Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian

Análisis basado en corpus de términos pluriverbales que incluyen la palabra «Risk» en inglés, francés y lituano OKSANA SMIRNOVA Universidad Mykolas Romeris, Lituania SIGITA RACKEVIČIENĖ Universidad Mykolas Romeris, Lituania PALABRAS CLAVE: terminología descriptiva, análisis basado en corpus, términos financieros, extracción de términos, patrones de formación de términos 1. INTRODUCCIÓN Las tecnologías computacionales han abierto nuevas posibilidades para la investigación lingüística: los corpus digitales y los programas de análisis de corpus han facilitado el acceso a las estructuras más profundas de la lengua y a las relaciones entre distintas unidades lingüísticas, así como la revelación de las peculiaridades de su uso en diferentes ámbitos y a lo largo de distintos períodos. Por ello, hoy en día se aplica el análisis de la lengua natural basado en corpus en una amplia variedad de áreas lingüísticas: lexicografía, enseñanza de idiomas, desarrollo de la traducción automática, compilación de bases de datos lingüísticas, etc. La investigación terminológica también se ha basado en gran medida en corpus. Los corpus digitales permiten a los terminólogos trabajar con una gran cantidad de documentos, observar características específicas de una lengua especializada, recopilar información sobre el uso real de los términos y su evolución, detectar términos nuevos que no podrían percibirse o predecirse intuitivamente, así como llevar a cabo análisis contrastivos de datos de varias lenguas. Los programas de análisis de corpus y las herramientas de extracción automática y semiautomática de términos también contribuyen a la normalización terminológica; por ejemplo, el recuento de frecuencias de los sinónimos puede proporcionar datos distribucionales útiles que indiquen cuáles son los términos preferidos estadísticamente (Khurshid, Rogers 1992: 36). Así, los corpus digitales permiten a los terminólogos revisar la información terminográfica sobre los términos en las bases de datos existentes y actualizarlas continuamente. 86 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Según M. Teresa Cabré, M. Amor Montané y Rogelio Nazar, el objetivo de la terminología moderna es elaborar descripciones formales, semánticas y funcionales de las unidades léxicas que tienen valor terminológico, así como explicar su relación con el resto de las unidades del sistema lingüístico. El objeto de la investigación terminológica es «la terminología viva» (la terminología que aparece de manera natural en textos especializados) y el aspecto comunicativo del uso de los términos, que se plasma mejor en un corpus (Cabré, Montané, Nazar 2012). El objetivo, el objeto y los objetivos de la investigación. El objetivo de la investigación es aplicar la metodología de la lingüística de corpus a la extracción y al análisis de la estructura formal de términos financieros pluriverbales que incluyen la palabra «riesgo» como núcleo nominal en inglés, francés y lituano. Para alcanzar este objetivo, se establecieron los siguientes objetivos específicos: 1) analizar los principios de la terminología descriptiva basada en corpus, incluidos los métodos de análisis colocacional y coligacional; 2) compilar corpus de actos jurídicos de la UE del ámbito financiero en tres idiomas (inglés, francés y lituano) y seleccionar el software adecuado para la investigación basada en corpus; 3) extraer de los corpus las palabras más frecuentes en los idiomas investigados y seleccionar la palabra clave (sustantivo) más frecuente para su análisis posterior; 4) realizar un análisis colocacional de la palabra clave seleccionada en el corpus inglés y extraer del material de dicho corpus términos pluriverbales que incluyan la palabra clave seleccionada como núcleo semántico y sintáctico; 5) establecer los equivalentes franceses y lituanos de los términos ingleses seleccionados en el corpus paralelo inglés-francés-lituano; 6) realizar un análisis cuantitativo de la estructura formal de los términos pluriverbales seleccionados y determinar qué patrones de modificación y estructuras sintácticas predominan en los idiomas investigados. Datos y alcance de la investigación. Para llevar a cabo la investigación, se compilaron cuatro corpus de documentos de la UE del ámbito financiero: tres corpus monolingües (inglés, francés y lituano) y un corpus paralelo (EN-FR-LT). Los tamaños de los corpus son los siguientes: EN 802 933 palabras, FR 940 655 palabras, LT 639 279 palabras. En total, 210 términos financie- Terminologija | 2018 | 25 87 Se extrajeron de los corpus términos financieros, incluidos aquellos que contienen la palabra ‘risk’ como sustantivo núcleo: 70 términos en inglés y sus equivalentes en francés y lituano. La elección de la palabra ‘risk’ estuvo determinada por los datos del corpus, que revelaron que esta palabra era la más frecuente en los documentos de la UE seleccionados. 2. PRINCIPIOS TEÓRICOS DE LA INVESTIGACIÓN 2.1. Gestión prescriptiva y descriptiva de la terminología La evolución de las tecnologías computacionales para la investigación del lenguaje natural diferenció claramente la terminología tradicional de la moderna. La actitud de los terminólogos hacia la concepción de un término, las fuentes de términos, la normalización de los términos y otras cuestiones terminológicas ha cambiado considerablemente. Se han distinguido dos orientaciones de investigación y gestión terminológicas: terminología prescriptiva y terminología descriptiva (Zeller 2005; Bielinskienė et al. 2015). Los defensores de la terminología prescriptiva se centran en la normalización terminológica basada en diccionarios terminológicos, bases de datos, listas de terminología aprobada y documentos sobre principios de normalización. En la terminología prescriptiva, la concepción de un término se basa en el lugar que ocupa el concepto que este describe en el sistema conceptual jerárquico del ámbito y en su relación con otros conceptos (Pearson 1998: 10; Marcinkevičienė 2000: 6). Según los principios de la terminología prescriptiva, debe utilizarse un término para describir cada concepto, pues tal correspondencia reduce la probabilidad de ambigüedad, facilita la comunicación y, al mismo tiempo, el desarrollo del sistema conceptual jerárquico de un ámbito. Los terminólogos descriptivos se distancian de la actitud estricta hacia la concepción del término, su univocidad, el desarrollo de un sistema conceptual jerárquico y la normalización. En la terminología descriptiva, a diferencia de la prescriptiva, el contexto desempeña un papel fundamental en el análisis de un término, y este se considera una unidad léxica dependiente de su contexto. Su objetivo no es formar un término conforme a determinados principios, sino registrar su uso, la variedad de sus formas en distintos textos y describir sus particularidades, sentando así las bases para su normalización (Bielinskienė et al. 2015: 10–11). El desarrollo de las tecnologías dio lugar a un enorme flujo de información presentada en diversos tipos de textos y, al mismo tiempo, a un número cada vez mayor de términos utilizados en ellos. En esta realidad en constante cambio, los terminó- 88 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian logos ya no pueden controlar el rápido desarrollo de la terminología, pues los términos cambian más rápido de lo que se procesan. Por lo tanto, la gestión de la terminología requiere un enfoque más flexible, basado en una metodología descriptiva en lugar de prescriptiva. El foco se ha desplazado de la normalización de la terminología al análisis de la terminología en corpus (Bielinskinė et al. 2015: 11). La terminología descriptiva condujo al desarrollo de la Teoría Comunicativa de la Terminología, que pone el foco en la terminología viva utilizada en discursos especializados y destaca el aspecto comunicativo del uso de los términos (Cabré, Montané, Nazar 2012). Según esta teoría, la función principal de los términos es comunicar conocimientos especializados; por ello, se conciben «como un poliedro de tres caras con un componente cognitivo (el concepto), un componente lingüístico (el término) y uno comunicativo (la situación)» (Cabré, Montané, Nazar 2012: 1). Los estudios terminológicos basados en la teoría comunicativa no se interesan únicamente por la terminología establecida mediante normas o recogida en bases de datos oficiales, sino también —y especialmente— por los términos que realmente se utilizan en textos de lenguas de especialidad. Así, la teoría comunicativa «no solo adopta un enfoque in vitro, sino que también se interesa por los términos in vivo» (Cabré, Montané, Nazar 2012: 1–2). La investigación de la terminología viva revela que la noción tradicional de univocidad del término (correspondencia biunívoca entre un concepto y términos concretos en diferentes lenguas) no está bien fundamentada en la lengua real. La variación (sinonimia, ambigüedad, perífrasis, redundancia) caracteriza no solo a las unidades de la lengua general, sino también a la terminología; por consiguiente, los conceptos y los términos deben estudiarse «en su interacción dinámica» (Cabré, Montané, Nazar 2012: 2–3). El énfasis en el uso de los términos ha convertido los corpus en el principal espacio de trabajo del análisis terminológico moderno. Los corpus digitales y los programas de análisis de corpus han dotado a la terminología de abundantes recursos y herramientas que permiten a los terminólogos extraer términos de una gran cantidad de documentos, captar los cambios más recientes en la terminología de un ámbito específico, analizar su evolución y establecer interconexiones conceptuales entre términos del mismo ámbito. Los corpus permiten obtener información fiable, de base estadística y antes totalmente inaccesible sobre el uso de los términos en el lenguaje natural. Por lo tanto, la metodología basada en corpus se ha convertido en la metodología predominante y proporciona un conjunto de herramientas indispensable para la investigación y la gestión terminológicas (Zeller 2005; Cabré, Montané, Nazar 2012; Bielinskinė et al. 2015). Terminologija | 2018 | 25 89 2.2. Principios del análisis basado en corpus: métodos colocacionales y coligacionales La extracción y el análisis terminológicos basados en corpus se llevan a cabo mediante métodos estadísticos y lingüísticos. En la presente investigación se aplican métodos colocacionales y coligacionales. Las colocaciones se refieren a la atracción sintagmática entre unidades léxicas. Según Tomas Lehecka (2015), «el concepto de colocación se basa en la idea de que cada palabra de una lengua prefiere determinados contextos léxicos frente a otros; es decir, que una palabra dada tiende a coaparecer con ciertas palabras con mayor frecuencia que con otras» (Lehecka 2015: 2). El análisis estadístico de los datos del corpus se utiliza para medir el grado de atracción entre palabras; sus resultados permiten determinar qué combinaciones de palabras aparecen juntas con una frecuencia significativamente mayor de la que cabría esperar por azar, teniendo en cuenta la frecuencia total de las palabras en el corpus (Lehecka 2015: 2). De este modo se establecen las colocaciones más significativas de las palabras elegidas en el corpus analizado. Este método se utiliza principalmente para el análisis semántico contextual de las unidades léxicas, ya que permite observar toda la variedad de palabras que coaparecen con las palabras investigadas, establecer los patrones predominantes de coaparición y, por tanto, describir sus significados a partir de su entorno contextual (Atkins, Rundell, Sato 2003: 340–341). El análisis colocacional se ha convertido en una herramienta indispensable para los lexicógrafos y también se aplica ampliamente en lingüística computacional con fines de traducción automática, procesamiento del lenguaje natural y otras áreas (Lehecka 2015). El método colocacional suele utilizarse en combinación con el método coligacional. El concepto de coligación se refiere a la atracción entre una unidad léxica y un patrón gramatical, y se basa en la idea de que las palabras prefieren usarse en determinados patrones gramaticales y evitan otros (Sinclair 1998; Lehecka 2015). El análisis coligacional puede ampliarse para abarcar la relación entre la unidad léxica y la posición de la frase, cláusula, oración, texto o discurso en la que puede utilizarse dicha unidad (Hoey 2005: 49–52). El análisis coligacional se ha empleado ampliamente en combinación con el análisis colocacional para estudiar los significados de los cuasisinónimos, ya que los estudios de lingüística de corpus han revelado que a menudo se usan en distintos contextos léxicos y gramaticales (Lehecka 2015). Las investigaciones de lingüística de corpus 90 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian han demostrado que incluso los distintos sentidos de las palabras polisémicas pueden presentar patrones colocacionales y coligacionales diferentes (Aston, Burnard 1998). Así pues, los análisis colocacionales y coligacionales han demostrado que la semántica y la gramática no deben tratarse como sistemas independientes, sino como sistemas estrechamente interconectados (Lehecka 2015). También debe tenerse en cuenta el aspecto pragmático en los análisis, ya que las preferencias colocacionales y coligacionales de una unidad léxica varían considerablemente entre distintos ámbitos y tipos de textos (Butler 2004: 157; Newman, Rice 2006). 2.3. Aplicación del método colocacional-coligacional en la extracción y el análisis de terminología El método colocacional-coligacional también puede utilizarse para extraer términos pluriverbales; es especialmente apropiado para extraer terminología que incluye palabras clave preseleccionadas, es decir, palabras potencialmente relevantes desde el punto de vista terminológico y características del dominio al que pertenece el corpus. Esta metodología se basa en el supuesto de que los términos complejos están formados por términos simples ya existentes (Nakagawa 2001). Las herramientas de análisis de corpus extraen las palabras que coaparecen con las palabras clave preseleccionadas y permiten establecer las colocaciones predominantes. Una parte de estas colocaciones está constituida por sintagmas nominales que deben seleccionarse de las listas de colocaciones mediante métodos lingüísticos. Los sintagmas nominales seleccionados se utilizan para analizar posteriormente los datos del corpus y extraer términos pluriverbales compuestos por los sintagmas nominales seleccionados y, posiblemente, por colocados adicionales. En la presente investigación, los términos extraídos se analizan más a fondo aplicando los principios del análisis coligacional, con el fin de revelar modelos de estructura formal de la terminología en las lenguas investigadas y contribuir a los estudios multilingües contrastivos de los patrones de formación de términos (cf. Janulevičienė, Rackevičienė 2014; Mockienė 2016). 3. DESARROLLO DE LOS CORPUS Y SELECCIÓN DEL SOFTWARE PARA EL ANÁLISIS Según M. Teresa Cabré, M. Amor Montané y Rogelio Nazar, la finalidad de compilar un corpus de documentos de un ámbito específico es triple. En primer lugar, los terminólogos deben familiarizarse con el tipo de lengua del ámbito; en segundo lugar, se necesita un corpus para extraer terminología y realizar análisis estadísticos de los términos; y Terminologija | 2018 | 25 91 por último, los textos se utilizan para obtener información complementaria sobre los términos, como indicios semánticos, sintácticos o colocacionales (Cabré, Montané, Nazar 2012: 3–4). El corpus compilado debe tener un tamaño y una calidad suficientes para considerarse representativo del ámbito elegido. No existen requisitos precisos en cuanto al tamaño de un corpus; sin embargo, debe contener tantos documentos como sea posible, porque cuanto mayor sea, más fiables serán las conclusiones sobre el uso de la terminología en el ámbito (Cabré, Montané, Nazar 2012: 4). Teniendo en cuenta todos estos aspectos, se compilaron corpus de actos jurídicos de la UE en inglés, francés y lituano. Los actos jurídicos se descargaron del Diario Oficial de la Unión Europea, una fuente en línea de acceso gratuito. Se recopilaron 101 actos jurídicos relativos a cuestiones financieras de la UE y adoptados durante el período 2014–2017. Los documentos se convirtieron a texto sin formato y se alinearon para extraer los términos y analizarlos. Se utilizaron tres programas para compilar y alinear los textos, y extraer de ellos los datos necesarios: AntConc (2014), AntPConc (2017), creados y certificados por Laurence Anthony, y NOVA Text Aligner (2014). AntConc es un conjunto de herramientas multiplataforma gratuito para realizar investigaciones de lingüística de corpus y aprendizaje basado en datos, mientras que AntPConc está destinado a crear corpus paralelos en varias lenguas. Ambos programas permiten al investigador trabajar con grandes cantidades de datos y llevar a cabo un análisis lingüístico multilingüe exhaustivo. Las herramientas que el programa AntConc ofrece a los usuarios son las siguientes: Word list, Collocates, Clusters, Keywords, Concordance, Concordance plot, File view tool. En la presente investigación se aplicaron cuatro herramientas de AntConc: • Wordlist permitió determinar las palabras más frecuentes en los corpus; • Collocates permitió determinar los colocados predominantes de la palabra ‘risk’ y medir el grado de atracción sintagmática que ejercen sobre la palabra ‘risk’; • Clusters permitió revelar los términos pluriverbales predominantes que incluyen la palabra ‘risk’ como núcleo nominal; • Concordances ofreció una amplia variedad de ejemplos que ilustran el uso de los términos en los textos. En la Figura 1 se muestra una captura del programa AntConc. 92 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Figura 1. Programa AntConc Antes de compilar un corpus paralelo, los textos descargados en tres idiomas se alinearon manualmente con ayuda del programa NOVA Text Aligner. Tras alinear los textos, se creó un corpus paralelo utilizando el programa AntPConc (véase la Figura 2). Figura 2. Programa AntPConc Terminologija | 2018 | 25 93 El programa AntPConc permitía mostrar simultáneamente ejemplos de tres idiomas: se podía hacer clic en una oración elegida para ver sus equivalentes en los otros idiomas. El programa también permitía distinguir las palabras clave y sus colocados a la izquierda o a la derecha mediante diferentes colores. Sin embargo, no era posible ver el documento del que se había extraído el ejemplo. Utilizando el corpus paralelo, se extrajeron los equivalentes franceses y lituanos de 70 términos ingleses. 4. ANÁLISIS DEL CORPUS Y EXTRACCIÓN DE TÉRMINOS CON LAS HERRAMIENTAS DE LOS PROGRAMAS AntConc Y AntPConc 4.1. Determinación de las palabras más frecuentes en los corpus Para determinar las palabras más frecuentes en el corpus de documentos financieros, se utilizó la herramienta Lista de palabras del programa AntConc. Esta proporcionó los resultados de frecuencia léxica de los corpus en inglés, francés y lituano, lo que permitió comparar las frecuencias de las palabras en los idiomas estudiados y elaborar una lista trilingüe de las 10 palabras más frecuentes (véase la Tabla 1). Lista de palabras también proporcionó información sobre el número de tokens y tipos de palabras de los corpus y permitió acceder al contexto en el que se utilizaron los términos (véase la Tabla 1). Tabla 1. Las 10 palabras más frecuentes en los corpus EN (corpus: 802 933 tokens de palabras, 9333 tipos de palabras) | FR (corpus: 940 655 tokens de palabras, 12365 tipos de palabras) | LT (corpus: 639 279 tokens de palabras, 24727 tipos de palabras) 1. | risk (3252), risks (592) | risque (2855), risques (997) | rizikos (2549), riziką (1063), rizika (536), rizikai (355), rizikas (4) 2. | credit (3183), credits (18) | credit (3307), credits (222) | kredito (3103), kreditų (52), kreditų (29), kreditą (28), kreditas (8), kreditai (6), kreditais (4), kredítus (3), kreditams (2) 3. | market (1642), markets (424) | marché (1631), marches (484) | rinkos (1355), rinkų (310), rinka (229), rinkoje (226), rinką (76), rinkose (75), rinkai (51), rinkoms (18), rinkas (7), rinkomis (2) 94 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian EN (corpus: 802 933 palabras, 9333 tipos de palabras) FR (corpus: 940 655 palabras, 12365 tipos de palabras) LT (corpus: 639 279 palabras, 24727 tipos de palabras) 4. amount (1545) montant (1672) suma, sumos (684) 5. instruments (1448) instruments (1489) priemones (1542), priemonių (1393), priemones (649) 6. value (1356) valeur (1754) vertės, vertė (599) 7. securities (1275) titres (1229), titrisation (503) vertybinių popierių (1095), vertybinio popieriaus (691) 8. services (1275) services (1778) paslaugų, paslaugas (485) 9. capital (1093) capital (660) kapitalo (1143) 10. funds (1087) fonds (2773) lėšų (877) Los resultados de este análisis revelan que las palabras más frecuentes en los corpus de las tres lenguas investigadas son ‘risk’ y ‘credit’, mientras que la palabra ‘market’ ocupa el tercer lugar en las listas de frecuencia. Las tres palabras, y en particular ‘risk’ y ‘credit’, aparecen con frecuencia juntas en los documentos financieros. Esto podría explicarse por la estrecha relación semántica entre ellas: huelga decir que toda transacción monetaria implica peligro; en otras palabras, ‘credit’ genera ‘risk’. El número gramatical más habitual de estas palabras es el singular, aunque también se utiliza el plural en las lenguas investigadas. En lituano, que es una lengua sintética con un sistema flexivo rico, las palabras se emplean en distintos casos gramaticales, de los cuales predomina el genitivo singular. Los resultados del análisis permiten afirmar que las palabras ‘risk’, ‘credit’ y ‘market’ deben considerarse unidades léxicas que denotan los conceptos fundamentales del ámbito financiero. La palabra ‘risk’, la más frecuente en los corpus, se eligió para la extracción y el análisis posteriores de términos. Dado que el objeto de la investigación son los términos pluriverbales ingleses que incluyen la palabra clave seleccionada (la palabra ‘risk’) y sus equivalentes en francés y lituano, el trabajo posterior de extracción de términos se organizó en las siguientes etapas: establecimiento de las colocaciones dominantes de la palabra ‘risk’ en inglés; extracción de sintagmas nominales con la palabra ‘risk’ como Terminologija | 2018 | 25 95 sustantivo núcleo, selección de los sintagmas con valor terminológico y establecimiento de sus equivalentes franceses y lituanos. 4.2. Establecimiento de los colocados de la palabra ‘risk’ en el corpus inglés En la segunda etapa de la extracción de términos se establecieron las colocaciones dominantes de la palabra ‘risk’ en el corpus inglés. Este objetivo se abordó con la ayuda de la herramienta Collocates de AntConc. Esta herramienta proporcionó los colocados a la izquierda y a la derecha de la palabra clave seleccionada y permitió analizar los patrones no secuenciales de las lenguas. La herramienta proporcionó las frecuencias totales de los colocados, así como sus frecuencias a la izquierda y a la derecha de la palabra ‘risk’. También proporcionó los valores de medidas estadísticas (puntuaciones de información mutua [MI]) que mostraban el grado de atracción sintagmática entre la palabra clave y sus colocados. Los resultados del análisis colocacional se presentan en la Tabla 2, que ofrece datos exhaustivos sobre los colocados con las puntuaciones MI más altas (los 10 primeros). Tabla 2. Los 10 colocados principales de la palabra ‘risk’ en el corpus inglés Frecuencia total | Frec. (I) | Frec. (D) | Puntuación MI 1. dilution | 51 | 37 | 14 | 8.1 2. mitigation | 100 | 9 | 91 | 8.01 3. weights | 65 | 4 | 61 | 7.7 4. systemic | 120 | 119 | 1 | 7.7 5. profile | 87 | 1 | 86 | 7.48 6. low | 68 | 62 | 6 | 7.2 7. assigned | 127 | 95 | 32 | 6.89 8. exposure | 491 | 71 | 420 | 6.4 9. specific | 177 | 148 | 29 | 6.3 10. operational | 129 | 114 | 15 | 5.99 Los resultados revelan el contexto léxico más cercano de la palabra ‘risk’ en inglés y permiten prever el núcleo dominante de dos palabras de los términos pluriverbales que incluyen la palabra ‘risk’ en el corpus investigado. 96 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian 4.3. Extracción de sintagmas nominales que incluyen la palabra «risk» como núcleo nominal en el corpus inglés El análisis posterior del corpus y la extracción de términos se centraron en colocaciones de una estructura formal determinada: sintagmas nominales que incluían la palabra «risk» como núcleo nominal. Se extrajeron del corpus inglés mediante las herramientas Clusters y Concordance. La herramienta Clusters permitía buscar los grupos (combinaciones de palabras) que incluían la palabra «risk» junto con sus colocados a la izquierda y a la derecha. Permitía seleccionar la longitud mínima y máxima de los grupos (número de palabras), así como su frecuencia mínima para mostrarlos. Los grupos ordenados podían mostrarse según su frecuencia o según el número de archivos de los corpus en los que aparecían. Para extraer sintagmas nominales que incluyeran la palabra «risk» como núcleo nominal, se establecieron los siguientes parámetros: tamaño del grupo de 2 a 5 y ordenación por frecuencia. También había que seleccionar la posición de la palabra clave: primero se ordenaron los grupos con la palabra clave a la derecha y, en segundo lugar, los que la tenían a la izquierda. Con el parámetro «buscar la palabra clave a la derecha», la herramienta mostró 4814 tokens de grupos y 181 tipos de grupos; con el parámetro «buscar la palabra clave a la izquierda», mostró 4284 tokens de grupos y 137 tipos de grupos. De las listas de grupos mostradas, se extrajeron manualmente los sintagmas nominales que incluían la palabra «risk» como núcleo nominal. Su contexto más amplio se analizó mediante la herramienta Concordance, que permitió determinar los límites de los sintagmas nominales y aquellos que incluían tanto los colocados a la izquierda como a la derecha de la palabra «risk». La Tabla 3 presenta los sintagmas nominales más frecuentes. Tabla 3. 20 sintagmas nominales principales que incluyen la palabra «risk» como núcleo nominal Sintagmas nominales («risk» a la derecha) Frecuencia Sintagmas nominales («risk» a la izquierda) Frecuencia 1. riesgo de crédito 471 1. riesgo de apalancamiento excesivo 18 2. riesgo sistémico 113 2. riesgo de instrumento de deuda 12 3. riesgo operacional 102 3. riesgo de pérdida 12 4. riesgo de liquidez 97 4. riesgo de retención de capacidad 10 Terminologija | 2018 | 25 97 Frases nominales («risk» a la derecha) | Frec. | Frases nominales («risk» a la izquierda) | Frec. 5. riesgo específico | 86 | 5. riesgo para terceros | 8 6. riesgo de mercado | 76 | 6. riesgo de los créditos adquiridos | 7 7. riesgo de crédito de contraparte | 41 | 7. riesgo de variación de precios | 7 8. riesgo de dilución | 33 | 8. riesgo de interrupción | 6 9. riesgo de tipo de interés | 32 | 9. riesgo para la estabilidad financiera | 2 10. riesgo empresarial | 26 | 10. riesgo de un prestatario | 2 Los resultados revelan que las frases nominales que incluyen la palabra «risk» en la posición más a la derecha son mucho más frecuentes que las frases nominales que incluyen la palabra «risk» en la posición más a la izquierda. En el corpus se encontraron solo algunos ejemplos de frases nominales que incluyen tanto colocados a la izquierda como a la derecha de la palabra «risk»: riesgo de crédito de las operaciones recompradas, riesgo de crédito de la posición de titulización, riesgo de crédito para terceros. Para la investigación posterior se elaboró una lista de las 70 principales frases nominales inglesas que incluyen la palabra «risk» como núcleo nominal. En la lista se incluyeron únicamente las frases nominales con valor terminológico (que denotaban conceptos abstractos del ámbito financiero). En el análisis posterior se denominan términos multiverbales. 4.4. Establecimiento de equivalentes franceses y lituanos de los términos ingleses seleccionados En la etapa final de extracción de términos se establecieron los equivalentes franceses y lituanos de los términos ingleses seleccionados. Para ello se utilizó el programa AntPConc, desarrollado para el análisis de corpus paralelos. Se cargaron en el programa los corpus de las tres lenguas estudiadas. Al buscar los términos ingleses seleccionados en el corpus inglés, el programa mostró las cadenas paralelas de los textos franceses y lituanos, lo que permitió seleccionar manualmente los equivalentes necesarios. En total, se establecieron 70 equivalentes franceses y 70 lituanos de los términos ingleses seleccionados. La Tabla 4 presenta los 10 principales términos ingleses y sus equivalentes franceses y lituanos. Los resultados de este análisis revelaron las diferencias formales entre los términos de las lenguas estudiadas, que se examinan y comentan a continuación. 98 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tabla 4. TOP 10 términos en inglés y sus equivalentes en francés y lituano EN FR LT riesgo de crédito risque de crédit riesgo de crédito riesgo sistémico risque systémique riesgo sistémico riesgo operacional risque opérationnel riesgo operacional riesgo de liquidez risque de liquidité riesgo de liquidez riesgo específico risque spécifique riesgo específico riesgo de mercado risque de marché riesgo de mercado riesgo de crédito de contraparte risque de crédit de contrepartie riesgo de crédito de contraparte riesgo de dilución risque de dilution riesgo de cuentas por cobrar riesgo de tipo de interés risque de taux d’intérêt riesgo de tipo de interés riesgo empresarial risque économique riesgo empresarial 5. ANÁLISIS DE LA ESTRUCTURA FORMAL DE LOS TÉRMINOS EXTRAÍDOS Los términos extraídos se analizaron más a fondo utilizando los principios del análisis coligacional, con el fin de revelar los modelos de estructura formal de la terminología en diferentes lenguas. Los constituyentes de los términos pertenecen a dos categorías principales: el sustantivo núcleo «riesgo» y sus modificadores. Según la posición de los modificadores, se establecieron dos patrones de modificación: la modificación prenominal (en la que los modificadores aparecen antes del sustantivo núcleo) y la modificación posnominal (en la que aparecen después del sustantivo núcleo). En la lista TOP 70 de términos seleccionados para el análisis estadístico no se incluyó ningún término que tuviera tanto modificadores prenominales como posnominales. El análisis se centró en los siguientes aspectos de la formación de los términos: el número de constituyentes, los patrones de modificación y las estructuras sintácticas (posición y clases de palabras de los modificadores). Las tablas 5 y 6 presentan los resultados resumidos del análisis. Los resultados presentados en las tablas revelan que los términos presentan distintos patrones de modificación en las lenguas investigadas. El análisis cuantitativo Terminologija | 2018 | 25 99 de la modificación se llevó a cabo para identificar los patrones de modificación dominantes en las lenguas investigadas; sus resultados se presentan en el Diagrama 1. Tabla 5. Estructuras sintácticas de los patrones de modificación prenominal de los términos Estructuras sintácticas EN FR LT N + «riesgo» 19 términos, por ejemplo: riesgo de crédito, riesgo de concentración, riesgo de liquidez, riesgo empresarial. – 18 términos, por ejemplo: riesgo del prestatario, riesgo de las transacciones, riesgo de custodia. A + «riesgo» 18 términos, por ejemplo: riesgo empresarial, riesgo interno, riesgo potencial. – 17 términos, por ejemplo: riesgo sistémico, riesgo operacional, riesgo de inversión N + N + ‘riesgo’ 3 términos: riesgo de crédito y de liquidez, riesgo de tipo de interés, riesgo de crédito de contraparte – 9 términos, p. ej.: riesgo de crédito diurno, riesgo de tipo de interés, riesgo de contraparte A + N + ‘riesgo’ 12 términos, p. ej.: riesgo de crédito significativo, riesgo de crédito específico, riesgo de cambio. – 9 términos, p. ej.: riesgo de crédito reducido, riesgo de crédito específico, riesgo de cuentas por cobrar A/Num + N + + N + ‘riesgo’ 1 término: riesgo crediticio y de mercado mínimo – 12 términos, p. ej.: riesgo mínimo de crédito y de mercado, riesgo de liquidez a un día, riesgo de crédito a un día A + A + N + + ‘riesgo’ 4 términos, p. ej.: riesgo de crédito específico y general, riesgo de crédito intradía y a un día, riesgo de liquidez intradía y a un día – 5 términos, p. ej.: riesgo de decisiones erróneas específicas, riesgo de cuentas por cobrar adquiridas, riesgo de crédito general y específico 100 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tabla 6. Estructuras sintácticas de los patrones de modificación posnominal de los términos Estructuras sintácticas EN FR LT ‘riesgo’ + sintagma preposicional 13 términos, por ejemplo: riesgo de la institución, riesgo para el sistema financiero, riesgo de pérdida 22 términos, por ejemplo: riesgo de crédito, riesgo de concentración, riesgo de modelo – ‘riesgo’ + adjetivo – 20 términos, por ejemplo: riesgo intradiario, riesgo interno, riesgo específico – ‘riesgo’ + adjetivo + sintagma preposicional – 4 términos, por ejemplo: riesgo específico de correlación, riesgo significativo de correlación, riesgo general de correlación – ‘riesgo’ + sintagma preposicional + adjetivo – 15 términos, por ejemplo: riesgo de crédito específico, riesgo de crédito diario, riesgo sobre materias primas – ‘riesgo’ + sintagma preposicional + adjetivo + + sintagma preposicional – 9 términos, por ejemplo: riesgo de crédito intradiario a 24 h, riesgo de liquidez intradiario a 24 h – Diagrama 1. Patrones de modificación de los términos Terminologija | 2018 | 25 1 0 1 Los resultados muestran que la modificación prenominal predomina en inglés y lituano, mientras que la modificación posnominal es característica del francés. No se encontraron en francés términos con un patrón de modificación prenominal, ni en lituano términos con patrones de modificación posnominal. Solo los términos ingleses presentaban ambos tipos, aunque el número de términos con modificadores posnominales es bastante reducido. Todos los términos investigados incluyen uno o varios modificadores, que son sustantivos, adjetivos o sintagmas preposicionales, y ocupan distintas posiciones en las unidades terminológicas. Los resultados del análisis revelan que los modificadores predominantes de los términos ingleses y lituanos son los sustantivos y los adjetivos, mientras que en los términos franceses la palabra ‘risk’ suele modificarse mediante sintagmas preposicionales. Los términos que incluyen 3 o más palabras pueden clasificarse además según sus niveles de modificación (términos que incluyen modificadores que modifican el sustantivo núcleo y términos que incluyen modificadores que modifican otros modificadores), pero, debido a las limitaciones de espacio, este análisis no se presenta en este artículo. Los resultados resumidos en las tablas también revelan que los términos difieren en el número de sus constituyentes. Se realizó un análisis cuantitativo de la longitud de los términos para establecer el número predominante de constituyentes terminológicos en las lenguas investigadas; sus resultados se presentan en el Diagrama 2. El diagrama revela dos tendencias principales. En primer lugar, los creadores de términos de la UE respetan el requisito fundamental de la economía lingüística (la brevedad de los términos): los términos de dos palabras predominan en las tres lenguas. En segundo lugar, solo unos pocos términos ingleses y franceses tienen más de 2–3 palabras, mientras que en Diagrama 2. Número de constituyentes terminológicos 102 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Los términos lituanos que incluyen 4 o más palabras constituyen una parte significativa de los datos seleccionados (17 de 70). La tendencia al predominio de los términos de dos palabras coincide con las tendencias establecidas por otros investigadores de terminología. La investigación de Agnė Bielinskienė et al. sobre la extracción automática y la definición de la terminología de la educación y la ciencia reveló que la mayoría de los términos lituanos de este ámbito son términos de dos palabras: constituían más de dos tercios de los términos seleccionados entre los candidatos terminológicos extraídos automáticamente de un corpus especializado (Bielinskienė et al. 2015: 62). La investigación contrastiva de Liudmila Mockienė sobre la terminología del derecho constitucional reveló la misma tendencia en tres lenguas diferentes. En los textos jurídicos de carácter constitucional investigados en inglés, ruso y lituano, la mayoría de los términos pluriverbales extraídos constaba de dos constituyentes: representaban el 78.5% de los términos pluriverbales ingleses, el 62% de los términos pluriverbales rusos y el 74.5% de los términos pluriverbales lituanos (Mockienė 2016: 43–45). Así pues, los creadores de términos de distintos ámbitos y lenguas tienden a adherirse al mismo principio de economía lingüística y facilidad de uso. 6. C O N C L U S I O N E S Los programas AntCont, utilizado para el análisis de corpus monolingües, y AntPConc, utilizado para el análisis de corpus paralelos, permitieron extraer términos pluriverbales ingleses, franceses y lituanos que incluían la palabra ‘risk’ como sustantivo núcleo, a partir de los corpus especializados de documentos de la UE del ámbito financiero compilados para los fines de la investigación. La extracción se llevó a cabo en las siguientes etapas: • extraer las palabras clave de los corpus inglés, francés y lituano (las palabras de posible relevancia terminológica características del ámbito representado por los corpus) y elegir la palabra clave más frecuente (la palabra ‘risk’) para su análisis posterior; • extraer las colocaciones de la palabra ‘risk’ y los sintagmas nominales que incluyen la palabra ‘risk’ como sustantivo núcleo, con colocados a la izquierda o a la derecha, o en ambas posiciones, en el corpus inglés; • seleccionar unidades léxicas con valor terminológico de la lista de sintagmas nominales extraídos; • establecer equivalentes franceses y lituanos de los términos ingleses seleccionados en el corpus paralelo inglés-francés-lituano. Terminologija | 2018 | 25 1 0 3 La metodología aplicada demostró ser adecuada para la extracción multilingüe eficaz de terminología, que puede utilizarse para desarrollar o actualizar bases de datos terminológicas o para el análisis científico de términos. El análisis de la estructura formal de los términos extraídos reveló algunas tendencias importantes en la formación de términos en las lenguas investigadas: • la modificación prenominal predomina en inglés y lituano, mientras que la modificación posnominal es característica del francés; • los modificadores predominantes de los términos en inglés y lituano son sustantivos y adjetivos, mientras que en los términos franceses la palabra ‘riesgo’ suele modificarse mediante sintagmas preposicionales; • el tipo de término predominante según el número de constituyentes es el de dos palabras: estos términos constituyen el grupo más numeroso de las listas TOP 70 en inglés, francés y lituano; esto demuestra que los creadores de términos de la UE respetan el principio fundamental de economía lingüística (brevedad de los términos); • solo unos pocos términos ingleses y franceses tienen más de 2–3 palabras, mientras que en la lista TOP 70 lituana los términos de 4 palabras o más constituyen una parte significativa de los datos seleccionados (17 de 70). Los resultados del análisis de la estructura formal revelan tendencias de formación de términos en las lenguas investigadas y aportan información terminológica que podría ser útil para los creadores de términos y los traductores. Los patrones sintácticos establecidos en la investigación pueden utilizarse para desarrollar métodos lingüísticos automáticos de extracción de términos sin palabras clave preseleccionadas. REFERENCES Aston G., Burnard L. 1998: The BNC Handbook. Exploring the British National Corpus with SARA, Edinburgh: Edinburgh University Press. Atkins S., Rundell M., Sato H. 2003: The contribution of FrameNet to practical lexicography. – International Journal of Lexicography 16(3), 333–357. Bielinskienė A., Boizou L, Grigonytė G., Kovalevskaitė J., Rimkutė E., Utka A. 2015: Lietuvių kalbos terminų automatinis atpažinimas ir apibrėžimas. Monografija, Kaunas: Vytauto Didžiojo universitetas. Butler C. S. 2004: Corpus studies and functional linguistic theories. – Functions of Language 11(2), 147–186. Cabré M. T., Montané M. A., Nazar R. 2012: Corpus-based Terminology Processing. TKE 2012 Tutorial. Available at http://terminus.iula.upf.edu/tke2012/. Hoey M. 2005: Lexical Priming: A New Theory of Words and Language, London: Routledge. Janulevičienė V., Rackevičienė S. 2014: Formation of criminal law terms in English, Lithuanian and Norwegian. – LSP journal – Language for special purposes, professional communication, knowledge management and cognition 15(1), 4–20. 104 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Lehecka T. 2015: Collocation and colligation. – Handbook of Pragmatics Online. J.-O. Östman, & J. Verschuren (Eds.), Amsterdam: John Benjamins Publishing Company, 1–23. Khurshid A., Rogers M. 1992: Terminology management: a corpus-based approach. – Translating and the Computer 14, 33–44. Marcinkevičienė R. 2000: Terminografija ir tekstynas. – Terminologija 6, 5–23. Mockienė L. 2016: Formation of terminology of constitutional law in English, Lithuanian and Russian. Doctoral Thesis, Vilnius: Mykolas Romeris University. Nakagawa H. 2001: Experimental evaluation of ranking and selection methods in term extraction. – Recent Advances in Computational Terminology. D. Bourigault, Ch. Jacquemin and M.-C. L’Homme (Eds.), Amsterdam/Philadelphia: John Benjamins Publishing Company, 303–325. Newman J., Rice S. 2006: Transitivity schemas of English EAT and DRINK in the BNC. – Corpora in Cognitive Linguistics: Corpus-Based Approaches to Syntax and Lexis. S.T. Gries and A. Stefanowitsch (Eds.), Berlin/New York: Mouton de Gruyter, 225–260. Pearson J. 1998: Terms in Context, Amsterdam/Philadelphia: John Benjamins Publishing Company. Sinclair J. 1998: The lexical item. – Contrastive Lexical Semantics. E. Weigand (Ed.), Amsterdam: John Benjamins Publishing Company, 1–24. Zeller I. 2005: Automatinis terminų atpažinimas ir apdorojimas. Daktaro disertacija, Kaunas: Vytauto Didžiojo universitetas, Vilnius: Lietuvių kalbos institutas. SOURCES Official Journal of European Union: https://eur-lex.europa.eu/oj/direct-access.html COMPUTER SOFTWARE USED FOR THE ANALYSIS Anthony L. 2014: AntConc (Version 3.4.4w) [Computer Software]. Tokyo, Japan: Waseda University. Available at http://www.antlab.sci.waseda.ac.jp Anthony L. 2017: AntPConc (Version 1.2.0) [Computer Software]. Tokyo, Japan: Waseda University. Available at http://www.antlab.sci.waseda.ac.jp Supernova-soft. NOVA Text Aligner. Available at https://nova-text-aligner.soft112.com/. ANGLŲ, PRANCŪZŲ IR LIETUVIŲ KALBŲ DAUGIAŽODŽIŲ TERMINŲ SU ŽODŽIU RIZIKA ANALIZĖ TEKSTYNŲ LINGVISTIKOS METODAIS Straipsnyje pristatomi deskriptyviosios terminologijos tyrimo principai bei empirinis daugiažodžių terminų su žodžiu rizika tyrimas, kurio tikslas – taikant tekstynų lingvistikos metodus, surinkti terminus iš ES finansų srities dokumentų tekstynų ir atlikti jų formaliosios sandaros analizę. Tyrimo tikslams buvo sukaupti keturi tekstynai: finansų srities dokumentų anglų kalba (802 933 žodžiai), prancūzų kalba (940 655 žodžiai) ir lietuvių kalba (639 279 žodžiai) bei lygiagretusis anglų–prancūzų–lietuvių kalbų tekstynas. Iš tekstynų surinkta 210 terminų, kuriuose žodis rizika eina pagrindiniu dėmeniu: 70 angliškų terminų ir po tiek pat jų atitikmenų prancūzų ir lietuvių kalbomis. Žodžio rizika pasirinkimą lėmė tai, kad šis žodis buvo dažniausias visų trijų kalbų tekstynuose. Terminų atpažinimui ir surinkimui buvo naudojamos dvi kompiuterinės programos – AntConc ir AntPConc. Dirbta tokiais etapais: • dažniausių žodžių, galinčių būti terminų branduoliu, angliškame, prancūziškame ir lietuviškame tekstynuose nustatymas ir vieno iš jų (žodžio rizika) atrinkimas tolesnei analizei; Terminologija | 2018 | 25 105 • žodžio rizika kolokacijų ir daiktavardinių junginių su pagrindiniu dėmeniu rizika ir jo kairiaisiais bei dešiniaisiais kolokatais nustatymas angliškame tekstyne; • daiktavardinių junginių, laikytinų daugiažodžiais terminais, atrinkimas; • atrinktų angliškų terminų prancūziškų ir lietuviškų atitikmenų nustatymas. Pritaikyta metodologija leido rezultatyviai surinkti daugiažodžius terminus iš daugiakalbių tekstynų. Tai duoda pagrindą teigti, kad ji gali būti taikoma terminų kaupimui bei tyrimams. Surinktų terminų formaliosios sandaros analizė atskleidė keletą svarbių terminų darybos tendencijų tiriamose kalbose: • vyraujantis terminų tipas pagal dėmenų skaičių visose trijose tiriamose kalbose yra dvižodžiai terminai; tai rodo, kad ES terminų kūrėjai laikosi kalbos ekonomijos principo ir stengiasi kurti kuo trumpesnius daugiažodžius terminus; • tik keletas angliškų ir prancūziškų terminų turi daugiau kaip 2–3 dėmenis; tuo tarpu lietuviški terminai, susidedantys iš 4 ir daugiau dėmenų, sudaro beveik ketvirtadalį surinktų terminų; • anglų ir lietuvių kalbų terminų darybos modeliuose vyrauja prepozicinė ir postpozicinė modifikacija, o prancūzų kalbos – postpozicinė modifikacija; • daugumos anglų ir lietuvių kalbų terminų priklausomieji dėmenys yra daiktavardžiai ir būdvardžiai, o prancūzų kalboje – prielinksninės konstrukcijos. Formaliosios sandaros analizės rezultatai suteikia informacijos, kuri gali būti naudinga terminų kūrėjams ir vertėjams. Tyrimo metu nustatyti sintaksinių struktūrų modeliai gali būti taikomi, kuriant kompiuterinius lingvistinius metodus automatiniam terminų atpažinimui be iš anksto pasirinktų raktažodžių. Gauta 2018-05-21 Oksana Smirnova Mykolo Romerio universitetas Ateities g. 20, LT-08303 Vilnius E. paštas [email protected] Sigita Rackevičienė Mykolo Romerio universitetas Ateities g. 20, LT-08303 Vilnius E. paštas [email protected] 106 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian