Niniejszy artykuł stanowi kontynuację wcześniejszych badań poświęconych użyciu i produktywności pięciu przyrostków pochodzenia łacińskiego w języku słowackim. Analiza koncentruje się na produktywności rzeczywistej i potencjalnej w ramach dwuetapowego porównania: 1) form wyrazowych i lematów występujących w ogólnym zrównoważonym korpusie oraz w ogólnym korpusie tekstów specjalistycznych i akademickich; 2) ogólnego korpusu tekstów specjalistycznych i akademickich oraz specjalistycznych (pod)korpusów tekstów medycznych, prawnych, ekonomicznych i religijnych. Pierwszym celem kontynuacji badań było ustalenie, czy wśród lemów o niskiej frekwencji znajdują się nowe utworzone wyrazy, które mogłyby przyczyniać się do zróżnicowania produktywności w poszczególnych domenach. Drugim celem było wskazanie i wdrożenie odpowiedniej miary statystycznej, która umożliwiłaby porównywanie produktywności danych korpusowych w korpusach o różnej wielkości.
SŁOWA KLUCZOWE: produktywność, przymiotnik, przyrostek, korpus ogólny, korpus specjalistyczny, hapax legomena, rzadko używana lema, rozkłady dużej liczby rzadkich zdarzeń.
ADNOTACJA
Badanie opisane w niniejszym artykule stanowi kontynuację wcześniejszego badania poświęconego użyciu i produktywności pięciu przyrostków pochodzenia łacińskiego w języku słowackim. Celem badania jest określenie produktywności rzeczywistej i potencjalnej poprzez porównanie w dwóch etapach: 1) form wyrazowych (ang. tokens) i lemów (ang. lemmas) występujących w ogólnym zrównoważonym korpusie z tymi występującymi w ogólnym korpusie tekstów specjalistycznych i akademickich; 2) form wyrazowych i lemów występujących w ogólnym korpusie tekstów specjalistycznych i akademickich z tymi występującymi w specjalistycznych podkorpusach tekstów medycznych, prawnych, ekonomicznych i religijnych. Głównym celem kontynuacji badania jest ustalenie, czy wśród lemów o niskiej frekwencji znajdują się neologizmy, które mogłyby przyczyniać się do różnic w produktywności w poszczególnych dziedzinach. Badanie ma również na celu wskazanie i zastosowanie miary statystycznej, która pozwoliłaby porównywać produktywność materiału korpusowego w korpusach o różnej wielkości.
SŁOWA KLUCZOWE: produktywność, przymiotnik, przyrostek, korpus ogólny, korpus specjalistyczny, hapaks, rzadko używana lema, duża liczba rozkładów rzadkich zdarzeń
54
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 2
1. WPROWADZENIE
Motywacja do podjęcia naszych badań wynikała z zainteresowania synonimią terminologiczną, a w ramach tego szerszego zagadnienia — synonimicznymi przymiotnikami odrzeczownikowymi jako składnikami terminów wielowyrazowych.
Skupienie uwagi na przymiotnikach nie jest nowością w badaniach nad terminologią. Szczegółowe analizy poświęcone przymiotnikom można znaleźć w pracach wielu terminologów, zwłaszcza z lat 90. i 2000.1 W historii terminologii słowackiej badania skupione na przymiotnikach, wynikające z potrzeby ujednolicenia i tworzenia standardowych terminologii słowackich, sięgają lat 50. (zob. np. Ján Horecký 1956).
Znaczenie przymiotników w terminologii i językach specjalistycznych można również zilustrować danymi statystycznymi pochodzącymi z korpusów. Większość korpusów specjalistycznych utworzonych w ramach projektu Słowackiego Korpusu Narodowego (dalej: projekt SNC) charakteryzuje się wyższym odsetkiem przymiotników niż korpus referencyjny (prim-7.0-frk), tj. korpus skompilowany z równych części tekstów literackich, specjalistycznych i publicystycznych2. Jak widać w Tabeli 1, różnica ta wynosi prawie 2%, z wyjątkiem korpusu religijnego (blf-2.0), w którym odsetek przymiotników jest zbliżony do odsetka w korpusie referencyjnym (7,46%). W drugim wierszu Tabeli 1 przedstawiono odsetek imiesłowów przysłówkowych, które w słowackich terminach wielowyrazowych również pełnią funkcje różnicujące i klasyfikujące. W ramach anotacji morfologicznej projektu SNC zaklasyfikowano je do osobnej grupy, dlatego są oznaczane oddzielnie od czasowników (Garabík et al. 2004).
Współwystępowanie i konkurencję przymiotników zidentyfikowano i przeanalizowano w kontekście języka ogólnego (np. Nábelková 1996). Jednak ich występowanie w terminach wielowyrazowych jest tematem stosunkowo słabo zbadanym. Powszechnym zjawiskiem prowadzącym do synonimii i konkurencji przymiotników jest współwystępowanie przymiotników pochodzenia łacińskiego i ich słowackich odpowiedników (vnútrožilový – intravenózny „dożylny”). Do tej drugiej grupy należy również podgrupa, w której ten sam międzynarodowy rdzeń łączy się zarówno ze słowackim, jak i — z etymologicznego punktu widzenia — łacińskim lub międzynarodowym przyrostkiem (np. bakteriálny – baktérioový „bakteryjny”). Niekiedy występuje wariantywność dwóch przyrostków międzynarodowych o tym samym in-
1 Zob. na przykład H. Assadi i D. Bourigault 1995; S. Normand i D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; lub I. Carrière 2008.
2 Więcej informacji na temat korpusów wykorzystanych w przedstawionej analizie można znaleźć w części 3.2.
Terminologija | 2021 | 28
55
Page 3
Tabela 1. Liczba tokenów oraz odsetki przymiotników i imiesłowów przysłówkowych w korpusie referencyjnym i korpusach specjalistycznych projektu SNC
KORPUS
KORPUS REFERENCYJNY
PODKORPUS NAUKOWY
PODKORPUS MEDYCZNY
PODKORPUS PRAWNY
KORPUS RELIGIJNY
KORPUS EKONOMICZNY
Liczba tokenów w korpusie
253,137,609
149,581,785
7,099,555
33,600,183
65,920,357
164,987,015
Liczba przymiotników w tokenach
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%
Liczba gerundiów w tokenach
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%
może powstać rdzeń międzynarodowy (np. hypersonórny – hypersonický, kontradiktorický – kontradiktórny).
Niniejsze badanie, koncentrujące się na użyciu określonych przyrostków w języku słowackim, ma na celu ustalenie, czy niektóre z nich sprzyjają takiemu współistnieniu bardziej niż inne lub częściej występują w przymiotnikach terminologicznych, dlatego w tym przypadku istotne staje się pojęcie produktywności morfologicznej.
Przyrostki wybrane do analizy stanowią niewielką grupę wykorzystywaną do tworzenia przymiotników odrzeczownikowych wśród szerokiego zbioru słowackich przyrostków przymiotnikowych3. Pod względem budowy pięć przyrostków składa się z (zaadaptowanego) międzynarodowego przyrostka przymiotnikowego połączonego z semantycznie równoważnym słowackim -ný/ny: -álny, -árny, -itný, -ívny, -ózny, dlatego ich przymiotnikowy status jest niejako zwielokrotniony. Oczywiste wydaje się, że wszystkie pięć przyrostków pochodzenia łacińskiego służyło do tworzenia przymiotników od łacińskich rzeczowników (-alis wraz z wariantem -aris, -ītus, -ōsus) lub czasowników (-ōrius). Warto jednak zauważyć, że wiele słowackich przymiotników z analizowanymi przyrostkami weszło
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
do słowackiego zasobu leksykalnego nie tylko bezpośrednio z łaciny, lecz w ostatnich dziesięcioleciach częściej za pośrednictwem francuskiego lub angielskiego (Horecký 1999), a następnie przeszło proces adaptacji przy użyciu wspomnianego słowackiego przyrostka przymiotnikowego. Istotne jest to, że zapożyczanie i późniejsza adaptacja były możliwe i ułatwione przez czynniki pozajęzykowe. Ze względu przede wszystkim na uwarunkowania historyczne język słowacki był bardzo otwarty na nowe wyrazy pochodzenia łacińskiego, dlatego udział wyrazów o łacińskim rodowodzie jest wysoki nawet w ogólnym zasobie leksykalnym języka słowackiego (Horecký 1999: 81). Współcześnie, dzięki oddziaływaniu środków masowego przekazu, internetu i mediów społecznościowych, ten złożony proces słowotwórczy, obejmujący zarówno zapożyczanie, jak i derywację, jest niezwykle produktywny, a tym samym bardzo istotny dla badań językoznawczych i terminologicznych.
Niniejszy artykuł stanowi kontynuację naszych wcześniejszych badań nad tym samym zagadnieniem, które są obecnie w druku (Levičká 2021). Dla ułatwienia porównania i zapewnienia czytelnikowi jasności uznaliśmy za konieczne uwzględnić podsumowanie wcześniejszego toku rozumowania i ustaleń, uzupełnione o nowe spostrzeżenia i podstawy teoretyczne. Dlatego niektóre tabele (1–4), choć pojawiły się w naszym pierwszym artykule, zostały tu powtórzone.
2. PODSTAWY TEORETYCZNE
Teoretyczna koncepcja produktywności morfologicznej została rozwinięta przez wielu badaczy i uczonych. Przegląd wcześniejszych rozważań teoretycznych i badań z XXth wieku podsumowano i omówiono w licznych opracowaniach i artykułach, na przykład autorstwa Jesúsa Fernándeza-Domingueza (2013) lub Victorii Hulse (2011). W niniejszym artykule skupimy się jedynie na kilku rozważaniach teoretycznych, które zarówno dostarczyły nam inspiracji, jak i wpłynęły na wybór naszego podejścia i metodologii.
Najstarszą przytoczoną tu definicję sformułował w 1948 roku amerykański językoznawca Dwight L. Bolinger (cyt. za: Säily 2018: 198), który uznał, że produktywność to „statystycznie dająca się określić gotowość4, z jaką element wchodzi w nowe połączenia”.
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 Frazy lub wyrazy zaznaczone pogrubieniem stanowią kluczowe cechy naszego badania.
Terminologija | 2021 | 28
57
Page 5
Na koniec, choć nie mniej ważne, chcielibyśmy odwołać się do badań nad słowotwórstwem czeskiego językoznawcy Miloša Dokulila, który przedstawił złożoną teorię produktywności słowotwórczej w swojej pracy Teorie tvoření slov z 1962 roku. Przede wszystkim Dokulil zdefiniował ogólnie produktywność danego środka językowego jako „zdolność tego środka językowego (czy jest nim podstawa, afiks czy wzorzec słowotwórczy) do aktywnego udziału w tworzeniu nowych słów” (1962: 78). Sprecyzował, że zdolność ta może być absolutna, tj. oznaczać możliwość tworzenia nowych słów w dowolnym czasie i według dowolnego wzorca słowotwórczego, albo względna, zależna zarówno od semantyki, a raczej stylu, jak i od wzorca słowotwórczego. W teorii Dokulila produktywność jest „pojęciem o charakterze synchronicznym, podczas gdy realizacja tej zdolności – tworzenie nowych słów według określonych reguł – jest, przeciwnie, pojęciem o charakterze diachronicznym” (1962: 80). Dokulil rozróżniał również produktywność systemową i produktywność empiryczną (nazywaną również przez Františka Štíchę (2012) produktywnością „parole” lub „rzeczywistą”), która daje „ogólne wyobrażenie o całościowym wykorzystaniu określonego wzorca słowotwórczego lub środka językowego w systemie języka w danym czasie” (Dokulil 1962: 80). Dokulil uważał, że nawet „dane przybliżone dotyczące ilościowego wykorzystania danego procesu lub elementu słowotwórczego mają pierwszorzędne znaczenie dla ogólnego obrazu danego języka, a w szczególności dla charakterystyki jego leksykonu” (tamże: 77).
Spośród współczesnych czeskich językoznawców rozwijających teorię produktywności Dokulila i weryfikujących jego założenia na podstawie danych korpusowych (zob. np. Štícha 2002, 2007, 2009, 2012 lub Magda Ševčíková 2014), Štícha proponuje analizę produktywności empirycznej/parole nie tylko w dużych korpusach, lecz także za pomocą serii korpusów o różnej wielkości i składzie (2012: 104).
Można twierdzić, że założenia Dokulila dotyczące produktywności względnej znalazły odzwierciedlenie w pracach Haralda Baayena i innych badaczy, których metody i podejścia omówimy w dalszej części tej analizy. W 1999 roku Baayen oraz jego współpracownicy Ingo Plag i Christiane Dalton-Puffer napisali, że „twierdzenia dotyczące produktywności danego afiksu formułuje się zazwyczaj bez rozróżniania produktywności w zależności od rodzaju dyskursu, chociaż powszechnie przyjmuje się, że niektóre rodzaje sufiksów derywacyjnych są bardziej charakterystyczne dla jednych rodzajów tekstów niż dla innych” (1999: 209).
Dzięki dostępności dużych korpusów można mierzyć, identyfikować i analizować produktywność wzorca lub elementu słowotwórczego nie tylko w języku ogólnym w danym czasie, lecz także w wyspecjalizowanych dziedzinach i rejestrach.
58
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 6
3. DOTYCHCZASOWE BADANIA
Zgodnie z rozumowaniem i założeniami językoznawców przywołanych w poprzedniej części, na początku naszych badań, których celem było określenie produktywności morfologicznej sufiksów przymiotnikowych, sformułowaliśmy trzy kluczowe pytania badawcze:
1) Czy produktywność morfologiczna poszczególnych sufiksów przymiotnikowych z wybranej grupy różni się w tekstach ogólnych i specjalistycznych? Czy różnice te są istotne statystycznie?
2) Czy produktywność morfologiczna poszczególnych sufiksów przymiotnikowych z wybranej grupy może się różnić w zależności od konkretnej dziedziny? Czy niektóre z tych pięciu sufiksów są bardziej „predysponowane” do współtworzenia pojęć właściwych dla określonej dziedziny lub obszaru?
3) Jakie metody są odpowiednie do tej konkretnej analizy danych korpusowych?
Przede wszystkim, ze względu na specyfikę tego rodzaju wzorca słowotwórczego łacińska podstawa + łaciński sufiks + sufiks rodzimy etymologicznie, postanowiliśmy pominąć analizę jakościową obejmującą ograniczenia i reguły określające łączenie poszczególnych podstaw łacińskich z jednym z wybranych sufiksów przymiotnikowych w kontekście języka słowackiego.
Chociaż podejście ilościowe nie daje pełnego obrazu stanu produktywności sufiksu ani żadnej innej formy morfologicznej, jego zaletą w tego rodzaju badaniach jest ukazanie perspektywy i kontekstu użycia słów utworzonych według określonego wzorca, a także umożliwienie konkretnych porównań z formami równoważnymi pod względem semantycznym i funkcjonalnym. Powszechnie przyjmuje się, że podejście ilościowe w analizie produktywności morfologicznej stanowi istotną metodę uzupełniającą badania jakościowe (zob. np. Evert and Lüdeling 2001). Jak stwierdza Plag: „ilościowe i jakościowe ujęcia produktywności […] są ściśle ze sobą powiązane. A zatem pojęcie potencjalności, kluczowe dla jakościowych definicji produktywności, można wyrazić za pomocą statystycznego pojęcia prawdopodobieństwa” (cyt. za Naccarato 2016: 135). Podobnie Baayen i jego współautorzy twierdzą, że produktywność „wydaje się pojęciem skalarnym […] w przypadku niektórych afiksów prawdopodobieństwo napotkania nowo utworzonych słów jest większe niż w przypadku innych, co sprawia, że produktywność jest pojęciem probabilistycznym, podatnym na analizę statystyczną” (1999: 10).
Terminologija | 2021 | 28 59
Page 7
3.1. Metody statystyczne
W pierwszym etapie naszej analizy podążyliśmy dobrze utartą ścieżką metodologiczną Haralda Baayena oraz jego współpracowników i kontynuatorów (1991, 1992, 1993, 1994, 1996, 1997). Określiliśmy tak zwaną produktywność zrealizowaną, tj. częstotliwość użycia przymiotników utworzonych za pomocą wybranych przyrostków, a także liczbę różnych przymiotników utworzonych za pomocą tych przyrostków w poszczególnych korpusach. Te statystyki korpusowe pokazują produktywność przyrostków w odniesieniu do przeszłej i obecnej sytuacji językowej.
Kolejnym krokiem było określenie potencjalnej produktywności analizowanych przyrostków, tj. oszacowanie tempa, w jakim można oczekiwać pojawiania się nowych typów5. Baayen (2009: 7) sugeruje obliczanie jej jako stosunku hapaks legomenów6 z afiksem X do wszystkich tokenów z afiksem X w korpusie. Wykorzystywanie hapaks legomenów do obliczania produktywności było szeroko krytykowane, ponieważ ta grupa nie reprezentuje bezpośrednio nowych derywatów, które mają odzwierciedlać produktywność elementu lub wzorca. Plag, Dalton-Puffer i Baayen argumentują, że potencjalna produktywność jest miarą probabilistyczną oraz że wraz ze wzrostem rozmiaru korpusu „udział neologizmów wśród hapaks legomenów rośnie i wykazano, że to właśnie wśród hapaks legomenów pojawia się największa liczba neologizmów” (1999: 12). Na poprzednim etapie naszych badań zrezygnowaliśmy z metody hapaks/token, lecz przyjęliśmy metodę hapaks/typ, zgodnie z rozumowaniem van Marle’a (1992), że częstotliwość tokenów nie jest tak istotną zmienną w mierze produktywności jak liczba lemów. Najpoważniejszą wadą tej miary jest jednak niemożność porównywania danych statystycznych z korpusów o różnej wielkości (Naccarato 2016: 133). Wrócimy do tej kwestii w części 5.
3.2. Korpusy wykorzystane w analizie7
Wszystkie trzy korpusy i trzy podkorpusy wykorzystane w tej analizie zostały udostępnione przez Departament SNC w latach 2013–2020 i są dostępne dla wszystkich zarejestrowanych użytkowników.
5Typy w językoznawstwie korpusowym oznaczają unikatowe wyrazy i są synonimiczne względem lemów (Baker et al. 2006).
6Hapax legomena (oryg. greckie wyrażenie oznaczające „powiedziane raz”), w skrócie hapaks, to wyraz występujący tylko raz w danym korpusie (Baker et al. 2006).
7Większość tej części pochodzi z artykułu opisującego poprzedni etap naszych badań (Levická 2021), jednak powtórzenie to jest konieczne, aby wyjaśnić charakter danych korpusowych.
60
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 8
Pierwszy korpus, referencyjny (prim-7.0-frk), liczący ponad 253 miliony tokenów, składa się z równych części tekstów publicystycznych, specjalistycznych i beletrystycznych (64.12% z nich napisano oryginalnie po słowacku, a 29.51% stanowią tłumaczenia), powstałych w latach 1991–2015. Korpus wykorzystano do opracowania dwóch słowników frekwencyjnych języka słowackiego (2017, 2018), a także słownika odwrotnego (2018).
Drugi korpus, prim-9.0-public-prf, jest publicznie dostępnym podkorpusem korpusu głównego projektu SNC (dalej nazywanym podkorpusem naukowym). Złożony z tekstów specjalistycznych, akademickich i popularnonaukowych podkorpus obejmuje ponad 149 milionów tokenów i dokumentuje ogólny dyskurs nauki i badań, w tym specjalistyczne teksty publicystyczne. Teksty powstały w latach 1955–2019. Odsetek tekstów napisanych w latach 1955–1991 wynosi 8.7% (ponad 13 milionów tokenów).
Najmniejszy ze wszystkich przeszukiwanych korpusów (podkorpus) powstał w wyniku filtrowania korpusu głównego projektu SNC [9], wersja 9.0. Składa się z tekstów z dziedziny medycyny, napisanych w latach 1976–2019, i obejmuje nieco ponad 7 milionów tokenów. Odsetek tekstów napisanych w latach 1955–1991 wynosi 1.09%. W dalszej części tekstu będziemy nazywać go podkorpusem medycznym.
Aby uzyskać porównywalne źródło pochodzące z innych korpusów specjalistycznych i korpusu referencyjnego, korpus specjalistyczny legal-1.1 (dalej nazywany podkorpusem prawnym), utworzony we współpracy ze słowackim Ministerstwem Sprawiedliwości, ograniczono do tekstów legislacyjnych powstałych w latach 1991–2011. Jego niemal 49 milionów tokenów zredukowano w ten sposób do 33.5 miliona tokenów.
Korpus specjalistyczny blf-2.0, koncentrujący się na domenie religijnej, został udostępniony w 2014 roku. Jego teksty obejmują niemal 66 milionów tokenów napisanych w latach 1989–2014 (dalej nazywany korpusem religijnym). Ponad 80% jego zawartości stanowią czasopisma i gazety tematyczne. Podobnie specjalistyczny korpus ecn-2.0-public (dalej nazywany korpusem ekonomicznym), poświęcony domenie ekonomii, zawiera aż 96.24% tekstów specjalistycznych opublikowanych w czasopismach i gazetach tematycznych. Teksty tego korpusu pochodzą z lat 1992–2014 i obejmują niemal 165 milionów tokenów.
Należy jednak zauważyć, że korpusy te są heterogeniczne i obejmują szeroki wachlarz tekstów.
Terminologija | 2021 | 28
6 1
Page 9
Jeśli chodzi o wyszukiwanie w korpusach, nie opieraliśmy zapytań na tagowaniu morfologicznym udostępnionym dla każdego z korpusów (podkorpusów) uwzględnionych w analizie, ponieważ w przypadku wyrazów pochodzenia łacińskiego tagowanie okazało się nieadekwatne i błędne. Dlatego zdecydowaliśmy się na proste wyszukiwanie konkretnego zakończenia tokenu, np. [lemma=“. *álny“], połączone z automatycznym filtrowaniem wyrazów, które przypadkowo zawierają ten sam ciąg znaków (zob. część 4.1).
3.3. Wyniki poprzedniego etapu
Na poprzednim etapie dane statystyczne z korpusów pozwoliły nam opracować ranking zrealizowanej produktywności analizowanych sufiksów. Sufiks -álny jest zdecydowanie najczęściej używany we wszystkich korpusach (podkorpusach), natomiast -órny znajduje się na przeciwległym krańcu osi frekwencyjnej w 5 korpusach (podkorpusach). Jak wynika ze znormalizowanych frekwencji użycia czterech z pięciu sufiksów, występują one częściej w tekstach specjalistycznych i akademickich (podkorpusie naukowym) niż w korpusie referencyjnym. Warto również zauważyć, że znormalizowane frekwencje sufiksów w podkorpusie medycznym są równe wartościom ipm w podkorpusie naukowym lub znacznie je przewyższają, podczas gdy ipm sufiksów (wystąpienia na milion) w korpusie religijnym jest wyraźnie niższe niż w korpusie referencyjnym. Można to częściowo wyjaśnić rodzajem tekstów zawartych w tych korpusach (podkorpusach).
Tabela 2. Frekwencja i znormalizowana frekwencja (IPM, wystąpienia na milion) analizowanych sufiksów w poszczególnych korpusach (podkorpusach). Korpusy uporządkowano od najmniejszego do największego
Kolejność korpusów w Tabeli 3, przedstawiającej liczbę różnych słów utworzonych za pomocą analizowanych przyrostków, umożliwia porównanie zróżnicowania derywatów najpierw między językiem ogólnym a specjalistycznym, a następnie od najmniejszego korpusu medycznego po największy korpus ekonomiczny. Tabela przedstawia produktywność zrealizowaną analizowanych przyrostków według Baayena. We wszystkich (pod)korpusach -álny jest najczęściej używanym przyrostkiem, występującym w różnych typach; najmniejszą liczbę typów lub lem odnotowano dla przyrostka -órny. Przyrostki -itný i -órny wydają się pokrywać w większości (pod)korpusów; ich subtelniejsze rozróżnienie wymaga testu istotności. Nie jest jednak możliwe rzeczywiste porównanie korpusów, ponieważ tabela zawiera bezwzględne liczebności typów.
Wyniki dotyczące oszacowania produktywności potencjalnej, przedstawione w Tabeli 4, są dość zróżnicowane, co wskazuje kolejność przyrostków.
Terminologija | 2021 | 28
63
Page 11
Tabela 4. Stosunki hapaksów do typów w danym (pod)korpusie. Przyrostki w każdej podtabeli wymieniono w kolejności malejącego stosunku
STOSUNEK HAPAKSÓW DO TYPÓW
korpus referencyjny
podkorpus naukowy
podkorpus medyczny
-ózny
0.252173913
-órny
0.228571429
-ózny
0.208333333
-árny
0.201342282
-árny
0.210382514
-itný
0.138888889
-alny
0.173956262
-alny
0.209499576
-alny
0.129094412
-itny
0.122222222
-iczny
0.201680672
-arny
0.1
-arny
0.12
-itny
0.195876289
-arny
0.076923077
podkorpus prawny
korpus religijny
korpus ekonomiczny
-arny
0.1
-arny
0.2
-itny
0.237288136
-iczny
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
Najbardziej produktywnym przyrostkiem w aż trzech korpusach jest -órny. W pozostałych trzech (pod)korpusach ranking jest dwukrotnie otwierany przez -ózny, a raz przez -itný. Co więcej, ten sam przyrostek -órny wydaje się ogólnie oraz w tekstach medycznych potencjalnie najmniej produktywny. W aż trzech (pod)korpusach ostatnie miejsce w rankingu produktywności zajmuje przyrostek -itný. Podobnie ostatnie miejsce w rankingu produktywności tekstów ekonomicznych zajmuje przyrostek -árny.
4. PYTANIA BADAWCZE PRZEDSTAWIONEJ ANALIZY
Poprzedni etap naszych badań wykazał istotne różnice w produktywności morfologicznej analizowanych przyrostków, zależne zarówno od typu języka, jak i od dziedzin. Na jedno pytanie udzielono jednak tylko częściowej odpowiedzi, co dało początek nowemu:
1. Czy warto analizować lemmy o niskiej częstotliwości występowania ze względu na neologizmy? W rzeczywistości kilku badaczy sugeruje, że rozkład częstości wyrazów tworzonych za pomocą produktywnych afiksów powinien być wyraźnie przesunięty w stronę lem o niskiej częstotliwości, obejmujących nowe formacje.
64
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 12
2. Jak już wskazaliśmy w poprzednich sekcjach, wyników dotyczących potencjalnej produktywności analizowanych przyrostków nie można porównywać między korpusami. Dlatego konieczne jest wskazanie odpowiedniej metody statystycznej umożliwiającej takie porównanie.
4.1. Ręczne czyszczenie danych
Zarówno poprzedni, jak i obecny etap naszej analizy opierają się na ręcznie oczyszczonych danych. Na znaczenie tego żmudnego i czasochłonnego procesu zwróciło uwagę kilku badaczy. Evert i Lüdeling stwierdzili (i udowodnili), że jest on warunkiem wstępnym rzetelnej oceny statystycznej, nie tylko w przypadku stosowania bardziej zaawansowanych miar (2001: 168). Ręczne czyszczenie ma szczególne znaczenie z trzech powodów: pierwszy wynika ze specyfiki danych korpusowych. Po pierwsze, dane korpusowe zazwyczaj zawierają dość dużo literówek, zwłaszcza wśród lem o niskiej częstotliwości. Po drugie, w korpusach występują błędy ortograficzne, szczególnie częste w wyrazach pochodzenia łacińskiego. Po trzecie, konieczne było połączenie tych lem z przyrostkiem X, które różnią się jedynie użyciem lub brakiem łącznika, a także lem rozpoczynających się wielką i małą literą (niebędących nazwami własnymi), rozróżnianych przez automatyczną lematyzację stosowaną w projekcie SNC. Wyniki tego etapu ręcznego czyszczenia przedstawiono w Tabeli 5, gdzie średni udział hapaksów wśród analizowanych przyrostków wynosi od 24 do 30% ogólnej liczby lem z danym przyrostkiem. Jednak w tekstach prawnych dla -itný pozostało mniej niż 5% lem (potencjalnych neologizmów), natomiast w tekstach religijnych i ogólnych tekstach naukowych dla przyrostka -órny, a także w tekstach ekonomicznych i, co zaskakujące, tekstach korpusu referencyjnego dla przyrostka -ózny, pozostało ich 40% lub więcej. Udziały te mogą wskazywać na (nie)produktywność danego korpusu. Jak twierdzą Baayen i współautorzy, liczba hapaksów dla elementów produktywnych może sięgać nawet połowy zaobserwowanej wielkości słownictwa w „wystarczająco dużym korpusie” (1999: 11).
Drugim powodem ręcznego czyszczenia było przefiltrowanie wyodrębnionych danych korpusowych w celu uzyskania list neologizmów tworzonych za pomocą analizowanych przyrostków. Wykluczyliśmy zatem lemmy, które 1) przypadkowo zawierają ten sam ciąg znaków co analizowane przyrostki; 2) można znaleźć w ogólnych słownikach języka słowackiego i w Słowniku wyrazów obcych8, tj.
8 Skorzystaliśmy ze zintegrowanego narzędzia wyszukiwania portalu słownikowego https://slovnik.juls.savba.sk/.
Terminologija | 2021 | 28
65
Page 13
Tabela 5. Udział hapaksów (potencjalnych neologizmów) w danym (pod)korpusie po pierwszym etapie ręcznego czyszczenia
UDZIAŁ HAPAKSÓW Z OKREŚLONYM SUFIKSEM PO PIERWSZYM ETAPIE RĘCZNEGO CZYSZCZENIA
sufiks
podkorpus medyczny
podkorpus prawny
korpus religijny
podkorpus naukowy
korpus ekonomiczny
korpus referencyjny
-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%
dlatego nie są neologizmami; 3) wystąpiły w dwóch najobszerniejszych korpusach SNC9 – lemmy te musiały pojawić się w co najmniej jednym z nich co najmniej trzy razy, pod warunkiem że wystąpienia te pochodziły z trzech różnych źródeł i z trzech różnych lat. Tę ostatnią zasadę filtrowania przyjęto ze względu na to, że badane przez nas wyrazy z jednym z analizowanych sufiksów są zwykle terminami z dziedzin specjalistycznych, a w języku słowackim brakuje aktualnych słowników specjalistycznych. Należy przyznać, że otrzymane listy lem reprezentują jedynie potencjalne neologizmy. Wyniki przedstawiono w kolumnach zatytułowanych Udział potencjalnych neologizmów w hapaksach w tabelach 6 i 7. W porównaniu z tabelą 5 udział potencjalnych neologizmów znacznie się zmniejszył.
4.2. Neologizmy w lematach o niskiej frekwencji
Aby odpowiedzieć na pierwsze pytanie badawcze, przeprowadziliśmy tę samą procedurę filtrowania, którą zastosowano w przypadku listy hapaksów. W tabelach 6 i 7 przedstawiamy odsetki potencjalnych neologizmów wśród lem o niskiej frekwencji, występujących 4–2 razy w (pod)korpusach (obliczone na podstawie całkowitej liczby lem z danym sufiksem, por. tabelę 3), a obok nich odsetki potencjalnych neologizmów w grupie hapaksów.
Chociaż udział potencjalnych neologizmów nieznacznie wzrasta w tekstach specjalistycznych i akademickich dla każdego analizowanego sufiksu, ze względu na włączenie
9 Obecnie są to największe korpusy w projekcie SNC: korpus ogólny prim-9.0-juls-all oraz korpus prawniczy legal-1.1.
66
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 14
potencjalnych neologizmów z grupy lem o niskiej frekwencji, udział potencjalnych neologizmów w korpusie referencyjnym wzrósł jedynie nieznacznie w przypadku czterech sufiksów, natomiast odsetek piątego — -órny — pozostał stabilny. Można było się tego spodziewać, ponieważ nowe derywaty z analizowanymi sufiksami częściej pojawiają się w tekstach specjalistycznych.
Tabela 6. Udział potencjalnych neologizmów w grupie lem o niskiej frekwencji (4–1 wystąpienia) oraz w grupie hapaksów w ogólnej liczbie typów po oczyszczeniu w korpusie ogólnym i ogólnym podkorpusie naukowym
SUFIKS
KORPUS REFERENCYJNY
PODKORPUS NAUKOWY
Udział potencjalnych neologizmów w lematach o niskiej frekwencji (4–1)
Udział potencjalnych neologizmów w hapaksach
Udział potencjalnych neologizmów w lematach o niskiej frekwencji (4–1)
Udział potencjalnych neologizmów w hapaksach
-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%
Jeśli chodzi o potencjalne neologizmy specyficzne dla poszczególnych dziedzin, najwyższy odsetek — podobnie jak w podkorpusie naukowym — odnotowano w korpusie ekonomicznym, gdzie przyrostek -itný stanowi aż 35% potencjalnych neologizmów. W przypadku pozostałych przyrostków w tym korpusie potencjalne neologizmy stanowią około 25% lemów o niskiej frekwencji. Z kolei najniższy odsetek potencjalnych neologizmów stwierdzono w tekstach prawnych. Warto również wspomnieć o przypadkach, w których uwzględnienie grupy lemów o niskiej frekwencji podwoiło ten odsetek: dla -órny w tekstach medycznych, -árny w tekstach prawnych oraz -itný w tekstach religijnych. Zarazem nie dziwi, że przyrostek -ózny zajmuje pierwsze miejsce w zestawieniu dla tekstów medycznych, ponieważ jest prototypowym przyrostkiem medycznym. Jednak niemal taki sam odsetek potencjalnych nowych lemów z -ózny odnotowano w tekstach ekonomicznych. W tekstach medycznych i prawnych nie wystąpił żaden wzrost liczby potencjalnych neologizmów dla przyrostka -itný, a w tekstach prawnych również dla przyrostka -órny.
Terminologija | 2021 | 28 67
Page 15
Tabela 7. Udział potencjalnych neologizmów w grupie lemów o niskiej frekwencji (4–1 wystąpienia) oraz w grupie hapaksów w ogólnej liczbie typów po oczyszczeniu danych w tekstach specjalistycznych z czterech dziedzin
PRZYROSTEK | PODKORPUS MEDYCZNY | PODKORPUS PRAWNY | KORPUS RELIGIJNY | KORPUS EKONOMICZNY Udział potencjalnych neologizmów w lemach o niskiej frekwencji (4–1) | Udział potencjalnych neologizmów w hapaksach | Udział potencjalnych neologizmów w lemach o niskiej frekwencji (4–1) | Udział potencjalnych neologizmów w hapaksach | Udział potencjalnych neologizmów w lemach o niskiej frekwencji (4–1) | Udział potencjalnych neologizmów w hapaksach | Udział potencjalnych neologizmów w lemach o niskiej frekwencji (4–1) | Udział potencjalnych neologizmów w hapaksach -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%
Dla większej przejrzystości dodajemy również jeszcze jedną tabelę, która przedstawia odsetki potencjalnych neologizmów w grupie lemów o niskiej frekwencji.
Tabela 8. Różnica odsetka potencjalnych neologizmów między grupą lemów o niskiej frekwencji (4–1 wystąpienia) a grupą hapaksów w ogólnej liczbie typów po oczyszczeniu danych
Wreszcie ostatnia tabela przedstawia ranking przyrostków w poszczególnych (pod)korpusach, uzyskany przez ponowne zastosowanie wzoru dostosowanego na poprzednim etapie — liczba lemów o niskiej frekwencji z danym przyrostkiem/liczba typów z
68
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 16
Tabela 9. Różnica w proporcji potencjalnych neologizmów między grupą lem o niskiej częstotliwości (4–1 wystąpienia) a liczbą typów. Ranking wyróżnionych przyrostków uległ zmianie w porównaniu z tabelą 4
danego przyrostka. W porównaniu z tabelą 4 ranking zmienił się we wszystkich (pod)korpusach z wyjątkiem korpusu referencyjnego. Wydaje się zatem, że uwzględnienie lem o niskiej częstotliwości okazało się uzasadnione.
Przyrostek -órny jest najbardziej produktywny w dwóch korpusach (w porównaniu z trzema w tabeli 4), natomiast -ózny pozostał na szczycie dwóch rankingów, a -itný na szczycie rankingu w korpusie ekonomicznym. W korpusie prawnym najbardziej produktywny wydaje się przyrostek -árny, podczas gdy ten sam przyrostek jest jednocześnie najmniej produktywny w tekstach medycznych i ekonomicznych. Ostatnie miejsce w rankingach produktywności zajmuje przyrostek -órny zarówno w korpusie referencyjnym, jak i w tekstach medycznych, przyrostek -ózny w ogólnych tekstach naukowych, a przyrostek -itný pozostał najmniej produktywny w korpusach prawnych i religijnych.
5. PORÓWNANIE PRODUKTYWNOŚCI W (POD)KORPUSACH
Jak wskazaliśmy w części 3.1, miary statystyczne wykorzystujące surowe częstości i liczby typów uniemożliwiły nam porównanie wcześniejszych wyników pochodzących z różnych (pod)korpusów. Jeśli zgodzimy się z twierdzeniem, a raczej hipotezą, że produktywność dowolnego elementu słowotwórczego lub
Terminologija | 2021 | 28
69
Page 17
wzorca można wnioskować na podstawie nowych derywatów (a zarazem wykazaliśmy w części 4.2, że nowe derywaty mogą występować nie tylko w grupach hapaksów, lecz także wśród typów o niskiej częstotliwości), dalszą analizę można oprzeć na rozkładach częstości słów i widmach częstości. Przez „widmo częstości” rozumiemy wykaz podający, ile typów w liście częstości występuje z daną częstością (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).
Na potrzeby tego modelowania statystycznego Baayen wprowadził w 2001 roku tak zwane rozkłady LNRE10. Zaletą tych wyspecjalizowanych modeli jest możliwość ekstrapolowania statystyk typów i tokenów z określonej próby na większe liczby tokenów, a tym samym szacowania potencjalnych neologizmów poza tą próbą. Opierają się one na przewidywanych rozmiarach słownika, uzyskanych na podstawie liczby typów o niskiej częstotliwości w korpusie.
Jednym z rezultatów tego modelowania są krzywe wzrostu słownika, a właściwie krzywe wzrostu typów względem tokenów, które przedstawiają liczbę typów jako funkcję liczby tokenów. Typowy kształt takiej krzywej dla nieproduktywnego procesu zaczyna się od wzrostu, po czym krzywa „wypłaszcza się i zbiega do stałej wartości, czyli pełnego rozmiaru słownika” (2001: 168). Z kolei typowy produktywny wzorzec charakteryzuje się nieskończonym słownikiem, tzn. krzywa zdaje się rosnąć bez końca.
Zastosowanie rozkładów LNRE umożliwia oszacowanie liczby typów w większych zbiorach tekstów, a nawet liczby typów
10 Teoria LNRE (teoria dużej liczby rzadkich zdarzeń, będąca odrębną dziedziną statystyki) wywodzi się z 1988 roku, kiedy gruziński statystyk Estate Khmaladze opublikował The statistical analysis of a large number of rare events. Jak napisał jego student Giorgi Kvizhinadze: „Wspólną cechą przykładów, które przedstawimy poniżej, jest to, że obok kilku częstych zdarzeń występuje także bardzo duża liczba zdarzeń bardzo rzadkich, na przykład o częstości 0, 1 lub 2. Łączna liczba tych rzadkich zdarzeń w porównaniu z liczbą obserwacji zazwyczaj nie jest duża, ale liczba takich zdarzeń wśród wszystkich różnych zaobserwowanych zdarzeń jest zawsze bardzo znacząca. Te rzadkie zdarzenia są zwykle bardzo ważne. Na przykład liczba słów użytych w książce tylko raz może nie mieć dla tej książki zasadniczego znaczenia, jednak jest oczywiste, że słowa te są niezwykle ważne, ponieważ stanowią połowę słownictwa autora” (2010).
70
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 18
wzorzec słowotwórczy w całej „populacji”, tj. w języku jako takim. Jednocześnie możliwe jest oszacowanie lub przewidzenie liczby typów w próbkach tej samej wielkości, pochodzących z większych korpusów. Jak wspomniano w części 4.1, ta procedura statystyczna wymaga również prawidłowych zliczeń typów i tokenów; w przeciwnym razie obliczenie szacowanej wielkości słownictwa, czyli liczby typów, byłoby błędne – zamiast się wypłaszczać i zbiegać do wartości stałej, krzywa mogłaby nadal rosnąć.
5.1. Rozkłady LNRE
Postanowiliśmy zastosować modele LNRE, aby określić11 produktywność w korpusach o różnej wielkości, częściowo ze względu na dostępność w Internecie narzędzia open source ZipfR, opracowanego przez Eberta i Marco Baroniego (2007). To narzędzie open source obejmuje kilka modeli; zastosowaliśmy model skończony Zipfa-Mandelbrota (fZM), oparty na prawie Zipfa-Mandelbrota12. Jak stwierdzają autorzy, jego zastosowanie wykracza poza językoznawstwo. ZipfR akceptuje kilka formatów wejściowych, w tym proste listy frekwencyjne i zwykłe próbki w formacie jeden token w wierszu. Mogliśmy wykorzystać listy frekwencyjne z naszych wcześniejszych badań, które przeszły ręczne czyszczenie na etapie 1st (por. część 4.1), co stanowiło kolejną zaletę tej metody.
Nasze listy frekwencyjne poddaliśmy 4 podstawowym operacjom (Evert, Baroni 2007):
(i) estymacji parametrów, w ramach której parametry modelu LNRE M są wyznaczane na podstawie próby uczącej o określonej wielkości przez porównanie oczekiwanego spektrum frekwencji z zaobserwowanym spektrum frekwencji;
(ii) ocenie dobroci dopasowania opartej na macierzy kowariancji liczby typów oraz liczby typów występujących dokładnie m razy;
(iii) interpolacji i ekstrapolacji wzrostu słownictwa z wykorzystaniem wartości oczekiwanych;
(iv) przewidywaniu oczekiwanego spektrum frekwencji dla dowolnej wielkości próby.
Jak wskazali Evert i Baroni (2007), modelowanie to nie koncentruje się na frekwencji poszczególnych typów wyrazów, „lecz raczej na rozkładzie takich frekwencji (w próbie) i prawdopodobieństw (w populacji)”.
11Chcielibyśmy podziękować naszemu koledze Jánowi Mášikowi za nieocenioną pomoc w implementacji modelu fZM dla danych z naszego korpusu.
12Szczegółowy opis prawa Zipfa-Mandelbrota można znaleźć między innymi w Baroni 2009.
Terminologija | 2021 | 28 71
Page 19
5.2. Zastosowanie rozkładów LNRE i ocena
Narzędzie ZipfR dostarczyło nam widma częstotliwości słów i krzywe typ-token dla każdego przyrostka w każdym (pod)korpusie. Ze względu na ograniczoną ilość miejsca przedstawiamy jedynie wykresy krzywych typ-token, których skala na osi x została ujednolicona. Skala osi y jest różna, ponieważ zależy od rzeczywistej liczby typów dla danego przyrostka w określonym (pod)korpusie i odzwierciedla tę liczbę. Proponujemy porównać pary wykresów, a następnie ocenić produktywność przyrostków w danych naszego korpusu.
Oś x przedstawia liczbę tokenów, natomiast oś y pokazuje (oczekiwaną) liczbę różnych typów wytworzonych przez wzorzec słowotwórczy zawierający jeden z analizowanych przyrostków.
Oba korpusy — referencyjny i naukowy — wykazują tę samą hierarchię przyrostków, na której czele znajduje się przyrostek -álny, a na końcu przyrostek -órny. W korpusie referencyjnym krzywa trzech przyrostków -álny, -árny, -ózny rośnie, wskazując tym samym na ich produktywność, natomiast krzywe -itný, a w szczególności -órny, ulegają spłaszczeniu. W podkorpusie naukowym za produktywne można uznać dwa przyrostki: -álny i -árny. Krzywe pozostałych trzech (-ózny, -itný, -órny) rosną bardzo powoli, ale pod koniec zakresu osi x uwzględnionego na wykresie wykazują tendencję do spłaszczania się.
Wykresy podkorpusu medycznego i korpusu prawnego wskazują tylko jeden produktywny przyrostek: -álny13. W podkorpusie medycznym zarówno przyrostki -árny, jak i -ózny bardzo szybko się spłaszczają (być może osiągają maksymalną wielkość słownictwa); natomiast -itný i -órny rosną powoli, lecz systematycznie, przekraczają poziom 100 typów i prawdopodobnie spłaszczają się poniżej poziomu 200 typów.
Przyrostek -álny w tekstach prawnych zmierza ku poziomowi 350 typów, podczas gdy w tekstach medycznych osiąga poziom 800 typów (por. skalę osi y). Jednak w korpusie prawnym hierarchia nieco się różni — przyrostek -itný zajmuje trzecie miejsce, wyprzedzając przyrostek -ózny, który wydaje się niemal całkowicie nieproduktywny, gdyż jego krzywa przebiega równolegle do osi x. Ostatni przyrostek -órny wykazuje bardzo powolny wzrost, a następnie tendencję do spłaszczania się.
Chociaż wykres korpusu religijnego wskazuje trzy produktywne przyrostki -álny, -árny i -ózny, warto zauważyć, że w tekstach ekonomicznych produktywne wydają się wszystkie 5 analizowanych przyrostków. Hierarchia przyrostków w obu korpusach pozostaje taka sama.
13 Na tych dwóch wykresach brakuje krzywej interpolacyjnej dla przyrostka -álny. Wynika to z dostosowania i ujednolicenia skali osi x dla wszystkich (pod)korpusów, co uniemożliwiło utworzenie tego typu krzywej.
7 2
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 20
Rys. 1. Krzywe wzrostu słownictwa analizowanych przyrostków w korpusie referencyjnym
Rys. 2. Krzywe wzrostu słownictwa analizowanych przyrostków w podkorpusie tekstów naukowych
Rys. 3. Krzywe wzrostu słownictwa analizowanych przyrostków w korpusie medycznym
Rys. 4. Krzywe wzrostu słownictwa analizowanych przyrostków w korpusie prawnym
W korpusie religijnym obie krzywe przyrostków –itný i –órny wypłaszczają się znacznie poniżej poziomu 100 typów.
Podsumowując powyższe ustalenia dotyczące produktywności analizowanych przyrostków w danych korpusowych, możemy stwierdzić, że najbardziej produktywnym przyrostkiem jest –álny, który zajmuje czołową pozycję we wszystkich (pod)korpusach. Jego produktywność wydaje się najwyższa w podkorpusie tekstów naukowych i akademickich oraz w podkorpusie medycznym, następnie w korpusie referencyjnym (krzywa zmierza do poziomu 700 typów), a dalej w korpusie religijnym
Terminologija | 2021 | 28
73
Page 21
Rys. 5. Krzywe wzrostu słownictwa analizowanych przyrostków w korpusie religijnym
Rys. 6. Krzywe wzrostu słownictwa analizowanych przyrostków w korpusie ekonomicznym
korpusie (krzywa przekracza poziom 600 typów), korpusie ekonomicznym (krzywa zmierza do poziomu 500 typów), a wreszcie korpusie prawnym (w najwyższym punkcie krzywa zbliża się do poziomu 350 typów).
Drugie miejsce zajmuje przyrostek -árny, którego produktywność zaznacza się w 4 z 6 (pod)korpusów. Kształt krzywych sugeruje, że jest on nieproduktywny w tekstach prawnych i medycznych. Najwyższą produktywność tego przyrostka można zaobserwować w podkorpusie tekstów naukowych i akademickich (krzywa przekracza poziom 400 typów), następnie w korpusie referencyjnym (krzywa przekracza poziom 300 typów), natomiast w tekstach religijnych i ekonomicznych krzywa przebiega w pobliżu poziomu 300 typów.
Podobnie przyrostek -ózny wydaje się produktywny w 4 z 6 korpusów. Co ciekawe, zdaje się być nieproduktywny w tych samych (pod)korpusach co przyrostek -árny, czyli w korpusach prawnych i medycznych. Jest najbardziej produktywny w tekstach ekonomicznych, gdzie krzywa przebiega znacznie powyżej poziomu 200 typów, a następnie w korpusie referencyjnym, gdzie krzywa przekracza ten sam poziom; w dwóch pozostałych korpusach krzywa albo sięga tego poziomu, lecz wydaje się tam wypłaszczać (prim-9.0-public-prf), albo dopiero zmierza ku temu poziomowi w korpusie religijnym.
Również przyrostek -itný wydaje się produktywny w 4 z 6 korpusów. Krzywą wypłaszczającą się, wskazującą na nieproduktywność, można zaobserwować na wykresach dla korpusów prawnego i religijnego. Jest on najbardziej produktywny w tekstach ekonomicznych, gdzie krzywa przebiega znacznie powyżej poziomu 100 typów, podczas gdy w trzech pozostałych (pod)korpusach przekracza ten poziom, a następnie przebiega niżej.
74
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 22
Ostatni sufiks w rankingu -órny jest również produktywny w 4 z 6 korpusów. Jego nieproduktywność stwierdzono w korpusach referencyjnym i religijnym. Najwyższą produktywność wykazuje w tekstach medycznych i ekonomicznych, gdzie krzywa przekracza punkt 100 typów; w tekstach akademickich i naukowych krzywa przebiega blisko tego punktu, a w tekstach prawnych ledwie przekracza punkt 25 typów.
Podsumowując, można stwierdzić, że analizowane sufiksy są najbardziej produktywne w tekstach naukowych i akademickich lub w tekstach z określonej dziedziny (ekonomii lub medycyny), co nie dziwi, zważywszy na ich etymologię. Ich produktywność, a raczej jej stopień, znacznie różni się w poszczególnych (pod)korpusach. Być może najciekawszą obserwacją jest nieproduktywność trzech sufiksów w dziedzinie prawa oraz najniższa produktywność dwóch pozostałych sufiksów w tej samej dziedzinie. Może to wskazywać, że teksty prawne nie sprzyjają kreatywności leksykalnej przy tworzeniu nowych przymiotników tego rodzaju.
W porównaniu z częścią 4 różnicę w rankingu sufiksów można częściowo wyjaśnić zjawiskiem dotyczącym stosunku hapaksów do typów, zaobserwowanym przez Václava Cvrčka (2012). Według eksperymentów Cvrčka stosunek ten ma tendencję do zmniejszania się od wartości maksymalnej równej 1 do lokalnego minimum (ibid: 5). Po osiągnięciu tego punktu stosunek ten zaczyna jednak ponownie rosnąć. Cvrček określa to jako „pewnego rodzaju ogólną zasadę ilościową dotyczącą dużych zbiorów tekstów” (ibid: 14). Kształt funkcji stosunku hapaksów do typów wydaje się z grubsza taki sam nawet w językach różniących się typologicznie, jednak wielkość próbki tekstowej zależy od rodzaju języka. Aby osiągnąć minimalny punkt stosunku hapaksów do typów, korpus angielski powinien, zdaniem Cvrčka, zawierać co najmniej 3 miliony tokenów, natomiast korpus czeski (a naszym zdaniem również słowacki, ze względu na typologiczne pokrewieństwo tych języków) aż 58 milionów tokenów. Ponieważ dwa podkorpusy z naszej analizy są mniejsze niż próg wskazany przez Cvrčka, ich stosunek hapaksów do typów znajduje się w opadającej części tej funkcji.
6. WNIOSKI
W kontynuacji naszych badań, skupionych na produktywności wybranych sufiksów w różnych korpusach i dziedzinach, udało nam się odpowiedzieć na oba pytania przedstawione w części 4.
1. Udało nam się wykazać, że lemmy o niskiej frekwencji wyekstrahowane z korpusu obejmują również potencjalne neologizmy i że — choć ich rozkład
Terminologija | 2021 | 28
75
Page 23
może różnić się w danych korpusowych — mogą one zmienić ranking produktywności oparty na formule hapaksów do typów.
2. Zidentyfikowaliśmy i zastosowaliśmy modelowanie statystyczne do oceny produktywności w korpusach — rozkłady LNRE. Po wprowadzeniu danych korpusowych do narzędzia open source otrzymaliśmy wizualny model produktywności, który pozwolił nam stwierdzić, że produktywność analizowanych sufiksów różni się nie tylko przy porównaniu tekstów ogólnych i naukowych, lecz także między poszczególnymi domenami specjalistycznymi. Uważamy, że modelowanie wyraźnie ukazuje rzeczywisty potencjał każdego z analizowanych sufiksów do tworzenia nowych typów w danej domenie.
Wyniki i rankingi przedstawione w częściach 4 i 5 tego artykułu są jednak w dużej mierze nieporównywalne, ponieważ pierwsze opierają się bezpośrednio na surowych danych — liczbie typów i hapaksów lub typów o niskiej frekwencji w danym (pod)korpusie — podczas gdy drugie bazują na oczekiwanych rozkładach częstości dla każdego (pod)korpusu. Krótko mówiąc, pierwsze przedstawiają dane rzeczywiste, a drugie mają na celu oszacowanie produktywności danego elementu w języku jako takim. Dlatego w większych korpusach tekstów medycznych i prawnych należałoby zidentyfikować więcej hapaksów, co mogłoby doprowadzić do innego rankingu sufiksów. Nasze założenia mogłyby ostatecznie zostać zweryfikowane w przyszłych badaniach poprzez analizę obszerniejszych korpusów obejmujących reprezentatywną próbę odpowiednich typów tekstów z określonych dziedzin, ponieważ gatunki tekstów również mogą odgrywać rolę w produktywności morfologicznej danego elementu.
Biorąc pod uwagę, że nawet największy korpus nie obejmowałby wszystkich słów, uważamy, iż rozsądniej jest oceniać produktywność morfologiczną dowolnego elementu za pomocą bardziej zaawansowanych metod niż surowe zliczanie typów lub tokenów.
Podsumowując, można stwierdzić, że jesteśmy w stanie określić dotychczasową produktywność wzorca lub elementu słowotwórczego. Możemy również przedstawić różne szacunki jego przyszłego wykorzystania, czyli potencjalną produktywność w ujęciu Baayena. Ponadto, nawet jeśli uzupełnimy miary statystyczne analizą jakościową, powinniśmy wziąć pod uwagę jeszcze jeden fakt: jak słusznie argumentuje Fernández-Domínguez, probabilistyczne przewidywania dotyczące produktywności morfologicznej należy rozpatrywać w kontekście czynników pozajęzykowych, a w szczególności tych związanych z potrzebami nazewniczymi wspólnoty językowej. „Jeśli nie ma potrzeby nazywania, nie może zaistnieć produktywne słowotwórstwo” (Fernández-Domínguez 2013: 438).
76
Jana Levická
Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited
Page 24
PODZIĘKOWANIA
Artykuł powstał w ramach projektu Słowackiego Korpusu Narodowego, wspieranego przez Słowacką Akademię Nauk, Ministerstwo Edukacji, Nauki, Badań i Sportu Republiki Słowackiej, Ministerstwo Kultury Republiki Słowackiej oraz Instytut Językoznawstwa Ľudovíta Štúra Słowackiej Akademii Nauk.
WYKAZ ŹRÓDEŁ
Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Dostępny pod adresem: https://korpus.sk.
Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Dostępny pod adresem: https://korpus.sk.
Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Dostępny pod adresem: https://korpus.sk.
Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Dostępny pod adresem: https://korpus.sk.
Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Dostępny pod adresem: https://korpus.sk.
Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Dostępny pod adresem: https://korpus.sk.
Slovníkový portál Jazykovedného ústavu Ľ. Štúra SAV https://slovnik.juls.savba.sk/.
Pakiet ZipfR. Dostępny pod adresem: 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
