Cet article constitue le prolongement d’une étude antérieure consacrée à l’usage et à la productivité de cinq suffixes d’origine latine en slovaque. L’analyse porte sur la productivité réelle et potentielle au moyen d’une comparaison en deux étapes: 1) comparaison des formes graphiques (tokens) et des lemmes présentes dans un corpus général équilibré avec celles d’un corpus général de textes spécialisés et universitaires; 2) comparaison des formes graphiques et des lemmes présentes dans le corpus général de textes spécialisés et universitaires avec celles de sous-corpus spécialisés de textes médicaux, juridiques, économiques et religieux. Le premier objectif de cette étude de suivi était de déterminer si les lemmes à faible fréquence incluent des créations lexicales susceptibles de contribuer aux variations de productivité entre les domaines. Le deuxième objectif était de repérer et de mettre en œuvre une mesure statistique appropriée permettant de comparer la productivité des données de corpus entre des corpus de tailles différentes.
MOTS-CLÉS: productivité, adjectif, suffixe, corpus général, corpus spécialisé, hapax legomena, lemme à faible fréquence, distributions de grands nombres d’événements rares.
ANNOTATION
Cette étude décrite dans l’article constitue le prolongement d’une recherche antérieure portant sur l’usage et la productivité de cinq suffixes latins en slovaque. Elle vise à déterminer la productivité réelle et potentielle au moyen d’une comparaison en deux étapes: 1) les formes graphiques (anglais tokens) et les lemmes (anglais lemmas) présentes dans le corpus général équilibré sont comparées à celles du corpus général de textes spécialisés et universitaires; 2) comparaison des formes graphiques et des lemmes présentes dans le corpus général de textes spécialisés et universitaires et dans les sous-corpus spécialisés de textes médicaux, juridiques, économiques et religieux. Le principal objectif de cette étude de suivi est de déterminer si les lemmes à faible fréquence comprennent des néologismes susceptibles de contribuer aux différences de productivité entre les domaines. L’étude vise également à identifier et à mettre en œuvre une mesure statistique permettant de comparer la productivité des données de corpus dans des corpus de tailles différentes.
MOTS-CLÉS: productivité, adjectif, suffixe, corpus général, corpus spécialisé, hapax, lemme à faible fréquence, grand nombre de distributions d’événements rares
54
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 2
1. INTRODUCTION
La motivation de notre recherche est née d’un intérêt pour la synonymie terminologique et, dans le cadre de cette problématique plus large, pour les adjectifs dénominaux synonymes en tant que constituants de termes polylexicaux.
L’intérêt porté aux adjectifs n’est pas nouveau dans la recherche en terminologie. Des analyses détaillées consacrées aux adjectifs figurent dans les travaux de nombreux terminologues, en particulier dans les années 1990 et 20001. Dans l’histoire de la terminologie slovaque, les études centrées sur les adjectifs, suscitées par la nécessité d’unifier et de créer des terminologies slovaques normalisées, remontent aux années 1950 (voir, par exemple, Ján Horecký 1956).
L’importance des adjectifs dans la terminologie et les langues de spécialité peut également être illustrée par les données statistiques fournies par les corpus. La majorité des corpus spécialisés issus du projet du Corpus national slovaque (ci-après, le projet SNC) présentent une proportion d’adjectifs supérieure à celle du corpus de référence (prim-7.0-frk), c’est-à-dire du corpus composé à parts égales de textes de fiction, spécialisés et journalistiques2. Comme l’indique le tableau 1, cet écart atteint près de 2%, à l’exception du corpus religieux (blf-2.0), dans lequel la proportion d’adjectifs est à peu près la même que dans le corpus de référence (7,46%). La deuxième ligne du tableau 1 présente la proportion de gérondifs, qui sont également employés avec des fonctions de différenciation et de classification dans les termes polylexicaux slovaques. Dans le cadre de l’annotation morphologique du projet SNC, ils sont classés dans un groupe spécifique, ce qui explique qu’ils soient étiquetés séparément des verbes (Garabík et al. 2004).
La coexistence et la concurrence des adjectifs ont été identifiées et analysées dans le contexte de la langue en général (par exemple, Nábelková 1996). Toutefois, leur intégration dans les termes polylexicaux constitue un sujet relativement peu étudié. Un phénomène courant à l’origine de la synonymie et de la concurrence entre adjectifs est la coexistence d’adjectifs d’origine latine et de leurs équivalents (slovaques) (vnútrožilový – intravenózny « intraveineux »). Ce dernier groupe comprend également un sous-groupe où une même racine internationale se combine avec un suffixe slovaque et un suffixe d’origine étymologique latine ou internationale (par exemple, bakteriálny – baktérioový « bactérien »). Il arrive parfois que deux suffixes internationaux alternent avec la même in-
1 Voir, par exemple, H. Assadi et D. Bourigault 1995; S. Normand et D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; ou I. Carrière 2008.
2 De plus amples détails sur les corpus utilisés pour l’analyse présentée figurent dans la partie 3.2.
Terminologija | 2021 | 28
55
Page 3
Tableau 1. Nombre de tokens et proportions d’adjectifs et de gérondifs dans le corpus de référence et les corpus spécialisés du projet SNC
CORPUS
CORPUS DE RÉFÉRENCE
SOUS-CORPUS SCIENTIFIQUE
SOUS-CORPUS MÉDICAL
SOUS-CORPUS JURIDIQUE
CORPUS RELIGIEUX
CORPUS ÉCONOMIQUE
Nombre de tokens dans le corpus
253,137,609
149,581,785
7,099,555
33,600,183
65,920,357
164,987,015
Nombre d’adjectifs dans les 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%
Nombre de gérondifs dans les 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%
Une racine internationale peut apparaître (p. ex. hypersonórny – hypersonický, kontradiktorický – kontradiktórny).
Cette étude, qui porte sur l’usage de suffixes spécifiques en langue slovaque, cherche à déterminer si certains d’entre eux sont plus susceptibles de favoriser une telle coexistence ou d’apparaître plus souvent dans les adjectifs terminologiques, raison pour laquelle le concept de productivité morphologique est pertinent dans ce cas.
Les suffixes retenus pour l’analyse constituent un groupe restreint servant à former des adjectifs dénominaux parmi le vaste ensemble des suffixes adjectivaux slovaques3. Quant à leur composition, les cinq suffixes associent un suffixe adjectival international (adapté) à l’équivalent sémantique slovaque -ný/ny: -álny, -árny, -itný, -ívny, -ózny; leur statut adjectival s’en trouve donc en quelque sorte redoublé. Il semble évident que les cinq suffixes d’origine latine servaient à former des adjectifs à partir de noms latins (-alis, avec la variante -aris, -ītus, -ōsus) ou de verbes (-ōrius). Il convient toutefois de souligner que de nombreux adjectifs slovaques formés avec les suffixes analysés sont entrés
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
Page 4
dans le lexique slovaque non seulement directement à partir du latin, mais plus souvent par l’intermédiaire du français ou de l’anglais au cours des dernières décennies (Horecký 1999), puis ont été adaptés au moyen du suffixe adjectival slovaque susmentionné. Il importe de noter que cet emprunt puis cette adaptation ont été rendus possibles et favorisés par des facteurs extralinguistiques. Pour des raisons essentiellement historiques, le slovaque s’est montré très ouvert aux mots nouveaux d’origine latine; la part des mots latinisants est donc élevée, même dans le lexique général slovaque (Horecký 1999: 81). De nos jours, sous l’effet des médias de masse, d’Internet et des réseaux sociaux, ce processus combiné de formation des mots, associant emprunt et dérivation, est particulièrement productif et donc très pertinent pour une étude linguistique et terminologique.
Notre article fait suite à nos recherches antérieures sur le même sujet, actuellement sous presse (Levičká 2021). Pour faciliter la comparaison et la compréhension du lecteur, nous avons jugé nécessaire d’inclure un résumé des raisonnements et des résultats précédents, complété par de nouvelles observations et des éléments de contexte théorique. Ainsi, certains tableaux (1–4), déjà publiés dans notre premier article, sont reproduits ici.
2. FONDEMENTS THÉORIQUES
Le concept théorique de productivité morphologique a été élaboré par un grand nombre de chercheurs et de spécialistes. Un aperçu des réflexions théoriques et des études antérieures menées au cours du 20the siècle a été présenté et commenté dans plusieurs études et articles, notamment par Jesús Fernández-Dominguez (2013) ou Victoria Hulse (2011). Nous nous concentrerons ici uniquement sur quelques considérations théoriques qui nous ont inspirés et ont influencé le choix de notre approche et de notre méthodologie.
La définition la plus ancienne citée ici date de 1948 et est due au linguiste américain Dwight L. Bolinger (cité par Säily 2018: 198), qui a conclu que la productivité était la « disposition statistiquement déterminable4 avec laquelle un élément entre dans de nouvelles combinaisons ».
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 Les expressions ou les mots mis en gras représentent les caractéristiques clés de notre recherche.
Terminologija | 2021 | 28
57
Page 5
Enfin, et ce n’est pas le moins important, nous souhaitons évoquer les recherches en morphologie dérivationnelle du linguiste tchèque Miloš Dokulil, qui a présenté une théorie complexe de la productivité de la formation des mots dans son ouvrage Teorie tvoření slov en 1962. Tout d’abord, Dokulil a défini la productivité d’un procédé linguistique en général comme la « capacité de ce procédé linguistique (qu’il s’agisse d’une base, d’un affixe ou d’un modèle de formation des mots) à participer activement à la création de mots nouveaux » (1962: 78). Il a précisé que cette capacité peut être absolue, c’est-à-dire désigner la possibilité de créer des mots nouveaux à tout moment et selon n’importe quel modèle de formation des mots, ou relative, auquel cas elle dépend également de facteurs sémantiques — ou plutôt stylistiques — ainsi que du modèle de formation des mots. Dans la théorie de Dokulil, la productivité est un « concept de nature synchronique, tandis que la mise en œuvre de cette capacité — la création de mots nouveaux selon des règles précises — est, au contraire, un concept de nature diachronique » (1962: 80). Dokulil distinguait également la productivité systémique et la productivité empirique (également appelée « parole » ou « productivité réelle » par František Štícha 2012)), qui donne une « idée générale de l’exploitation globale d’un modèle particulier de formation des mots ou d’un procédé linguistique dans le système d’une langue à un moment donné » (Dokulil 1962: 80). Dokulil estimait que même des « données approximatives concernant l’usage quantitatif d’un processus ou d’un élément de formation des mots donné sont d’une importance capitale pour dresser un tableau général de la langue considérée et, en particulier, pour caractériser son lexique » (Item: 77).
Parmi les linguistes tchèques contemporains qui s’appuient sur la théorie de la productivité de Dokulil et vérifient ses hypothèses à partir de données de corpus (voir, par exemple, Štícha 2002, 2007, 2009, 2012 ou Magda Ševčíková 2014), Štícha préconise l’analyse de la productivité empirique/de parole, non seulement dans de grands corpus, mais aussi au moyen d’une série de corpus de tailles et de compositions différentes (2012: 104).
On peut avancer que les hypothèses de Dokulil concernant la productivité relative trouvent un écho dans les travaux de Harald Baayen et d’autres chercheurs, dont nous évoquerons les méthodes et les approches plus loin dans cette analyse. En 1999, Baayen et ses collègues Ingo Plag et Christiane Dalton-Puffer écrivaient que « les affirmations concernant la productivité d’un affixe donné sont généralement formulées sans distinguer cette productivité selon le type de discours, bien que l’on admette couramment que certains types de suffixes dérivationnels sont plus pertinents dans certains types de textes que dans d’autres » (1999: 209).
Grâce à la disponibilité de grands corpus, il est possible de mesurer, de déterminer et d’analyser la productivité d’un modèle ou d’un élément de formation des mots non seulement dans la langue générale à un moment donné, mais aussi dans des domaines spécialisés et des registres.
58
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 6
3. RECHERCHES ANTÉRIEURES
Conformément aux raisonnements et aux hypothèses des linguistes cités dans la partie précédente, nous avons formulé, au début de notre recherche visant à déterminer la productivité morphologique des suffixes adjectivaux, trois questions de recherche principales:
1) La productivité morphologique de chacun des suffixes adjectivaux du groupe retenu diffère-t-elle entre les textes généraux et les textes spécialisés? Ces différences sont-elles statistiquement significatives?
2) La productivité morphologique de chacun des suffixes adjectivaux du groupe retenu peut-elle varier en fonction du domaine considéré? Certains de ces cinq suffixes sont-ils plus « aptes » à contribuer à l’expression de notions propres à un champ ou à un domaine?
3) Quelles méthodes sont pertinentes pour cette analyse spécifique des données de corpus?
Tout d’abord, en raison de la spécificité de ce type de modèle de formation des mots base latine + suffixe latin + suffixe étymologiquement natif, nous avons décidé d’écarter l’analyse qualitative portant sur les limites et les règles régissant la combinaison des différentes bases latines avec l’un des suffixes adjectivaux retenus dans le contexte de la langue slovaque.
Bien que l’approche quantitative ne puisse donner une image complète de l’état de productivité d’un suffixe ou de toute autre forme morphologique, son intérêt pour ce type de recherche réside dans le fait qu’elle présente une perspective et le contexte d’emploi des mots créés selon un modèle particulier, ainsi que des comparaisons spécifiques avec des formes sémantiquement et fonctionnellement équivalentes. Il est généralement admis que, dans l’analyse de la productivité morphologique, l’approche quantitative constitue une méthode complémentaire importante à la recherche qualitative (voir, par exemple, Evert and Lüdeling 2001). Comme le souligne Plag: « les notions quantitative et qualitative de la productivité […] sont étroitement liées. Ainsi, l’idée de potentialité, qui est au cœur des définitions qualitatives de la productivité, peut être exprimée en termes statistiques de probabilité » (cité par Naccarato 2016: 135). De même, Baayen et ses coauteurs soutiennent que la productivité « semble être un concept scalaire […]: avec certains affixes, on est plus susceptible de rencontrer des mots nouvellement formés qu’avec d’autres, ce qui fait de la productivité une notion probabiliste se prêtant à l’analyse statistique » (1999: 10).
Terminologija | 2021 | 28 59
Page 7
3.1. Méthodes statistiques
À l’étape 1 de notre analyse, nous avons suivi la voie méthodologique bien balisée de Harald Baayen, de ses collègues et de ses continuateurs (1991, 1992, 1993, 1994, 1996, 1997). Nous avons identifié la productivité réalisée, c’est-à-dire la fréquence d’emploi des adjectifs formés à l’aide des suffixes sélectionnés, ainsi que le nombre d’adjectifs différents formés avec ces suffixes dans divers corpus. Ces statistiques de corpus décrivent la productivité des suffixes au regard de la situation linguistique passée et présente.
L’étape suivante consistait à déterminer la productivité potentielle des suffixes analysés, c’est-à-dire à estimer le taux d’apparition attendu de nouveaux types5. Baayen (2009: 7) propose de la calculer comme le rapport entre les hapax legomena6 comportant l’affixe X et l’ensemble des tokens comportant l’affixe X dans un corpus. Le recours aux hapax legomena pour calculer la productivité a été largement critiqué, car ce groupe ne représente pas directement les créations lexicales qui sont censées refléter la productivité d’un élément ou d’un schéma. Plag, Dalton-Puffer et Baayen soutiennent que la productivité potentielle est une mesure probabiliste et qu’à mesure que la taille d’un corpus augmente, « la proportion de néologismes parmi les hapax legomena augmente, et il a été démontré que c’est précisément parmi les hapax legomena qu’apparaît le plus grand nombre de néologismes » (1999: 12). À l’étape précédente de notre recherche, nous avons choisi de ne pas utiliser la méthode hapax/token, mais avons adopté la méthode hapax/type, conformément au raisonnement de van Marle (1992), selon lequel la fréquence des tokens est une variable moins pertinente dans une mesure de productivité que le nombre de lemmes. Toutefois, le principal inconvénient de cette mesure est qu’elle ne permet pas de comparer les données statistiques de corpus de tailles différentes (Naccarato 2016: 133). Nous reviendrons sur cette question dans la partie 5.
3.2. Corpus utilisés dans l’analyse7
Les trois corpus et les trois sous-corpus utilisés dans cette analyse ont été mis à disposition par le Département du SNC entre 2013 et 2020 et sont accessibles à tous les utilisateurs inscrits.
5 En linguistique de corpus, les types désignent des mots distincts; ils sont synonymes de lemmes (Baker et al. 2006).
6 Les hapax legomena (expression d’origine grecque signifiant « dit une seule fois »), également abrégés en hapax, sont des mots qui n’apparaissent qu’une seule fois dans un corpus donné (Baker et al. 2006).
7 La majeure partie de cette section est tirée de l’article décrivant l’étape précédente de notre recherche (Levická 2021); cette répétition est toutefois nécessaire pour expliquer la nature des données du corpus.
60
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 8
Le premier corpus de référence (prim-7.0-frk), qui compte plus de 253 millions de tokens, est composé à parts égales de textes journalistiques, spécialisés et de fiction (64.12% d’entre eux ont été initialement rédigés en slovaque, tandis que 29.51% sont des traductions), écrits entre 1991 et 2015. Ce corpus a servi à compiler deux dictionnaires de fréquence du slovaque (2017, 2018), ainsi que le dictionnaire inverse (2018).
Le deuxième corpus, prim-9.0-public-prf, est un sous-corpus accessible au public du corpus primaire du projet SNC (ci-après dénommé sous-corpus scientifique). Compilé à partir de textes spécialisés, universitaires et non fictionnels, ce sous-corpus compte plus de 149 millions de tokens et de documents, et rend compte du discours général des sciences et de la recherche, y compris du journalisme spécialisé. Ses textes ont été rédigés entre 1955 et 2019. La proportion de textes rédigés entre 1955 et 1991 s’élève à 8.7% (plus de 13 millions de tokens).
Le plus petit (sous-)corpus parmi tous les corpus étudiés résulte du filtrage du corpus primaire du projet SNC [9], version 9.0. Il se compose de textes du domaine médical, rédigés entre 1976 et 2019, et compte un peu plus de 7 millions de tokens. La proportion de textes rédigés entre 1955 et 1991 s’élève à 1.09%. Dans la suite du texte, nous l’appellerons le sous-corpus médical.
Afin de disposer d’une source comparable provenant d’autres corpus spécialisés et du corpus de référence, le corpus spécialisé legal-1.1 (ci-après dénommé sous-corpus juridique), élaboré en coopération avec le ministère slovaque de la Justice, a été restreint aux textes législatifs produits entre 1991 et 2011. Ses près de 49 millions de tokens ont ainsi été ramenés à 33.5 millions de tokens.
Le corpus spécialisé – blf-2.0 –, consacré au domaine religieux, a été publié en 2014. Ses textes comptent près de 66 millions de tokens rédigés entre 1989 et 2014 (ci-après dénommé corpus religieux). Il comprend plus de 80% de revues et de journaux thématiques. De même, le corpus spécialisé ecn-2.0-public (ci-après dénommé corpus économique), consacré au domaine de l’économie, comprend jusqu’à 96.24% de textes spécialisés publiés dans des revues et des journaux thématiques. Les textes de ce corpus datent de 1992 à 2014 et comptent près de 165 millions de tokens.
Il convient toutefois de noter que ces corpus sont hétérogènes et couvrent une grande variété de textes.
Terminologija | 2021 | 28
6 1
Page 9
Pour les recherches dans les corpus, nous n’avons pas fondé les requêtes sur l’annotation morphologique fournie pour chacun des (sous-)corpus inclus dans l’analyse, car celle-ci s’est révélée inadéquate et erronée pour les mots d’origine latine. Nous avons donc opté pour une recherche simple de la terminaison particulière d’un token, p. ex. [lemma=“. *álny“], associée au filtrage automatique des mots présentant fortuitement la même chaîne de caractères (voir Partie 4.1).
3.3. Résultats de l’étape précédente
Lors de l’étape précédente, les données statistiques issues des corpus nous ont permis d’établir un classement de la productivité effective des suffixes analysés. Le suffixe -álny est de loin le plus largement utilisé dans tous les (sous-)corpus, tandis que -órny se situe à l’autre extrémité de l’échelle des fréquences dans 5 (sous-)corpus. Comme le montrent les fréquences d’usage normalisées de quatre des cinq suffixes, ceux-ci apparaissent plus fréquemment dans les textes spécialisés et universitaires (sous-corpus scientifique) que dans le corpus de référence. Il convient également de noter que les fréquences normalisées des suffixes dans le sous-corpus médical égalent ou dépassent largement l’ipm du sous-corpus scientifique, tandis que l’ipm des suffixes (occurrences par million) dans le corpus religieux est manifestement inférieur à celui du corpus de référence. Cela peut s’expliquer en partie par le type de textes inclus dans ces (sous-)corpus.
Tableau 2. Fréquence et fréquence normalisée (IPM, occurrences par million) des suffixes analysés dans les (sous-)corpus correspondants. Les corpus sont classés du plus petit au plus grand
L’ordre des corpus dans le tableau 3, qui indique le nombre de mots différents formés à l’aide des suffixes analysés, nous permet de comparer la variabilité des formations, d’abord entre la langue générale et la langue spécialisée, puis du plus petit corpus médical au plus grand corpus économique. Le tableau présente la productivité réalisée des suffixes analysés selon Baayen. Dans tous les (sous-)corpus, -álny est le suffixe le plus fréquent, apparaissant dans le plus grand nombre de types; le plus petit nombre de types ou de lemmes a été relevé avec le suffixe -órny. Les suffixes -itný et -órny semblent se chevaucher dans la majorité des (sous-)corpus; leur distinction plus subtile nécessite un test de significativité. Cependant, une comparaison réelle entre les corpus n’est pas possible, car le tableau présente les dénombrements absolus des types.
Tableau 3. Nombre de lemmes dans un (sous-)corpus donné
Les résultats concernant l’estimation de la productivité potentielle présentés dans le tableau 4 sont assez variés, comme l’indique le classement des suffixes.
Terminologija | 2021 | 28
63
Page 11
Tableau 4. Rapports hapax/type dans un (sous-)corpus donné. Les suffixes de chaque sous-tableau sont classés par ordre décroissant du rapport
RAPPORT HAPAX/TYPE
corpus de référence
sous-corpus scientifique
sous-corpus médical
-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
sous-corpus juridique
corpus religieux
corpus économique
-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
Le suffixe le plus productif dans trois corpus est -órny. Dans les trois autres (sous-)corpus, le classement est dominé deux fois par -ózny et une fois par -itný. En outre, ce même suffixe -órny semble être potentiellement le moins productif en général et dans les textes médicaux. Dans trois (sous-)corpus, c’est le suffixe -itný qui occupe la dernière place du classement de productivité. De même, dans le classement de productivité des textes économiques, la dernière place est occupée par le suffixe -árny.
4. QUESTIONS DE RECHERCHE DE L’ANALYSE PRÉSENTÉE
La phase précédente de notre recherche a mis en évidence des différences notables dans la productivité morphologique des suffixes analysés, en fonction à la fois du type de langue et des domaines. Toutefois, une question n’a reçu qu’une réponse partielle et en a suscité une nouvelle:
1. Vaut-il la peine d’analyser les lemmes de faible fréquence pour repérer les néologismes? En effet, plusieurs chercheurs avancent que la distribution des fréquences des mots formés à l’aide d’affixes productifs est censée être nettement décalée vers les lemmes de faible fréquence, qui comprennent de nouvelles créations.
64
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 12
2. Comme nous l’avons déjà souligné dans les sections précédentes, les résultats concernant la productivité potentielle des suffixes analysés ne peuvent pas être comparés entre différents corpus. Il est donc nécessaire d’identifier une méthode statistique appropriée permettant cette comparaison.
4.1. Nettoyage manuel des données
Les phases précédente et actuelle de notre analyse reposent toutes deux sur des données nettoyées manuellement. Plusieurs chercheurs ont souligné l’importance de ce processus fastidieux et chronophage. Evert et Lüdeling ont affirmé (et démontré) qu’il s’agit d’un préalable à une évaluation statistique de qualité, et pas seulement lorsqu’on recourt à des mesures plus sophistiquées (2001: 168). Le nettoyage manuel est particulièrement important pour trois raisons, la première étant liée à la nature des données de corpus. Tout d’abord, les données de corpus comportent généralement une proportion assez élevée de fautes de frappe, notamment parmi les lemmes de faible fréquence. Deuxièmement, les corpus présentent des erreurs orthographiques, fréquentes en particulier dans les mots d’origine latine. Troisièmement, il était nécessaire de regrouper les lemmes comportant le suffixe X qui ne différaient que par la présence ou l’absence d’un trait d’union, ainsi que les lemmes dont la première lettre était majuscule ou minuscule (sans qu’il s’agisse de noms propres), distingués par le lemmatiseur automatique utilisé dans le cadre du projet SNC. Le résultat de cette étape du nettoyage manuel est présenté dans le tableau 5, où la proportion moyenne de hapax pour les suffixes analysés varie de 24 à 30% du nombre total de lemmes comportant un suffixe donné. Toutefois, moins de 5% des lemmes (néologismes éventuels) subsistaient pour -itný dans les textes juridiques; à l’inverse, 40% ou plus subsistaient avec le suffixe -órny dans les textes religieux et scientifiques généraux, ainsi qu’avec le suffixe -ózny dans les textes économiques et, fait surprenant, dans les textes du corpus de référence. Ces proportions pourraient indiquer le degré de (non-)productivité d’un corpus donné. Comme l’affirment Baayen et ses coauteurs, le nombre de hapax pour les éléments productifs peut atteindre la moitié du vocabulaire observé dans un « corpus suffisamment vaste » (1999: 11).
La deuxième raison du nettoyage manuel était de filtrer les données extraites du corpus afin d’obtenir des listes de néologismes comportant les suffixes analysés. Nous avons donc exclu les lemmes qui 1) contiennent fortuitement la même suite de caractères que les suffixes analysés; 2) figurent dans les dictionnaires généraux du slovaque et dans le Dictionnaire des mots étrangers8, c’est-à-dire
8 Nous avons utilisé l’outil de recherche intégré du portail des dictionnaires https://slovnik.juls.savba.sk/.
Terminologija | 2021 | 28
65
Page 13
Tableau 5. Proportion d’hapax (néologismes potentiels) dans un (sous-)corpus donné après la première étape du nettoyage manuel
PROPORTION D’HAPAX COMPORTANT UN SUFFIXE SPÉCIFIQUE APRÈS LA PREMIÈRE ÉTAPE DU NETTOYAGE MANUEL
suffixe
sous-corpus médical
sous-corpus juridique
corpus religieux
sous-corpus scientifique
corpus économique
corpus de référence
-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%
par conséquent, ils ne sont pas des néologismes; 3) ont été trouvés dans les deux corpus les plus volumineux de la SNC9 – ces lemmes doivent y être apparus au moins trois fois dans l’un d’eux, à condition que ces occurrences proviennent de trois sources différentes et de trois années différentes. Ce dernier principe de filtrage a été établi parce que les mots ciblés comportant l’un des suffixes analysés tendent à être des termes de domaines spécialisés, et que nous ne disposons pas de dictionnaires spécialisés slovaques à jour. Il faut reconnaître que les listes de lemmes obtenues ne représentent que des néologismes potentiels. Les résultats figurent dans les colonnes intitulées Proportion de néologismes potentiels parmi les hapax des tableaux 6 et 7. Par rapport au tableau 5, la proportion de néologismes potentiels a considérablement diminué.
4.2. Néologismes dans les lemmes de faible fréquence
Afin de répondre à la première question de recherche, nous avons appliqué la même procédure de filtrage que celle utilisée pour la liste des hapax. Dans les tableaux 6 et 7, nous présentons les pourcentages (calculés à partir du nombre total de lemmes portant un suffixe donné, cf. tableau 3) de néologismes potentiels parmi les lemmes de faible fréquence apparaissant 4 à 2 fois dans les (sous-)corpus, ainsi que les pourcentages de néologismes potentiels au sein du groupe des hapax.
Bien que la proportion de néologismes potentiels augmente légèrement dans les textes spécialisés et universitaires pour chacun des suffixes analysés, en raison de l’inclusion
9Ces corpus sont actuellement les plus volumineux du projet SNC: le corpus général prim-9.0-juls-all et le corpus juridique legal-1.1.
66
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 14
des néologismes potentiels du groupe des lemmes de faible fréquence, les néologismes potentiels du corpus de référence n’ont connu qu’une très modeste augmentation pour quatre suffixes, tandis que le pourcentage du cinquième — -órny — est resté stable. Cette situation était prévisible, car les créations lexicales avec les suffixes analysés sont plus susceptibles d’apparaître dans les textes spécialisés.
Tableau 6. Proportion de néologismes potentiels dans le groupe des lemmes de faible fréquence (4–1 occurrences) et dans le groupe des hapax, calculée sur le nombre total de types après nettoyage dans le corpus général et le sous-corpus général scientifique
SUFFIXE
CORPUS DE RÉFÉRENCE
SOUS-CORPUS SCIENTIFIQUE
Proportion de néologismes potentiels parmi les lemmes de faible fréquence (4–1)
Proportion de néologismes potentiels parmi les hapax
Proportion de néologismes potentiels parmi les lemmes de faible fréquence (4–1)
Proportion de néologismes potentiels parmi les hapax
-álny
20.5%
17.3%
27.2%
21%
-árny
24.5%
20%
27.1%
21.1%
-itný
13.3%
12.2%
26.5%
19.4%
-ózny
27.8%
25.2%
24.4%
20.2%
-órny
12%
12%
27.3%
24.2%
En ce qui concerne les néologismes potentiels propres à un domaine, le pourcentage le plus élevé, comme dans le sous-corpus scientifique, est observé dans le corpus économique, où le suffixe -itný représente jusqu’à 35% des néologismes potentiels. Dans ce corpus, les autres suffixes atteignent environ 25% de néologismes potentiels parmi les lemmes de faible fréquence. En revanche, le pourcentage le plus bas de néologismes potentiels a été relevé dans les textes juridiques. Il convient également de mentionner les cas où le pourcentage a doublé après l’inclusion du groupe des lemmes de faible fréquence: -órny dans les textes médicaux, -árny dans les textes juridiques et -itný dans les textes religieux. Dans le même temps, il n’est pas surprenant que le suffixe -ózny arrive en tête du classement dans les textes médicaux, puisqu’il s’agit d’un suffixe typiquement médical. Toutefois, on trouve dans les textes économiques un pourcentage presque identique de nouveaux lemmes potentiels avec -ózny. Aucune augmentation du nombre de néologismes potentiels n’a été observée pour le suffixe -itný dans les textes médicaux et juridiques, ni pour le suffixe -órny dans les textes juridiques.
Terminologija | 2021 | 28 67
Page 15
Tableau 7. Proportion de néologismes potentiels dans le groupe des lemmes de faible fréquence (4 à 1 occurrences) et dans le groupe des hapax, par rapport au nombre total de types après nettoyage, dans les textes spécialisés des quatre domaines
SUF–FIX | SOUS-CORPUS MÉDICAL | SOUS-CORPUS JURIDIQUE | CORPUS RELIGIEUX | CORPUS ÉCONOMIQUE Proportion de néologismes potentiels parmi les lemmes de faible fréquence (4–1) | Proportion de néologismes potentiels parmi les hapax | Proportion de néologismes potentiels parmi les lemmes de faible fréquence (4–1) | Proportion de néologismes potentiels parmi les hapax | Proportion de néologismes potentiels parmi les lemmes de faible fréquence (4–1) | Proportion de néologismes potentiels parmi les hapax | Proportion de néologismes potentiels parmi les lemmes de faible fréquence (4–1) | Proportion de néologismes potentiels parmi les 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%
Pour faciliter la compréhension, nous ajoutons également un tableau présentant les pourcentages de néologismes potentiels dans le groupe des lemmes de faible fréquence.
Tableau 8. Écart en pourcentage des néologismes potentiels entre le groupe des lemmes de faible fréquence (4 à 1 occurrences) et le groupe des hapax, par rapport au nombre total de types après nettoyage
Enfin, le dernier tableau présente le classement des suffixes dans les (sous-)corpus respectifs, après application répétée de la formule adaptée de l’étape précédente: proportion de lemmes de faible fréquence portant un suffixe donné / nombre de types avec
68
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 16
Tableau 9. Différence du rapport des néologismes potentiels entre le groupe des lemmes de basse fréquence (4–1 occurrences) et le nombre de types. Le classement des suffixes mis en évidence a changé par rapport au tableau 4
un suffixe donné. Par rapport au tableau 4, le classement a changé dans tous les (sous-)corpus, à l’exception du corpus de référence. Il semble donc que la prise en compte des lemmes de basse fréquence se soit révélée utile.
Le suffixe -órny est le plus productif dans deux corpus (contre trois dans le tableau 4), tandis que -ózny est resté en tête de deux classements et que -itný est resté en tête du classement dans le corpus économique. Dans le corpus juridique, le suffixe le plus productif semble être -árny, alors que ce même suffixe est simultanément le moins productif dans les textes médicaux et économiques. La dernière place des classements de productivité est occupée par le suffixe -órny dans le corpus de référence et les textes médicaux, par le suffixe -ózny dans les textes scientifiques généraux, tandis que le suffixe -itný est resté le moins productif dans les corpus juridiques et religieux.
5. COMPARAISON DE LA PRODUCTIVITÉ ENTRE LES (SOUS-)CORPUS
Comme nous l’avons indiqué à la partie 3.1, les mesures statistiques utilisant les fréquences brutes et les décomptes de types nous empêchaient de comparer les résultats précédents issus de différents (sous-)corpus. Si nous adhérons à l’affirmation, ou plutôt à l’hypothèse, selon laquelle la productivité de tout élément ou
Terminologija | 2021 | 28
69
Page 17
motif de formation des mots peut être déduite des créations lexicales récentes (et, dans le même temps, nous avons démontré à la partie 4.2 que ces créations pouvaient apparaître non seulement parmi les hapax, mais aussi parmi les types de basse fréquence), il est possible de fonder l’analyse ultérieure sur les distributions de fréquences des mots et les spectres de fréquence. Par « spectre de fréquence », nous entendons une liste indiquant le nombre de types observés à chaque fréquence dans une liste de fréquences (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).
À cette fin de modélisation statistique, Baayen a introduit en 2001 les distributions dites LNRE10. L’intérêt de ces modèles spécialisés réside dans la possibilité d’extrapoler les statistiques types-occurrences d’un échantillon donné à des volumes d’occurrences plus importants et d’estimer ainsi les néologismes potentiels en dehors de cet échantillon. Ils s’appuient sur les tailles de vocabulaire prédites à partir du décompte des types de basse fréquence dans le corpus.
L’un des résultats de cette modélisation est constitué par les courbes de croissance du vocabulaire, ou plus précisément les courbes de croissance types-occurrences, qui dénombrent les types en fonction du nombre d’occurrences. La forme typique de cette courbe pour un processus improductif commence par une hausse, puis « s’aplanit et converge vers une valeur constante, la taille totale du vocabulaire » (2001: 168). À l’inverse, un motif productif typique présente un vocabulaire infini, c’est-à-dire que la courbe semble croître indéfiniment.
En utilisant les distributions LNRE, il est possible d’estimer le nombre de types dans des volumes de textes plus importants, et même le nombre de types
10 La théorie LNRE (théorie du grand nombre d’événements rares, en tant que domaine indépendant des statistiques) trouve son origine en 1988, année où le statisticien géorgien Estate Khmaladze a publié The statistical analysis of a large number of rare events. Comme l’a écrit son étudiant Giorgi Kvizhinadze: « Le trait commun des exemples que nous présenterons ci-dessous est qu’en plus de plusieurs événements fréquents, il existe également un très grand nombre d’événements très rares, disons de fréquence 0, 1 ou 2. Le nombre total de ces événements rares par rapport au nombre d’observations n’est généralement pas élevé, mais le nombre de ces événements parmi tous les événements distincts observés est toujours très important. Ces événements rares sont généralement très importants. Par exemple, le nombre de mots employés une seule fois dans un livre peut sembler sans grande importance pour ce livre, mais il est évident que ces mots sont absolument importants, car ils constituent la moitié du vocabulaire de l’auteur » (2010).
70
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 18
d’un schéma de formation des mots dans l’ensemble de la « population », c’est-à-dire dans une langue en tant que telle. Parallèlement, il est possible d’estimer ou de prédire le nombre de types dans des échantillons de même taille extraits de corpus plus vastes. Comme indiqué dans la partie 4.1, cette procédure statistique exige également des dénombrements exacts des types et des tokens; à défaut, le calcul de la taille estimée du vocabulaire, ou du nombre de types, serait erroné: au lieu de s’aplanir et de converger vers une valeur constante, la courbe pourrait continuer à croître.
5.1. Les distributions LNRE
Nous avons décidé d’appliquer les modèles LNRE afin d’identifier11 la productivité dans des corpus de tailles différentes, en partie parce qu’un outil libre est également disponible en ligne: ZipfR, développé par Evert et Marco Baroni (2007). Cet outil libre comprend plusieurs modèles, parmi lesquels nous avons utilisé le modèle Zipf-Mandelbrot fini (fZM), fondé sur la loi de Zipf-Mandelbrot12. Comme l’indiquent les auteurs, son utilisation dépasse le cadre de la linguistique. ZipfR accepte plusieurs formats d’entrée, notamment des listes de fréquences simples et des échantillons bruts au format un token par ligne. Nous avons pu utiliser les listes de fréquences issues de notre recherche précédente, qui avaient fait l’objet d’un nettoyage manuel lors de la 1st étape (cf. partie 4.1), ce qui constituait un autre avantage de cette méthode.
Nos listes de fréquences ont subi 4 opérations de base (Evert, Baroni 2007):
(i) estimation des paramètres, au cours de laquelle les paramètres du modèle LNRE M sont déterminés à partir d’un échantillon d’apprentissage de taille donnée, en comparant le spectre des fréquences attendu au spectre des fréquences observé;
(ii) évaluation de la qualité de l’ajustement, fondée sur la matrice de covariance du nombre de types et du nombre de types apparaissant exactement m fois;
(iii) interpolation et extrapolation de la croissance du vocabulaire, à l’aide des valeurs attendues;
(iv) prédiction du spectre des fréquences attendu pour une taille d’échantillon arbitraire.
Comme l’ont souligné Evert et Baroni (2007), cette modélisation ne porte pas sur les fréquences des types de mots individuels, « mais plutôt sur la distribution de ces fréquences (dans un échantillon) et des probabilités (dans la population) ».
11 Nous tenons à remercier notre collègue Ján Mášik pour son aide précieuse, grâce à laquelle le modèle fZM a pu être mis en œuvre sur les données de notre corpus.
12 Pour une description détaillée de la loi de Zipf-Mandelbrot, le lecteur pourra consulter, par exemple, Baroni 2009.
Terminologija | 2021 | 28 71
Page 19
5.2. Application des distributions LNRE et évaluation
L’outil ZipfR nous a fourni des spectres de fréquence des mots et des courbes type-token pour chaque suffixe dans chacun des (sous-)corpus. Faute d’espace, nous ne présentons que les graphiques des courbes type-token ajustées de manière à avoir la même échelle sur l’axe des x. L’axe des y diffère, car il dépend du nombre réel de types pour un suffixe donné dans un (sous-)corpus donné, et en découle. Nous proposons de comparer les paires de graphiques, puis d’évaluer la productivité des suffixes dans l’ensemble de nos données de corpus.
L’axe des x représente le nombre de tokens, tandis que l’axe des y indique le nombre (attendu) de types différents produits par le schéma de formation des mots comportant l’un des suffixes analysés.
Les deux corpus, le corpus de référence et le corpus scientifique, présentent le même classement des suffixes, dominé par le suffixe -álny et se terminant par le suffixe -órny. Dans le corpus de référence, la courbe de trois suffixes -álny, -árny, -ózny croît, indiquant ainsi leur productivité, tandis que les courbes de -itný et, en particulier, de -órny s’aplatissent. Dans le sous-corpus scientifique, deux suffixes peuvent être considérés comme productifs: -álny et -árny. Les courbes des trois autres suffixes (-ózny, -itný, -órny) croissent très lentement, mais tendent à s’aplatir à la fin de l’axe des x représenté sur le graphique.
Les graphiques du sous-corpus médical et du corpus juridique ne montrent qu’un seul suffixe productif: -álny13. Dans le sous-corpus médical, -árny et -ózny s’aplatissent très rapidement (ils atteignent peut-être leur taille de vocabulaire maximale); quant à -itný et -órny, ils croissent lentement mais régulièrement, dépassent le seuil des 100 types et s’aplatissent peut-être avant d’atteindre celui des 200 types.
Dans les textes juridiques, le suffixe -álny se dirige vers le seuil des 350 types, tandis que dans les textes médicaux, il atteint celui des 800 types (cf. l’échelle de l’axe des y). Toutefois, dans le corpus juridique, le classement diffère légèrement: le suffixe -itný arrive en troisième position, dépassant le suffixe -ózny, qui semble presque totalement improductif, sa courbe étant parallèle à l’axe des x. Le dernier suffixe, -órny, présente une hausse très lente, puis une tendance à l’aplatissement.
Alors que le graphique du corpus religieux montre trois suffixes productifs -álny, -árny et -ózny, il convient de noter que les cinq suffixes analysés semblent productifs dans les textes économiques. Le classement des suffixes reste identique dans les deux corpus.
13 Ces deux graphiques ne comportent pas la courbe d’interpolation du suffixe -álny. Cela s’explique par l’ajustement et l’uniformisation de l’échelle de l’axe des x pour tous les (sous-)corpus, qui n’ont pas permis de créer ce type de courbe.
7 2
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 20
Fig. 1. Courbes de croissance du vocabulaire des suffixes analysés dans le corpus de référence
Fig. 2. Courbes de croissance du vocabulaire des suffixes analysés dans le sous-corpus scientifique
Fig. 3. Courbes de croissance du vocabulaire des suffixes analysés dans le corpus médical
Fig. 4. Courbes de croissance du vocabulaire des suffixes analysés dans le corpus juridique
Dans le corpus religieux, les deux courbes des suffixes –itný et –órny s’aplatissent bien avant le seuil des 100 types.
Pour résumer les résultats mentionnés ci-dessus concernant la productivité des suffixes analysés dans l’ensemble de nos données de corpus, nous pouvons affirmer que le suffixe le plus productif est –álny, qui arrive en tête du classement dans tous les (sous-)corpus. Sa productivité semble être la plus élevée dans le sous-corpus des textes scientifiques et universitaires ainsi que dans le sous-corpus médical, suivis du corpus de référence (la courbe se dirige vers le seuil des 700 types), le corpus religieux
Terminologija | 2021 | 28
73
Page 21
Fig. 5. Courbes de croissance du vocabulaire des suffixes analysés dans le corpus religieux
Fig. 6. Courbes de croissance du vocabulaire des suffixes analysés dans le corpus économique
le corpus (la courbe dépasse le seuil des 600 types), le corpus économique (la courbe se dirige vers le seuil des 500 types) et enfin le corpus juridique (à son maximum, la courbe approche le seuil des 350 types).
Le suffixe -árny arrive en deuxième position et présente une productivité dans 4 des 6 (sous-)corpus. La forme des courbes suggère qu’il est improductif dans les textes juridiques et médicaux. La productivité la plus élevée de ce suffixe s’observe dans le sous-corpus des textes scientifiques et universitaires (la courbe dépasse le seuil des 400 types), puis dans le corpus de référence (la courbe dépasse le seuil des 300 types), tandis que dans les textes religieux et économiques, la courbe avoisine le seuil des 300 types.
De même, le suffixe -ózny semble productif dans 4 des 6 corpus. Fait intéressant, il paraît improductif dans les mêmes (sous-)corpus que le suffixe -árny, à savoir les corpus juridique et médical. Il est le plus productif dans les textes économiques, où la courbe dépasse largement le seuil des 200 types, puis dans le corpus de référence, où elle franchit ce même seuil; dans les deux corpus restants, soit la courbe atteint ce seuil, mais semble s’y aplatir (prim-9.0-public-prf), soit elle se dirige seulement vers ce seuil dans le corpus religieux.
Par ailleurs, le suffixe -itný semble productif dans 4 des 6 corpus. Les graphiques des corpus juridique et religieux présentent une courbe qui s’aplatit, signe d’improductivité. Il est le plus productif dans les textes économiques, où la courbe dépasse largement le seuil des 100 types, tandis que dans les trois (sous-)corpus restants, elle franchit ce seuil puis se situe en dessous.
74
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 22
Le dernier suffixe du classement -órny est également productif dans 4 corpus sur 6. Son absence de productivité a été relevée dans les corpus de référence et religieux. Sa productivité est la plus élevée dans les textes médicaux et économiques, où la courbe franchit le seuil des 100 types; dans les textes académiques et scientifiques, la courbe s’en approche, tandis que dans les textes juridiques, elle dépasse à peine le seuil des 25 types.
En conclusion, on peut dire que les suffixes analysés sont les plus productifs dans les textes scientifiques et académiques, ou dans les textes relevant d’un domaine spécialisé (l’économie ou la médecine), ce qui n’a rien d’étonnant compte tenu de leur étymologie. Leur productivité, ou plutôt leur degré de productivité, varie considérablement selon les (sous-)corpus. L’observation la plus intéressante est peut-être l’absence de productivité de trois suffixes dans le domaine juridique, ainsi que la productivité la plus faible des deux autres suffixes dans ce même domaine. Cela pourrait indiquer que les textes juridiques ne favorisent pas la créativité lexicale dans la formation de nouveaux adjectifs de ce type.
Par rapport à la partie 4, la différence de classement des suffixes peut s’expliquer en partie par le phénomène observé par Václav Cvrček (2012) concernant le ratio hapax/type. Selon les expériences de Cvrček, ce ratio tend à décroître depuis sa valeur maximale de 1 jusqu’à son minimum local (ibid.: 5). Toutefois, après ce point, le ratio recommence à augmenter. Cvrček affirme qu’il s’agit d’« une sorte de principe quantitatif général applicable aux grands ensembles de textes » (ibid.: 14). La forme de la fonction hapax/type semble être à peu près la même, même pour des langues typologiquement différentes; toutefois, la taille d’un échantillon textuel dépend du type de langue. Pour atteindre le minimum du ratio hapax/type, Cvrček indique qu’un corpus anglais devrait compter au moins 3 millions de tokens, tandis qu’un corpus tchèque (et nous pensons qu’il en va de même pour un corpus slovaque, étant donné la parenté typologique entre les deux langues) devrait en compter jusqu’à 58 millions. Comme deux sous-corpus de notre analyse sont plus petits que la limite indiquée par Cvrček, leur ratio hapax/type se situe dans la partie décroissante de la fonction hapax/type.
6. CONCLUSION
Dans le prolongement de notre recherche consacrée à la productivité de suffixes sélectionnés dans différents corpus et domaines, nous avons réussi à répondre aux deux questions présentées dans la partie 4.
1. Nous avons pu démontrer que les lemmes de faible fréquence extraits d’un corpus comprennent également des néologismes potentiels et que, bien que leur distribution
Terminologija | 2021 | 28
75
Page 23
puisse varier selon les données du corpus, ils peuvent modifier le classement de productivité fondé sur la formule hapax/type.
2. Nous avons identifié et appliqué une modélisation statistique pour évaluer la productivité entre les corpus: les distributions LNRE. En alimentant l’outil libre avec les données de notre corpus, nous avons obtenu une modélisation visuelle de la productivité, qui nous a permis d’établir que la productivité des suffixes analysés varie non seulement lorsque l’on compare les textes généraux aux textes scientifiques, mais aussi entre différents domaines spécialisés. Nous pensons que la modélisation montre clairement le potentiel réel de chacun des suffixes analysés à produire de nouveaux types dans le domaine concerné.
Cependant, les résultats et les classements des parties 4 et 5 de cet article sont plutôt incomparables entre eux, car le premier repose directement sur les données brutes — le nombre de types et de hapax, ou de types de faible fréquence, dans un (sous-)corpus donné —, tandis que le second repose sur les spectres de fréquences attendus pour chaque (sous-)corpus. En bref, tandis que le premier représente les données réelles, le second cherche à estimer la productivité d’un élément dans la langue concernée en tant que telle. Par conséquent, dans des corpus plus vastes de textes médicaux et juridiques, nous devrions relever davantage de hapax, ce qui pourrait aboutir à un classement différent des suffixes. Nos hypothèses pourraient être vérifiées ultérieurement par l’analyse de corpus plus étendus comprenant un échantillon représentatif des types de textes pertinents pour des domaines spécifiques, car les genres textuels peuvent également jouer un rôle dans la productivité morphologique d’un élément.
Étant donné que même le plus grand corpus ne contiendrait pas tous les mots, nous estimons qu’il est plus raisonnable d’évaluer la productivité morphologique d’un élément au moyen de méthodes plus sophistiquées que le simple décompte des types ou des tokens.
En conclusion, on peut dire que nous sommes en mesure de déterminer la productivité passée d’un schéma ou d’un élément de formation des mots. Nous pouvons également fournir différentes estimations de son exploitation future, c’est-à-dire de la productivité potentielle de Baayen. En outre, même si nous complétons les mesures statistiques par une analyse qualitative, nous devons tenir compte d’un autre fait: comme le soutient à juste titre Fernández-Domínguez, les prédictions probabilistes de la productivité morphologique doivent être envisagées dans le contexte de facteurs extralinguistiques et, en particulier, de ceux qui concernent les besoins de dénomination d’une communauté linguistique. « S’il n’existe aucun besoin de dénomination, aucune formation de mots productive ne peut avoir lieu » (Fernández-Domínguez 2013: 438).
76
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 24
REMERCIEMENTS
Cet article a été rédigé dans le cadre du projet du Corpus national slovaque, soutenu par l’Académie slovaque des sciences, le ministère de l’Éducation, des Sciences, de la Recherche et du Sport de la République slovaque, le ministère de la Culture de la République slovaque et l’Institut de linguistique Ľudovít Štúr de l’Académie slovaque des sciences.
LISTE DES SOURCES
Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Accessible à l’adresse: https://korpus.sk.
Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Accessible à l’adresse: https://korpus.sk.
Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Accessible à l’adresse: https://korpus.sk.
Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Accessible à l’adresse: https://korpus.sk.
Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Accessible à l’adresse: https://korpus.sk.
Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Accessible à l’adresse: https://korpus.sk.
Slovníkový portál Jazykovedného ústavu Ľ. Štúra SAV https://slovnik.juls.savba.sk/.
Le paquet ZipfR. Disponible à l’adresse: 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
Page 25
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
Page 26
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
