | 2021 | 28 55 Tablo 1. SNC projesinin karşılaştırma ve uzmanlık derlemlerindeki sözcük biçimi sayısı ile sıfat ve ulaç oranları DERLEM KARŞILAŞTIRMA DERLEMİ BİLİMSEL ALT DERLEM TIBBİ ALT DERLEM HUKUKİ ALT DERLEM DİNÎ DERLEM EKONOMİK DERLEM Derlemdeki sözcük biçimi sayısı 253,137,609 149,581,785 7,099,555 33,600,183 65,920,357 164,987,015 Sözcük biçimleri (token) içindeki sıfat sayısı 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% Sözcük biçimleri (token) içindeki ulaç sayısı 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% …uluslararası bir kök ortaya çıkabilir (örn. hypersonórny – hypersonický, kontradiktorický – kontradiktórny). Slovak dilinde belirli son eklerin kullanımına odaklanan bu çalışma, bunlardan bazılarının böyle bir birlikteliği kolaylaştırmaya veya terminolojik sıfatlarda daha sık görülmeye daha yatkın olup olmadığını belirlemeyi amaçlamaktadır; bu nedenle morfolojik üretkenlik kavramı bu bağlamda önem kazanmaktadır. Analiz için seçilen son ekler, Slovakçadaki çok çeşitli sıfat son ekleri arasında isimlerden türemiş sıfatlar oluşturmak için kullanılan küçük bir grubu temsil eder3. Yapıları bakımından beş son ek, anlamsal açıdan eşdeğer Slovakça -ný/ny ile birleşmiş (uyarlanmış) uluslararası bir sıfat son ekinden oluşur: -álny, -árny, -itný, -ívny, -ózny; dolayısıyla sıfat niteliği bir ölçüde pekiştirilmiştir. Latin kökenli beş son ekin tümünün Latin isimlerinden (-alis; varyantı -aris, -ītus, -ōsus) veya fiillerinden (-ōrius) sıfat türetmek için kullanıldığı açıktır. Ancak, incelenen son ekleri taşıyan birçok Slovakça sıfatın … 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 son birkaç on yılda Slovakça söz varlığına yalnızca doğrudan Latinceden değil, daha çok Fransızca veya İngilizce aracılığıyla girmiş (Horecký 1999) ve yukarıda belirtilen Slovakça sıfat son eki yoluyla uyarlanmıştır. Bu ödünç alma ve ardından gerçekleşen uyarlama, dil dışı etkenler sayesinde mümkün olmuş ve desteklenmiştir. Büyük ölçüde tarihsel nedenlerden ötürü Slovakça, Latinceden kaynaklanan yeni sözcüklere son derece açıktır; bu nedenle Latince kökenli sözcüklerin oranı, Slovakçanın genel söz varlığında bile yüksektir (Horecký 1999: 81). Günümüzde kitle iletişim araçlarının, internetin ve sosyal medyanın etkisi sayesinde, hem ödünç alma hem de türetmeyi içeren bu birleşik sözcük oluşturma süreci son derece verimlidir ve dolayısıyla dilbilimsel ve terminolojik bir inceleme açısından büyük önem taşımaktadır. Bu makale, şu anda baskıda olan aynı araştırma konusu üzerine önceki çalışmamızın devamı niteliğindedir (Levičká 2021). Karşılaştırma ve okuyucunun konuyu daha açık kavrayabilmesi için, önceki akıl yürütme ve bulguların bir özetini yeni görüşler ve kuramsal arka planla birlikte sunmayı gerekli gördük. Bu nedenle, ilk makalemizde yer almış olan bazı tablolar (1–4) burada yeniden verilmiştir. 2. KURAMSAL TEMELLER Morfolojik üretkenliğin kuramsal kavramı çok sayıda araştırmacı ve bilim insanı tarafından geliştirilmiştir. 20th. yüzyıldaki önceki kuramsal düşünce ve çalışmalar, örneğin Jesús Fernández-Dominguez (2013) ve Victoria Hulse (2011) tarafından çeşitli çalışma ve makalelerde özetlenmiş ve yorumlanmıştır. Burada, hem bize esin kaynağı olan hem de yaklaşım ve yöntem seçimimizi etkileyen bazı kuramsal değerlendirmelere odaklanacağız. Burada alıntılanan en eski tanım, Amerikalı dilbilimci Dwight L. Bolinger tarafından 1948’de yazılmıştır (Säily 2018: 198’de alıntılanmıştır); Bolinger üretkenliğin, bir unsurun yeni birleşimlere girmeye yönelik “istatistiksel olarak belirlenebilir hazır oluş4 olduğunu sonucuna varmıştır. 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 Kalın harflerle belirtilen ifadeler veya sözcükler araştırmamızın temel özelliklerini temsil etmektedir. Terminologija | 2021 | 28 57 Son olarak, ama önemsiz olmamak üzere, 1962’de Teorie tvoření slov adlı çalışmasında sözcük türetme üretkenliğine ilişkin kapsamlı bir kuram sunan Çek dilbilimci Miloš Dokulil’in sözcük türetme araştırmalarına değinmek isteriz. Öncelikle Dokulil, bir dil aracının üretkenliğini genel olarak, “bu dil aracının (ister taban, ister ek, isterse sözcük türetme kalıbı olsun) yeni sözcükler türetmeye etkin biçimde katılma yeteneği” (1962: 78) olarak tanımlamıştır. Bu yeteneğin mutlak olabileceğini, yani herhangi bir zamanda ve herhangi bir sözcük türetme kalıbı çerçevesinde yeni sözcükler türetmede kullanılabilirliğini; ya da anlamsal, daha doğrusu üsluba ve sözcük türetme kalıbına bağlı olan göreli nitelikte olabileceğini belirtmiştir. Dokulil’in kuramında üretkenlik, “eşzamanlı nitelikte bir kavramken, bu yeteneğin uygulanması —belirli kurallara göre yeni sözcükler türetmek— tersine, artzamanlı nitelikte bir kavramdır” (1962: 80). Dokulil ayrıca sistemik üretkenlik ile ampirik üretkenlik (František Štícha’nın 2012’de “parole” ya da “gerçek üretkenlik” olarak da adlandırdığı) arasında ayrım yapmıştır. Bu ikinci kavram, “belirli bir sözcük türetme kalıbının ya da dil aracının belirli bir dönemdeki dil sistemi içindeki genel kullanımına ilişkin genel bir fikir” verir (Dokulil 1962: 80). Dokulil, “belirli bir sözcük türetme sürecinin ya da unsurunun niceliksel kullanımına ilişkin yaklaşık verilerin bile, genel olarak belirli bir dilin bütünüyle görünümü ve özellikle de söz varlığının özellikleri açısından son derece önemli olduğuna” inanıyordu (Aynı eser: 77). Dokulil’in üretkenlik kuramını temel alan ve varsayımlarını derlem verileriyle sınayan çağdaş Çek dilbilimciler arasından (ör. Štícha 2002, 2007, 2009, 2012 veya Magda Ševčíková 2014), Štícha ampirik/parole üretkenliğinin yalnızca büyük derlemlerde değil, farklı büyüklük ve bileşimdeki bir dizi derlem aracılığıyla da incelenmesini önermektedir (2012: 104). Dokulil’in göreli üretkenliğe ilişkin varsayımlarının, Harald Baayen ve bu çözümlemenin ilerleyen bölümlerinde yöntem ve yaklaşımlarına değineceğimiz diğer araştırmacılar tarafından da yankı bulduğu söylenebilir. Baayen ve çalışma arkadaşları Ingo Plag ile Christiane Dalton-Puffer, 1999’da şöyle yazmıştır: “Belirli bir ekin üretkenliğine ilişkin iddialar genellikle söylem türüne göre bir ayrım yapılmadan ortaya atılır; oysa belirli türetme eklerinin bazı metin türlerinde diğerlerine kıyasla daha uygun olduğu yaygın biçimde varsayılır” (1999: 209). Büyük derlemlerin kullanılabilir olması sayesinde, belirli bir dönemdeki genel dilde olduğu kadar uzmanlık alanlarında ve dil kayıtlarında da bir sözcük türetme kalıbının ya da unsurunun üretkenliğini ölçmek, belirlemek ve çözümlemek mümkündür. 58 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 3. ÖNCEKİ ARAŞTIRMALAR Önceki bölümde alıntılanan dilbilimcilerin gerekçeleri ve varsayımları doğrultusunda, sıfat eklerinin biçimbilimsel üretkenliğini belirlemeyi amaçlayan araştırmamızın başlangıcında üç temel araştırma sorusu oluşturduk: 1) Seçilen gruptaki sıfat eklerinin her birinin biçimbilimsel üretkenliği, genel ve uzmanlık metinlerinde farklı mıdır? Bu farklılıklar istatistiksel açıdan anlamlı mıdır? 2) Seçilen gruptaki sıfat eklerinin her birinin biçimbilimsel üretkenliği, belirli alana bağlı olarak değişebilir mi? Bu beş ekten bazıları, alana ya da uzmanlık alanına özgü kavramların kodlanmasına katkıda bulunmaya daha mı “yatkındır”? 3) Derlem verilerinin bu özel çözümlemesi için hangi yöntemler uygundur? Öncelikle, bu tür sözcük türetme kalıbının özgünlüğü nedeniyle Latince taban + Latince ek + etimolojik olarak yerli ek, Slovakça bağlamında seçilen sıfat eklerinden biriyle tek tek Latince tabanların birleşimini yöneten sınırları ve kuralları inceleyen nitel çözümlemeyi kapsam dışında bırakmaya karar verdik. Nicel yaklaşım, bir ekin ya da başka herhangi bir biçimbilimsel biçimin üretkenlik durumuna ilişkin bütün resmi ortaya koyamasa da, bu araştırma türündeki katkısı, belirli bir kalıba göre türetilmiş sözcüklerin kullanım bağlamını ve bakış açısını, anlamsal ve işlevsel açıdan eşdeğer biçimlerle yapılan belirli karşılaştırmalarla birlikte sunmasında yatar. Biçimbilimsel üretkenlik çözümlemelerinde nicel yaklaşımın, nitel araştırmayı tamamlayan önemli bir yöntem olduğu genel kabul görmektedir (ör. Evert ve Lüdeling 2001). Plag’ın belirttiği gibi: “üretkenliğin [...] nicel ve nitel kavramları yakından ilişkilidir. Dolayısıyla, üretkenliğin nitel tanımlarında merkezi olan potansiyellik düşüncesi, istatistiksel açıdan olasılık terimleriyle ifade edilebilir” (Naccarato 2016: 135’ten alıntı). Benzer biçimde, Baayen ve ortak yazarları üretkenliğin “ölçekli bir kavram gibi göründüğünü [...] bazı eklerle yeni türetilmiş sözcüklerle karşılaşma olasılığının diğerlerine kıyasla daha yüksek olduğunu; bunun da üretkenliği istatistiksel çözümlemeye elverişli, olasılıksal bir kavram hâline getirdiğini” savunmaktadır (1999: 10). Terminologija | 2021 | 28 59 3.1. İstatistiksel yöntemler Analizimizin 1. aşamasında, Harald Baayen ile çalışma arkadaşlarının ve izleyicilerinin (1991, 1992, 1993, 1994, 1996, 1997) uzun süredir izlenen metodolojik yolunu benimsedik. Sözde gerçekleşmiş üretkenliği, yani seçilen soneklerle türetilmiş sıfatların kullanım sıklığını ve bu soneklerle türetilmiş farklı sıfatların çeşitli derlemlerdeki sayısını belirledik. Bu derlem istatistikleri, soneklerin üretkenliğini geçmiş ve mevcut dilsel durum açısından ortaya koymaktadır. Bir sonraki adım, incelenen soneklerin potansiyel üretkenliğini, yani yeni türlerin5 ortaya çıkma hızına ilişkin bir tahmini belirlemekti. Baayen (2009: 7), bunun bir derlemde X ekini taşıyan hapax legomenaların6 sayısının X ekini taşıyan tüm sözcük biçimlerinin sayısına oranı olarak hesaplanmasını önerir. Üretkenliğin hesaplanmasında hapax legomenaların kullanılması geniş çapta eleştirilmiştir; çünkü bu grup, bir ögenin ya da örüntünün üretkenliğini yansıtması beklenen yeni türetmeleri doğrudan temsil etmez. Plag, Dalton-Puffer ve Baayen, potansiyel üretkenliğin olasılıksal bir ölçü olduğunu ve derlemin boyutu arttıkça “hapax legomenalar arasındaki yeni sözcüklerin oranının arttığını ve yeni sözcüklerin en fazla sayıda tam da hapax legomenalar arasında ortaya çıktığının gösterildiğini” savunur (1999: 12). Araştırmamızın önceki aşamasında hapax/sözcük biçimi yöntemini kullanmamaya, bunun yerine van Marle’nin (1992) sözcük biçimi sıklığının, üretkenlik ölçümünde lemma sayısı kadar önemli bir değişken olmadığı yönündeki gerekçesine uygun olarak hapax/tür yöntemini benimsemeye karar verdik. Ancak bu ölçütün getirdiği en ciddi sakınca, farklı büyüklükteki derlemlerin istatistiksel verilerini karşılaştırmanın imkânsız olmasıdır (Naccarato 2016: 133). Bu konuya 5. Bölümde yeniden döneceğiz. 3.2. Analizde kullanılan derlemler7 Bu analizde kullanılan üç derlem ve üç alt derlem, SNC Departmanı tarafından 2013–2020 yılları arasında yayımlanmış olup kayıtlı tüm kullanıcıların erişimine açıktır. 5 Derlem dilbiliminde türler, tekrarsız sözcükleri temsil eder ve lemmalarla eş anlamlıdır (Baker et al. 2006). 6 Hapax legomena (kökeni: Yunanca “bir kez söylenmiş” anlamındaki ifade), kısaca hapax olarak da adlandırılır ve belirli bir derlemde yalnızca bir kez geçen sözcüktür (Baker et al. 2006). 7 Bu bölümün büyük kısmı, araştırmamızın önceki aşamasını anlatan makaleden alınmıştır (Levická 2021); ancak derlem verilerinin niteliğini açıklamak için bu tekrar gereklidir. 60 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited İlk referans derlem (prim-7.0-frk), 253 milyondan fazla token içerir ve gazetecilik, uzmanlık ve kurmaca metinlerden eşit paylardan oluşur (bunların%64,12’si özgün olarak Slovakça yazılmış,%29,51’i ise çeviridir); metinler 1991–2015 yılları arasında yazılmıştır. Derlem, Slovakçanın iki sıklık sözlüğünün (2017, 2018) yanı sıra ters sözlüğünün (2018) hazırlanmasında kullanılmıştır. İkinci derlem olan prim-9.0-public-prf, SNC projesinin birincil derleminin kamuya açık bir alt derlemidir (bundan böyle bilimsel alt derlem olarak anılacaktır). Uzmanlık, akademik ve kurmaca dışı metinlerden derlenen bu alt derlem 149 milyondan fazla token içerir ve uzmanlık gazeteciliği de dâhil olmak üzere bilim ve araştırmanın genel söylemini belgeler. Metinleri 1955–2019 yılları arasında yazılmıştır. 1955–1991 yılları arasında yazılan metinlerin oranı%8,7’dir (13 milyondan fazla token). İncelenen derlemlerin tümü içindeki en küçük (alt) derlem, SNC projesinin [9] birincil derleminin 9.0 sürümünün filtrelenmesiyle elde edilmiştir. 1976–2019 yılları arasında yazılmış, tıp alanına ait metinlerden oluşur ve 7 milyondan biraz fazla token içerir. 1955–1991 yılları arasında yazılan metinlerin oranı%1,09’dur. Metnin geri kalanında bu derlemden tıp alt derlemi olarak söz edeceğiz. Diğer uzmanlık derlemlerinden ve referans derlemden karşılaştırılabilir bir kaynak elde etmek amacıyla, Slovakya Adalet Bakanlığıyla iş birliği içinde oluşturulan legal-1.1 uzmanlık derlemi (bundan böyle hukuk alt derlemi olarak anılacaktır), 1991–2011 döneminde oluşturulmuş mevzuat metinleriyle sınırlandırılmıştır. Yaklaşık 49 milyon token içeren derlem böylece 33,5 milyon tokene indirilmiştir. Din alanına odaklanan blf-2.0 uzmanlık derlemi 2014 yılında yayımlanmıştır. Metinleri 1989–2014 yılları arasında yazılmış yaklaşık 66 milyon tokenden oluşur (bundan böyle din derlemi olarak anılacaktır). Tematik dergi ve gazetelerin payı%80’den fazladır. Benzer şekilde, ekonomi alanına ayrılmış ecn-2.0-public uzmanlık derlemi (bundan böyle ekonomi derlemi olarak anılacaktır), tematik dergi ve gazetelerde yayımlanmış uzmanlık metinlerinin%96,24’ünü içerir. Bu derlemin metinleri 1992–2014 yıllarına aittir ve yaklaşık 165 milyon token içerir. Ancak bu derlemlerin heterojen olduğu ve çok çeşitli metinleri kapsadığı belirtilmelidir. Terminologija | 2021 | 28 6 1 Derlem taramasına gelince, analize dâhil edilen her bir (alt) derlem için sağlanan morfolojik etiketlemeyi temel almadık; çünkü Latince kökenli sözcüklerde etiketlemenin yetersiz ve hatalı olduğu görüldü. Bu nedenle, bir tokenın belirli son ekini aramayı tercih ettik; örneğin [lemma=“. *álny“], buna, tesadüfen aynı karakter dizisini içeren sözcüklerin otomatik olarak ayıklanması da eklendi (bkz. Bölüm 4.1). 3.3. Önceki aşamanın sonuçları Önceki aşamada, derlemlerden elde edilen istatistiksel veriler, incelenen eklerin gerçekleşmiş üretkenliği için bir sıralama oluşturmamızı sağladı. -álny eki, tüm (alt) derlemlerde açık ara en yaygın kullanılan ektir; -órny eki ise 5 (alt) derlemde sıklık ekseninin karşı ucunda yer alır. Beş ekin dördünün normalize edilmiş kullanım sıklıklarından görülebileceği üzere, bu ekler referans derleme kıyasla uzmanlık ve akademik metinlerde (bilimsel alt derlem) daha sık görülür. Ayrıca tıp alt derlemindeki eklerin normalize edilmiş sıklıklarının bilimsel alt derlemdeki ipm değerlerine eşit ya da bu değerlerden oldukça yüksek olduğu; din derlemindeki eklerin ipm değerlerinin (milyon sözcük başına örnek) ise referans derlemdekinden belirgin biçimde düşük olduğu dikkat çekicidir. Bu durum, söz konusu (alt) derlemlerde yer alan metin türleriyle kısmen açıklanabilir. Tablo 2. İncelenen eklerin ilgili (alt) derlemlerdeki sıklığı ve normalize edilmiş sıklığı (IPM, milyon sözcük başına örnek). Derlemler en küçükten en büyüğe doğru sıralanmıştır EK TIP ALT DERLEMİ HUKUK ALT DERLEMİ DİN DERLEMİ BİLİMSEL ALT DERLEM EKONOMİ DERLEMİ REFERANS DERLEM Token Token Token Token Token Token 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 EK TABİP TIP ALT DERLEMİ HUKUK ALT DERLEMİ DİN ALT DERLEMİ BİLİMSEL ALT DERLEMİ EKONOMİ DERLEMİ REFERANS DERLEMİ Sözcük biçimleri Sözcük biçimleri Sözcük biçimleri Sözcük biçimleri Sözcük biçimleri Sözcük biçimleri 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 Tablo 3’te, incelenen eklerle türetilen farklı sözcüklerin sayısını gösteren derlemlerin sıralanışı, türetimlerin değişkenliğini önce genel ve uzmanlık dilleri arasında, ardından en küçük tıp derleminden en büyük ekonomi derlemine kadar karşılaştırmamızı sağlar. Tablo, incelenen eklerin Baayen’in gerçekleşmiş üretkenliğini göstermektedir. Tüm (alt)derlemlerde -álny, farklı türlerde en sık görülen eki temsil ederken, en az sayıda tür ya da lemma -órny ekiyle belirlenmiştir. -itný ve -órny ekleri (alt)derlemlerin çoğunda örtüşüyor görünmektedir; aralarındaki daha ince ayrımı belirlemek için anlamlılık testi gerekir. Bununla birlikte, tabloda türlerin mutlak sayıları verildiğinden derlemler arasında gerçek bir karşılaştırma yapmak mümkün değildir. Tablo 3. Belirli bir (alt)derlemdeki lemma sayısı EK REFERANS DERLEMİ BİLİMSEL ALT DERLEMİ TIP ALT DERLEMİ HUKUK ALT DERLEMİ DİN DERLEMİ EKONOMİ DERLEMİ -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 Tablo 4’te sunulan potansiyel üretkenlik tahminine ilişkin bulgular, eklerin sıralanışının da gösterdiği üzere oldukça çeşitlidir. Terminologija | 2021 | 28 63 Tablo 4. Belirli bir (alt)derlemde hapax/tür oranları. Her alt tablodaki ekler, oranı azalan sıraya göre listelenmiştir HAPAX/TÜR ORANI referans derlemi bilimsel alt derlem tıp alt derlemi -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 hukuk alt derlemi dinî derlem ekonomik derlem -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 Üç korpusun tümünde en üretken ek -órny ekidir. Geriye kalan üç (alt)korpusta sıralama, iki kez -ózny, bir kez de -itný ekiyle başlar. Ayrıca, aynı -órny eki, genel ve tıp metinlerinde potansiyel olarak en az üretken ek gibi görünmektedir. Üç (alt)korpusta üretkenlik sıralamasının son sırasında yer alan ek -itný ekidir. Benzer şekilde, ekonomi metinlerinin üretkenlik sıralamasının son sırasında -árny eki yer almaktadır. 4. SUNULAN ÇÖZÜMLEMENİN ARAŞTIRMA SORULARI Araştırmamızın önceki aşaması, incelenen eklerin biçimbilimsel üretkenliğinde hem dil türüne hem de alanlara bağlı olarak kayda değer farklılıklar olduğunu ortaya koymuştur. Ancak bir soru yalnızca kısmen yanıtlanmış ve yeni bir sorunun ortaya çıkmasına yol açmıştır: 1. Yeni sözcükleri belirlemek amacıyla düşük sıklıklı lemlerin çözümlenmesi anlamlı mıdır? Nitekim bazı araştırmacılar, üretken eklerin sözcük sıklığı dağılımının, yeni türetimleri içeren düşük sıklıklı lemler yönünde belirgin biçimde kaymış olması gerektiğini ileri sürmektedir. 64 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 2. Önceki bölümlerde de belirttiğimiz gibi, incelenen eklerin potansiyel üretkenliğine ilişkin sonuçlar derlemler arasında karşılaştırılamaz. Bu nedenle, bu karşılaştırmayı mümkün kılacak uygun bir istatistiksel yöntemin belirlenmesi gerekmektedir. 4.1. Verilerin elle temizlenmesi Çözümlememizin hem önceki hem de mevcut aşaması elle temizlenmiş verilere dayanmaktadır. Bu zahmetli ve zaman alıcı sürecin önemi çeşitli araştırmacılar tarafından vurgulanmıştır. Evert ve Lüdeling, bunun kaliteli istatistiksel değerlendirme için bir ön koşul olduğunu, yalnızca daha gelişmiş ölçütler kullanıldığında değil (2001: 168), ileri sürmüş (ve kanıtlamıştır). Elle temizleme üç nedenle son derece önemlidir; bunlardan ilki derlem verilerinin doğasından kaynaklanır. Öncelikle derlem verileri, özellikle düşük sıklıklı lemler arasında, genellikle oldukça fazla sayıda yazım hatası içerir. İkinci olarak, derlemlerde özellikle Latince kökenli sözcüklerde sıkça rastlanan yazım yanlışları bulunur. Üçüncü olarak, SNC projesinde kullanılan otomatik lemmatizasyonun birbirinden farklı saydığı, yalnızca tire kullanımına göre değişen X ekli lemlerin ve büyük harfle başlayan özel ad olmayan sözcüklerle küçük harfle başlayan karşılıklarının birleştirilmesi gerekmiştir. Elle temizliğimizin bu aşamasının sonucu, incelenen ekler için hapaksların ortalama payının ilgili eki taşıyan lemlerin toplam sayısının%24 ila%30'u arasında değiştiği Tablo 5'te görülebilir. Bununla birlikte, hukuk metinlerinde -itný ekiyle görülen lemlerin%5'inden azı (olası yeni sözcükler) kalırken; dinî ve genel bilimsel metinlerde -órny ekiyle ve ekonomik metinlerde ve şaşırtıcı biçimde referans derlemindeki metinlerde -ózny ekiyle görülenlerin%40'ı veya daha fazlası kalmıştır. Bu oranlar, ilgili derlemin (üretken olmayışına) ya da üretkenliğine işaret edebilir. Baayen ve çalışma arkadaşlarının belirttiği gibi, üretken ögelerdeki hapaks sayısı, “yeterince büyük bir derlemde” gözlemlenen söz varlığı büyüklüğünün yarısına kadar çıkabilir (1999: 11). Elle temizliğin ikinci nedeni, incelenen ekleri taşıyan yeni sözcükleri içeren listeler elde etmek için çıkarılan derlem verilerini süzmekti. Bu nedenle, 1) incelenen eklerle aynı karakter dizisini tesadüfen içeren; 2) genel Slovakça sözlüklerinde ve Yabancı Sözcükler Sözlüğü'nde bulunabilen8, yani 8 Sözlük portalının entegre arama aracını kullandık https://slovnik.juls.savba.sk/. Terminologija | 2021 | 28 65 Tablo 5. Manuel temizlemenin 1. aşamasından sonra belirli bir (alt) derlemdeki hapaksların (potansiyel neolojizmlerin) oranı MANUEL TEMİZLEMENİN 1. AŞAMASINDAN SONRA BELİRLİ BİR SON EKİ TAŞIYAN HAPAKSLARIN ORANI son ek tıp alt derlemi hukuk alt derlemi dinî derlem bilimsel alt derlem ekonomik derlem referans derlemi -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% dolayısıyla bunlar neolojizm değildir; 3) SNC'nin en kapsamlı iki derleminde bulunmuşlardır9 – bu lemlerin, söz konusu örnekler üç farklı kaynaktan ve üç farklı yıldan gelmek şartıyla, bu derlemlerden en az birinde üç veya daha fazla kez geçmesi gerekmiştir. Bu son filtreleme ilkesi, analiz edilen son eklerden birini taşıyan ve hedeflediğimiz sözcüklerin uzmanlık alanlarına ait terimler olma eğiliminde olması ve Slovakçada güncel uzmanlık sözlüklerinin bulunmaması nedeniyle belirlenmiştir. Ortaya çıkan lemma listelerinin yalnızca potansiyel neolojizmleri temsil ettiğini kabul etmek gerekir. Sonuçlar, 6. ve 7. tablolarda Hapakslar içindeki potansiyel neolojizm oranı başlıklı sütunlarda görülebilir. Tablo 5 ile karşılaştırıldığında potansiyel neolojizmlerin oranı önemli ölçüde azalmıştır. 4.2. Düşük sıklıklı lemalardaki yeni sözcükler İlk araştırma sorusunu yanıtlamak amacıyla, hapaks listesi için uygulanan filtreleme işleminin aynısını gerçekleştirdik. 6. ve 7. tablolarda, (alt)derlemlerde 4–2 kez görülen düşük sıklıklı lemalar içindeki potansiyel yeni sözcüklerin yüzdelerini (belirli bir soneki taşıyan toplam lema sayısına göre hesaplanan; bkz. Tablo 3) ve bunların yanında hapaks grubundaki potansiyel yeni sözcüklerin yüzdelerini gösteriyoruz. Potansiyel yeni sözcüklerin oranı, incelenen her sonek için uzmanlık ve akademik metinlerde küçük artışlar gösterirken, eklenmesi nedeniyle 9Şu an için bu derlemler SNC projesindeki en büyük derlemlerdir: genel derlem prim-9.0-juls-all ve hukuk derlemi legal-1.1. 66 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited düşük sıklıklı lema grubundan potansiyel yeni sözcüklerin eklenmesiyle, referans derlemdeki potansiyel yeni sözcüklerde dört sonek için yalnızca çok sınırlı bir artış görülmüş, beşinci sonek — -órny — için oran ise sabit kalmıştır. Analiz edilen soneklerle oluşturulan yeni sözcüklerin uzmanlık metinlerinde ortaya çıkma olasılığı daha yüksek olduğundan, bu durum beklenebilir. Tablo 6. Genel derlem ve genel bilimsel alt derlemde temizlik sonrasında toplam tür sayısı içindeki düşük sıklıklı lema grubunda (4–1 görülme) ve hapaks grubundaki potansiyel yeni sözcüklerin oranı SONEK REFERANS DERLEM BİLİMSEL ALT DERLEM Düşük sıklıklı lemalardaki (4–1) potansiyel yeni sözcüklerin oranı Hapaks içindeki potansiyel yeni sözcüklerin oranı Düşük sıklıklı lemalardaki (4–1) potansiyel yeni sözcüklerin oranı Hapaks içindeki potansiyel yeni sözcüklerin oranı -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% Alanlara özgü potansiyel yeni sözcüklere gelince, bilimsel alt derlemdeki duruma benzer biçimde en yüksek oran, -itný ekinin potansiyel yeni sözcüklerin%35’ini oluşturduğu ekonomi derleminde görülmektedir. Bu derlemdeki diğer eklerin her biri, düşük frekanslı lemmalar içinde yaklaşık%25 oranında potansiyel yeni sözcüğe ulaşmaktadır. Öte yandan, potansiyel yeni sözcüklerin en düşük oranı hukuk metinlerinde belirlenmiştir. Düşük frekanslı lemma grubunun dâhil edilmesiyle oranın iki katına çıktığı durumları da belirtmek gerekir: tıp metinlerinde -órny, hukuk metinlerinde -árny ve dinî metinlerde -itný eki için. Aynı zamanda, -ózny ekinin tıp metinlerinde sıralamada başı çekmesi şaşırtıcı değildir; çünkü bu, tipik bir tıp ekidir. Bununla birlikte, -ózny ekini taşıyan potansiyel yeni lemmaların oranı ekonomi metinlerinde neredeyse aynı düzeydedir. Tıp ve hukuk metinlerinde -itný eki, ayrıca hukuk metinlerinde -órny eki için potansiyel yeni sözcüklerde hiçbir artış görülmemiştir. Terminologija | 2021 | 28 67 Tablo 7. Dört alana ait uzmanlık metinlerinde temizlik sonrasında elde edilen toplam sözcük türü sayısı içinde düşük frekanslı lemma grubunda (4–1 kullanım) ve tekil sözcüklerden oluşan grupta potansiyel yeni sözcüklerin oranı EK–LER | TIP ALT DERLEMİ | HUKUK ALT DERLEMİ | DİNÎ DERLEM | EKONOMİ DERLEMİ Düşük frekanslı lemmalardaki (4–1) potansiyel yeni sözcüklerin oranı | Tekil sözcüklerdeki potansiyel yeni sözcüklerin oranı | Düşük frekanslı lemmalardaki (4–1) potansiyel yeni sözcüklerin oranı | Tekil sözcüklerdeki potansiyel yeni sözcüklerin oranı | Düşük frekanslı lemmalardaki (4–1) potansiyel yeni sözcüklerin oranı | Tekil sözcüklerdeki potansiyel yeni sözcüklerin oranı | Düşük frekanslı lemmalardaki (4–1) potansiyel yeni sözcüklerin oranı | Tekil sözcüklerdeki potansiyel yeni sözcüklerin oranı -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% Daha anlaşılır olması için, düşük frekanslı lemma grubundaki potansiyel yeni sözcüklerin yüzdelerini gösteren bir tablo daha ekliyoruz. Tablo 8. Temizlik sonrasında elde edilen toplam sözcük türü sayısı içinde, düşük frekanslı lemma grubu (4–1 kullanım) ile tekil sözcüklerden oluşan grup arasındaki potansiyel yeni sözcük yüzdesi farkı DÜŞÜK FREKANSLI LEMMALARDAKİ POTANSİYEL YENİ SÖZCÜKLERİN ORANI (4–2 KULL.) ek | referans derlem | bilimsel alt derlem | tıp alt derlemi | hukuk alt derlemi | dinî derlem | ekonomi derlemi -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% Son olarak, son tablo, önceki aşamada uyarlanmış formülün tekrar tekrar uygulanmasından sonra ilgili (alt) derlemlerdeki eklerin sıralamasını göstermektedir: belirli bir eki taşıyan düşük frekanslı lemmaların sayısının, şu sözcük türlerinin sayısına oranı 68 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Tablo 9. Düşük frekanslı lemmalar grubu (4–1 görülme) ile tür sayısı arasındaki potansiyel yeni sözcük oranı farkı. Vurgulanan soneklerin sıralaması Tablo 4’e kıyasla değişmiştir DÜŞÜK FREKANSLI LEMMA/TÜR ORANI referans derlemi bilimsel alt derlem tıbbi alt derlem -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 hukuki alt derlem dinî derlem ekonomik derlem -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 Belirli bir sonek. Tablo 4’le karşılaştırıldığında, referans derlemi dışındaki tüm (alt) derlemlerde sıralama değişmiştir. Dolayısıyla düşük frekanslı lemmaların dâhil edilmesinin yararlı olduğu anlaşılmaktadır. -órny soneki iki derlemde en üretken sonektir (Tablo 4’te üç derlemdeydi); -ózny iki sıralamanın en üstündeki yerini korurken, -itný ekonomik derlemde sıralamanın en üstünde yer aldı. Hukuki derlemde en üretken sonek -árny gibi görünürken, aynı sonek tıbbi ve ekonomik metinlerde en az üretkendir. Üretkenlik sıralamalarının son sırasında hem referans derleminde hem de tıbbi metinlerde -órny, genel bilimsel metinlerde -ózny yer almış; -itný ise hukuki ve dinî derlemlerde en az üretken sonek olmayı sürdürmüştür. 5. (ALT) DERLEMLER ARASINDA ÜRETKENLİĞİN KARŞILAŞTIRILMASI 3.1. Bölümde belirttiğimiz gibi, ham frekansları ve tür sayılarını kullanan istatistiksel ölçüler, farklı (alt) derlemlerden elde edilen önceki sonuçları karşılaştırmamıza engel oldu. Herhangi bir sözcük oluşturma unsurunun ya da Terminologija | 2021 | 28 69 örüntünün yeni türetmelerden çıkarılabileceği iddiasını, daha doğrusu hipotezini kabul edersek (ve aynı zamanda 4.2. Bölümde bu yeni türetmelerin yalnızca hapaks gruplarında değil, düşük frekanslı türler arasında da ortaya çıkabileceğini gösterdik), ileri çözümlemeyi sözcük frekansı dağılımlarına ve frekans spektrumlarına dayandırmak mümkündür. “Frekans spektrumu” ile, bir frekans listesindeki kaç türün gözlemlenebildiğini bildiren bir listeyi kastediyoruz (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). İstatistiksel modelleme amacıyla Baayen, 2001’de LNRE10 dağılımları adı verilen dağılımları ortaya koymuştur. Bu özelleşmiş modellerin yararı, belirli bir örneklemden elde edilen tür-token istatistiklerini daha yüksek token değerlerine genelleyebilme ve böylece bu örneklemin dışındaki potansiyel yeni sözcükleri tahmin edebilme olanağında yatar. Modeller, derlemdeki düşük frekanslı türlerin sayımından elde edilen öngörülen sözcük dağarcığı büyüklüklerine dayanır. Bu modellemenin çıktılarından biri sözcük dağarcığının büyüme eğrileri, daha doğrusu tür-token büyüme eğrileridir; bunlar token sayısının bir fonksiyonu olarak tür sayısını gösterir. Üretken olmayan bir süreçte bu eğrinin tipik biçimi önce yükselir, ardından “düzleşir ve tam sözcük dağarcığı büyüklüğü olan sabit bir değere yakınsar” (2001: 168). Buna karşılık, üretken bir örüntü sonsuz bir sözcük dağarcığıyla belirgindir; yani eğri görünüşe göre sonsuza dek büyür. LNRE dağılımlarını kullanarak daha büyük miktardaki metinlerdeki tür sayısını ve hatta tür sayısını tahmin etmek mümkündür. 10 LNRE kuramının (bağımsız bir istatistik alanı olan nadir olayların çokluğu kuramının) kökeni, Gürcü istatistikçi Estate Khmaladze’nin The statistical analysis of a large number of rare events. başlıklı çalışmasını yayımladığı 1988 yılına dayanır. Öğrencisi Giorgi Kvizhinadze’nin yazdığı gibi: “Aşağıda sunacağımız örneklerin ortak özelliği, birkaç sık görülen olayın yanı sıra frekansı 0, 1, 2 olan çok sayıda nadir olayın da bulunmasıdır. Bu nadir olayların toplamı, gözlem sayısıyla karşılaştırıldığında genellikle büyük değildir; ancak gözlemlenen farklı olayların tümü içindeki sayıları her zaman oldukça önemlidir. Bu nadir olaylar çoğunlukla çok önemlidir. Örneğin, bir kitapta yalnızca bir kez kullanılan sözcüklerin sayısı o kitap açısından hayati önem taşımıyor gibi görülebilir; ancak bu sözcüklerin yazarın sözcük dağarcığının yarısını oluşturduğu için kesinlikle önemli olduğu açıktır” (2010). 70 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited bir sözcük oluşturma örüntüsünün tüm “popülasyondaki”, yani dilin kendisindeki durumu. Aynı zamanda, daha büyük derlemlerden alınan aynı büyüklükteki örneklerdeki tür sayısını tahmin etmek ya da öngörmek mümkündür. 4.1. Bölüm’de belirtildiği gibi, bu istatistiksel işlem tür ve sözcükbirim sayımlarının niteliğine de bağlıdır; aksi takdirde tahmin edilen söz varlığı büyüklüğünün ya da tür sayısının hesaplanması hatalı olur: eğri yataylaşıp sabit bir değere yakınsamak yerine büyümeye devam edebilir. 5.1. LNRE dağılımları Farklı büyüklükteki derlemlerde11 üretkenliği belirlemek için LNRE modellerini uygulamaya karar verdik; bunun nedenlerinden biri, Evert ve Marco Baroni (2007) tarafından geliştirilen ZipfR adlı çevrimiçi açık kaynaklı bir aracın da bulunmasıydı. Bu açık kaynaklı araçta çeşitli modeller yer almaktadır; bunlardan Zipf-Mandelbrot yasasına dayanan sonlu Zipf-Mandelbrot modelini (fZM) kullandık12. Yazarların da belirttiği gibi, aracın kullanımı dilbilimin ötesine uzanır. ZipfR, satır başına bir sözcükbirim içeren biçim de dâhil olmak üzere, basit sıklık listeleri ve düz örnekler gibi çeşitli girdi biçimlerini kabul eder. Önceki araştırmamızda elde ettiğimiz ve 1. aşamada elle temizlenmişst sıklık listelerini kullanabilmemiz bu yöntemin bir başka avantajıydı (bkz. Bölüm 4.1). Sıklık listelerimiz dört temel işlemden geçirildi (Evert, Baroni 2007): (i) parametre tahmini: LNRE modelinin M parametreleri, beklenen sıklık spektrumu gözlemlenen sıklık spektrumuyla karşılaştırılarak, belirli büyüklükteki bir eğitim örneğinden belirlenir; (ii) tür sayısının ve tam olarak m kez görülen türlerin sayısının kovaryans matrisine dayalı uyum iyiliği değerlendirmesi; (iii) beklenen değerleri kullanarak söz varlığındaki büyümenin enterpolasyonu ve ekstrapolasyonu; (iv) keyfî büyüklükteki örnekler için beklenen sıklık spektrumunun öngörülmesi. Evert ve Baroni’nin (2007) belirttiği gibi, bu modelleme tek tek sözcük türlerinin sıklıklarına değil, “bu sıklıkların (bir örnekteki) ve olasılıkların (popülasyondaki) dağılımına” odaklanır. 11 fZM modelinin derlem verilerimize uygulanmasını sağlayan değerli yardımları için meslektaşımız Ján Mášik’e teşekkür etmek isteriz. 12 Zipf-Mandelbrot yasasının kapsamlı bir açıklaması için okura, örneğin Baroni 2009’a başvurması önerilir. Terminologija | 2021 | 28 71 5.2. LNRE dağılımlarının uygulanması ve değerlendirilmesi ZipfR aracı, her (alt)derlemdeki her bir ek için sözcük sıklığı spektrumlarını ve tür-token eğrilerini sağladı. Yer kısıtı nedeniyle yalnızca x ekseninde aynı ölçeğe uyarlanmış tür-token eğrilerini gösteren grafikleri sunuyoruz. y ekseni farklılık gösterir; çünkü belirli bir (alt)derlemdeki belirli bir ek için gerçek tür sayısına bağlıdır ve bu sayıdan kaynaklanır. Grafik çiftlerini karşılaştırmayı ve son olarak derlem verilerimiz genelinde eklerin üretkenliğini değerlendirmeyi öneriyoruz. x ekseni token sayısını gösterirken y ekseni, analiz edilen eklerden birini içeren sözcük oluşturma örüntüsünün ürettiği farklı türlerin (beklenen) sayısını gösterir. Hem referans derleminde hem de bilimsel derlemde eklerin sıralaması aynıdır; sıralamanın başında -álny eki, sonunda ise -órny eki yer alır. Referans derleminde -álny, -árny, -ózny eklerinin eğrisi yükselir ve böylece bu eklerin üretken olduğunu gösterirken, -itný ekinin ve özellikle -órny ekinin eğrileri yataylaşır. Bilimsel altderlemde iki ek üretken kabul edilebilir: -álny ve -árny. Geriye kalan üç ekin (-ózny, -itný, -órny) eğrileri çok yavaş yükselir, ancak grafikte yer alan x ekseninin sonunda yataylaşma eğilimi gösterir. Tıp altderlemi ve hukuk derlemi için hazırlanan grafikler yalnızca bir üretken ek gösterir: -álny13. Tıp altderleminde hem -árny hem de -ózny çok hızlı yataylaşır (muhtemelen sözcük dağarcığı büyüklüğünün üst sınırına ulaşırlar); -itný ve -órny ekleri ise yavaş ama istikrarlı biçimde yükselerek 100 tür noktasını aşar ve muhtemelen 200 tür noktasının altında yataylaşır. Hukuk metinlerinde -álny eki 350 tür noktasına yaklaşırken, tıp metinlerinde 800 tür noktasına ulaşır (y eksenindeki ölçeğe bakınız). Bununla birlikte, hukuk derlemindeki sıralama biraz farklıdır: -itný eki, eğrisi x eksenine neredeyse paralel ilerleyen ve bu nedenle neredeyse tamamen üretkenlikten yoksun görünen -ózny ekini geride bırakarak üçüncü sıraya yerleşir. Son sıradaki -órny eki ise çok yavaş bir yükselişin ardından yataylaşma eğilimi gösterir. Dinî derlemin grafiği üç üretken ek gösterirken (-álny, -árny ve -ózny), ekonomik metinlerde analiz edilen beş ekin tümünün üretken göründüğü dikkat çekicidir. Her iki derlemde de eklerin sıralaması aynıdır. 13 Bu iki grafikte -álny eki için interpolasyon eğrisi yer almamaktadır. Bunun nedeni, tüm (alt)derlemler için x ekseninin ölçeğinin ayarlanıp birleştirilmesinin bu tür bir eğrinin oluşturulmasına imkân vermemesidir. 7 2 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Şekil 1. İncelenen eklerin referans derlemindeki sözcük dağarcığı büyüme eğrileri Şekil 2. İncelenen eklerin bilimsel alt derlemdeki sözcük dağarcığı büyüme eğrileri Şekil 3. İncelenen eklerin tıp derlemindeki sözcük dağarcığı büyüme eğrileri Şekil 4. İncelenen eklerin hukuk derlemindeki sözcük dağarcığı büyüme eğrileri Dinî derlemde, –itný ve –órny eklerinin her iki eğrisi de 100 tür noktasının oldukça altında düzleşmektedir. Derlem verilerimizde incelenen eklerin üretkenliğine ilişkin yukarıda belirtilen bulguları özetlersek, en üretken ekin –álny olduğunu ve tüm (alt) derlemelerde sıralamanın başında yer aldığını söyleyebiliriz. Üretkenliği bilimsel ve akademik metinlerden oluşan alt derlemde ve tıp alt derleminde en yüksek görünmektedir; bunları referans derlem (eğri 700 tür noktasına doğru ilerlemektedir), dinî Terminologija | 2021 | 28 73 Şekil 5. İncelenen eklerin dinî derlemdeki sözcük dağarcığı büyüme eğrileri Şekil 6. İncelenen eklerin ekonomi derlemindeki sözcük dağarcığı büyüme eğrileri derlemi (eğri 600 tür noktasını aşmaktadır), ekonomi derlemi (eğri 500 tür noktasına doğru ilerlemektedir) ve son olarak hukuk derlemi (eğri en yüksek noktada 350 tür noktasına yaklaşmaktadır) izlemektedir. -árny eki ikinci sırada yer almakta ve 6 (alt) derlemin 4'ünde üretkenlik göstermektedir. Eğrilerin biçimi, bu ekin hukuk ve tıp metinlerinde üretken olmadığını düşündürmektedir. Bu ekin en yüksek üretkenliği bilimsel ve akademik metinlerden oluşan alt derlemde görülmektedir (eğri 400 tür noktasını aşmaktadır); bunu referans derlem (eğri 300 tür noktasını aşmaktadır) izlemektedir. Dinî ve ekonomi metinlerinde ise eğri 300 tür noktası civarında seyretmektedir. Benzer şekilde, -ózny eki 6 derlemin 4'ünde üretken görünmektedir. İlginçtir ki, -árny ekiyle aynı (alt) derlemlerde, yani hukuk ve tıp derlemlerinde üretken değildir. En üretken olduğu alan ekonomi metinleridir; burada eğri 200 tür noktasının hayli üzerine çıkmaktadır. Bunu eğrinin aynı noktayı aştığı referans derlem izlemektedir. Kalan iki derlemde ise eğri ya aynı noktaya ulaşmakta, ancak orada düzleşiyor gibi görünmekte (prim-9.0-public-prf) ya da dinî derlemde bu noktaya doğru ilerlemektedir. Ayrıca, -itný eki de 6 derlemin 4'ünde üretken görünmektedir. Üretken olmadığını gösteren düzleşen eğri, hukuk ve dinî derlemlerin grafiklerinde görülmektedir. En üretken olduğu alan ekonomi metinleridir; burada eğri 100 tür noktasının hayli üzerine çıkmaktadır. Kalan üç (alt) derlemde ise bu noktayı aşmakta ve daha aşağıda seyretmektedir. 74 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Sıralamadaki son ek -órny de 6 derlemin 4’ünde üretkendir. Üretken olmadığı referans ve dinî derlemlerde belirlenmiştir. En yüksek üretkenliği tıp ve ekonomi metinlerinde gösterir; burada eğri 100 tür noktasını aşar. Akademik ve bilimsel metinlerde eğri bu noktaya yakın seyrederken hukuk metinlerinde 25 tür noktasını ancak biraz aşar. Sonuç olarak, incelenen eklerin bilimsel ve akademik metinlerde ya da özel alanlara (ekonomi veya tıp) ait metinlerde en üretken oldukları söylenebilir; etimolojileri göz önüne alındığında bu şaşırtıcı değildir. Üretkenlikleri, daha doğrusu üretkenlik dereceleri, (alt)derlemler arasında önemli ölçüde farklılık gösterir. Belki de en ilgi çekici gözlem, hukuk alanında üç ekin üretken olmaması ve aynı alanda kalan iki ekin üretkenliğinin en düşük düzeyde olmasıdır. Bu durum, hukuk metinlerinin bu türden yeni sıfatların türetilmesinde sözcüksel yaratıcılığı teşvik etmediğine işaret ediyor olabilir. 4. Kısım’la karşılaştırıldığında, eklerin sıralamasındaki fark, Václav Cvrček’in (2012) hapaks/tür oranıyla ilgili olarak gözlemlediği olguyla kısmen açıklanabilir. Cvrček’in deneylerine göre bu oran, 1 olan en yüksek değerinden yerel minimumuna doğru azalma eğilimindedir (ibid: 5). Ancak bu noktadan sonra oran yeniden artmaya başlar. Cvrček bunu “büyük metin koleksiyonlarına özgü bir tür genel nicel ilke” olarak niteler (ibid: 14). Hapaks-tür fonksiyonunun biçimi, tipolojik olarak farklı dillerde bile kabaca aynı görünür; ancak metin örnekleminin büyüklüğü dilin türüne bağlıdır. Cvrček, hapaks/tür oranının minimum noktasına ulaşmak için İngilizce bir derlemin en az 3 milyon sözcük biçimi içermesi gerektiğini, Çekçe bir derlemin ise (iki dilin tipolojik yakınlığı nedeniyle Slovakça bir derlemin de aynı ölçüde büyük olması gerektiğine inanıyoruz) 58 milyon sözcük biçimi içermesi gerektiğini belirtir. Analizimizdeki iki alt derlem Cvrček’in sınırından daha küçük olduğundan, hapaks/tür oranları hapaks-tür fonksiyonunun azalan bölümünde yer alır. 6. SONUÇ Farklı derlem ve alanlarda seçilmiş eklerin üretkenliğine odaklanan araştırmamızın devamında, 4. Kısım’da sunulan her iki soruyu da yanıtlamayı başardık. 1. Bir derlemden çıkarılan düşük sıklıklı lemlerin potansiyel yeni sözcükleri de içerdiğini ve dağılımları Terminologija | 2021 | 28 75 derlem verileri arasında farklılık gösterebilse de hapaks/tür formülüne dayalı üretkenlik sıralamasını değiştirebildiklerini kanıtlayabildik. 2. Derlemler arasındaki üretkenliği değerlendirmek için istatistiksel modellemeyi belirleyip uyguladık: LNRE dağılımları. Açık kaynaklı araca derlem verilerimizi girerek üretkenliğin görsel bir modellemesini elde ettik. Bu modelleme, incelenen eklerin üretkenliğinin yalnızca genel ve bilimsel metinler karşılaştırıldığında değil, farklı uzmanlık alanları arasında da değiştiğini belirtmemizi sağladı. Modellemenin, incelenen her bir ekin ilgili alanda yeni türler üretme konusundaki gerçek potansiyelini açıkça gösterdiğine inanıyoruz. Ancak bu makalenin 4. ve 5. Kısımlarındaki sonuçlar ve sıralamalar birbirleriyle pek karşılaştırılabilir değildir; çünkü ilki doğrudan ham verilere, yani belirli bir (alt)derlemdeki türlerin ve hapaksların ya da düşük sıklıklı türlerin sayısına dayanırken, ikincisi her (alt)derlem için beklenen sıklık spektrumlarına dayanır. Kısacası, ilki fiilî verileri temsil ederken ikincisi, belirli bir dildeki bir unsurun üretkenliğini tahmin etmeye çalışır. Bu nedenle, daha büyük tıp ve hukuk metni derlemlerinde daha fazla hapaks belirlememiz beklenir; bu da farklı bir ek sıralamasına yol açabilir. Varsayımlarımız, belirli alanlara ait ilgili metin türlerinin temsili bir örneklemini içeren daha kapsamlı derlemler analiz edilerek gelecekteki araştırmalarda doğrulanabilir; çünkü metin türleri de bir unsurun biçimbilimsel üretkenliğinde rol oynayabilir. En büyük derlemin bile bütün sözcükleri içermeyeceği göz önüne alındığında, herhangi bir unsurun biçimbilimsel üretkenliğini ham tür veya sözcük biçimi sayımı yerine daha gelişmiş yöntemlerle değerlendirmenin daha makul olduğuna inanıyoruz. Sonuç olarak, bir sözcük yapım örüntüsünün ya da unsurunun geçmişteki üretkenliğini belirleyebileceğimiz söylenebilir. Ayrıca, gelecekteki kullanımına ilişkin farklı tahminler, yani Baayen’in potansiyel üretkenlik ölçüsünü de sunabiliriz. Dahası, istatistiksel ölçümleri nitel bir analizle tamamlasak bile bir başka olguyu dikkate almalıyız: Fernández-Domínguez’in haklı olarak savunduğu üzere, biçimbilimsel üretkenliğe ilişkin olasılıksal tahminler, dil dışı etmenler ve özellikle de bir konuşma topluluğunun adlandırma gereksinimleri bağlamında değerlendirilmelidir. “Adlandırma gereksinimi yoksa üretken sözcük yapımı da gerçekleşemez” (Fernández-Domínguez 2013: 438). 76 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited TEŞEKKÜRLER Bu makale, Slovak Bilimler Akademisi, Slovak Cumhuriyeti Eğitim, Bilim, Araştırma ve Spor Bakanlığı, Slovak Cumhuriyeti Kültür Bakanlığı ve Slovak Bilimler Akademisi Ľudovít Štúr Dilbilim Enstitüsü tarafından desteklenen Slovak Ulusal Derlemi projesi kapsamında yazılmıştır. KAYNAKLAR LİSTESİ Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Erişim adresi: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Erişim adresi: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Erişim adresi: https://korpus.sk. Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Erişim adresi: https://korpus.sk. Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Erişim adresi: https://korpus.sk. Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Erişim adresi: https://korpus.sk. Slovníkový portál Jazykovedného ústavu Ľ. Štúra SAV https://slovnik.juls.savba.sk/. ZipfR paketi. Erişim adresi: 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