Ez a tanulmány egy korábbi kutatás folytatása, amely öt latin eredetű képző szlovák nyelvbeli használatát és produktivitását vizsgálta. Az elemzés a tényleges és a potenciális produktivitásra összpontosít, kétlépcsős összehasonlítást alkalmazva: 1) az általános, kiegyensúlyozott korpuszban előforduló tokeneket és lemmákat az általános, szaknyelvi és tudományos szövegeket tartalmazó korpusz adataival hasonlítja össze; 2) az általános, szaknyelvi és tudományos szövegeket tartalmazó korpusz adatait az orvosi, jogi, gazdasági és vallási szövegek szaknyelvi alkorpuszainak adataival veti össze. A folytatás elsődleges célja annak megállapítása volt, hogy az alacsony gyakoriságú lemmák között vannak-e olyan új szóalkotások, amelyek hozzájárulhatnak a produktivitás területenkénti eltéréseihez. A második cél egy megfelelő statisztikai mérőszám azonosítása és alkalmazása volt, amely lehetővé tenné a korpuszadatok produktivitásának összehasonlítását eltérő méretű korpuszok között.
KULCSSZAVAK: produktivitás, melléknév, képző, általános korpusz, szaknyelvi korpusz, hapax legomena, alacsony gyakoriságú lemma, a ritka események eloszlásainak nagy száma.
ÖSSZEFOGLALÓ
A jelen tanulmányban ismertetett kutatás egy korábbi vizsgálat folytatása, amely öt latin eredetű képző szlovák nyelvbeli használatát és produktivitását elemezte. A kutatás célja a tényleges és a potenciális produktivitás megállapítása kétlépcsős összehasonlítással: 1) az általános, kiegyensúlyozott korpuszban található szóalakok (angolul tokens) és címszóalakok, azaz lemmák (angolul lemmas) összehasonlítása az általános, szaknyelvi és tudományos szövegeket tartalmazó korpuszban található alakokkal; 2) az általános, szaknyelvi és tudományos szövegeket tartalmazó korpuszban, valamint az orvosi, jogi, gazdasági és vallási szövegek szaknyelvi alkorpuszában előforduló szóalakok és lemmák összevetése. A folytatólagos kutatás fő célja annak megállapítása, hogy az alacsony gyakoriságú lemmák között vannak-e olyan új szóalkotások, amelyek hozzájárulhatnak a produktivitás különböző szakterületek közötti eltéréseihez. A kutatás célja továbbá egy olyan statisztikai mérőszám meghatározása és alkalmazása, amely lehetővé teszi a korpuszadatok produktivitásának összehasonlítását különböző méretű korpuszokban.
KULCSSZAVAK: produktivitás, melléknév, képző, általános korpusz, szaknyelvi korpusz, hapax, ritkán használt lemma, a ritka események eloszlásainak nagy száma
54
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 2
1. BEVEZETÉS
Kutatásunk motivációja a terminológiai szinonímia iránti érdeklődésből, ezen a tágabb témakörön belül pedig a többszavas terminusok összetevőiként szereplő, főnevekből képzett szinonim melléknevek iránti érdeklődésből fakadt.
A melléknevekre irányuló figyelem nem újdonság a terminológiai kutatásban. A melléknevekre összpontosító részletes elemzések számos terminológus munkáiban megtalálhatók, különösen az 1990-es és a 2000-es években1. A szlovák terminológia történetében az egységesített szlovák terminológiák kialakításának és megalkotásának igénye által ösztönzött, melléknévi központú kutatások az 1950-es évekre vezethetők vissza (lásd például Ján Horecký 1956).
A melléknevek terminológiában és szaknyelvekben betöltött jelentőségét korpuszok által szolgáltatott statisztikai adatok is szemléltethetik. A Szlovák Nemzeti Korpusz projektből (a továbbiakban: SNC-projekt) létrejött szaknyelvi korpuszok többségében magasabb a melléknevek aránya, mint a referencia-korpuszban (prim-7.0-frk), vagyis abban a korpuszban, amely egyenlő arányban tartalmaz szépirodalmi, szaknyelvi és újságírói szövegeket2. Amint az 1. táblázatban látható, ez a különbség csaknem 2%, kivéve a vallási korpuszt (blf-2.0), amelyben a melléknevek aránya nagyjából megegyezik a referencia-korpuszéval (7,46%). Az 1. táblázat második sora az igenevek arányát mutatja; ezek a szlovák többszavas terminusokban szintén megkülönböztető és osztályozó funkciót töltenek be. Az SNC-projekt morfológiai annotációs keretében ezeket külön csoportként tartják számon, ezért az igéktől elkülönítve jelölik őket (Garabík et al. 2004).
A melléknevek együttélése és versengése általános nyelvi kontextusban már azonosított és elemzett jelenség (például Nábelková 1996). Többszavas terminusokba kerülésük azonban viszonylag kevéssé kutatott téma. A melléknevek szinonímiáját és versengését eredményező gyakori jelenség a latin eredetű melléknevek és (szlovák) megfelelőik együttélése (vnútrožilový – intravenózny „intravénás”). Az utóbbi csoportba tartozik egy olyan alcsoport is, amelyben ugyanahhoz a nemzetközi tőhöz szlovák, illetve etimológiai szempontból latin eredetű vagy nemzetközi utótag kapcsolódik (például bakteriálny – baktérioový „bakteriális”). Előfordul, hogy két nemzetközi utótag váltakozik ugyanazzal a tővel-
1 Lásd például H. Assadi és D. Bourigault 1995; S. Normand és D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; vagy I. Carrière 2008.
2 A bemutatott elemzéshez felhasznált korpuszokról további részletek a 3.2. részben találhatók.
Terminologija | 2021 | 28
55
Page 3
1. táblázat. A szavak és a melléknevek, valamint az igenevek aránya az SNC-projekt referencia- és szaknyelvi korpuszaiban
KORPUSZ
REFERENCIA-KORPUSZ
TUDOMÁNYOS ALKORPUSZ
ORVOSI ALKORPUSZ
JOGI ALKORPUSZ
VALLÁSI KORPUSZ
GAZDASÁGI KORPUSZ
A korpuszban található szavak száma
253,137,609
149,581,785
7,099,555
33,600,183
65,920,357
164,987,015
A melléknevek száma a szóelőfordulások között
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%
A gerundiumok száma a szóelőfordulások között
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%
Nemzetközi tőből is létrejöhet ilyen változat (pl. hypersonórny – hypersonický, kontradiktorický – kontradiktórny).
Ez a tanulmány, amely a meghatározott szlovák nyelvi szuffixumok használatára összpontosít, azt kívánja feltárni, hogy egyes szuffixumok nagyobb valószínűséggel teszik-e lehetővé az ilyen együttélést, illetve gyakrabban fordulnak-e elő terminológiai melléknevekben; ezért ebben az esetben relevánssá válik a morfológiai produktivitás fogalma.
Az elemzésre kiválasztott szuffixumok a szlovák melléknévképző szuffixumok széles körének egy kisebb csoportját képviselik, amelyeket főnevekből képzett melléknevek alkotására használnak3. Összetételüket tekintve az öt szuffixum egy (adaptált) nemzetközi melléknévképző szuffixumból és egy vele szemantikailag egyenértékű szlovák -ný/ny: -álny, -árny, -itný, -ívny, -ózny elemből áll, ezért melléknévi jellegük bizonyos mértékig megsokszorozódik. Nyilvánvalónak tűnik, hogy mind az öt latin eredetű szuffixumot latin főnevekből (-alis, ennek -aris változatával, valamint -ītus és -ōsus végződéssel) vagy igékből (-ōrius) képzett melléknevek alkotására használták. Érdemes azonban rámutatni, hogy számos, az elemzett szuffixumokkal képzett szlovák melléknév került be
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
a szlovák lexikonba nemcsak közvetlenül a latinból, hanem az utóbbi évtizedekben gyakrabban a francián vagy az angolon keresztül is (Horecký 1999), majd a fent említett szlovák melléknévképző szuffixummal való adaptáció folyamatán ment keresztül. Jelentős, hogy ezt az átvételt és az azt követő adaptációt nyelven kívüli tényezők tették lehetővé és segítették elő. Főként történelmi okokból a szlovák nyelv igen nyitott volt a latin eredetű új szavak befogadására, így a latin eredetű szavak aránya magas, még a szlovák köznyelvi szókincsben is (Horecký 1999: 81). Napjainkban a tömegmédia, az internet és a közösségi média hatásának köszönhetően ez az összetett szóalkotási folyamat, amely az átvételt és a képzést egyesíti, rendkívül termékeny, ezért nyelvészeti és terminológiai vizsgálat szempontjából különösen fontos.
Tanulmányunk az ugyanebben a témában végzett korábbi kutatásunk folytatása, amely jelenleg nyomtatás alatt áll (Levičká 2021). Az összehasonlítás és az olvasó számára való érthetőség érdekében szükségesnek tartottuk, hogy összefoglaljuk a korábbi érvelést és megállapításokat, új meglátásokkal és elméleti háttérrel kiegészítve. Ezért néhány táblázatot (1–4) – noha első tanulmányunkban már megjelentek – itt ismét közlünk.
2. ELMÉLETI ALAPVETÉS
A morfológiai produktivitás elméleti fogalmát számos kutató és tudós dolgozta ki. A 20th. század korábbi elméleti gondolkodásának és kutatásainak áttekintését több tanulmány és cikk összefoglalta és kommentálta, például Jesús Fernández-Dominguez (2013) és Victoria Hulse (2011) munkája. Itt csak néhány olyan elméleti megfontolásra összpontosítunk, amelyek inspirációt nyújtottak számunkra, és befolyásolták a megközelítés, valamint a módszertan megválasztását.
Az itt idézett legrégebbi meghatározást Dwight L. Bolinger amerikai nyelvész fogalmazta meg 1948-ban (idézi Säily 2018: 198); megállapítása szerint a produktivitás az a „statisztikailag meghatározható készség4, amellyel egy elem új kombinációkba lép be”.
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 A félkövérrel jelölt kifejezések vagy szavak kutatásunk kulcsfontosságú jellemzőit képviselik.
Terminologija | 2021 | 28
57
Page 5
Végül, de nem utolsósorban, szeretnénk hivatkozni Miloš Dokulil cseh nyelvész szóalkotási kutatásaira, aki 1962-ben, Teorie tvoření slov című munkájában a szóalkotási produktivitás összetett elméletét mutatta be. Mindenekelőtt Dokulil általánosságban úgy határozta meg egy nyelvi eszköz produktivitását, mint „az adott nyelvi eszköz (legyen az tő, affixum vagy szóalkotási minta) képességét arra, hogy aktívan részt vegyen új szavak alkotásában” (1962: 78). Kifejtette, hogy ez a képesség lehet abszolút, vagyis az új szavak bármikor és bármilyen szóalkotási mintával történő megalkotására való használhatóság, illetve relatív, amely szemantikailag, illetve inkább stílus szempontjából, valamint a szóalkotási mintát tekintve is kötött. Dokulil elméletében a produktivitás „szinkrón természetű fogalom, míg e képesség megvalósulása – az új szavak meghatározott szabályok szerinti megalkotása – ezzel szemben diakrón természetű fogalom” (1962: 80). Dokulil különbséget tett továbbá a rendszerszintű és az empirikus produktivitás között (utóbbira František Štícha a „parole-” vagy „valós produktivitás” megnevezést is használja, 2012)), amely „általános képet ad egy adott szóalkotási minta vagy nyelvi eszköz egy adott időpontban, egy nyelv rendszerében való átfogó kihasználásáról” (Dokulil 1962: 80). Dokulil úgy vélte, hogy „az adott szóalkotási folyamat vagy elem mennyiségi használatára vonatkozó, még hozzávetőleges adatoknak is kiemelkedő jelentőségük van mind az adott nyelv általános összképének, mind pedig különösen a szókészlete jellemzőinek megrajzolásában” (uo.: 77).
A kortárs cseh nyelvészek közül, akik Dokulil produktivitáselméletére építenek, és korpuszadatok alapján ellenőrzik feltevéseit (lásd például Štícha 2002, 2007, 2009, 2012 vagy Magda Ševčíková 2014), Štícha az empirikus/parole-produktivitás elemzését javasolja nemcsak nagy korpuszokban, hanem különböző méretű és összetételű korpuszok sorozatában is (2012: 104).
Állítható, hogy Dokulil relatív produktivitásra vonatkozó feltevései Harald Baayen és mások munkáiban is visszhangra találtak; módszereikre és megközelítéseikre elemzésünk későbbi részében hivatkozunk. Baayen és munkatársai, Ingo Plag és Christiane Dalton-Puffer 1999-ben azt írták, hogy „egy adott affixum produktivitására vonatkozó állításokat általában anélkül fogalmazzák meg, hogy megkülönböztetnék a produktivitást a diskurzus típusának függvényében, noha széles körben feltételezik, hogy bizonyos származékképző utótagok bizonyos szövegtípusokban relevánsabbak, mint másokban” (1999: 209).
A nagy korpuszok rendelkezésre állásával lehetővé vált egy szóalkotási minta vagy elem produktivitásának mérése, azonosítása és elemzése nemcsak az általános nyelvhasználatban, egy adott időpontban, hanem a szaknyelvi területeken és regiszterekben is.
58
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 6
3. KORÁBBI KUTATÁSOK
Az előző részben idézett nyelvészek érvelésével és feltevéseivel összhangban kutatásunk kezdetén három kulcsfontosságú kutatási kérdést fogalmaztunk meg a melléknévképző utótagok morfológiai produktivitásának meghatározására irányulóan:
1) Eltér-e a kiválasztott csoport egyes melléknévképző utótagjainak morfológiai produktivitása az általános és a szaknyelvi szövegekben? És statisztikailag szignifikánsak-e ezek a különbségek?
2) Változhat-e a kiválasztott csoport egyes melléknévképző utótagjainak morfológiai produktivitása a konkrét szakterülettől függően? Az öt utótag közül némelyik „alkalmasabb”-e arra, hogy hozzájáruljon a szakterület- vagy tartományspecifikus fogalmak kódolásához?
3) Milyen módszerek relevánsak a korpuszadatok ezen konkrét elemzéséhez?
Mindenekelőtt, e szóalkotási minta sajátossága miatt — latin tő + latin utótag + etimológiailag őshonos utótag — úgy döntöttünk, hogy félretesszük annak a kvalitatív elemzését, hogy milyen korlátok és szabályok vonatkoznak az egyes latin tövek és a kiválasztott melléknévképző utótagok kombinációjára a szlovák nyelv kontextusában.
Bár a kvantitatív megközelítés nem adhat teljes képet valamely utótag vagy más morfológiai forma produktivitási állapotáról, az ilyen típusú kutatásokban az az előnye, hogy bemutatja a szóhasználat perspektíváját és kontextusát — vagyis az adott minta szerint alkotott szavak használatának környezetét —, továbbá lehetővé teszi a szemantikailag és funkcionálisan egyenértékű formákkal való konkrét összehasonlításokat. Általánosan elfogadott nézet, hogy a morfológiai produktivitás elemzésében a kvantitatív megközelítés jelentős, a kvalitatív kutatást kiegészítő módszer (lásd például Evert és Lüdeling 2001). Plag megfogalmazása szerint: „a produktivitás kvantitatív és kvalitatív fogalmai [...] szorosan összefüggenek. Így a potencialitás gondolata, amely központi szerepet játszik a produktivitás kvalitatív meghatározásaiban, a valószínűség statisztikai fogalmaival fejezhető ki” (idézi Naccarato 2016: 135). Hasonlóképpen Baayen és társszerzői amellett érvelnek, hogy a produktivitás „skaláris fogalomnak tűnik [...]; egyes affixumok esetében nagyobb valószínűséggel találkozhatunk újonnan alkotott szavakkal, mint másoknál; ez teszi a produktivitást statisztikai elemzésnek alávethető valószínűségi fogalommá” (1999: 10).
Terminologija | 2021 | 28 59
Page 7
3.1. Statisztikai módszerek
Elemzésünk 1. szakaszában Harald Baayen, valamint munkatársai és követői (1991, 1992, 1993, 1994, 1996, 1997) jól bevált módszertani útját követtük. Meghatároztuk az úgynevezett realizált produktivitást, vagyis a kiválasztott szuffixumokkal képzett melléknevek használati gyakoriságát, valamint az e szuffixumokkal képzett különböző melléknevek számát az egyes korpuszokban. Ezek a korpuszstatisztikák a szuffixumok produktivitását a múltbeli és jelenlegi nyelvi helyzetre vonatkozóan vázolják fel.
A következő lépés az elemzett szuffixumok potenciális produktivitásának meghatározása volt, vagyis annak becslése, hogy milyen ütemben várhatók új típusok5 megjelenése. Baayen (2009: 7) szerint ezt úgy számíthatjuk ki, hogy az X affixummal előforduló hapax legomenonok6 számát elosztjuk a korpuszban az X affixummal előforduló összes token számával. A hapax legomenonok használatát a produktivitás kiszámítására széles körben bírálták, mivel ez a csoport nem képviseli közvetlenül azokat az új szóalkotásokat, amelyek egy elem vagy minta produktivitását hivatottak tükrözni. Plag, Dalton-Puffer és Baayen amellett érvelnek, hogy a potenciális produktivitás valószínűségi mérőszám, és hogy a korpusz méretének növekedésével „nő a neologizmusok aránya a hapax legomenonok között, és kimutatták, hogy éppen a hapax legomenonok között jelenik meg a legtöbb neologizmus” (1999: 12). Kutatásunk előző szakaszában elvetettük a hapax/token módszert, de van Marle érvelésével (1992) összhangban a hapax/type módszert alkalmaztuk, mivel a token gyakorisága kevésbé releváns változó a produktivitás mérésében, mint a lemmák száma. E mérőszám legkomolyabb hátránya azonban az, hogy nem teszi lehetővé a különböző méretű korpuszok statisztikai adatainak összehasonlítását (Naccarato 2016: 133). Erre a kérdésre az 5. részben még visszatérünk.
3.2. Az elemzésben használt korpuszok7
Az elemzésben használt mindhárom korpuszt és mindhárom alkorpuszt az SNC Osztálya tette közzé 2013–2020 között, és valamennyi regisztrált felhasználó számára hozzáférhetők.
5 A korpusznyelvészetben a típusok egyedi szavakat jelölnek, a lemmák szinonimái (Baker et al. 2006).
6 A hapax legomenon (az eredeti görög kifejezés jelentése: „egyszer mondott”), röviden hapax, olyan szó, amely egy adott korpuszban csak egyszer fordul elő (Baker et al. 2006).
7 E szakasz nagy része kutatásunk előző szakaszát bemutató tanulmányból származik (Levická 2021); az ismétlés azonban szükséges ahhoz, hogy megmagyarázzuk a korpuszadatok jellegét.
60
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 8
Az első, referencia-korpusz (prim-7.0-frk), amely több mint 253 millió tokent tartalmaz, egyenlő arányban újságírói, szaknyelvi és szépirodalmi szövegekből áll (ezek 64,12%-a eredetileg szlovákul íródott, 29,51%-uk pedig fordítás), és 1991–2015 között keletkezett. A korpuszt két szlovák gyakorisági szótár (2017, 2018), valamint a fordított szótár (2018) összeállításához használták.
A második korpusz, a prim-9.0-public-prf, az SNC projekt elsődleges korpuszának nyilvánosan hozzáférhető alkorpuszát alkotja (a továbbiakban: tudományos alkorpusz). Szaknyelvi, akadémiai és ismeretterjesztő szövegekből összeállítva több mint 149 millió tokent tartalmaz, és a tudományos kutatás általános diskurzusát, valamint a szakújságírást is dokumentálja. Szövegei 1955–2019 között íródtak. Az 1955–1991 között írt szövegek aránya 8,7% (több mint 13 millió token).
A vizsgált korpuszok közül a legkisebb (al)korpusz az SNC projekt elsődleges korpuszának [9], 9.0-s verziójának szűrésével jött létre. Az 1976–2019 között írt, orvostudományi témájú szövegekből áll, és valamivel több mint 7 millió tokent tartalmaz. Az 1955–1991 között írt szövegek aránya 1,09%. A szöveg további részében orvosi alkorpuszként hivatkozunk rá.
Annak érdekében, hogy összehasonlítható forrást kapjunk a többi szaknyelvi korpuszból és a referenciakorpuszból, a szlovák igazságügyi minisztériummal együttműködésben létrehozott legal-1.1 szaknyelvi korpuszt (a továbbiakban: jogi alkorpusz) az 1991–2011 között keletkezett jogszabályi szövegekre szűkítettük. A csaknem 49 millió token így 33,5 millióra csökkent.
A vallási területre összpontosító blf-2.0 szaknyelvi korpusz 2014-ben jelent meg. Szövegei csaknem 66 millió, 1989–2014 között írt tokent foglalnak magukban (a továbbiakban: vallási korpusz). Tematikus folyóiratokból és újságokból származó anyagok aránya meghaladja a 80%-ot. Hasonlóképpen, a gazdaság területével foglalkozó ecn-2.0-public szaknyelvi korpusz (a továbbiakban: gazdasági korpusz) anyagának 96,24%-a tematikus folyóiratokban és újságokban megjelent szaknyelvi szöveg. A korpusz 1992–2014 között keletkezett szövegeket tartalmaz, összesen csaknem 165 millió tokent.
Meg kell azonban jegyezni, hogy ezek a korpuszok heterogének, és sokféle szöveget ölelnek fel.
Terminologija | 2021 | 28
6 1
Page 9
A korpuszkeresést illetően nem támaszkodtunk az elemzésbe bevont valamennyi (al)korpuszhoz megadott morfológiai címkézésre, mivel ez a címkézés a latin eredetű szavak esetében nem bizonyult megfelelőnek, és hibákat is tartalmazott. Ezért a tokenek meghatározott végződésére irányuló egyszerű keresést választottuk, például [lemma=“. *álny“], amelyet azonos karaktersorozatot véletlenül tartalmazó szavak automatikus kiszűrése egészített ki (lásd a 4.1. részt).
3.3. Az előző szakasz eredményei
Az előző szakaszban a korpuszok statisztikai adatai lehetővé tették az elemzett képzők megvalósult produktivitás szerinti rangsorolását. Az -álny képző egyértelműen a legelterjedtebb valamennyi (al)korpuszban, míg az -órny a gyakorisági skála ellenkező végén áll 5 (al)korpuszban. Az öt képző közül négy normalizált használati gyakoriságából látható, hogy ezek a szaknyelvi és akadémiai szövegekben (tudományos alkorpusz) gyakrabban fordulnak elő, mint a referenciakorpuszban. Figyelemre méltó az is, hogy az orvosi alkorpuszban a képzők normalizált gyakorisága vagy megegyezik a tudományos alkorpusz ipm-értékével, vagy jelentősen meghaladja azt, míg a vallási korpusz képzőinek ipm-értéke (előfordulás egymillió tokenre vetítve) nyilvánvalóan alacsonyabb, mint a referenciakorpuszé. Ez részben az e (al)korpuszokba bevont szövegek típusával magyarázható.
2. táblázat. Az elemzett képzők gyakorisága és normalizált gyakorisága (IPM, előfordulás egymillió tokenre vetítve) az egyes (al)korpuszokban. A korpuszok méretük szerint növekvő sorrendben szerepelnek
62 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 10
KÉPZŐ ORVOSI ALKORPUSZ JOGI ALKORPUSZ VALLÁSI ALKORPUSZ TUDOMÁNYOS ALKORPUSZ GAZDASÁGI KORPUSZ REFERENCIAKORPUSZ Tokenek Tokenek Tokenek Tokenek Tokenek Tokenek IPM IPM IPM IPM IPM IPM -ózny 1,416 482 2,321 8,863 9,440 16,531 199.45 14.35 35.21 59.25 57.22 65.30 -órny 884 1,959 620 4,537 2,039 4,672 124.51 58.30 9.41 30.33 12.36 18.46
A 3. táblázatban szereplő korpuszok sorrendje, amely az elemzett képzőkkel alkotott különböző szavak számát mutatja, lehetővé teszi a szóalkotások változatosságának összehasonlítását először az általános és a szaknyelv, másodszor pedig a legkisebb orvosi korpusz és a legnagyobb gazdasági korpusz között. A táblázat az elemzett képzők Baayen-féle tényleges produktivitását mutatja. Valamennyi (al)korpuszban az -álny képző fordul elő a leggyakrabban, a különböző típusokban; a legkevesebb típust, illetve lemmát az -órny képzővel azonosították. Úgy tűnik, hogy az -itný és az -órny képző a legtöbb (al)korpuszban átfedést mutat; finomabb különbségük megállapításához szignifikanciateszt szükséges. Valódi összehasonlítás azonban nem lehetséges a korpuszok között, mivel a táblázat a típusok abszolút számát mutatja.
3. táblázat. A lemmák száma az adott (al)korpuszban
KÉPZŐ REFERENCIAKORPUSZ TUDOMÁNYOS ALKORPUSZ ORVOSI ALKORPUSZ JOGI ALKORPUSZ VALLÁSI KORPUSZ GAZDASÁGI KORPUSZ -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
A 4. táblázatban bemutatott, a potenciális produktivitás becslésére vonatkozó eredmények meglehetősen változatosak, amint azt a képzők sorrendje is jelzi.
Terminologija | 2021 | 28
63
Page 11
4. táblázat. Hapax/típus arány az adott (al)korpuszban. Az egyes résztáblázatokban a képzők csökkenő arány szerinti sorrendben szerepelnek
HAPAX/TÍPUS ARÁNY
referenciakorpusz
tudományos alkorpusz
orvosi alkorpusz
-ózny
0.252173913
-órny
0.228571429
-ózny
0.208333333
-árny
0.201342282
-árny
0.210382514
-itný
0.138888889
-ális
0.173956262
-ális
0.209499576
-ális
0.129094412
-itás
0.122222222
-ózus
0.201680672
-áris
0.1
-órikus
0.12
-itás
0.195876289
-órikus
0.076923077
jogi alkorpusz
vallási korpusz
gazdasági korpusz
-órikus
0.1
-órikus
0.2
-itás
0.237288136
-ózus
0.075
-ális
0.188180404
-szerű
0.228915663
-ális
0.052795031
-szerű
0.145833333
-szerű
0.185185185
-szerű
0.05
-szerű
0.134615385
-ális
0.177954847
-itásos
0
-itásos
0.090909091
-szerű
0.142156863
A három korpusz közül akár háromban is a -szerű a legproduktívabb képző. A fennmaradó három (al)korpuszban kétszer a -szerű, egyszer pedig a -itásos áll a rangsor élén. Emellett úgy tűnik, hogy ugyanez a -szerű képző általában és az orvosi szövegekben potenciálisan a legkevésbé produktív. Akár három (al)korpuszban is a -itásos képző foglalja el a produktivitási rangsor utolsó helyét. Hasonlóképpen, a gazdasági szövegek produktivitási rangsorának utolsó helyén a -szerű képző áll.
4. A BEMUTATOTT ELEMZÉS KUTATÁSI KÉRDÉSEI
Kutatásunk előző szakasza figyelemre méltó különbségeket mutatott ki az elemzett képzők morfológiai produktivitásában, mind a nyelvtípustól, mind a szakterületektől függően. Az egyik kérdésre azonban csak részben kaptunk választ, és ez egy újabb kérdést vetett fel:
1. Érdemes-e a ritka lemmákat az új szavak szempontjából elemezni? Valójában több kutató szerint a produktív affixumok szógyakorisági eloszlása egyértelműen a ritka lemmák irányába tolódik el, amelyek között új szóalkotások is vannak.
64
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 12
2. Ahogyan azt az előző szakaszokban már jeleztük, az elemzett képzők potenciális produktivitására vonatkozó eredmények a korpuszok között nem hasonlíthatók össze. Ezért meg kell határozni egy megfelelő statisztikai módszert, amely lehetővé teszi ezt az összehasonlítást.
4.1. Az adatok kézi tisztítása
Elemzésünk korábbi és jelenlegi szakasza egyaránt kézzel tisztított adatokon alapul. E fáradságos és időigényes folyamat fontosságára több kutató is felhívta a figyelmet. Evert és Lüdeling azt állították (és bizonyították), hogy ez a minőségi statisztikai értékelés előfeltétele, nem csupán kifinomultabb mérőszámok alkalmazásakor (2001: 168). A kézi tisztítás három okból is rendkívül fontos; ezek közül az első a korpuszadatok természetéből fakad. Mindenekelőtt a korpuszadatokban általában meglehetősen sok az elírás, különösen a ritka lemmák között. Másodsorban a korpuszokban helyesírási hibák is előfordulnak, különösen a latin eredetű szavaknál. Harmadsorban össze kellett vonni azokat az X képzős lemmákat, amelyek csak a kötőjel használatában, illetve mellőzésében különböznek, valamint a nagy- és kisbetűvel kezdődő (nem tulajdonneveket jelölő) lemmákat, amelyeket az SNC projektben használt automatikus lemmatizálás különböztet meg. A kézi tisztítás e szakaszának eredménye az 5. táblázatban látható: az elemzett képzők esetében az egyszer előforduló lemmák átlagos aránya az adott képzővel végződő lemmák teljes számának 24–30%-a. A jogi szövegek -itný képzőjénél azonban a lemmák kevesebb mint 5%-a (lehetséges új szó) maradt meg; ezzel szemben a -órny képző esetében a vallási és általános tudományos szövegekben, továbbá a -ózny képző esetében a gazdasági szövegekben, meglepő módon pedig a referencia-korpusz szövegeiben is legalább 40% maradt meg. Ezek az arányok utalhatnak az adott korpusz (im)produktivitására. Baayen és társszerzői szerint a produktív elemek egyszer előforduló alakjainak száma elérheti a megfigyelt szókészlet méretének felét egy „kellően nagy korpuszban” (1999: 11).
A kézi tisztítás második oka az volt, hogy a kinyert korpuszadatokat megszűrjük, és így az elemzett képzőket tartalmazó új szavak listáit állítsuk össze. Ezért kizártuk azokat a lemmákat, amelyek 1) véletlenül ugyanazt a karaktersorozatot tartalmazzák, mint az elemzett képzők; 2) megtalálhatók az általános szlovák szótárakban és az Idegen szavak szótárában8, azaz
8 A szótárportál beépített keresőeszközét használtuk https://slovnik.juls.savba.sk/.
Terminologija | 2021 | 28
65
Page 13
5. táblázat. A hapaxok (potenciális neologizmusok) aránya az adott (rész)korpuszban az első kézi tisztítási szakasz után
AZ ADOTT UTÓTAGÚ HAPAXOK ARÁNYA AZ ELSŐ KÉZI TISZTÍTÁSI SZAKASZ UTÁN
utótag
orvosi alkorpusz
jogi alkorpusz
vallási korpusz
tudományos alkorpusz
gazdasági korpusz
referenciakorpusz
-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%
ezért nem neologizmusok; 3) megtalálhatók voltak a két legterjedelmesebb SNC-korpuszban9 – ezeknek a lemmáknak legalább az egyikben háromszor vagy többször kellett előfordulniuk, feltéve, hogy az előfordulások három különböző forrásból és három különböző évből származtak. Ezt az utolsó szűrési elvet azért vezettük be, mert az elemzett utótagok valamelyikét tartalmazó, vizsgált szavaink általában szakterületi terminusok, a szlovák nyelvhez pedig nem állnak rendelkezésünkre naprakész szakszótárak. El kell ismerni, hogy az így létrejött lemmalisták csupán potenciális neologizmusokat tartalmaznak. Az eredmények a 6. és 7. táblázat A potenciális neologizmusok aránya a hapaxok között című oszlopaiban láthatók. Az 5. táblázathoz képest a potenciális neologizmusok aránya jelentősen csökkent.
4.2. Neologizmusok az alacsony gyakoriságú lemmákban
Az első kutatási kérdés megválaszolása érdekében ugyanazt a szűrési eljárást alkalmaztuk, mint amelyet a hapaxok listájának összeállításánál használtunk. A 6. és 7. táblázatban a potenciális neologizmusok százalékos arányát mutatjuk be az alacsony gyakoriságú, a (rész)korpuszokban 4–2 alkalommal előforduló lemmák körében (az adott toldalékkal ellátott lemmák teljes számához viszonyítva, vö. 3. táblázat), mellettük pedig a potenciális neologizmusok százalékos arányát a hapaxok csoportján belül.
Bár a potenciális neologizmusok aránya az összes elemzett toldalék esetében kismértékben nő a szaknyelvi és tudományos szövegekben, a bevonás következtében
9Ezek jelenleg az SNC projekt legnagyobb korpuszai: a prim-9.0-juls-all általános korpusz és a legal-1.1 jogi korpusz.
66
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 14
az alacsony gyakoriságú lemmák csoportjából származó potenciális neologizmusok bevonása ellenére a referenciakorpuszban a potenciális neologizmusok aránya csupán nagyon szerény mértékben nőtt négy toldalék esetében, míg az ötödiké — -órny — változatlan maradt. Ez várható is, mivel az elemzett toldalékokkal alkotott új szóalakok nagyobb valószínűséggel jelennek meg szaknyelvi szövegekben.
6. táblázat. A potenciális neologizmusok aránya az alacsony gyakoriságú lemmák (4–1 előfordulás) és a hapaxok csoportjában, a tisztítás utáni összes típus számához viszonyítva az általános korpuszban és az általános tudományos alkorpuszban
TOLDALÉK
REFERENCIAKORPUSZ
TUDOMÁNYOS ALKORPUSZ
A potenciális neologizmusok aránya az alacsony gyakoriságú lemmákban (4–1)
A potenciális neologizmusok aránya a hapaxokban
A potenciális neologizmusok aránya az alacsony gyakoriságú lemmákban (4–1)
A potenciális neologizmusok aránya a hapaxokban
-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%
A szakterületspecifikus potenciális neologizmusokat illetően a legmagasabb arány – a tudományos alkorpuszban tapasztalt helyzethez hasonlóan – a gazdasági korpuszban figyelhető meg, ahol az -itný képző a potenciális neologizmusok akár 35%-át teszi ki. A korpusz többi képzője a ritka lemmák között a potenciális neologizmusok hozzávetőleg 25%-át éri el. Ezzel szemben a potenciális neologizmusok legalacsonyabb arányát a jogi szövegekben azonosítottuk. Érdemes megemlíteni azokat az eseteket is, amikor az arány a ritka lemmák csoportjának bevonásával megduplázódott: az -órny képző esetében az orvosi szövegekben, az -árny képző esetében a jogi szövegekben, valamint az -itný képző esetében a vallási szövegekben. Ugyanakkor nem meglepő, hogy az -ózny képző áll az élen az orvosi szövegekben, hiszen prototipikusan orvosi képző. Az -ózny képzővel alkotott potenciális új lemmák aránya azonban a gazdasági szövegekben is majdnem ugyanekkora volt. Az -itný képző esetében az orvosi és jogi szövegekben, az -órny képző esetében pedig a jogi szövegekben nem nőtt a potenciális neologizmusok száma.
Terminologija | 2021 | 28 67
Page 15
7. táblázat. A potenciális neologizmusok aránya a ritka lemmák (4–1 előfordulás) és a hapaxok csoportjában a tisztítás utáni teljes típusszámhoz viszonyítva a négy szakterület szaknyelvi szövegeiben
KÉPZŐ | ORVOSI ALKORPUSZ | JOGI ALKORPUSZ | VALLÁSI KORPUSZ | GAZDASÁGI KORPUSZ A potenciális neologizmusok aránya a ritka lemmákban (4–1) | A potenciális neologizmusok aránya a hapaxokban | A potenciális neologizmusok aránya a ritka lemmákban (4–1) | A potenciális neologizmusok aránya a hapaxokban | A potenciális neologizmusok aránya a ritka lemmákban (4–1) | A potenciális neologizmusok aránya a hapaxokban | A potenciális neologizmusok aránya a ritka lemmákban (4–1) | A potenciális neologizmusok aránya a hapaxokban -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%
A jobb érthetőség kedvéért egy további táblázatot is közlünk, amely a potenciális neologizmusok arányát mutatja a ritka lemmák csoportjában.
8. táblázat. A potenciális neologizmusok százalékos arányának különbsége a ritka lemmák (4–1 előfordulás) és a hapaxok csoportja között a tisztítás utáni teljes típusszámhoz viszonyítva
A POTENCIÁLIS NEOLOGIZMUSOK ARÁNYA A RITKA LEMMÁK KÖZÖTT (4–2 ELŐFORD.) képző | referencia-korpusz | tudományos alkorpusz | orvosi alkorpusz | jogi alkorpusz | vallási korpusz | gazdasági korpusz -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%
Végül az utolsó táblázat az egyes (al)korpuszok képzőinek rangsorát mutatja be, miután az előző szakaszban adaptált képletet ismét alkalmaztuk – az adott képzővel ellátott ritka lemmák aránya / a típusok száma
68
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 16
9. táblázat. A potenciális neologizmusok arányának különbsége az alacsony gyakoriságú lemmák csoportja (4–1 előfordulás) és a típusok száma között. A kiemelt szuffixumok rangsora a 4. táblázathoz képest megváltozott
az adott szuffixum. A 4. táblázathoz képest a sorrend valamennyi (al)korpuszban megváltozott, kivéve a referencia-korpuszt. Így úgy tűnik, hogy az alacsony gyakoriságú lemmák bevonása hasznosnak bizonyult.
A -órny szuffixum két korpuszban a legproduktívabb (a 4. táblázatban szereplő háromhoz képest), míg a -ózny két rangsor élén maradt, a -itný pedig a gazdasági korpusz rangsorának élén állt. A jogi korpuszban a legproduktívabb szuffixum a -árny, miközben ugyanez a szuffixum az orvosi és a gazdasági szövegekben a legkevésbé produktív. A produktivitási rangsor utolsó helyét a referencia-korpuszban és az orvosi szövegekben a -órny szuffixum foglalja el; az általános tudományos szövegekben a -ózny, a jogi és vallási korpuszokban pedig a -itný szuffixum maradt a legkevésbé produktív.
5. A PRODUKTIVITÁS ÖSSZEHASONLÍTÁSA AZ (AL)KORPUSZOKBAN
Amint a 3.1. részben rámutattunk, a nyers gyakoriságokat és a típusok számát használó statisztikai mutatók nem tették lehetővé, hogy összehasonlítsuk a különböző (al)korpuszokból származó korábbi eredményeket. Ha elfogadjuk azt az állítást, vagy inkább hipotézist, hogy bármely szóalkotási elem vagy
Terminologija | 2021 | 28
69
Page 17
minta produktivitása az új szóalkotásokból következtethető ki (és a 4.2. részben egyúttal azt is kimutattuk, hogy ezek az új szóalkotások nemcsak a hapaxok csoportjaiban, hanem az alacsony gyakoriságú típusok között is előfordulhatnak), a további elemzés alapjául szolgálhatnak a szógyakoriság-eloszlások és a gyakorisági spektrumok. „Gyakorisági spektrumon” olyan listát értünk, amely megadja, hogy egy gyakorisági listában hány típus fordul elő (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).
A statisztikai modellezés céljára Baayen 2001-ben vezette be az úgynevezett LNRE10-eloszlásokat. E speciális modellek előnye, hogy egy adott minta típus–token statisztikái nagyobb tokenszámokra extrapolálhatók, ezáltal pedig megbecsülhetők a mintán kívüli potenciális neologizmusok. A modellek a korpusz alacsony gyakoriságú típusainak megszámlálásából nyert, előre jelzett szókincsméretekre épülnek.
A modellezés egyik eredménye a szókincsnövekedési görbe, más néven típus–token növekedési görbe, amely a típusok számát a tokenek számának függvényében ábrázolja. A nem produktív folyamat görbéje jellemzően kezdetben emelkedik, majd „ellaposodik, és egy állandó értékhez, a teljes szókincsmérethez konvergál” (2001: 168). Ezzel szemben a produktív mintát végtelen szókincs jellemzi, vagyis a görbe látszólag korlátlanul növekszik.
Az LNRE-eloszlások alkalmazásával megbecsülhető a típusok száma nagyobb terjedelmű szövegekben, sőt a típusok száma is
10 Az LNRE-elmélet (a ritka események nagy számára vonatkozó elmélet, a statisztika önálló területe) 1988-ban keletkezett, amikor Estate Khmaladze grúz statisztikus megjelentette a The statistical analysis of a large number of rare events. című művét. Tanítványa, Giorgi Kvizhinadze így írt: „Az alább bemutatandó példák közös jellemzője, hogy a gyakori események mellett igen nagy számban vannak nagyon ritka események is, mondjuk 0, 1 vagy 2 gyakorisággal. E ritka események összmennyisége a megfigyelések számához viszonyítva általában nem nagy, de az összes különböző megfigyelt esemény között számuk mindig igen jelentős. Ezek a ritka események rendszerint nagyon fontosak. Például egy könyvben csak egyszer használt szavak száma nem tűnik létfontosságúnak a könyv szempontjából, de teljesen világos, hogy ezek a szavak rendkívül fontosak, mivel a szerző szókincsének felét alkotják” (2010).
70
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 18
egy szóalkotási minta teljes „populációjában”, vagyis magában a nyelvben. Ugyanakkor megbecsülhető vagy előre jelezhető a nagyobb korpuszokból származó, azonos méretű mintákban előforduló típusok száma. Amint a 4.1. részben említettük, ez a statisztikai eljárás megköveteli a típusok és tokenek pontos számát is; enélkül a szókészlet vagy a típusok becsült méretének kiszámítása hibás lenne – a görbe ahelyett, hogy ellaposodna és egy állandó értékhez konvergálna, tovább növekedhetne.
5.1. Az LNRE-eloszlások
Az LNRE-modellek alkalmazása mellett döntöttünk, hogy meghatározzuk a produktivitást különböző méretű korpuszokban11, részben azért, mert online egy nyílt forráskódú eszköz is rendelkezésre áll – az Evert és Marco Baroni (2007) által fejlesztett ZipfR. Ez a nyílt forráskódú eszköz több modellt tartalmaz, amelyek közül a Zipf–Mandelbrot-törvényen alapuló véges Zipf–Mandelbrot-modellt (fZM) használtuk12. A szerzők szerint az alkalmazása túlmutat a nyelvészeten. A ZipfR többféle bemeneti formátumot fogad el, többek között egyszerű gyakorisági listákat és egyszerű mintákat, soronként egy token formátumban. Felhasználhattuk korábbi kutatásunk gyakorisági listáit, amelyeken már elvégeztük az 1st. szakasz kézi tisztítását (vö. 4.1. rész); ez a módszer további előnye volt.
Gyakorisági listáinkon négy alapműveletet végeztünk el (Evert, Baroni 2007):
(i) paraméterbecslés, amelynek során az LNRE M modell paramétereit egy adott méretű tanítómintából határozzuk meg a várt gyakorisági spektrum és a megfigyelt gyakorisági spektrum összehasonlításával;
(ii) illeszkedésjóság-vizsgálat, amely a típusok számának, valamint a pontosan m alkalommal előforduló típusok számának kovarianciamátrixán alapul;
(iii) a szókészlet növekedésének interpolációja és extrapolációja a várható értékek felhasználásával;
(iv) a várható gyakorisági spektrum előrejelzése tetszőleges mintaméretre.
Amint Evert és Baroni (2007) rámutatott, ez a modellezés nem az egyes szótípusok gyakoriságára összpontosít, „hanem inkább az ilyen gyakoriságok (egy mintában) és valószínűségek (a populációban) eloszlására”.
11 Szeretnénk köszönetet mondani kollégánknak, Ján Mášíknak, aki felbecsülhetetlen segítséget nyújtott az fZM-modell korpuszadatainkon történő megvalósításában.
12 A Zipf–Mandelbrot-törvény átfogó leírásáért az olvasó például Baroni 2009-es munkájához fordulhat.
Terminologija | 2021 | 28 71
Page 19
5.2. Az LNRE-eloszlások alkalmazása és értékelése
A ZipfR eszköz minden egyes (al)korpusz minden egyes képzőjéhez szógyakorisági spektrumokat és típus-token görbéket szolgáltatott. Helyhiány miatt csak azokat a grafikonokat mutatjuk be, amelyek típus-token görbéit úgy igazítottuk, hogy az x-tengely skálája azonos legyen. Az y-tengely skálája eltérő, mivel az adott (al)korpuszban az adott képzőhöz tartozó típusok tényleges számától függ. Javasoljuk a grafikonpárok összehasonlítását, majd végül a képzők produktivitásának értékelését a korpuszadataink alapján.
Az x-tengely a tokenek számát jelöli, míg az y-tengely a vizsgált képzők egyikét tartalmazó szóalkotási minta által létrehozott különböző típusok (várható) számát mutatja.
Mindkét korpuszban, a referencia- és a tudományos korpuszban is, a képzők sorrendje azonos: az első helyen a -álny képző áll, az utolsón pedig a -órny. A referenciakorpuszban a három képző, a -álny, -árny, -ózny görbéje emelkedik, ami produktivitásukra utal, míg a -itný, különösen pedig a -órny görbéje ellaposodik. A tudományos alkorpuszban két képző tekinthető produktívnak: a -álny és a -árny. A fennmaradó három képző (-ózny, -itný, -órny) görbéje nagyon lassan emelkedik, de az ábrán szereplő x-tengely végéhez közeledve ellaposodási tendenciát mutat.
Az orvosi alkorpusz és a jogi korpusz grafikonjai csak egy produktív képzőt mutatnak: -álny13. Az orvosi alkorpuszban mind a -árny, mind a -ózny görbéje nagyon gyorsan ellaposodik (feltehetően elérik a szókészlet méretének maximumát); a -itný és a -órny görbéje ugyanakkor lassan, de folyamatosan emelkedik, átlépi a 100 típusos szintet, és feltehetően a 200 típusos szint alatt ellaposodik.
A -álny képző a jogi szövegekben a 350 típusos szint felé tart, míg az orvosi szövegekben a 800 típusos szintet éri el (vö. az y-tengely skálájával). A jogi korpuszban azonban kissé eltér a sorrend: a -itný a harmadik helyre kerül, megelőzve a -ózny képzőt, amely szinte teljesen produktívnak tűnik, mivel görbéje az x-tengellyel párhuzamosan fut. Az utolsó képző, a -órny, nagyon lassan emelkedik, majd ellaposodási tendenciát mutat.
Míg a vallási korpusz grafikonja három produktív képzőt mutat — -álny, -árny és -ózny —, figyelemre méltó, hogy a gazdasági szövegekben mind az öt vizsgált képző produktívnak tűnik. A képzők sorrendje mindkét korpuszban változatlan.
13 Ez a két grafikon nem tartalmazza a -álny képző interpolációs görbéjét. Ennek oka az x-tengely skálájának az összes (al)korpuszra kiterjedő igazítása és egységesítése, amely nem tette lehetővé ilyen típusú görbe létrehozását.
7 2
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 20
1. ábra. Az elemzett képzők szókincsnövekedési görbéi a referencia-korpuszban
2. ábra. Az elemzett képzők szókincsnövekedési görbéi a tudományos alkorpuszban
3. ábra. Az elemzett képzők szókincsnövekedési görbéi az orvosi korpuszban
4. ábra. Az elemzett képzők szókincsnövekedési görbéi a jogi korpuszban
A vallási korpuszban a –itný és a –órny képző görbéje egyaránt jóval a 100-as típuspont előtt ellaposodik.
Ha összegezzük az elemzett képzők produktivitására vonatkozó, korpuszadataink alapján tett fenti megállapításokat, kijelenthetjük, hogy a legproduktívabb képző a –álny, amely minden (al)korpuszban az első helyen áll. Produktivitása a tudományos és akadémiai szövegek alkorpuszában, valamint az orvosi alkorpuszban tűnik a legmagasabbnak, ezt követi a referencia-korpusz (görbéje a 700-as típuspont felé tart), majd a vallási
Terminologija | 2021 | 28
73
Page 21
5. ábra. Az elemzett képzők szókincsnövekedési görbéi a vallási korpuszban
6. ábra. Az elemzett képzők szókincsnövekedési görbéi a gazdasági korpuszban
korpusz (görbéje átlépi a 600-as típuspontot), a gazdasági korpusz (görbéje az 500-as típuspont felé tart), végül pedig a jogi korpusz (görbéje a legmagasabb értéknél megközelíti a 350-es típuspontot).
A -árny képző a második helyen áll, és a 6 (al)korpuszból 4-ben mutat produktivitást. A görbék alakja arra utal, hogy jogi és orvosi szövegekben nem produktív. E képző legnagyobb produktivitása a tudományos és akadémiai szövegek alkorpuszában figyelhető meg (görbéje átlépi a 400-as típuspontot), ezt követi a referencia-korpusz (görbéje átlépi a 300-as típuspontot), míg vallási és gazdasági szövegekben a görbe a 300-as típuspont közelében fut.
Hasonlóképpen a -ózny képző is 6 korpuszból 4-ben tűnik produktívnak. Érdekes módon ugyanazokban az (al)korpuszokban látszik nem produktívnak, mint az -árny képző: a jogi és az orvosi korpuszban. A gazdasági szövegekben a legproduktívabb, ahol görbéje jóval a 200-as típuspont fölé fut, ezt követi a referencia-korpusz, ahol átlépi ugyanezt a pontot; a másik két korpuszban a görbe vagy eléri ugyanezt a pontot, de ott ellaposodni látszik (prim-9.0-public-prf), vagy csak a vallási korpuszban tart afelé.
A -itný képző szintén 6 korpuszból 4-ben tűnik produktívnak. A nem produktivitást jelző ellaposodó görbe a jogi és a vallási korpusz grafikonjain látható. A gazdasági szövegekben a legproduktívabb, ahol görbéje jóval a 100-as típuspont fölé fut, míg a fennmaradó három (al)korpuszban átlépi ezt a pontot, majd alatta halad.
74
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 22
A rangsorban utolsó -órny képző szintén 6 korpuszból 4-ben produktív. Produktivitásának hiányát a referencia- és a vallási korpuszokban állapítottuk meg. A legnagyobb produktivitást az orvosi és gazdasági szövegekben mutatja, ahol a görbe átlépi a 100-as típusértéket; az akadémiai és tudományos szövegekben a görbe közel halad ehhez az értékhez, a jogi szövegekben pedig alig lépi át a 25-ös típusértéket.
Összefoglalva elmondható, hogy az elemzett képzők a tudományos és akadémiai szövegekben, illetve egy-egy szakterület (a gazdaság vagy az orvostudomány) szövegeiben a legproduktívabbak, ami etimológiájukra tekintettel nem meglepő. Produktivitásuk, pontosabban annak mértéke jelentősen eltér az egyes (al)korpuszokban. Talán az a legérdekesebb megfigyelés, hogy a jogi szakterületen három képző nem produktív, a fennmaradó két képző pedig ugyanitt a legalacsonyabb produktivitást mutatja. Ez arra utalhat, hogy a jogi szövegek nem kedveznek az ilyen típusú új melléknevek alkotásával járó lexikai kreativitásnak.
A 4. résszel összevetve a képzők rangsorában mutatkozó különbség részben a Václav Cvrček (2012) által megfigyelt hapax/típus arány jelenségével magyarázható. Cvrček kísérletei szerint ez az arány a maximális 1-es érték felől a helyi minimum felé csökken (ibid: 5). E pont után azonban az arány ismét növekedni kezd. Cvrček szerint ez „a nagy szöveggyűjtemények valamiféle általános mennyiségi elve” (ibid: 14). Úgy tűnik, hogy a hapax/típus függvény alakja még tipológiailag különböző nyelvek esetében is nagyjából azonos, a szövegminta mérete azonban a nyelv típusától függ. A hapax/típus arány minimumának eléréséhez Cvrček megállapítása szerint egy angol korpusznak legalább 3 millió tokent kell tartalmaznia, míg egy cseh korpusznak (és úgy véljük, hogy a két nyelv tipológiai rokonsága miatt egy szlovák korpusznak is) akár 58 milliót. Mivel elemzésünk két alkorpuszának mérete kisebb Cvrček határértékénél, hapax/típus arányuk a hapax/típus függvény csökkenő szakaszára esik.
6. ÖSSZEFOGLALÁS
A különböző korpuszokban és szakterületeken vizsgált képzők produktivitására összpontosító kutatásunk folytatásában sikerült választ adnunk a 4. részben feltett mindkét kérdésre.
1. Sikerült bizonyítanunk, hogy a korpuszból kinyert alacsony gyakoriságú lemmák között potenciális neologizmusok is vannak, és bár eloszlásuk
Terminologija | 2021 | 28
75
Page 23
a korpuszadatok között változhat, módosíthatják a hapax/típus képlet alapján felállított produktivitási rangsort.
2. Azonosítottuk és alkalmaztuk a korpuszok közötti produktivitás értékelésére szolgáló statisztikai modellezést, azaz az LNRE-eloszlásokat. A nyílt forráskódú eszközbe betáplált korpuszadataink alapján a produktivitás vizuális modelljét kaptuk, amely lehetővé tette annak megállapítását, hogy az elemzett képzők produktivitása nemcsak az általános és a tudományos szövegek összehasonlításakor tér el, hanem a különböző szakosított szakterületek között is. Úgy véljük, a modellezés egyértelműen megmutatja, hogy az egyes elemzett képzőknek mekkora a valódi potenciálja új típusok létrehozására az adott szakterületen.
A tanulmány 4. és 5. részének eredményei és rangsorai azonban nem igazán hasonlíthatók össze egymással, mivel az első közvetlenül a nyers adatokon alapul – az egy adott (al)korpuszban található típusok, hapaxok vagy alacsony gyakoriságú típusok számán –, míg a második az egyes (al)korpuszok várható gyakorisági spektrumain. Röviden: míg az első a tényleges adatokat mutatja be, a második egy adott elem produktivitását igyekszik megbecsülni magában az adott nyelvben. Ezért a nagyobb orvosi és jogi korpuszokban több hapaxot kellene azonosítanunk, ami a képzők eltérő rangsorát eredményezheti. Feltevéseinket a jövőben a szakterületekre jellemző releváns szövegtípusok reprezentatív mintáját tartalmazó, nagyobb korpuszok elemzésével lehetne ellenőrizni, mivel a szövegműfajok is szerepet játszhatnak egy elem morfológiai produktivitásában.
Mivel még a legnagyobb korpusz sem tartalmazhatja az összes szót, úgy véljük, hogy bármely elem morfológiai produktivitását célszerűbb kifinomultabb módszerekkel értékelni, mint a típusok vagy tokenek nyers megszámlálásával.
Összefoglalva elmondható, hogy képesek vagyunk azonosítani egy szóalkotási mintázat vagy elem múltbeli produktivitását. A jövőbeli kiaknázására vonatkozóan is adhatunk különböző becsléseket, vagyis meghatározhatjuk Baayen potenciális produktivitását. Továbbá még ha a statisztikai méréseket kvalitatív elemzéssel egészítjük is ki, egy további tényt figyelembe kell vennünk: amint arra Fernández-Domínguez helyesen rámutat, a morfológiai produktivitás valószínűségi előrejelzéseit az extralingvisztikai tényezők, különösen a beszélőközösség megnevezési szükségleteinek összefüggésében kell értelmezni. „Ha nincs megnevezési szükséglet, produktív szóalkotás sem történhet” (Fernández-Domínguez 2013: 438).
76
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 24
KÖSZÖNETNYILVÁNÍTÁS
A tanulmány a Szlovák Nemzeti Korpusz projekt keretében készült, amelyet a Szlovák Tudományos Akadémia, a Szlovák Köztársaság Oktatási, Tudományos, Kutatási és Sportminisztériuma, a Szlovák Köztársaság Kulturális Minisztériuma, valamint a Szlovák Tudományos Akadémia Ľudovít Štúr Nyelvtudományi Intézete támogatott.
FORRÁSOK JEGYZÉKE
Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Elérhető: https://korpus.sk.
Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Elérhető: https://korpus.sk.
Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Elérhető: https://korpus.sk.
Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Elérhető: https://korpus.sk.
Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Elérhető: https://korpus.sk.
Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Elérhető: https://korpus.sk.
A Ľ. Štúr Nyelvtudományi Intézet SAV szótárportálja https://slovnik.juls.savba.sk/.
A ZipfR csomag. Elérhető: 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
