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

Analyse fondée sur des corpus des termes polylexicaux comprenant le mot « Risk » en anglais, en français et en lituanien OKSANA SMIRNOVA Université Mykolas Romeris, Lituanie SIGITA RACKEVIČIENĖ Université Mykolas Romeris, Lituanie MOTS-CLÉS: terminologie descriptive, analyse fondée sur des corpus, termes financiers, extraction de termes, modèles de formation des termes 1. INTRODUCTION Les technologies informatiques ont ouvert de nouvelles perspectives à la recherche linguistique: les corpus numériques et les logiciels d’analyse de corpus ont facilité l’accès aux structures les plus profondes de la langue et aux relations entre différentes unités linguistiques, ainsi que la mise au jour des particularités de leur usage dans différents domaines et à différentes époques. Ainsi, l’analyse des langues naturelles fondée sur des corpus est aujourd’hui appliquée dans un vaste éventail de domaines linguistiques: lexicographie, enseignement des langues, développement de la traduction automatique, compilation de bases de données linguistiques, etc. La recherche terminologique est elle aussi devenue, dans une large mesure, fondée sur les corpus. Les corpus numériques permettent aux terminologues de travailler sur un grand nombre de documents, d’observer les caractéristiques particulières d’une langue spécialisée, de recueillir des informations sur l’usage réel des termes et leur évolution, de repérer de nouveaux termes qui n’auraient pu être pressentis ou prédits intuitivement, ainsi que de réaliser des analyses contrastives de données issues de plusieurs langues. Les logiciels d’analyse de corpus et les outils d’extraction automatique et semi-automatique des termes contribuent également à la normalisation terminologique; par exemple, le décompte de la fréquence des synonymes peut fournir des données distributionnelles utiles indiquant les termes statistiquement privilégiés (Khurshid, Rogers 1992: 36). Ainsi, les corpus numériques permettent aux terminologues de réviser les informations terminographiques sur les termes figurant dans les bases de données existantes et de les mettre à jour en permanence. 86 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Selon M. Teresa Cabré, M. Amor Montané et Rogelio Nazar, l’objectif de la terminologie moderne est de produire des descriptions formelles, sémantiques et fonctionnelles des unités lexicales ayant une valeur terminologique, ainsi que d’expliquer leur relation avec les autres unités du système linguistique. L’objet de la recherche en terminologie est « la terminologie vivante » (la terminologie qui apparaît naturellement dans les textes spécialisés) et l’aspect communicatif de l’utilisation des termes, qui se manifeste le mieux dans un corpus (Cabré, Montané, Nazar 2012). L’objectif, l’objet et les objectifs de la recherche. L’objectif de la recherche est d’appliquer la méthodologie de la linguistique de corpus à l’extraction et à l’analyse de la structure formelle des termes financiers polylexicaux comprenant le mot « risque » comme substantif tête en anglais, en français et en lituanien. Afin d’atteindre cet objectif, les objectifs suivants ont été fixés: 1) analyser les principes de la terminologie descriptive fondée sur les corpus, notamment les méthodes d’analyse collocationnelle et colligationnelle; 2) constituer des corpus d’actes juridiques de l’UE dans le domaine financier en trois langues (anglais, français et lituanien) et sélectionner les logiciels adaptés à la recherche fondée sur les corpus; 3) extraire les mots les plus fréquents des corpus dans les langues étudiées et sélectionner le mot-clé (substantif) le plus fréquent en vue de l’analyse ultérieure; 4) effectuer une analyse collocationnelle du mot-clé sélectionné dans le corpus anglais et extraire, à partir de ce corpus, les termes polylexicaux comprenant ce mot-clé comme tête sémantique et syntaxique des termes; 5) établir les équivalents français et lituaniens des termes anglais sélectionnés dans le corpus parallèle anglais-français-lituanien; 6) effectuer une analyse quantitative de la structure formelle des termes polylexicaux sélectionnés et déterminer les modèles de modification et les structures syntaxiques prédominants dans les langues étudiées. Données et champ de la recherche. Aux fins de la recherche, quatre corpus de documents de l’UE du domaine financier ont été constitués: trois corpus monolingues (anglais, français et lituanien) et un corpus parallèle (EN-FR-LT). Les tailles des corpus sont les suivantes: EN 802 933 mots, FR 940 655 mots, LT 639 279 mots. Au total, 210 termes finan- Terminologija | 2018 | 25 87 Les termes financiers contenant le mot ‘risk’ comme nom tête ont été extraits des corpus: 70 termes anglais et leurs équivalents en français et en lituanien. Le choix du mot ‘risk’ a été déterminé par les données des corpus, qui ont révélé que ce mot était le plus fréquent dans les documents de l’UE sélectionnés. 2. PRINCIPES THÉORIQUES DE LA RECHERCHE 2.1. Gestion prescriptive et descriptive de la terminologie L’évolution des technologies informatiques appliquées à la recherche sur les langues naturelles a clairement distingué la terminologie traditionnelle de la terminologie moderne. L’attitude des terminologues à l’égard de la conception du terme, des sources terminologiques, de la normalisation des termes et d’autres questions terminologiques a considérablement évolué. Deux orientations de la recherche et de la gestion terminologiques ont été distinguées: la terminologie prescriptive et la terminologie descriptive (Zeller 2005; Bielinskienė et al. 2015). Les partisans de la terminologie prescriptive se concentrent sur la normalisation terminologique fondée sur les dictionnaires terminologiques, les bases de données, les listes de termes approuvés et les documents relatifs aux principes de normalisation. Dans la terminologie prescriptive, la conception d’un terme repose sur la place du concept qu’il décrit dans le système hiérarchique conceptuel du domaine et sur ses relations avec les autres concepts (Pearson 1998: 10; Marcinkevičienė 2000: 6). Selon les principes de la terminologie prescriptive, un seul terme doit être employé pour décrire un concept; une telle correspondance réduit le risque d’ambiguïté, facilite la communication et, simultanément, le développement du système hiérarchique conceptuel d’un domaine. Les terminologues descriptifs prennent leurs distances par rapport à une attitude stricte à l’égard de la conception du terme, de son univocité, de l’élaboration d’un système hiérarchique conceptuel et de la normalisation. Dans la terminologie descriptive, contrairement à la terminologie prescriptive, le contexte joue un rôle essentiel dans l’analyse d’un terme, lequel est considéré comme une unité lexicale dépendant de son contexte. Leur objectif n’est pas de former un terme selon certains principes, mais d’en consigner l’usage, la diversité des formes dans différents textes et d’en décrire les particularités, créant ainsi une base pour sa normalisation (Bielinskienė et al. 2015: 10–11). Le développement des technologies a entraîné un afflux considérable d’informations présentées dans divers types de textes et, simultanément, une augmentation constante du nombre de termes qui y sont employés. Dans cette réalité en perpétuelle évolution, les terminolo- 88 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian gues ne sont plus en mesure de contrôler l’évolution rapide de la terminologie, car les termes changent plus vite qu’ils ne sont traités. Par conséquent, la gestion de la terminologie requiert une approche plus souple, fondée sur une méthodologie descriptive plutôt que prescriptive. L’accent s’est déplacé de la normalisation de la terminologie vers l’analyse de la terminologie dans les corpus (Bielinskinė et al. 2015: 11). La terminologie descriptive a conduit à l’élaboration de la Théorie communicative de la terminologie, qui met l’accent sur la terminologie vivante employée dans les discours spécialisés et souligne l’aspect communicatif de l’utilisation des termes (Cabré, Montané, Nazar 2012). Selon cette théorie, le rôle principal des termes est de communiquer le savoir expert; ils sont donc conçus « comme un polyèdre à trois faces comportant une composante cognitive (le concept), une composante linguistique (le terme) et une composante communicative (la situation) » (Cabré, Montané, Nazar 2012: 1). Les études terminologiques fondées sur la théorie communicative ne s’intéressent pas uniquement à la terminologie normalisée ou figurant dans les bases de données officielles, mais aussi — et tout particulièrement — aux termes effectivement employés dans les textes de langue de spécialité. Ainsi, la théorie communicative « n’adopte pas seulement une approche in vitro, mais s’intéresse également aux termes in vivo » (Cabré, Montané, Nazar 2012: 1–2). L’étude de la terminologie vivante révèle que la notion traditionnelle d’univocité du terme (correspondance biunivoque entre un concept et des termes particuliers dans différentes langues) n’est pas fondée dans la langue réelle. La variation (synonymie, ambiguïté, périphrases, redondance) caractérise non seulement les unités de la langue générale, mais aussi la terminologie; les concepts et les termes doivent donc être étudiés « dans leur interaction dynamique » (Cabré, Montané, Nazar 2012: 2–3). L’intérêt porté à l’usage des termes a fait des corpus le principal espace de travail de l’analyse terminologique moderne. Les corpus numériques et les logiciels d’analyse de corpus ont enrichi la terminologie de ressources et d’outils qui permettent aux terminologues d’extraire des termes d’un grand nombre de documents, de saisir les évolutions les plus récentes de la terminologie d’un domaine spécifique, d’en analyser l’évolution et d’établir les liens conceptuels entre les termes d’un même domaine. Les corpus permettent d’obtenir des informations fiables, fondées sur des données statistiques et auparavant totalement indisponibles, sur l’usage des termes en langue naturelle. Par conséquent, la méthodologie fondée sur les corpus est devenue la méthodologie dominante, offrant une boîte à outils indispensable à la recherche et à la gestion terminologiques (Zeller 2005; Cabré, Montané, Nazar 2012; Bielinskinė et al. 2015). Terminologija | 2018 | 25 89 2.2. Principes d’analyse guidée par corpus: méthodes collocationnelles et colligationnelles L’extraction et l’analyse terminologiques guidées par corpus s’effectuent à l’aide de méthodes statistiques et linguistiques. Dans la présente recherche, des méthodes collocationnelles et colligationnelles sont appliquées. Les collocations désignent l’attraction syntagmatique entre unités lexicales. Selon Tomas Lehecka (2015), « le concept de collocation repose sur l’idée que chaque mot d’une langue privilégie certains contextes lexicaux plutôt que d’autres, c’est-à-dire que tout mot donné tend à coapparaître avec certains mots plus souvent qu’avec d’autres » (Lehecka 2015: 2). L’analyse statistique des données de corpus sert à mesurer le degré d’attraction entre les mots; ses résultats permettent de déterminer quelles combinaisons de mots apparaissent ensemble de manière significativement plus fréquente que ne le laisserait prévoir le hasard, compte tenu de la fréquence totale des mots dans le corpus (Lehecka 2015: 2). On établit ainsi les collocations les plus significatives des mots choisis dans le corpus analysé. Cette méthode est principalement utilisée pour l’analyse sémantique contextuelle des unités lexicales, car elle permet d’observer toute la variété des mots qui coapparaissent avec les mots étudiés, d’établir les schémas de cooccurrence prédominants et, ainsi, de décrire leur sens à partir de leur environnement contextuel (Atkins, Rundell, Sato 2003: 340–341). L’analyse collocationnelle est devenue un outil indispensable pour les lexicographes; elle est également largement utilisée en linguistique informatique à des fins de traduction automatique, de traitement automatique du langage naturel et dans d’autres domaines (Lehecka 2015). La méthode collocationnelle est souvent utilisée en combinaison avec la méthode colligationnelle. Le concept de colligation désigne l’attraction entre une unité lexicale et un schéma grammatical et repose sur l’idée que les mots privilégient certains schémas grammaticaux et en évitent d’autres (Sinclair 1998; Lehecka 2015). L’analyse colligationnelle peut être élargie et englober la relation entre l’unité lexicale et la position, dans une syntagme, une proposition, une phrase, un texte ou un discours, où cette unité lexicale peut être utilisée (Hoey 2005: 49–52). L’analyse colligationnelle a été largement employée en combinaison avec l’analyse collocationnelle pour étudier le sens des quasi-synonymes, car les études de linguistique de corpus ont révélé qu’ils sont souvent utilisés dans des contextes lexicaux et grammaticaux différents (Lehecka 2015). Les recherches en linguistique de corpus 90 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian ont montré que même les différents sens des mots polysémiques peuvent présenter des schémas collocationnels et colligationnels distincts (Aston, Burnard 1998). Ainsi, les analyses collocationnelle et colligationnelle ont démontré que la sémantique et la grammaire ne doivent pas être considérées comme indépendantes, mais plutôt comme des systèmes étroitement liés (Lehecka 2015). L’aspect pragmatique doit également être pris en compte dans les analyses, car les préférences collocationnelles et colligationnelles d’une unité lexicale varient considérablement selon les domaines et les types de textes (Butler 2004: 157; Newman, Rice 2006). 2.3. Application de la méthode collocationnelle-colligationnelle à l’extraction et à l’analyse terminologiques La méthode collocationnelle-colligationnelle peut également être utilisée pour extraire des termes polylexicaux; elle convient particulièrement à l’extraction de terminologie comprenant des mots-clés présélectionnés — des mots susceptibles d’avoir une pertinence terminologique et caractéristiques du domaine auquel appartient le corpus. Cette méthodologie repose sur l’hypothèse que les termes complexes sont constitués de termes simples préexistants (Nakagawa 2001). Les outils d’analyse de corpus extraient les mots cooccurrents des mots-clés présélectionnés et permettent d’établir les collocations dominantes. Une partie de ces collocations consiste en syntagmes nominaux, qui doivent être sélectionnés dans les listes de collocations au moyen de méthodes linguistiques. Les syntagmes nominaux sélectionnés servent à analyser davantage les données du corpus et à extraire des termes polylexicaux constitués des syntagmes nominaux retenus et, éventuellement, de collocatifs supplémentaires. Dans la présente recherche, les termes extraits sont analysés plus avant selon les principes de l’analyse colligationnelle, afin de dégager les modèles de structure formelle de la terminologie dans les langues étudiées et de contribuer aux études multilingues contrastives des modèles de formation des termes (cf. Janulevičienė, Rackevičienė 2014; Mockienė 2016). 3. ÉLABORATION DES CORPUS ET CHOIX DES LOGICIELS POUR L’ANALYSE Selon M. Teresa Cabré, M. Amor Montané et Rogelio Nazar, la compilation d’un corpus de documents relevant d’un domaine spécifique répond à trois objectifs. Premièrement, les terminologues doivent se familiariser avec le type de langue propre au domaine; deuxièmement, un corpus est nécessaire pour extraire la terminologie et effectuer des analyses statistiques des termes; et Terminologija | 2018 | 25 91 enfin, les textes servent à obtenir des informations complémentaires sur les termes, telles que des indices sémantiques, syntaxiques ou collocationnels (Cabré, Montané, Nazar 2012: 3–4). Le corpus compilé doit être d’une taille et d’une qualité suffisantes pour être considéré comme représentatif du domaine choisi. Il n’existe pas d’exigences précises quant à la taille d’un corpus; toutefois, il devrait contenir autant de documents que possible, car plus il est volumineux, plus les conclusions sur l’usage de la terminologie dans le domaine sont fiables (Cabré, Montané, Nazar 2012: 4). Compte tenu de tous ces aspects, des corpus d’actes juridiques de l’UE en anglais, en français et en lituanien ont été compilés. Les actes juridiques ont été téléchargés depuis le Journal officiel de l’Union européenne, une source en ligne librement consultable. 101 actes juridiques portant sur les questions financières de l’UE et adoptés au cours de la période 2014–2017 ont été rassemblés. Les documents ont été convertis en texte brut et alignés en vue de l’extraction des termes et de leur analyse. Trois programmes ont été utilisés pour compiler et aligner les textes, ainsi que pour en extraire les données nécessaires: AntConc (2014), AntPConc (2017), créés et certifiés par Laurence Anthony, et NOVA Text Aligner (2014). AntConc est une boîte à outils gratuite et multiplateforme destinée à la recherche en linguistique de corpus et à l’apprentissage fondé sur les données, tandis que AntPConc sert à créer un corpus parallèle dans plusieurs langues. Les deux programmes permettent au chercheur de traiter un grand volume de données et de mener une analyse linguistique multilingue approfondie. Les outils proposés aux utilisateurs par le programme AntConc sont les suivants: Word list, Collocates, Clusters, Keywords, Concordance, Concordance plot, File view tool. Dans la présente recherche, quatre outils d’AntConc ont été utilisés: • Wordlist a permis de déterminer les mots les plus fréquents dans les corpus; • Collocates a permis de déterminer les collocatifs dominants du mot « risk » et de mesurer le degré de leur attraction syntagmatique envers le mot « risk »; • Clusters a permis de dégager les termes polylexicaux dominants comprenant le mot « risk » comme nom-tête; • Concordances a fourni une grande variété d’exemples illustrant l’usage des termes dans les textes. Une capture d’écran du programme AntConc est présentée à la Figure 1. 92 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Figure 1. Programme AntConc Avant de compiler un corpus parallèle, les textes téléchargés dans les trois langues ont été alignés manuellement à l’aide du programme NOVA Text Aligner. Après l’alignement des textes, un corpus parallèle a été constitué à l’aide du programme AntPConc (voir Figure 2). Figure 2. Programme AntPConc Terminologija | 2018 | 25 93 Le programme AntPConc permettait d’afficher simultanément les exemples dans les trois langues: il suffisait de cliquer sur une phrase choisie pour en voir les équivalents dans les autres langues. Le programme permettait également de distinguer les mots-clés et leurs collocatifs de gauche ou de droite en utilisant différentes couleurs. Cependant, il n’était pas possible de consulter le document dont l’exemple avait été extrait. À l’aide du corpus parallèle, les équivalents français et lituaniens de 70 termes anglais ont été extraits. 4. ANALYSE DU CORPUS ET EXTRACTION DES TERMES À L’AIDE DES PROGRAMMES AntConc ET AntPConc 4.1. Détermination des mots les plus fréquents dans les corpus Afin de déterminer les mots les plus fréquents dans le corpus de documents financiers, l’outil Word list du programme AntConc a été utilisé. Il a fourni les fréquences des mots dans les corpus anglais, français et lituanien, ce qui a permis de comparer les fréquences des mots dans les langues étudiées et d’établir une liste trilingue des 10 mots les plus fréquents (voir Tableau 1). Word list a également fourni des informations sur le nombre de mots-occurrences et de mots-formes dans les corpus, ainsi qu’un accès au contexte dans lequel les termes étaient employés (voir Tableau 1). Tableau 1. Les 10 mots les plus fréquents dans les corpus EN (corpus: 802 933 mots-occurrences, 9 333 mots-formes) | FR (corpus: 940 655 mots-occurrences, 12 365 mots-formes) | LT (corpus: 639 279 mots-occurrences, 24 727 mots-formes) 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 occurrences de mots, 9333 formes lexicales) FR (corpus: 940 655 occurrences de mots, 12365 formes lexicales) LT (corpus: 639 279, 24727 formes lexicales) 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) Les résultats de cette analyse montrent que les mots les plus fréquents dans les corpus des trois langues étudiées sont « risk » et « credit », tandis que le mot « market » occupe la troisième place dans les listes de fréquence. Les trois mots, et en particulier « risk » et « credit », apparaissent souvent ensemble dans les documents financiers. Cela pourrait s’expliquer par l’étroite relation sémantique entre ces mots: il va sans dire que toute transaction monétaire implique un danger, autrement dit, « credit » génère du « risk ». Le nombre grammatical le plus courant de ces mots est le singulier, bien que le pluriel soit également employé dans les langues étudiées. En lituanien, langue synthétique dotée d’un système flexionnel riche, les mots sont utilisés à différents cas grammaticaux, le génitif singulier étant dominant. Les résultats de l’analyse permettent d’affirmer que les mots « risk », « credit » et « market » doivent être considérés comme des unités lexicales désignant les concepts fondamentaux du domaine financier. Le mot « risk », le plus fréquent dans les corpus, a été choisi pour l’extraction et l’analyse ultérieures des termes. Puisque l’objet de la recherche est constitué des termes anglais polylexicaux comprenant le mot-clé retenu (le mot « risk ») et de leurs équivalents français et lituaniens, les étapes suivantes de l’extraction des termes ont été organisées comme suit: établissement des collocations dominantes du mot « risk »; extraction des syntagmes nominaux ayant le mot « risk » comme Terminologija | 2018 | 25 95 nom tête, sélection des syntagmes ayant une valeur terminologique et établissement de leurs équivalents français et lituaniens. 4.2. Établissement des collocatifs du mot ‘risk’ dans le corpus anglais Au cours de la deuxième étape de l’extraction des termes, les collocations dominantes du mot ‘risk’ dans le corpus anglais ont été établies. Cet objectif a été poursuivi à l’aide de l’outil AntConc Collocates. Cet outil a fourni les collocatifs à gauche et à droite du mot-clé choisi et a permis d’analyser les schémas non séquentiels dans les langues. L’outil a fourni les fréquences totales des collocatifs ainsi que leurs fréquences à gauche et à droite du mot ‘risk’. Il a également fourni les valeurs de mesures statistiques (scores d’information mutuelle (MI)), qui indiquent le degré d’attraction syntagmatique entre le mot-clé et ses collocatifs. Les résultats de l’analyse collocationnelle sont présentés dans le tableau 2, qui fournit des données exhaustives sur les collocatifs ayant les scores MI les plus élevés (les 10 premiers). Tableau 2. TOP 10 des collocatifs du mot ‘risk’ dans le corpus anglais Fréquence totale | Fréq. (G) | Fréq. (D) | Score 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 Les résultats révèlent le contexte lexical le plus proche du mot ‘risk’ en anglais et permettent d’entrevoir le noyau dominant à deux mots des termes polylexicaux comprenant le mot ‘risk’ dans le corpus étudié. 96 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian 4.3. Extraction de syntagmes nominaux contenant le mot « risk » comme nom tête dans le corpus anglais L’analyse supplémentaire du corpus et l’extraction des termes ont porté sur des collocations présentant une structure formelle spécifique, à savoir les syntagmes nominaux contenant le mot « risk » comme nom tête. Ils ont été extraits du corpus anglais à l’aide des outils Clusters et Concordance. L’outil Clusters permettait de rechercher les clusters (combinaisons de mots) contenant le mot « risk » et ses collocatifs à gauche et à droite. Il permettait de sélectionner la longueur minimale et maximale des clusters (nombre de mots), ainsi que leur fréquence minimale pour l’affichage. Les clusters triés pouvaient être affichés selon leur fréquence ou selon le nombre de fichiers du corpus dans lesquels ils apparaissaient. Les paramètres suivants ont été définis pour l’extraction des syntagmes nominaux contenant le mot « risk » comme nom tête: taille des clusters de 2 à 5, tri par fréquence. Il fallait également sélectionner la position du mot-clé: les clusters contenant le mot-clé à droite ont d’abord été classés, puis ceux le contenant à gauche. Avec le paramètre « rechercher le mot-clé à droite », l’outil a affiché 4 814 occurrences de clusters et 181 types de clusters; avec le paramètre « rechercher le mot-clé à gauche », 4 284 occurrences de clusters et 137 types de clusters. Parmi les listes de clusters affichées, les syntagmes nominaux contenant le mot « risk » comme nom tête ont été extraits manuellement. Leur contexte élargi a été analysé à l’aide de l’outil Concordance, qui permettait de déterminer les limites des syntagmes nominaux ainsi que ceux contenant les collocatifs à gauche et à droite du mot « risk ». Le tableau 3 présente les syntagmes nominaux les plus fréquents. Tableau 3. TOP 20 des syntagmes nominaux contenant le mot « risk » comme nom tête Syntagmes nominaux (« risk » à droite) Fréq. Syntagmes nominaux (« risk » à gauche) Fréq. 1. risque de crédit 471 1. risque d’endettement excessif 18 2. risque systémique 113 2. risque lié à un instrument de dette 12 3. risque opérationnel 102 3. risque de perte 12 4. risque de liquidité 97 4. risque de rétention de capacité 10 Terminologija | 2018 | 25 97 Groupes nominaux (« risque » à droite) | Fréq. | Groupes nominaux (« risque » à gauche) | Fréq. 5. risque spécifique | 86 | 5. risque pour les tiers | 8 6. risque de marché | 76 | 6. risque lié aux créances acquises | 7 7. risque de crédit de la contrepartie | 41 | 7. risque de variation de prix | 7 8. risque de dilution | 33 | 8. risque de perturbation | 6 9. risque de taux d’intérêt | 32 | 9. risque pour la stabilité financière | 2 10. risque commercial | 26 | 10. risque lié à un emprunteur | 2 Les résultats révèlent que les groupes nominaux comprenant le mot « risque » en position la plus à droite sont beaucoup plus fréquents que les groupes nominaux comprenant le mot « risque » en position la plus à gauche. Seuls quelques exemples de groupes nominaux comprenant à la fois des collocatifs à gauche et à droite du mot « risque » ont été trouvés dans le corpus: risque de crédit des opérations rachetées, risque de crédit de la position de titrisation, risque de crédit pour les tiers. Une liste des 70 principaux groupes nominaux anglais comprenant le mot « risk » comme nom tête a été établie en vue de la poursuite de la recherche. Seuls les groupes nominaux ayant une valeur terminologique (désignant des concepts abstraits du domaine financier) ont été inclus dans la liste. Dans l’analyse ultérieure, ils sont appelés termes polylexicaux. 4.4. Établissement des équivalents français et lituaniens des termes anglais sélectionnés À l’étape finale de l’extraction des termes, les équivalents français et lituaniens des termes anglais sélectionnés ont été établis. Cet objectif a été poursuivi à l’aide du logiciel AntPConc, conçu pour l’analyse de corpus parallèles. Les corpus des trois langues étudiées ont été chargés dans le programme. Les termes anglais sélectionnés ayant été recherchés dans le corpus anglais, le programme a affiché les segments parallèles des textes français et lituanien et a ainsi permis de sélectionner manuellement les équivalents nécessaires. Au total, 70 équivalents français et 70 équivalents lituaniens des termes anglais sélectionnés ont été établis. Le tableau 4 présente les 10 principaux termes anglais ainsi que leurs équivalents français et lituaniens. Les résultats de cette analyse ont révélé les différences formelles entre les termes des langues étudiées, qui sont examinées et discutées ci-dessous. 98 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tableau 4. TOP 10 des termes anglais et de leurs équivalents en français et en lituanien EN FR LT risque de crédit risque de crédit risque de crédit risque systémique risque systémique risque systémique risque opérationnel risque opérationnel risque opérationnel risque de liquidité risque de liquidité risque de liquidité risque spécifique risque spécifique risque spécifique risque de marché risque de marché risque de marché risque de crédit de contrepartie risque de crédit de contrepartie risque de crédit de contrepartie risque de dilution risque de dilution risque sur les créances risque de taux d’intérêt risque de taux d’intérêt risque de taux d’intérêt risque commercial risque économique risque commercial 5. ANALYSE DE LA STRUCTURE FORMELLE DES TERMES EXTRAITS Les termes extraits ont ensuite été analysés selon les principes de l’analyse colligationnelle afin de dégager les modèles de structure formelle de la terminologie dans différentes langues. Les constituants des termes relèvent de deux grandes catégories: le nom tête « risk » et ses modifieurs. Selon la position des modifieurs, deux schémas de modification ont été établis: la modification prénominale (dans laquelle les modifieurs se placent avant le nom tête) et la modification postnominale (dans laquelle les modifieurs se placent après le nom tête). Aucun terme comportant à la fois des modifieurs prénominaux et postnominaux ne figurait dans la liste TOP 70 des termes retenus pour l’analyse statistique. L’analyse a porté sur les aspects suivants de la formation des termes: le nombre de constituants, les schémas de modification et les structures syntaxiques (position et classes de mots des modifieurs). Les tableaux 5 et 6 présentent les résultats synthétisés de l’analyse. Les résultats présentés dans les tableaux montrent que les termes présentent des schémas de modification différents dans les langues étudiées. L’analyse quantitative Terminologija | 2018 | 25 99 des modifications a été réalisée afin d’identifier les schémas de modification dominants dans les langues étudiées; ses résultats sont présentés dans le Diagramme 1. Tableau 5. Structures syntaxiques des schémas de modification prénominale des termes Structures syntaxiques EN FR LT N + « risque » 19 termes, par exemple: risque de crédit, risque de concentration, risque de liquidité, risque économique. – 18 termes, par exemple: risque du prêteur, risque de transaction, risque de conservation. A + « risque » 18 termes, par exemple: risque entrepreneurial, risque interne, risque potentiel. – 17 termes, par exemple: risque systémique, risque opérationnel, risque d’investissement N + N + « risque » 3 termes: risque de crédit et de liquidité, risque de taux d’intérêt, risque de crédit de la contrepartie – 9 termes, par exemple: risque de crédit journalier, risque de taux d’intérêt, risque de la contrepartie A + N + « risque » 12 termes, par exemple: risque de crédit important, risque de crédit spécifique, risque de change. – 9 termes, par exemple: faible risque de crédit, risque de crédit spécifique, risque lié aux créances A/Num + N + + N + « risque » 1 terme: risque minimal de crédit et de marché – 12 termes, par exemple: risque minimal de crédit et de marché, risque de liquidité au jour le jour, risque de crédit au jour le jour A + A + N + + « risque » 4 termes, par exemple: risque de crédit spécifique et général, risque de crédit intrajournalier et au jour le jour, risque de liquidité intrajournalier et au jour le jour – 5 termes, par exemple: risque spécifique de décisions erronées, risque lié aux créances acquises, risque de crédit général et spécifique 100 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tableau 6. Structures syntaxiques des modèles de modification postnominale des termes Structures syntaxiques EN FR LT « risk » + PP 13 termes, p. ex.: risque de l’institution, risque pour le système financier, risque de perte 22 termes, p. ex.: risque de crédit, risque de concentration, risque de modèle – « risk » + A – 20 termes, p. ex.: risque intrajournalier, risque interne, risque spécifique – « risk » + A + PP – 4 terms, e.g.: risque spécifique de corrélation, risque significatif de corrélation, risque générale de corrélation – « risk » + PP + A – 15 terms, e.g.: risque de crédit spécifique risque de crédit quotidien, risque sur matière première – « risk » + PP + A + + PP – 9 terms, e.g.: risque de crédit intrajournalier à 24h, risque de liquidité intrajournalier à 24h – Diagramme 1. Modèles de modification des termes Terminologija | 2018 | 25 1 0 1 Les résultats montrent que la modification pré-nominale prédomine en anglais et en lituanien, tandis que la modification post-nominale est caractéristique du français. Aucun terme suivant un schéma de modification pré-nominale n’a été relevé en français, et aucun terme suivant un schéma de modification post-nominale n’a été détecté en lituanien. Seuls les termes anglais appartenaient aux deux types, même si le nombre de termes comportant des modifieurs post-nominaux est plutôt faible. Tous les termes étudiés comprennent un ou plusieurs modifieurs, qui sont des noms, des adjectifs ou des syntagmes prépositionnels occupant différentes positions dans les unités terminologiques. Les résultats de l’analyse révèlent que les modifieurs dominants des termes anglais et lituaniens sont des noms et des adjectifs, tandis que dans les termes français, le mot ‘risk’ est principalement modifié par des syntagmes prépositionnels. Les termes comportant au moins trois mots peuvent être classés plus avant selon leurs niveaux de modification (termes comportant des modifieurs qui modifient le nom tête et termes comportant des modifieurs qui modifient d’autres modifieurs), mais, faute de place, cette analyse n’est pas présentée dans cet article. Les résultats récapitulés dans les tableaux montrent également que les termes diffèrent par le nombre de leurs constituants. Une analyse quantitative de la longueur des termes a été réalisée afin de déterminer le nombre dominant de constituants terminologiques dans les langues étudiées; ses résultats sont présentés dans le diagramme 2. Le diagramme fait apparaître deux tendances principales. Premièrement, les créateurs de termes de l’UE respectent le principe fondamental d’économie linguistique (la brièveté des termes): les termes de deux mots prédominent dans les trois langues. Deuxièmement, seuls quelques termes anglais et français comptent plus de 2 à 3 mots, tandis qu’en Diagramme 2. Nombre de constituants terminologiques 102 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian les termes lituaniens comportant au moins quatre mots constituent une part importante des données sélectionnées (17 sur 70). La prédominance des termes de deux mots concorde avec les tendances établies par d’autres chercheurs en terminologie. La recherche menée par Agnė Bielinskienė et al. sur l’extraction et la définition automatiques de la terminologie de l’éducation et des sciences a révélé que la plupart des termes lituaniens de ce domaine sont des termes de deux mots: ils représentaient plus des deux tiers des termes sélectionnés parmi les candidats-termes extraits automatiquement d’un corpus spécialisé (Bielinskienė et al. 2015: 62). L’étude contrastive de la terminologie du droit constitutionnel menée par Liudmila Mockienė a révélé la même tendance dans trois langues différentes. Dans les textes législatifs de nature constitutionnelle étudiés en anglais, en russe et en lituanien, la majorité des termes polylexicaux extraits comportaient deux constituants: ils représentaient 78,5% des termes polylexicaux anglais, 62% des termes polylexicaux russes et 74,5% des termes polylexicaux lituaniens (Mockienė 2016: 43–45). Ainsi, les créateurs de termes de domaines et de langues différents tendent à respecter le même principe d’économie linguistique et de facilité d’utilisation. 6. C O N C L U S I O N S Les logiciels AntCont, utilisé pour l’analyse de corpus monolingues, et AntPConc, utilisé pour l’analyse de corpus parallèles, ont permis d’extraire des termes polylexicaux anglais, français et lituaniens comprenant le mot ‘risk’ comme nom tête, à partir des corpus spécialisés de documents de l’UE du domaine financier constitués aux fins de la recherche. L’extraction a été effectuée selon les étapes suivantes: • extraction des mots-clés des corpus anglais, français et lituanien (les mots potentiellement pertinents sur le plan terminologique et caractéristiques du domaine représenté par les corpus), puis sélection du mot-clé le plus fréquent (le mot ‘risk’) pour la suite de l’analyse; • extraction des collocations du mot ‘risk’ et des syntagmes nominaux comprenant le mot ‘risk’ comme nom tête, avec des collocatifs à gauche et/ou à droite, à partir du corpus anglais; • sélection des unités lexicales ayant une valeur terminologique dans la liste des syntagmes nominaux extraits; • établissement des équivalents français et lituaniens des termes anglais sélectionnés dans le corpus parallèle anglais-français-lituanien. Terminologija | 2018 | 25 1 0 3 La méthodologie appliquée s’est révélée adaptée à l’extraction efficace de terminologie à partir de corpus multilingues, laquelle peut être utilisée pour élaborer ou mettre à jour des bases terminologiques ou pour analyser scientifiquement les termes. L’analyse de la structure formelle des termes extraits a révélé plusieurs grandes tendances de formation terminologique dans les langues étudiées: • la modification prépositionnelle est dominante en anglais et en lituanien, tandis que la modification postpositionnelle est caractéristique du français; • les modifieurs dominants des termes anglais et lituaniens sont des noms et des adjectifs, tandis que, dans les termes français, le mot « risk » est le plus souvent modifié par des groupes prépositionnels; • le type de terme prédominant selon le nombre de constituants est le terme de deux mots: ils représentent la majorité des termes dans les listes des 70 principaux termes en anglais, en français et en lituanien; cela montre que les créateurs de terminologie de l’UE respectent le principe fondamental d’économie linguistique (la brièveté des termes); • seuls quelques termes anglais et français comptent plus de 2–3 mots, tandis que, dans la liste des 70 principaux termes lituaniens, ceux qui comportent 4 mots ou plus constituent une part importante des données sélectionnées (17 sur 70). Les résultats de l’analyse de la structure formelle mettent en évidence les tendances de formation terminologique dans les langues étudiées et fournissent des informations terminologiques susceptibles d’être utiles aux créateurs de termes et aux traducteurs. Les modèles syntaxiques établis dans le cadre de cette recherche peuvent être utilisés pour élaborer des méthodes linguistiques automatiques d’extraction de termes sans mots-clés préalablement sélectionnés. 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