doi.org/10.35321/term28-03

Gebruik en empirische productiviteit van internationale adjectivische suffixen in het Slowaaks: een herziening

JANA LEVICKÁ

Ľ. Štúr Institute of Linguistics, Slovak Academy of Sciences

ORCID-id: https://orcid.org/0000-0001-6027-604X

SAMENVATTING

Dit artikel is een vervolg op eerder onderzoek naar het gebruik en de productiviteit van vijf Latijnse suffixen in het Slowaaks. De analyse richt zich op de reële en potentiële productiviteit aan de hand van een vergelijking in twee fasen: 1) tokens en lemmata in een algemeen gebalanceerd corpus worden vergeleken met die in een algemeen corpus van gespecialiseerde en academische teksten; 2) tokens en lemmata in het algemene corpus van gespecialiseerde en academische teksten worden vergeleken met die in gespecialiseerde (sub)corpora van medische, juridische, economische en religieuze teksten. Het eerste doel van dit vervolgonderzoek was vast te stellen of de laagfrequente lemmata nieuwe woordvormingen bevatten die kunnen bijdragen aan de variatie in productiviteit tussen domeinen. Het tweede doel was een geschikte statistische maatstaf vast te stellen en toe te passen waarmee de productiviteit van corpusgegevens in corpora van verschillende omvang kan worden vergeleken.

TREFWOORDEN: productiviteit, adjectief, suffix, algemeen corpus, gespecialiseerd corpus, hapax legomena, laagfrequent lemma, verdelingen van grote aantallen zeldzame gebeurtenissen.

SAMENVATTING

Het in dit artikel beschreven onderzoek is een voortzetting van eerder onderzoek naar het gebruik en de productiviteit van vijf Latijnse suffixen in het Slowaaks. Het onderzoek beoogt de feitelijke en potentiële productiviteit vast te stellen door middel van een vergelijking in twee fasen: 1) woordvormen en lemma’s in het algemene gebalanceerde corpus worden vergeleken met die in het algemene corpus van specialistische en academische teksten; 2) woordvormen en lemma’s in het algemene corpus van specialistische en academische teksten worden vergeleken met die in de gespecialiseerde subcorpora van medische, juridische, economische en religieuze teksten. Het belangrijkste doel van het vervolgonderzoek is vast te stellen of er onder de weinig gebruikte lemma’s neologismen zijn die kunnen bijdragen aan verschillen in productiviteit tussen de verschillende domeinen. Het onderzoek beoogt ook een statistische maatstaf te identificeren en toe te passen waarmee de productiviteit van corpusmateriaal in corpora van verschillende omvang kan worden vergeleken.

TREFWOORDEN: productiviteit, adjectief, suffix, algemeen corpus, gespecialiseerd corpus, hapax, laagfrequent lemma, verdeling van grote aantallen zeldzame gebeurtenissen

54

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

1. INLEIDING

De motivatie voor ons onderzoek kwam voort uit belangstelling voor terminologische synoniemie en, binnen dit bredere onderwerp, voor synonieme denominale adjectieven als bestanddelen van meerwoordtermen.

De focus op adjectieven is geen nieuwigheid in terminologisch onderzoek. Gedetailleerde analyses die op adjectieven zijn gericht, zijn te vinden in het werk van een aantal terminologen, vooral uit de jaren 1990 en 2000¹. In de geschiedenis van de Slowaakse terminologie zijn op adjectieven gerichte studies, ingegeven door de behoefte om gestandaardiseerde Slowaakse terminologieën te harmoniseren en te vormen, terug te voeren tot de jaren 1950 (zie bijvoorbeeld Ján Horecký 1956).

Het belang van adjectieven in terminologie en in talen voor specifieke doeleinden kan ook worden geïllustreerd aan de hand van statistische gegevens uit corpora. De meeste gespecialiseerde corpora die zijn ontstaan uit het project Slowaaks Nationaal Corpus (hierna alleen het SNC-project) bevatten een hoger aandeel adjectieven dan het referentiecorpus (prim-7.0-frk), dat wil zeggen het corpus dat is samengesteld uit gelijke delen fictie, gespecialiseerde en journalistieke teksten². Zoals te zien is in tabel 1, bedraagt dit verschil bijna 2%, met uitzondering van het religieuze corpus (blf-2.0), waarin het aandeel adjectieven ongeveer gelijk is aan dat in het referentiecorpus (7,46%). De tweede rij van tabel 1 geeft het aandeel gerundia weer, die in Slowaakse meerwoordtermen eveneens worden gebruikt met onderscheidende en classificerende functies. In het kader van de morfologische annotatie van het SNC-project worden deze als een specifieke groep ingedeeld en daarom apart van werkwoorden getagd (Garabík et al. 2004).

Het naast elkaar bestaan en de concurrentie van adjectieven zijn geïdentificeerd en geanalyseerd in de context van taal in het algemeen (bijvoorbeeld Nábelková 1996). Hun opname in meerwoordtermen is echter een relatief weinig onderzocht onderwerp. Een veelvoorkomend verschijnsel dat tot synoniemie en concurrentie tussen adjectieven leidt, is het naast elkaar bestaan van adjectieven van Latijnse oorsprong en hun (Slowaakse) tegenhangers (vnútrožilový – intravenózny ‘intraveneus’). De laatstgenoemde groep omvat ook een subgroep met zowel een Slowaaks als een, vanuit etymologisch oogpunt, Latijns of internationaal suffix, gecombineerd met dezelfde internationale stam (bijvoorbeeld bakteriálny – baktérioový ‘bacterieel’). Soms wordt een variatie van twee internationale suffixen met dezelfde in-

¹ Zie bijvoorbeeld H. Assadi en D. Bourigault 1995; S. Normand en D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; of I. Carrière 2008.

² Meer informatie over de corpora die voor de gepresenteerde analyse zijn gebruikt, is te vinden in deel 3.2.

Terminologija | 2021 | 28

55

Tabel 1. Aantal tokens en aandelen adjectieven en gerundia in de referentie- en gespecialiseerde corpora van het SNC-project

CORPUS

REFERENTIECORPUS

WETENSCHAPPELIJK SUBCORPUS

MEDISCH SUBCORPUS

JURIDISCH SUBCORPUS

RELIGIEUS CORPUS

ECONOMISCH CORPUS

Aantal tokens in het corpus

253,137,609

149,581,785

7,099,555

33,600,183

65,920,357

164,987,015

Aantal bijvoeglijke naamwoorden in 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%

Aantal gerundia in 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%

Een internationaal woordstam kan ontstaan (bijv. hypersonórny – hypersonický, kontradiktorický – kontradiktórny).

Dit onderzoek, dat zich richt op het gebruik van specifieke suffixen in het Slowaaks, beoogt vast te stellen of sommige daarvan een dergelijke co-existentie eerder mogelijk maken of vaker voorkomen in terminologische bijvoeglijke naamwoorden, en daarom is het concept van morfologische productiviteit hier relevant.

De voor de analyse geselecteerde suffixen vormen een kleine groep die wordt gebruikt voor de vorming van denominale bijvoeglijke naamwoorden binnen een breed scala aan Slowaakse adjectivale suffixen³. Wat hun samenstelling betreft, bestaan de vijf suffixen uit een (aangepast) internationaal adjectivaal suffix gecombineerd met het semantisch equivalente Slowaakse -ný/ny: -álny, -árny, -itný, -ívny, -ózny, waardoor hun adjectivale status enigszins wordt versterkt. Het lijkt vanzelfsprekend dat alle vijf suffixen van Latijnse oorsprong werden gebruikt om bijvoeglijke naamwoorden af te leiden van Latijnse zelfstandige naamwoorden (-alis met de variant -aris, -ītus, -ōsus) of werkwoorden (-ōrius). Het is echter vermeldenswaard dat veel Slowaakse bijvoeglijke naamwoorden met de geanalyseerde suffixen hun intrede deden

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

in de Slowaakse woordenschat niet alleen rechtstreeks uit het Latijn, maar de afgelopen decennia vaker via het Frans of Engels (Horecký 1999), en het aanpassingsproces ondergingen met behulp van het eerdergenoemde Slowaakse adjectivale suffix. Het is van belang dat deze ontlening en daaropvolgende aanpassing mogelijk zijn gemaakt en bevorderd door extralinguïstische factoren. Om voornamelijk historische redenen heeft het Slowaaks zich zeer open opgesteld voor nieuwe woorden van Latijnse oorsprong, en daardoor is het aandeel Latijnse woorden groot, zelfs in de algemene woordenschat van het Slowaaks (Horecký 1999: 81). Tegenwoordig is dit gecombineerde woordvormingsproces van zowel ontlening als afleiding, dankzij de invloed van massamedia, internet en sociale media, bijzonder productief en daarom zeer relevant voor taalkundig en terminologisch onderzoek.

Dit artikel vormt een vervolg op ons eerdere onderzoek naar hetzelfde onderwerp, dat momenteel ter perse is (Levičká 2021). Ter wille van de vergelijking en de duidelijkheid voor de lezer achtten wij het noodzakelijk een samenvatting van de eerdere redeneringen en bevindingen op te nemen, aangevuld met nieuwe inzichten en theoretische achtergrond. Daarom worden enkele tabellen (1–4), hoewel ze in ons eerste artikel verschenen, hier herhaald.

2. THEORETISCHE GRONDSLAG

Het theoretische concept van morfologische productiviteit is door heel wat onderzoekers en wetenschappers ontwikkeld. Een overzicht van eerdere theoretische inzichten en studies uit de 20^the eeuw is samengevat en besproken in diverse studies en artikelen, bijvoorbeeld door Jesús Fernández-Dominguez (2013) en Victoria Hulse (2011). Hier richten we ons slechts op enkele theoretische overwegingen die ons zowel hebben geïnspireerd als onze keuze van benadering en methodologie hebben beïnvloed.

De oudste hier aangehaalde definitie werd in 1948 geformuleerd door de Amerikaanse taalkundige Dwight L. Bolinger (aangehaald door Säily 2018: 198), die concludeerde dat productiviteit de “statistisch vast te stellen bereidheid⁴ is waarmee een element nieuwe combinaties aangaat”.

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 De zinsdelen of woorden die vetgedrukt zijn, geven de belangrijkste kenmerken van ons onderzoek weer.

Terminologija | 2021 | 28

57

Als laatste, maar zeker niet onbelangrijk, willen we verwijzen naar het onderzoek naar woordvorming van de Tsjechische taalkundige Miloš Dokulil, die in 1962 in zijn werk Teorie tvoření slov een complexe theorie over de productiviteit van woordvorming presenteerde. Allereerst definieerde Dokulil de productiviteit van een taalmechanisme in het algemeen als het „vermogen van dit taalmechanisme (of het nu een basis, affix of woordvormingspatroon is) om actief deel te nemen aan het vormen van nieuwe woorden” (1962: 78). Hij preciseerde dat dit vermogen absoluut kan zijn, dat wil zeggen: de bruikbaarheid ervan bij het vormen van nieuwe woorden op elk moment en binnen elk woordvormingspatroon, of relatief, waarbij die bruikbaarheid zowel semantisch, of beter gezegd, stijlgebonden als afhankelijk van het woordvormingspatroon is. In Dokulils theorie is productiviteit een „concept van synchrone aard, terwijl de verwezenlijking van dit vermogen – het vormen van nieuwe woorden volgens specifieke regels – daarentegen een concept van diachrone aard is” (1962: 80). Dokulil maakte ook onderscheid tussen systemische en empirische productiviteit (ook aangeduid als „parole” of „reële productiviteit” door František Štícha 2012)), die een „algemeen beeld geeft van de algehele benutting van een specifiek woordvormingspatroon of taalmechanisme in het systeem van een taal op een bepaald moment” (Dokulil 1962: 80). Dokulil was van mening dat zelfs „benaderende gegevens over het kwantitatieve gebruik van een bepaald woordvormingsproces of -element van het grootste belang zijn voor het algemene beeld van een bepaalde taal in het algemeen en voor de kenmerken van haar lexicon in het bijzonder” (Item: 77).

Van de hedendaagse Tsjechische taalkundigen die voortbouwen op Dokulils productiviteitstheorie en diens aannames toetsen aan corpusgegevens (zie bijvoorbeeld Štícha 2002, 2007, 2009, 2012 of Magda Ševčíková 2014), stelt Štícha voor om empirische/parole-productiviteit niet alleen in grote corpora te analyseren, maar ook aan de hand van een reeks corpora van verschillende omvang en samenstelling (2012: 104).

Men zou kunnen stellen dat Dokulils aannames over relatieve productiviteit weerklank vonden bij Harald Baayen en anderen, naar wier methoden en benaderingen we later in deze analyse zullen verwijzen. In 1999 schreven Baayen en zijn collega's Ingo Plag en Christiane Dalton-Puffer dat „uitspraken over de productiviteit van een bepaald affix doorgaans worden gedaan zonder de productiviteit naar discourssoort te differentiëren, hoewel algemeen wordt aangenomen dat bepaalde soorten derivationele suffixen relevanter zijn in bepaalde soorten teksten dan in andere” (1999: 209).

Dankzij de beschikbaarheid van grote corpora is het mogelijk de productiviteit van een woordvormingspatroon of -element niet alleen in de algemene taal op een bepaald moment te meten, vast te stellen en te analyseren, maar ook in gespecialiseerde domeinen en registers.

58

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

3. EERDER ONDERZOEK

In lijn met de redeneringen en aannames van de in het vorige deel aangehaalde taalkundigen formuleerden we bij aanvang van ons onderzoek, dat gericht was op het vaststellen van de morfologische productiviteit van adjectivische suffixen, drie centrale onderzoeksvragen:

1) Verschilt de morfologische productiviteit van afzonderlijke adjectivische suffixen uit de geselecteerde groep tussen algemene en gespecialiseerde teksten? En zijn deze verschillen statistisch significant?

2) Kan de morfologische productiviteit van afzonderlijke adjectivische suffixen uit de geselecteerde groep variëren naargelang het specifieke domein? Zijn sommige van deze vijf suffixen meer „geschikt” om bij te dragen aan de verwoording van veld- of domeinspecifieke concepten?

3) Welke methoden zijn relevant voor deze specifieke analyse van corpusgegevens?

Allereerst besloten we, vanwege de specificiteit van dit soort woordvormingspatroon Latijnse basis + Latijns suffix + etymologisch inheems suffix, de kwalitatieve analyse buiten beschouwing te laten, die betrekking heeft op de grenzen en regels voor het combineren van afzonderlijke Latijnse bases met een van de geselecteerde adjectivische suffixen in de context van de Slowaakse taal.

Hoewel de kwantitatieve benadering geen volledig beeld kan geven van de productiviteitsstatus van een suffix of een andere morfologische vorm, bestaat haar nut voor dit type onderzoek erin dat zij het perspectief en de gebruikscontext presenteert van woorden die volgens een specifiek patroon zijn gevormd, naast specifieke vergelijkingen met semantisch en functioneel equivalente vormen. Algemeen wordt aanvaard dat een kwantitatieve benadering in analyses van morfologische productiviteit een belangrijke, aanvullende methode vormt naast kwalitatief onderzoek (zie bijvoorbeeld Evert and Lüdeling 2001). Zoals Plag stelt: „kwantitatieve en kwalitatieve opvattingen over productiviteit [...] hangen nauw met elkaar samen. Zo kan het idee van potentiële productiviteit, dat centraal staat in kwalitatieve definities van productiviteit, worden uitgedrukt in statistische termen van waarschijnlijkheid” (geciteerd door Naccarato 2016: 135). Evenzo bepleiten Baayen en zijn coauteurs dat productiviteit „een scalair concept lijkt te zijn [...] met sommige affixen is de kans groter dat men nieuw gevormde woorden aantreft dan met andere, een feit waardoor productiviteit een probabilistische notie is die zich leent voor statistische analyse” (1999: 10).

Terminologija | 2021 | 28 59

3.1. Statistische methoden

In fase 1 van onze analyse volgden we het beproefde methodologische pad van Harald Baayen en zijn collega’s en navolgers (1991, 1992, 1993, 1994, 1996, 1997). We identificeerden de zogenoemde gerealiseerde productiviteit, d.w.z. de gebruiksfrequentie van bijvoeglijke naamwoorden die met geselecteerde suffixen zijn gevormd, evenals het aantal verschillende bijvoeglijke naamwoorden die met deze suffixen zijn gevormd in verschillende corpora. Deze corpusstatistieken schetsen de productiviteit van suffixen met betrekking tot de vroegere en huidige taalsituatie.

De volgende stap was het bepalen van de potentiële productiviteit van de geanalyseerde suffixen, d.w.z. een schatting van de snelheid waarmee nieuwe types⁵ naar verwachting zullen verschijnen. Baayen (2009: 7) stelt voor deze te berekenen als de verhouding tussen hapax legomena⁶ met affix X en alle tokens met affix X in een corpus. Het gebruik van hapax legomena voor de berekening van productiviteit is breed bekritiseerd, omdat deze groep niet rechtstreeks nieuwe woordvormingen vertegenwoordigt die geacht worden de productiviteit van een element of patroon weer te geven. Plag, Dalton-Puffer en Baayen stellen dat potentiële productiviteit een probabilistische maat is, en dat met de toename van de omvang van een corpus “het aandeel neologismen onder de hapax legomena toeneemt en is aangetoond dat juist onder de hapax legomena het grootste aantal neologismen voorkomt” (1999: 12). In de vorige fase van ons onderzoek besloten we de hapax/token-methode niet te gebruiken, maar namen we de hapax/type-methode over, in overeenstemming met de redenering van van Marle (1992) dat tokenfrequentie een minder relevante variabele is voor een productiviteitsmaat dan het aantal lemma’s. Het ernstigste nadeel van deze maat is echter dat statistische gegevens uit corpora van verschillende omvang niet kunnen worden vergeleken (Naccarato 2016: 133). We komen in deel 5 op deze kwestie terug.

3.2. Corpora gebruikt in de analyse⁷

Alle drie de corpora en drie subcorpora die in deze analyse zijn gebruikt, zijn in 2013–2020 uitgebracht door de afdeling van het SNC en zijn toegankelijk voor alle geregistreerde gebruikers.

⁵ In de corpuslinguïstiek verwijst ‘types’ naar unieke woorden; ze zijn synoniem aan lemma’s (Baker et al. 2006).

⁶ Hapax legomena (oorspronkelijk een Griekse uitdrukking die ‘eenmaal gezegd’ betekent), ook afgekort tot hapax, is een woord dat slechts eenmaal voorkomt in een bepaald corpus (Baker et al. 2006).

⁷ Het grootste deel van deze paragraaf is afkomstig uit het artikel waarin de vorige fase van ons onderzoek wordt beschreven (Levická 2021); deze herhaling is echter noodzakelijk om de aard van de corpusgegevens toe te lichten.

60

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

Het eerste referentiecorpus (prim-7.0-frk), met meer dan 253 miljoen tokens, bestaat uit een gelijk aandeel journalistieke, gespecialiseerde en fictieve teksten (64.12% daarvan is oorspronkelijk in het Slowaaks geschreven, terwijl 29.51% uit vertalingen bestaat), geschreven in 1991–2015. Het corpus werd gebruikt bij de samenstelling van twee frequentiewoordenboeken van het Slowaaks (2017, 2018) en van het omgekeerde woordenboek (2018).

Het tweede corpus, prim-9.0-public-prf, is een openbaar beschikbaar subcorpus van het primaire corpus van het SNC-project (hierna het wetenschappelijke subcorpus genoemd). Dit subcorpus is samengesteld uit gespecialiseerde, academische en non-fictieteksten, omvat meer dan 149 miljoen tokens en documenteert zowel het algemene discours van wetenschap en onderzoek als gespecialiseerde journalistiek. De teksten zijn geschreven tussen 1955–2019. Het percentage teksten dat in 1955–1991 is geschreven, bedraagt 8.7% (meer dan 13 miljoen tokens).

Het kleinste (sub)corpus van alle doorzochte corpora is het resultaat van het filteren van het primaire corpus van het SNC-project [9], versie 9.0. Het bestaat uit teksten uit de geneeskunde, geschreven in 1976–2019, en omvat iets meer dan 7 miljoen tokens. Het percentage teksten dat in 1955–1991 is geschreven, bedraagt 1.09%. In de rest van de tekst noemen we dit het medische subcorpus.

Om een vergelijkbare bron te verkrijgen die afkomstig is uit andere gespecialiseerde corpora en het referentiecorpus, werd het gespecialiseerde corpus legal-1.1 (hierna het juridische subcorpus genoemd), samengesteld in samenwerking met het Slowaakse Ministerie van Justitie, beperkt tot wetgevingsteksten die in de periode 1991–2011 zijn opgesteld. Het aantal tokens werd daarmee teruggebracht van bijna 49 miljoen tot 33.5 miljoen.

Het gespecialiseerde corpus blf-2.0, gericht op het religieuze domein, werd in 2014 uitgebracht. De teksten omvatten bijna 66 miljoen tokens, geschreven tussen 1989–2014 (hierna het religieuze corpus genoemd). Meer dan 80% bestaat uit thematische tijdschriften en kranten. Op vergelijkbare wijze bevat het gespecialiseerde corpus ecn-2.0-public (hierna het economische corpus genoemd), dat gewijd is aan het economische domein, maar liefst 96.24% gespecialiseerde teksten die in thematische tijdschriften en kranten zijn gepubliceerd. De teksten in dit corpus dateren uit 1992–2014 en omvatten bijna 165 miljoen tokens.

Er moet echter worden opgemerkt dat deze corpora heterogeen zijn en een grote verscheidenheid aan teksten omvatten.

Terminologija | 2021 | 28

6 1

Wat het doorzoeken van de corpora betreft, baseerden we de zoekopdrachten niet op de morfologische annotatie die voor elk afzonderlijk (sub)corpus in de analyse beschikbaar was, omdat die annotatie voor Latijnse woorden inadequaat en onjuist bleek. Daarom kozen we voor een eenvoudige zoekopdracht naar de specifieke uitgang van een token, bijvoorbeeld [lemma=“. *álny“], gecombineerd met automatische filtering van woorden met toevallig dezelfde tekenreeks (zie Deel 4.1).

3.3. Resultaten van de vorige fase

In de vorige fase stelden statistische gegevens uit corpora ons in staat een rangschikking op te stellen van de gerealiseerde productiviteit van de onderzochte suffixen. Het suffix -álny wordt in alle (sub)corpora duidelijk het meest gebruikt, terwijl -órny in 5 (sub)corpora aan de andere kant van de frequentieschaal staat. Zoals blijkt uit de genormaliseerde gebruiksfrequenties van vier van de vijf suffixen, komen deze vaker voor in gespecialiseerde en academische teksten (het wetenschappelijke subcorpus) dan in het referentiecorpus. Ook valt op dat de genormaliseerde frequenties van suffixen in het medische subcorpus gelijk zijn aan, of aanzienlijk hoger liggen dan, de ipm in het wetenschappelijke subcorpus, terwijl de ipm van suffixen (gevallen per miljoen) in het religieuze corpus duidelijk lager is dan in het referentiecorpus. Dit kan deels worden verklaard door het type teksten dat in die (sub)corpora is opgenomen.

Tabel 2. Frequentie en genormaliseerde frequentie (IPM, gevallen per miljoen) van de onderzochte suffixen in de respectieve (sub)corpora. De corpora zijn gerangschikt van klein naar groot

SUFFIX MEDISCH SUBCORPUS JURIDISCH SUBCORPUS RELIGIEUS CORPUS WETENSCHAPPELIJK SUBCORPUS ECONOMISCH CORPUS REFERENTIECORPUS Tokens Tokens Tokens Tokens Tokens Tokens IPM IPM IPM IPM IPM IPM -álny 31,408 102,863 128,472 537,682 597 005 547,742 4423.94 3061.38 1948.9 3594.57 3618.5 2163.81 -árny 4,529 25,980 14,253 94,586 38,178 84,780 637.93 773.21 216.22 634.14 231.40 334.92 -itný 2,683 2,256 9,176 30,402 52,574 44,655 377.91 67.14 139.20 203.25 318.66 176.41

62 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

ACHTERVOEGSEL MEDISCH SUBCORPUS JURIDISCH SUBCORPUS RELIGIEUS SUBCORPUS WETENSCHAPPELIJK SUBCORPUS ECONOMISCH CORPUS REFERENTIECORPUS Tokens Tokens Tokens Tokens Tokens Tokens IPM IPM IPM IPM IPM IPM -ózny 1,416 482 2,321 8,863 9,440 16,531 199.45 14.35 35.21 59.25 57.22 65.30 -órny 884 1,959 620 4,537 2,039 4,672 124.51 58.30 9.41 30.33 12.36 18.46

De rangschikking van de corpora in Tabel 3, waarin het aantal verschillende woorden dat met de geanalyseerde suffixen is gevormd wordt weergegeven, stelt ons in staat de variabiliteit van de woordvormingen te vergelijken: ten eerste tussen algemene en gespecialiseerde taal en ten tweede vanaf het kleinste medische corpus tot en met het grootste economische corpus. De tabel toont de gerealiseerde productiviteit van Baayen voor de geanalyseerde suffixen. In alle (sub)corpora is -álny het meest frequent gebruikte suffix, dat in verschillende types voorkomt; het kleinste aantal types of lemma’s werd vastgesteld voor het suffix -órny. De suffixen -itný en -órny lijken in de meeste (sub)corpora elkaar te overlappen; voor hun subtielere onderscheid is een significantietoets nodig. Een daadwerkelijke vergelijking tussen corpora is echter niet mogelijk, omdat de tabel absolute aantallen types bevat.

Tabel 3. Aantal lemma’s in een bepaald (sub)corpus

ACHTERVOEGSEL REFERENTIECORPUS WETENSCHAPPELIJK SUBCORPUS MEDISCH SUBCORPUS JURIDISCH SUBCORPUS RELIGIEUS CORPUS ECONOMISCH CORPUS -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

De bevindingen over de schatting van de potentiële productiviteit in Tabel 4 lopen nogal uiteen, zoals de rangschikking van de suffixen laat zien.

Terminologija | 2021 | 28

63

Tabel 4. Hapax/type-verhoudingen in een bepaald (sub)corpus. De suffixen in elke subtabel zijn gerangschikt naar afnemende verhouding

HAPAX/TYPE-VERHOUDING

referentiecorpus

wetenschappelijk subcorpus

medisch subcorpus

-ózny

0.252173913

-órny

0.228571429

-ózny

0.208333333

-árny

0.201342282

-árny

0.210382514

-itný

0.138888889

-aal

0.173956262

-aal

0.209499576

-aal

0.129094412

-achtig

0.122222222

-achtig

0.201680672

-achtig

0.1

-achtig

0.12

-achtig

0.195876289

-achtig

0.076923077

juridisch subcorpus

religieus corpus

economisch corpus

-achtig

0.1

-achtig

0.2

-achtig

0.237288136

-achtig

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

Het meest productieve suffix in maar liefst drie corpora is -órny. In de overige drie (sub)corpora staat de ranglijst tweemaal bovenaan met -ózny en eenmaal met -itný. Bovendien lijkt hetzelfde suffix -órny in het algemeen en in medische teksten potentieel het minst productief te zijn. In maar liefst drie (sub)corpora staat het suffix -itný onderaan de productiviteitsranglijst. Evenzo wordt de laatste plaats in de productiviteitsranglijst van economische teksten ingenomen door het suffix -árny.

4. ONDERZOEKSVRAGEN VAN DE GEPRESENTEERDE ANALYSE

De vorige fase van ons onderzoek wees op opmerkelijke verschillen in de morfologische productiviteit van de geanalyseerde suffixen, afhankelijk van zowel het taaltype als de domeinen. Eén vraag werd echter slechts gedeeltelijk beantwoord en leidde tot een nieuwe vraag:

1. Is het zinvol om laagfrequente lemmata te analyseren met het oog op neologismen? Verschillende onderzoekers suggereren namelijk dat de frequentieverdeling van woorden met productieve affixen duidelijk verschoven zou moeten zijn in de richting van laagfrequente lemmata, waaronder nieuwe woordvormingen.

64

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

2. Zoals we in eerdere secties al hebben opgemerkt, kunnen de resultaten met betrekking tot de potentiële productiviteit van de geanalyseerde suffixen niet tussen corpora worden vergeleken. Daarom moet een geschikte statistische methode worden vastgesteld waarmee deze vergelijking mogelijk is.

4.1. Handmatige opschoning van gegevens

Zowel de vorige als de huidige fase van onze analyse is gebaseerd op handmatig opgeschoonde gegevens. Verschillende onderzoekers hebben gewezen op het belang van dit vervelende en tijdrovende proces. Evert en Lüdeling stelden dat dit een voorwaarde is voor een kwalitatieve statistische evaluatie, en toonden dit ook aan (2001: 168), niet alleen bij het gebruik van meer geavanceerde maten. Handmatige opschoning is om drie redenen van groot belang; de eerste houdt verband met de aard van corpusgegevens. Ten eerste bevatten corpusgegevens doorgaans een aanzienlijk aantal typefouten, vooral bij laagfrequente lemmata. Ten tweede bevatten corpora spellingfouten die met name vaak voorkomen bij woorden van Latijnse oorsprong. Ten derde moesten lemmata met suffix X worden samengevoegd wanneer ze alleen verschilden in het gebruik dan wel weglaten van een koppelteken, evenals lemmata met een hoofdletter of kleine letter aan het begin (die geen eigennamen zijn) die door de automatische lemmatisering in het SNC-project als verschillend worden beschouwd. Het resultaat van deze fase van onze handmatige opschoning is te zien in Tabel 5, waarin het gemiddelde aandeel hapaxen voor de geanalyseerde suffixen varieert van 24 tot 30% van het totale aantal lemmata met het betreffende suffix. Minder dan 5% van de lemmata (mogelijke neologismen) bleef echter over voor -itný in juridische teksten; omgekeerd bleef 40% of meer over voor het suffix -órny in religieuze en algemeen-wetenschappelijke teksten, en voor het suffix -ózny in economische teksten en, verrassend genoeg, in de teksten van het referentiecorpus. Deze aandelen kunnen wijzen op de (on)productiviteit van een bepaald corpus. Zoals Baayen en coauteurs stellen, kan het aantal hapaxen voor productieve elementen oplopen tot de helft van de waargenomen woordenschatomvang in een “voldoende groot corpus” (1999: 11).

De tweede reden voor de handmatige opschoning was het filteren van de geëxtraheerde corpusgegevens om lijsten te verkrijgen met neologismen met de geanalyseerde suffixen. Daarom sloten we lemmata uit die 1) toevallig dezelfde tekenreeks bevatten als de geanalyseerde suffixen; 2) voorkomen in algemene Slowaakse woordenboeken en het Woordenboek van vreemde woorden⁸, d.w.z.

⁸ We gebruikten de geïntegreerde zoekfunctie van het woordenboekportaal https://slovnik.juls.savba.sk/.

Terminologija | 2021 | 28

65

Tabel 5. Verhouding van hapaxen (potentiële neologismen) in een bepaald (sub)corpus na de eerste handmatige opschoningsfase

VERHOUDING VAN HAPAXEN MET EEN SPECIFIEK SUFFIX NA DE EERSTE HANDMATIGE OPSCHONINGSFASE

suffix

medisch subcorpus

juridisch subcorpus

religieus corpus

wetenschappelijk subcorpus

economisch corpus

referentiecorpus

-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%

daarom zijn het geen neologismen; 3) werden aangetroffen in de twee omvangrijkste SNC-corpora⁹ – die lemmata moeten in ten minste één daarvan drie of meer keer zijn voorgekomen, mits die voorkomens afkomstig waren uit drie verschillende bronnen en uit drie verschillende jaren. Dit laatste filterprincipe werd ingevoerd omdat de woorden waarop ons onderzoek zich richt en die een van de geanalyseerde suffixen bevatten, doorgaans termen uit gespecialiseerde domeinen zijn, terwijl actuele gespecialiseerde woordenboeken van het Slowaaks ontbreken. Er moet worden erkend dat de resulterende lijsten van lemmata slechts potentiële neologismen vertegenwoordigen. De resultaten zijn te zien in de kolommen met de titel Verhouding van potentiële neologismen onder de hapaxen in tabellen 6 en 7. Vergeleken met tabel 5 was het aandeel potentiële neologismen aanzienlijk kleiner.

4.2. Neologismen in laagfrequente lemma’s

Om de eerste onderzoeksvraag te beantwoorden, hebben we dezelfde filterprocedure toegepast als die voor de lijst met hapaxen. In tabellen 6 en 7 tonen we de percentages (berekend ten opzichte van het totale aantal lemma’s met een bepaald suffix, cf. Tabel 3) van potentiële neologismen onder de laagfrequente lemma’s die 4–2 keer voorkomen in (sub)corpora, en daarnaast de percentages potentiële neologismen binnen de hapaxgroep.

Hoewel het aandeel potentiële neologismen voor elk geanalyseerd suffix licht stijgt in gespecialiseerde en academische teksten, als gevolg van de opname

⁹Deze corpora zijn voorlopig de grootste binnen het SNC-project: het algemene corpus prim-9.0-juls-all en het juridische corpus legal-1.1.

66

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

van potentiële neologismen uit de groep laagfrequente lemma’s, nam het percentage potentiële neologismen in het referentiecorpus voor vier suffixen slechts zeer bescheiden toe, terwijl het percentage voor het vijfde — -órny — stabiel bleef. Dit was te verwachten, aangezien nieuwe woordcreaties met de geanalyseerde suffixen waarschijnlijker in gespecialiseerde teksten voorkomen.

Tabel 6. Aandeel potentiële neologismen in de groep laagfrequente lemma’s (4–1 voorkomens) en in de hapaxgroep ten opzichte van het totale aantal types na opschoning in het algemene corpus en het algemene wetenschappelijke subcorpus

SUFFIX

REFERENTIECORPUS

WETENSCHAPPELIJK SUBCORPUS

Aandeel potentiële neologismen in laagfrequente lemma’s (4–1)

Aandeel potentiële neologismen onder hapaxen

Aandeel potentiële neologismen in laagfrequente lemma’s (4–1)

Aandeel potentiële neologismen onder hapaxen

-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%

Wat de domeinspecifieke potentiële neologismen betreft, is het hoogste percentage, net als in het wetenschappelijke subcorpus, te vinden in het economische corpus, waar het suffix -itný maar liefst 35% van de potentiële neologismen uitmaakt. De overige suffixen in dit corpus bereiken ongeveer 25% potentiële neologismen binnen de laagfrequente lemmagroep. Daarentegen werd het laagste percentage potentiële neologismen vastgesteld in juridische teksten. Het is ook vermeldenswaard dat in de volgende gevallen het percentage verdubbelde door opname van de laagfrequente lemmagroep: -órny in medische teksten, -árny in juridische teksten en -itný in religieuze teksten. Tegelijkertijd is het geen verrassing dat het suffix -ózny bovenaan staat in medische teksten, aangezien het een prototypisch medisch suffix is. In economische teksten werd echter bijna hetzelfde percentage potentiële nieuwe lemmata met -ózny aangetroffen. Bij het suffix -itný was er geen toename van potentiële neologismen in medische en juridische teksten; hetzelfde gold voor het suffix -órny in juridische teksten.

Terminologija | 2021 | 28 67

Tabel 7. Aandeel potentiële neologismen in de groep laagfrequente lemmata (4–1 voorkomens) en in de groep hapaxen ten opzichte van het totale aantal types na opschoning in gespecialiseerde teksten uit de vier domeinen

SUF–FIX | MEDISCH SUBCORPUS | JURIDISCH SUBCORPUS | RELIGIEUS CORPUS | ECONOMISCH CORPUS Aandeel potentiële neologismen in laagfrequente lemmata (4–1) | Aandeel potentiële neologismen in hapaxen | Aandeel potentiële neologismen in laagfrequente lemmata (4–1) | Aandeel potentiële neologismen in hapaxen | Aandeel potentiële neologismen in laagfrequente lemmata (4–1) | Aandeel potentiële neologismen in hapaxen | Aandeel potentiële neologismen in laagfrequente lemmata (4–1) | Aandeel potentiële neologismen in hapaxen -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%

Ter bevordering van de begrijpelijkheid voegen we ook een tabel toe met de percentages potentiële neologismen in de groep laagfrequente lemmata.

Tabel 8. Percentageverschil in potentiële neologismen tussen de groep laagfrequente lemmata (4–1 voorkomens) en de groep hapaxen ten opzichte van het totale aantal types na opschoning

AANDEEL POTENTIËLE NEOLOGISMEN BINNEN LAAGFREQUENTE LEMMATA (4–2 VOORK.) suffix | referentiecorpus | wetenschappelijk subcorpus | medisch subcorpus | juridisch subcorpus | religieus corpus | economisch corpus -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%

Tot slot toont de laatste tabel de rangschikking van de suffixen in de respectieve (sub)corpora, op basis van herhaald gebruik van de aangepaste formule uit de vorige fase: het aandeel laagfrequente lemmata met een bepaald suffix ten opzichte van het aantal types met

68

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

Tabel 9. Verschil in de verhouding van potentiële neologismen tussen de groep laagfrequente lemma’s (4–1 voorkomens) en het aantal typen. De rangschikking van de gemarkeerde suffixen is veranderd ten opzichte van Tabel 4

VERHOUDING LAAGFREQUENTE LEMMA’S/TYPEN referentiecorpus wetenschappelijk subcorpus medisch subcorpus -ózny 0.2689075 -órny 0.2727272 -ózny 0.2638888 -árny 0.2466666 -álny 0.2716468 -álny 0.1682785 -álny 0.2053838 -árny 0.2712328 -órny 0.1538461 -itný 0.1333333 -itný 0.2653061 -itný 0.1388888 -órny 0.12 -ózny 0.2436974 -árny 0.1284916 juridisch subcorpus religieus corpus economisch corpus -árny 0.1212121 -órny 0.3 -itný 0.3504273 -órny 0.1 -álny 0.2651391 -álny 0.2647849 -ózny 0.1 -ózny 0.2115384 -ózny 0.2560975 -álny 0.0776397 -árny 0.1985815 -órny 0.2307692 -itný 0 -itný 0.1818181 -árny 0.225

een bepaald suffix. Vergeleken met Tabel 4 is de rangschikking veranderd in alle (sub)corpora, behalve in het referentiecorpus. Het lijkt er dus op dat het opnemen van laagfrequente lemma’s de moeite waard is gebleken.

Het suffix -órny is het productiefst in twee corpora (tegenover drie in Tabel 4), terwijl -ózny bovenaan twee rangschikkingen bleef staan en -itný bovenaan de rangschikking in het economische corpus. In het juridische corpus lijkt -árny het productiefste suffix te zijn, terwijl juist dit suffix tegelijkertijd het minst productief is in medische en economische teksten. De laatste plaats in de productiviteitsrangschikkingen wordt ingenomen door het suffix -órny zowel in het referentiecorpus als in medische teksten, door het suffix -ózny in algemene wetenschappelijke teksten; het suffix -itný bleef het minst productief in juridische en religieuze corpora.

5. PRODUCTIVITEIT VERGELIJKEN TUSSEN (SUB)CORPORA

Zoals we in deel 3.1 hebben opgemerkt, beletten statistische maten die gebruikmaken van ruwe frequenties en aantallen typen ons de eerdere resultaten uit verschillende (sub)corpora te vergelijken. Als we instemmen met de bewering, of liever de hypothese, dat de productiviteit van elk woordvormend element of

Terminologija | 2021 | 28

69

patroon kan worden afgeleid uit nieuwe woordcreaties (en we in deel 4.2 tegelijkertijd hebben aangetoond dat deze nieuwe woordcreaties niet alleen in hapaxgroepen kunnen voorkomen, maar ook onder laagfrequente typen), is het mogelijk verdere analyses te baseren op woordfrequentieverdelingen en frequentiespectra. Met „frequentiespectrum” bedoelen we een lijst die vermeldt hoeveel typen uit een frequentielijst voorkomen (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).

Voor dit doel van statistische modellering introduceerde Baayen in 2001 de zogenoemde LNRE¹⁰-verdelingen. Het voordeel van deze gespecialiseerde modellen is dat type-tokenstatistieken uit een specifieke steekproef kunnen worden geëxtrapoleerd naar grotere aantallen tokens, zodat potentiële neologismen buiten deze steekproef kunnen worden geschat. Ze zijn gebaseerd op voorspelde woordenschatgroottes, verkregen door laagfrequente typen in het corpus te tellen.

Een van de uitkomsten van deze modellering zijn woordenschatgroeicurven, of beter gezegd type-tokengroeicurven, die het aantal typen weergeven als functie van het aantal tokens. Een typische vorm van deze curve voor een onproductief proces begint met een stijging, maar „vlakt vervolgens af en convergeert naar een constante waarde, de volledige woordenschatgrootte” (2001: 168). Een typisch productief patroon daarentegen kent een oneindige woordenschat; de curve lijkt dus onbegrensd te blijven groeien.

Door LNRE-verdelingen toe te passen, is het mogelijk het aantal typen in grotere teksthoeveelheden te schatten, en zelfs het aantal typen

¹⁰De LNRE-theorie (de theorie van grote aantallen zeldzame gebeurtenissen, als een zelfstandig statistisch vakgebied) vindt haar oorsprong in 1988, toen de Georgische statisticus Estate Khmaladze The statistical analysis of a large number of rare events. publiceerde. Zoals zijn student Giorgi Kvizhinadze schreef: “Het gemeenschappelijke kenmerk van de voorbeelden die we hieronder zullen presenteren, is dat er naast enkele frequente gebeurtenissen ook een zeer groot aantal zeer zeldzame gebeurtenissen is, bijvoorbeeld met frequentie 0,1,2. Het totale aantal van deze zeldzame gebeurtenissen is doorgaans niet groot in verhouding tot het aantal waarnemingen, maar het aantal ervan onder alle verschillende waargenomen gebeurtenissen is altijd zeer aanzienlijk. Deze zeldzame gebeurtenissen zijn doorgaans zeer belangrijk. Zo kan het aantal woorden dat slechts eenmaal in een boek voorkomt als niet van wezenlijk belang voor dat boek worden beschouwd, maar het is duidelijk dat deze woorden absoluut belangrijk zijn, omdat ze de helft van de woordenschat van de auteur uitmaken” (2010).

70

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

van een woordvormingspatroon in de gehele ‘populatie’, d.w.z. in een taal als zodanig. Tegelijkertijd is het mogelijk het aantal types in steekproeven van dezelfde omvang, afkomstig uit grotere corpora, te schatten of te voorspellen. Zoals vermeld in Deel 4.1 vereist deze statistische procedure ook nauwkeurige tellingen van types en tokens; anders zou de berekening van de geschatte woordenschatomvang of het aantal types onjuist zijn: in plaats van af te vlakken en naar een constante waarde toe te convergeren, zou de curve kunnen blijven stijgen.

5.1. De LNRE-verdelingen

We hebben besloten de LNRE-modellen toe te passen om¹¹ de productiviteit in corpora van verschillende omvang te bepalen, deels omdat er ook een opensourcetool online beschikbaar is: ZipfR, ontwikkeld door Evert en Marco Baroni (2007). Deze opensourcetool bevat verschillende modellen; daaruit gebruikten we het eindige Zipf-Mandelbrot-model (fZM), gebaseerd op de Zipf-Mandelbrotwet¹². Zoals de auteurs aangeven, reikt het gebruik ervan verder dan de taalkunde. ZipfR accepteert verschillende invoerformaten, waaronder eenvoudige frequentielijsten en ruwe steekproeven in een formaat met één token per regel. We konden frequentielijsten uit ons eerdere onderzoek gebruiken, die de handmatige opschoning van de fase 1^st hadden ondergaan (zie Deel 4.1); dit vormde een bijkomend voordeel van deze methode.

Onze frequentielijsten ondergingen 4 basisbewerkingen (Evert, Baroni 2007):

(i) parameterschatting, waarbij de parameters van het LNRE-model M worden bepaald op basis van een trainingssteekproef van een bepaalde omvang, door het verwachte frequentiespectrum te vergelijken met het waargenomen frequentiespectrum;

(ii) evaluatie van de goodness-of-fit op basis van de covariantiematrix van het aantal types en het aantal types dat precies m keer voorkomt;

(iii) interpolatie en extrapolatie van de woordenschatgroei, aan de hand van de verwachte waarden;

(iv) voorspelling van het verwachte frequentiespectrum voor een steekproef van willekeurige omvang.

Zoals Evert en Baroni (2007) opmerkten, richt deze modellering zich niet op de frequenties van afzonderlijke woordtypes, ‘maar veeleer op de verdeling van zulke frequenties (in een steekproef) en waarschijnlijkheden (in de populatie)’.

¹¹ We willen onze collega Ján Mášik bedanken voor zijn onschatbare hulp bij de implementatie van het fZM-model voor onze corpusgegevens.

¹² Voor een uitgebreide beschrijving van de Zipf-Mandelbrotwet wordt de lezer verwezen naar bijvoorbeeld Baroni 2009.

Terminologija | 2021 | 28 71

5.2. Toepassing van de LNRE-verdelingen en evaluatie

De ZipfR-tool leverde voor elk suffix in elk (sub)corpus woordfrequentiespectra en type-token-curven op. Vanwege ruimtegebrek presenteren we alleen de grafieken met type-token-curven die zo zijn aangepast dat de x-as in alle grafieken dezelfde schaal heeft. De y-as verschilt, omdat deze afhankelijk is van het werkelijke aantal types voor een specifiek suffix in een bepaald (sub)corpus en daaruit voortvloeit. We stellen voor de grafiekenparen te vergelijken en uiteindelijk de productiviteit van suffixen in onze corpusgegevens te evalueren.

De x-as geeft het aantal tokens weer, terwijl de y-as het (verwachte) aantal verschillende types toont dat wordt gevormd door het woordvormingspatroon met een van de geanalyseerde suffixen.

Beide corpora, het referentiecorpus en het wetenschappelijke corpus, vertonen dezelfde rangorde van suffixen, met het suffix -álny bovenaan en het suffix -órny onderaan. In het referentiecorpus stijgt de curve van drie suffixen -álny, -árny, -ózny en wijst zo op hun productiviteit, terwijl de curves van -itný en vooral -órny afvlakken. In het wetenschappelijke subcorpus kunnen twee suffixen als productief worden beschouwd: -álny en -árny. De curves van de overige drie suffixen (-ózny, -itný, -órny) stijgen zeer langzaam, maar vertonen aan het einde van de in de grafiek opgenomen x-as de neiging af te vlakken.

De grafieken voor het medische subcorpus en het juridische corpus tonen slechts één productief suffix: -álny¹³. In het medische subcorpus vlakken zowel -árny als -ózny zeer snel af (mogelijk bereiken ze hun maximale woordenschatomvang), terwijl -itný en -órny langzaam maar gestaag stijgen; ze passeren het punt van 100 types en vlakken mogelijk af onder het punt van 200 types.

Het suffix -álny in juridische teksten beweegt richting het punt van 350 types, terwijl het in medische teksten het punt van 800 types bereikt (vgl. de schaal op de y-as). In het juridische corpus verschilt de rangorde echter enigszins: het suffix -itný staat op de derde plaats en haalt het suffix -ózny in, dat vrijwel geheel onproductief lijkt en waarvan de curve parallel aan de x-as loopt. Het laatste suffix, -órny, vertoont een zeer langzame stijging en vervolgens de neiging af te vlakken.

Hoewel de grafiek van het religieuze corpus drie productieve suffixen toont, -álny, -árny en -ózny, is het opmerkelijk dat alle vijf geanalyseerde suffixen productief lijken in economische teksten. De rangorde van de suffixen blijft in beide corpora gelijk.

¹³ Deze twee grafieken bevatten niet de interpolatiecurve voor het suffix -álny. Dit komt door de aanpassing en uniformering van de x-asschaal voor alle (sub)corpora, waardoor dit type curve niet kon worden gemaakt.

7 2

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

Fig. 1. Woordenschatgroeicurven van de geanalyseerde suffixen in het referentiecorpus

Fig. 2. Woordenschatgroeicurven van de geanalyseerde suffixen in het wetenschappelijke subcorpus

Fig. 3. Woordenschatgroeicurven van de geanalyseerde suffixen in het medische corpus

Fig. 4. Woordenschatgroeicurven van de geanalyseerde suffixen in het juridische corpus

In het religieuze corpus vlakken beide curven van –itný en –órny ruim vóór het punt van 100 types af.

Als we de hierboven genoemde bevindingen over de productiviteit van de geanalyseerde suffixen in onze corpusgegevens samenvatten, kunnen we stellen dat het meest productieve suffix –álny is, dat in alle (sub)corpora bovenaan de ranglijst staat. De productiviteit ervan lijkt het hoogst in het subcorpus van wetenschappelijke en academische teksten en in het medische subcorpus, gevolgd door het referentiecorpus (de curve beweegt richting het punt van 700 types), het religieuze

Terminologija | 2021 | 28

73

Fig. 5. Woordenschatgroeicurven van de geanalyseerde suffixen in het religieuze corpus

Fig. 6. Woordenschatgroeicurven van de geanalyseerde suffixen in het economische corpus

corpus (de curve passeert het punt van 600 types), het economische corpus (de curve beweegt richting het punt van 500 types) en ten slotte het juridische corpus (op het hoogste punt ligt de curve dicht bij het punt van 350 types).

Het suffix -árny komt op de tweede plaats en vertoont productiviteit in 4 van de 6 (sub)corpora. De vorm van de curven suggereert dat het suffix onproductief is in juridische en medische teksten. De hoogste productiviteit van dit suffix is te zien in het subcorpus van wetenschappelijke en academische teksten (de curve passeert het punt van 400 types), gevolgd door het referentiecorpus (de curve passeert het punt van 300 types); in religieuze en economische teksten loopt de curve dicht bij het punt van 300 types.

Evenzo lijkt het suffix -ózny productief in 4 van de 6 corpora. Opmerkelijk genoeg lijkt het onproductief in dezelfde (sub)corpora als het suffix -árny: in juridische en medische corpora. Het is het meest productief in economische teksten, waar de curve ruim boven het punt van 200 types uitkomt, gevolgd door het referentiecorpus, waar de curve datzelfde punt passeert. In de twee overige corpora raakt de curve dat punt, maar lijkt daar af te vlakken (prim-9.0-public-prf), of beweegt ze in het religieuze corpus slechts in de richting van dit punt.

Ook lijkt het suffix -itný productief in 4 van de 6 corpora. De afvlakkende curve, die op onproductiviteit wijst, is te zien in de grafieken voor de juridische en religieuze corpora. Het is het meest productief in economische teksten, waar de curve ruim boven de 100-typepunten uitkomt; in de drie overige (sub)corpora passeert de curve dit punt en loopt ze lager verder.

74

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

Ook het laatste suffix in de rangschikking -órny is productief in 4 van de 6 corpora. Het ontbreken van productiviteit werd vastgesteld in de referentie- en religieuze corpora. De hoogste productiviteit vertoont het suffix in medische en economische teksten, waar de curve het punt van 100 typen overschrijdt; in academische en wetenschappelijke teksten loopt de curve dicht langs dit punt, en in juridische teksten overschrijdt ze nauwelijks het punt van 25 typen.

Concluderend kan worden gesteld dat de geanalyseerde suffixen het productiefst zijn in wetenschappelijke en academische teksten of in teksten uit een gespecialiseerd domein (economie of geneeskunde), wat gezien hun etymologie geen verrassing is. Hun productiviteit, of liever gezegd de mate van productiviteit, verschilt aanzienlijk tussen (sub)corpora. Misschien is de meest interessante vaststelling het ontbreken van productiviteit bij drie suffixen in het juridische domein en de laagste productiviteit van de twee overige suffixen in datzelfde domein. Dit zou erop kunnen wijzen dat juridische teksten lexicale creativiteit bij het vormen van nieuwe bijvoeglijke naamwoorden van dit type niet bevorderen.

Vergeleken met Deel 4 kan het verschil in de rangschikking van suffixen gedeeltelijk worden verklaard door het verschijnsel dat Václav Cvrček (2012) waarnam met betrekking tot de hapax-typeverhouding. Volgens Cvrčeks experimenten daalt deze verhouding doorgaans vanaf haar maximumwaarde 1 tot haar lokale minimum (ibid: 5). Na dit punt begint de verhouding echter opnieuw te stijgen. Cvrček beschouwt dit als “een soort algemeen kwantitatief principe van grote tekstverzamelingen” (ibid: 14). De vorm van de hapax-typefunctie lijkt ongeveer gelijk te zijn, zelfs bij typologisch verschillende talen; de omvang van een tekststeekproef hangt echter af van het type taal. Om het minimale punt van de hapax-typeverhouding te bereiken, stelt Cvrček dat een Engels corpus minstens 3 miljoen tokens moet omvatten, terwijl een Tsjechisch corpus (en naar wij aannemen ook een Slowaaks corpus, gezien de typologische verwantschap tussen beide talen) maar liefst 58 miljoen tokens moet omvatten. Omdat twee subcorpora uit onze analyse kleiner zijn dan de door Cvrček vastgestelde grens, ligt hun hapax-typeverhouding in het dalende deel van de hapax-typefunctie.

6. CONCLUSIE

In het vervolg op ons onderzoek naar de productiviteit van geselecteerde suffixen in verschillende corpora en domeinen zijn we erin geslaagd beide vragen te beantwoorden die in Deel 4 werden voorgelegd.

1. We hebben kunnen aantonen dat laagfrequente lemma’s die uit een corpus zijn geëxtraheerd ook potentiële neologismen omvatten en dat hun verdeling, hoewel die

Terminologija | 2021 | 28

75

kan variëren tussen corpusgegevens, de op hapax/type gebaseerde rangschikking volgens de formule kan beïnvloeden.

2. We hebben statistische modellering voor de evaluatie van productiviteit tussen corpora geïdentificeerd en toegepast: LNRE-verdelingen. Door onze corpusgegevens in de open-sourcetool in te voeren, verkregen we een visuele modellering van de productiviteit. Daardoor konden we vaststellen dat de productiviteit van de geanalyseerde suffixen niet alleen verschilt wanneer algemene en wetenschappelijke teksten met elkaar worden vergeleken, maar ook tussen verschillende gespecialiseerde domeinen. Wij menen dat de modellering duidelijk het reële potentieel toont van elk afzonderlijk geanalyseerd suffix om nieuwe typen te vormen binnen het betreffende domein.

De resultaten en rangschikkingen uit Deel 4 en 5 van dit artikel zijn echter onderling moeilijk vergelijkbaar, omdat de eerste rechtstreeks op ruwe gegevens is gebaseerd – het aantal typen en hapaxen of laagfrequente typen in een specifiek (sub)corpus – terwijl de tweede berust op de verwachte frequentiespectra voor elk (sub)corpus. Kortom, terwijl de eerste de feitelijke gegevens weergeeft, beoogt de tweede de productiviteit van een element in de taal in kwestie als zodanig te schatten. Daarom zouden we in grotere corpora met medische en juridische teksten meer hapaxen moeten aantreffen, wat tot een andere rangschikking van de suffixen zou kunnen leiden. Onze aannames zouden uiteindelijk in toekomstig onderzoek kunnen worden getoetst door uitgebreidere corpora te analyseren die een representatieve steekproef bevatten van relevante tekstsoorten voor specifieke domeinen, aangezien tekstgenres ook een rol kunnen spelen in de morfologische productiviteit van een element.

Aangezien zelfs het grootste corpus niet alle woorden zou omvatten, menen wij dat het redelijker is de morfologische productiviteit van een element te evalueren met behulp van geavanceerdere methoden dan een ruwe telling van typen of tokens.

Concluderend kan worden gesteld dat we de productiviteit in het verleden van een woordvormingspatroon of -element kunnen vaststellen. We kunnen ook verschillende schattingen geven van de toekomstige benutting ervan, dat wil zeggen Baayens potentiële productiviteit. Bovendien moeten we, zelfs wanneer we de statistische maten aanvullen met een kwalitatieve analyse, nog één ander feit in aanmerking nemen: zoals Fernández-Domínguez terecht betoogt, moeten probabilistische voorspellingen van morfologische productiviteit worden beschouwd in de context van extralinguïstische factoren en in het bijzonder van factoren die verband houden met de naamgevingsbehoeften van een taalgemeenschap. “Als er geen behoefte bestaat aan een benaming, kan er geen productieve woordvorming plaatsvinden” (Fernández-Domínguez 2013: 438).

76

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

DANKBETUIGING

Dit artikel is geschreven in het kader van het project Slowaaks Nationaal Corpus, dat wordt ondersteund door de Slowaakse Academie van Wetenschappen, het Ministerie van Onderwijs, Wetenschap, Onderzoek en Sport van de Slowaakse Republiek, het Ministerie van Cultuur van de Slowaakse Republiek en het Ľudovít Štúr-instituut voor Taalkunde van de Slowaakse Academie van Wetenschappen.

BRONNENLIJST

Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Beschikbaar op: https://korpus.sk.

Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Beschikbaar op: https://korpus.sk.

Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Beschikbaar op: https://korpus.sk.

Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Beschikbaar op: https://korpus.sk.

Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Beschikbaar op: https://korpus.sk.

Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Beschikbaar op: https://korpus.sk.

Woordenboekportaal van het Instituut voor Taalkunde Ľ. Štúr van de Slowaakse Academie van Wetenschappen https://slovnik.juls.savba.sk/.

Het ZipfR-pakket. Beschikbaar op: http://zipf.r-forge.r-project.org/.

REFERENCES

Assadi Houssem, Bourigault Didier 1995: Classification d’adjectifs extraits d’un corpus pour l’aide à la modélisation de connaissances. – Troisièmes journées internationales d’analyse des données textuelles, 313–320.

Baayen R. Harald, Lieber Rochelle 1991: Productivity and English derivation: a corpus-based study. – Linguistics 29, 801–843.

Baayen R. Harald 1992: Quantitative aspects of morphological productivity. – Yearbook of Morphology 1991, eds. G. E. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 109–149.

Baayen R. Harald 1993: On frequency, transparency, and productivity. – Yearbook of Morphology 1992, eds. G. E. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 181–208.

Baayen R. Harald 1994: Productivity in production. – Language and Cognitive Processes 9, 447–469.

Baayen R. Harald, Renouf Antoinette 1996: Chronicling The Times: Productive Lexical Innovations in an English Newspaper. – Language 72, 69–96.

Baayen R. Harald, Lieber Rochelle 1997: Word frequency distributions and lexical semantics. – Computers and the Humanities 30, 281–291.

Baayen R. Harald 2009: Corpus linguistics in morphology: morphological productivity. – Corpus Linguistics. An international handbook, eds. A. Lüdeling, M. Kyto, Berlin, Mouton De Gruyter, 900–919.

Baker Paul, Hardie Andrew, McEnery Tony 2006: A Glossary of Corpus Linguistics, Edinburgh: Edinburgh University Press Ltd. Available at: https://pdfs.semanticscholar.org/856a/9640311005ff8a97ab98976c9209aa12120a.pdf.

Baroni Marco 2009: Distributions in text. – Corpus Linguistics. An international handbook, eds. A. Lüdeling, M. Kyto, Berlin, Mouton De Gruyter, 803–822. Available at: https://home.sslmit.unibo.it/~baroni/publications/hsk_39_dist_rev2.pdf.

Carrière Isabelle 2008: Méditerm: encodage des adjectifs médicaux. – Corpus et dictionnaires de langues de spécialités, eds. F. Manize, P. Dury, N. Arlin, C. Rougemont, Grenoble: Presses Universitaires de Grenoble, 175–196.

Cvrček Václav 2012: How Large is the Core of Language. – Corpus Linguistics 2011 [online], Birmingham. Available at: https://www.birmingham.ac.uk/Documents/college-artslaw/corpus/conference-archives/2011/Paper-145.pdf.

Daille Béatrice 2001: Qualitative terminology extraction: Identifying relational adjectives. – Recent advances in computational terminology, eds. D. Bourigault, C. Jacquemin, M.-C. L’Homme, Amsterdam: John Benjamins Publishing Co, 149–166.

Terminologija | 2021 | 28

77

Dokulil Miloš 1962: Teorie tvoření slov, Praha: Nakladatelství ČSAV.

Evert Stefan, Lüdeling Anke 1991: Constraining psycholinguistic models of morphological processing and representation: the role of productivity. – Yearbook of morphology 1991, eds. G. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 165–183.

Evert Stefan, Baroni Marco 2007: The zipfR library: Words and other rare events in R. Presentation at useR! 2006: The Second R User Conference, Vienna, Austria. Available at: https://zipfr.r-forge.r-project.org.

Evert Stefan 2004: A simple LNRE model for random character sequences. – Proceedings of JADT 2004, 411–422.

Fernández-Domínguez Jesús 2013: Morphological Productivity Measurement: Exploring Qualitative versus Quantitative Approaches. – English Studies 94, 4, 422–447.

Garabík Radovan, Gianitsová Lucia, Horák Alexander, Šimková Mária 2004: Tokenizácia, lematizácia a morfologická anotácia Slovenského národného korpusu: internal document for manual morphological annotation. Unpublished. Available at: https://korpus.sk/attachments/publications/2004-garabik-gianitsova-horak-simkova-tokenizacia.pdf.

Horecký Ján 1956: Základy slovenskej terminológie, Bratislava: VEDA.

Horecký Ján 1999: Internacionalizácia a europeizácia slovenský. – Internacionalizácia v súčasných slovenských jazykoch: za a proti, ed. J. Bosák, Bratislava: Veda, 80–82.

Hulse Victoria 2011: Productivity in morphological negation: a corpus based approach, The University of Manchester. Available at: https://www.research.manchester.ac.uk/portal/en/theses/productivity-in-morphological-negation--a-corpusbased-approach(266d2241-a266-4b99-8fab-e19571381d8f).html.

Kvizinadze Giorgi 2010: Large number of rare events: Diversity analysis in multiple choice questionnaires and related topics, Victoria University of Wellington doctor thesis. Available at https://core.ac.uk/download/pdf/41336663.pdf

Levická Jana 2021: Usage and empirical productivity of international adjectival suffixes in Slovak based on general and specialised corpora. – Jazykovedný časopis 72, 2 (in print).

L’Homme Marie-Claude 2002: Fonctions lexicales pour représenter les relations entre termes. – Traitement automatique des langues 43, 1, 19–41.

L’Homme Marie-Claude 2003: Adjectifs dérivés sémantiques dans la structuration des terminologies. – Journées d’étude Terminologie, Ontologie et représentation des connaissance, Lyon.

Maniez François 2002: Distinguer les termes des collocations: études sur corpus du patron < Adjectif – Nom > en anglais médical. – Actes du colloque TALN de Nancy 1, 24–27 juin 2002, 345–350.

van Marle Jaap 1992: The relationship between Morphological Productivity and Frequency: A Comment on Baayen’s Performance-Orientated Conception of Morphological Productivity. – Yearbook of Morphology 1991, eds. G. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 151–163.

Nábělková Mira 1996: Variantnosť ako prvok dynamiky v adjektívnej paradigme. – Slovenská reč 61, 257–266.

Naccarato Chiara 2016: A corpus-based quantitative approach to the study of morphological productivity in diachrony: The case of samo-compounds in Russian. – A Blend of MaLT Hanna Christ, eds. D. Klenovšak, L. Sönning, V. Werner, Bamberg: University of Bamberg Press, 133–153.

Normand Sylvie, Bourigault Didier 2001: Analysing adjectives used in a histopathology corpus with NLP tools. – Terminology 7, 2, 155–164.

Plag Ingo, Dalton-Puffer Christiane, Baayen Harald 1999: Morphological productivity across speech and writing. – English Language and Linguistics 3, 2, 209–228.

Säily Tanja 2018: Change or variation? Productivity of the suffixes -ness and -ity. – Patterns of Change in 18ᵗʰ Century English. A Sociolinguistic Approach, eds. T. Nevalainen, M. Palander-Collin, T. Säily, Amsterdam: John Benjamins, 197–218.

Ševčíková Magda 2014: Zjišťování slovotvorné produktivity z korpusových dat: přípony odvozující názvy vlastností. – Naše řeč 97, 228–240.

Štícha František 2012: Jak v epoše elektronických korpusů následovat Miloše Dokulila (Miloši Dokulilovi ke stému výročí narození). – Jazykovědné aktuality 49, 95–107.

Štícha František 2002: K Dokulilovu pojmu slovotvorné produktivity (z hlediska korpusové analýzy). – Čeština doma a ve světě 4, 302–310.

Štícha František 2007: Korpusové statistiky a slovotvorná produktivita. – Grammar & Corpora/Gramatika a korpus 2005, eds. F. Štícha, J. Šimandl, Praha: Academia, 250–257.

Štícha František 2009: Slovotvorná produktivita a gramatickosť: gradační expresivní adjektiva s prefixy pra-, pře- a vele- v současné psané češtině. – Eslavística Complutense 9, 145–170.

78

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

NAUJAS ŽVILGSNIS Į TARPtautinių BŪDVARDŽIŲ PRIESAGŲ VARTOJIMĄ IR EMPIRINĮ PRODUKTYVUMĄ SLOVAKŲ KALBOJE

Santrauka

Šio straipsnio objektas – morfologinis penkių lotynų kalbos priesagų, dažnai vartojamų slovakų kalbos būdvardžiams sudaryti, produktyvumas. Straipsnyje aprašomas tyrimas yra ankstesnio tekstynų duomenimis paremto tyrimo tęsinys. Tyrime buvo nustatyti reikšmingi priesagų vartojimo ir produktyvumo skirtumai skirtingose srityse. Analizei atlikti naudojami šeši tekstynai ir patekstyniai apima ir bendrąjį tekstyną, ir specialiuosius tekstynus (medicinos, teisės, ekonomikos ir ypač religijos srities). Ankstesnės statistinės analizės atspirties taškas buvo neologizmų dalis hapakso lemų grupėje su analizuojamomis priesagomis. Klausimas, ar tarp retai vartojamų lemų yra neologizmų, liko atviras. Beje, keli tyrėjai teigia, kad produktyviausias priesagas turinčių žodžių dažnumo pasiskirstymas turėtų būti nukreiptas į retai vartojamas lemas, sudarančias naujažodžius. Tokiu atveju statistinis morfologinio tiriamų priesagų produktyvumo įvertinimas galėtų būti kitoks. Be to, ankstesnės analizės rezultatai negalėjo būti palyginti tarp skirtingų tekstynų (patekstynių), nes jie rėmėsi pirminiais duomenimis, labai priklausomais nuo tekstyno (patekstynio) dydžio. Todėl antrasis šio tyrimo tikslas buvo nustatyti tinkamą statistinį metodą, kurį taikant toks palyginimas būtų įmanomas.

Tiek ankstesnis, tiek dabartinis analizės etapai rėmėsi rankiniu būdu ištrinamais tekstyno duomenimis, t. y. lemų vartojimo dažnumo sąrašais, kuriuose nėra nei „tekstyno triukšmo“, nei bendrinės slovakų kalbos žodynuose jau esančių žodžių. Straipsnyje pateiktos analizės rezultatai rodo, kad tarp tekstyne rastų retai vartojamų lemų yra ir neologizmų, ir nors jų pasiskirstymas tekstyno duomenyse gali įvairuoti, jie gali pakeisti produktyvumo eiliškumą pagal hapakso žodžių santykį su visais žodžiais (angl. hapax / type formula).

Antroje analizės dalyje buvo identifikuojami ir taikomi statistiniai modeliai, vadinami LNRE (angl. large number of rare events, liet. didelis retų įvykių skaičius) pasiskirstymais. Naudojantis atvirojo kodo įrankiu, buvo sukurtas vaizdinis priesagos produktyvumo modelis, kuriame atsiskleidžia analizuotų priesagų skirtumai, pirma, tarp mokslinių ir bendrųjų tekstų ir, antra, tarp specialiųjų sričių tekstų. Taigi, šis modelis įrodo realų kiekvienos analizuotos priesagos potencialą sudaryti naujus žodžius atitinkamose srityse.

Gauta 2021-07-08

Jana Levická Ľ. Štúr Institute of Linguistics Slovak Academy of Sciences Panská 26 811 01, Bratislava, Slovakia E-mail janal@ korpus.sk

Terminologija | 2021 | 28

79