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

Análise baseada em corpus de termos com várias palavras que incluem a palavra ‘Risk’ em inglês, francês e lituano OKSANA SMIRNOVA Mykolas Romeris University, Lithuania SIGITA RACKEVIČIENĖ Mykolas Romeris University, Lithuania PALAVRAS-CHAVE: terminologia descritiva, análise baseada em corpus, termos financeiros, extração de termos, padrões de formação de termos 1. INTRODUÇÃO As tecnologias computacionais abriram novas possibilidades para a investigação linguística: os corpora digitais e os programas de análise de corpus facilitaram o acesso às estruturas mais profundas da língua e às relações entre diferentes unidades linguísticas, bem como a identificação das particularidades do seu uso em diferentes domínios e ao longo de diferentes períodos. Por conseguinte, a análise da língua natural baseada em corpus é atualmente aplicada num vasto leque de áreas da linguística: lexicografia, ensino de línguas, desenvolvimento da tradução automática, compilação de bases de dados linguísticas, etc. A investigação em terminologia também passou a ser, em grande medida, baseada em corpus. Os corpora digitais permitem aos terminólogos trabalhar com um grande volume de documentos, observar características específicas de uma língua especializada, recolher informações sobre o uso real dos termos e a sua evolução, identificar novos termos que não poderiam ser intuídos ou previstos, bem como realizar análises contrastivas de dados de várias línguas. Os programas de análise de corpus e as ferramentas de extração automática e semiautomática de termos também contribuem para a normalização terminológica. Por exemplo, a contagem da frequência de sinónimos pode fornecer evidências distribucionais úteis que indicam estatisticamente os termos preferidos (Khurshid, Rogers 1992: 36). Assim, os corpora digitais permitem aos terminólogos rever as informações terminográficas sobre os termos nas bases de dados existentes e atualizá-las continuamente. 86 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Segundo M. Teresa Cabré, M. Amor Montané e Rogelio Nazar, o objetivo da terminologia moderna é produzir descrições formais, semânticas e funcionais das unidades lexicais com valor terminológico, bem como explicar a sua relação com as restantes unidades do sistema linguístico. O objeto da investigação em terminologia é «a terminologia viva» (terminologia que ocorre naturalmente em textos especializados) e o aspeto comunicativo do uso dos termos, que é mais bem representado num corpus (Cabré, Montané, Nazar 2012). Objetivo, objeto e objetivos da investigação. O objetivo da investigação é aplicar a metodologia da linguística de corpus à extração e à análise da estrutura formal de termos financeiros multipalavra que incluem a palavra «risco» como substantivo nuclear em inglês, francês e lituano. Para alcançar este objetivo, foram definidos os seguintes objetivos específicos: 1) analisar os princípios da terminologia descritiva orientada por corpus, incluindo os métodos de análise colocacional e coligacional; 2) compilar corpora de atos jurídicos da UE do domínio financeiro em três línguas (inglês, francês e lituano) e selecionar o software adequado à investigação orientada por corpus; 3) extrair dos corpora as palavras mais frequentes nas línguas investigadas e selecionar a palavra-chave (substantivo) mais frequente para a análise subsequente; 4) realizar a análise colocacional da palavra-chave selecionada no corpus inglês e extrair do material desse corpus termos multipalavra que incluam a palavra-chave selecionada como núcleo semântico e sintático dos termos; 5) estabelecer os equivalentes franceses e lituanos dos termos ingleses selecionados no corpus paralelo inglês-francês-lituano; 6) realizar uma análise quantitativa da estrutura formal dos termos multipalavra selecionados e determinar quais padrões de modificação e estruturas sintáticas dos termos predominam nas línguas investigadas. Dados e âmbito da investigação. Para efeitos da investigação, foram compilados quatro corpora de documentos da UE do domínio financeiro: três corpora monolingues (inglês, francês e lituano) e um corpus paralelo (EN-FR-LT). As dimensões dos corpora são as seguintes: EN 802 933 palavras, FR 940 655 palavras, LT 639 279 palavras. No total, 210 termos finan- Terminologija | 2018 | 25 87 termos financeiros que incluem a palavra ‘risk’ como substantivo nuclear foram extraídos dos corpora: 70 termos ingleses e os seus equivalentes em francês e lituano. A escolha da palavra ‘risk’ foi determinada pelos dados dos corpora, que revelaram que esta palavra era a mais frequente nos documentos selecionados da UE. 2. PRINCÍPIOS TEÓRICOS DA INVESTIGAÇÃO 2.1. Gestão prescritiva e descritiva da terminologia A evolução das tecnologias computacionais aplicadas à investigação das línguas naturais distinguiu claramente a terminologia tradicional da moderna. A atitude dos terminólogos em relação à conceção de termo, às fontes terminológicas, à normalização dos termos e a outras questões terminológicas mudou consideravelmente. Foram distinguidas duas orientações de investigação e gestão da terminologia: terminologia prescritiva e terminologia descritiva (Zeller 2005; Bielinskienė et al. 2015). Os defensores da terminologia prescritiva centram-se na normalização terminológica com base em dicionários de terminologia, bases de dados, listas de terminologia aprovada e documentos sobre princípios de normalização. Na terminologia prescritiva, a conceção de um termo baseia-se na posição que o conceito por ele descrito ocupa no sistema conceptual hierárquico do domínio e na sua relação com outros conceitos (Pearson 1998: 10; Marcinkevičienė 2000: 6). De acordo com os princípios da terminologia prescritiva, deve utilizar-se um único termo para descrever um único conceito, uma vez que essa reciprocidade reduz a probabilidade de ambiguidade, facilita a comunicação e, simultaneamente, o desenvolvimento do sistema conceptual hierárquico de um domínio. Os terminólogos descritivos distanciam-se da atitude estrita em relação à conceção do termo, à ausência de ambiguidade dos termos, ao desenvolvimento de sistemas conceptuais hierárquicos e à normalização. Na terminologia descritiva, ao contrário da prescritiva, o contexto desempenha um papel fundamental na análise de um termo, e este é considerado uma unidade lexical dependente do seu contexto. O seu objetivo não é formar um termo de acordo com determinados princípios, mas registar o seu uso, a variedade das suas formas em diferentes textos e descrever as suas particularidades, criando assim uma base para a sua normalização (Bielinskienė et al. 2015: 10–11). O desenvolvimento das tecnologias deu origem a um enorme fluxo de informação apresentada em vários tipos de textos e, simultaneamente, a um número constantemente crescente de termos neles utilizados. Nesta realidade em constante mudança, os terminó- 88 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian logos já não conseguem controlar o rápido desenvolvimento da terminologia, uma vez que os termos mudam mais depressa do que são processados. Por conseguinte, a gestão da terminologia requer uma abordagem mais flexível, baseada numa metodologia descritiva, e não prescritiva. O foco passou da normalização da terminologia para a análise da terminologia em corpora (Bielinskinė et al. 2015: 11). A terminologia descritiva levou ao desenvolvimento da Teoria Comunicativa da Terminologia, que centra a atenção na terminologia viva utilizada em discursos especializados e dá ênfase ao aspeto comunicativo do uso dos termos (Cabré, Montané, Nazar 2012). De acordo com esta teoria, o papel principal dos termos é comunicar conhecimento especializado; assim, são concebidos «como um poliedro de três faces, com uma componente cognitiva (o conceito), uma componente linguística (o termo) e uma componente comunicativa (a situação)» (Cabré, Montané, Nazar 2012: 1). Os estudos terminológicos baseados na teoria comunicativa não se interessam apenas pela terminologia estabelecida por normas ou encontrada em bases de dados oficiais, mas também (e, em particular) pelos termos efetivamente utilizados em textos de línguas para fins específicos. Assim, a teoria comunicativa «não adota apenas uma abordagem in vitro, mas também se interessa pelos termos in vivo» (Cabré, Montané, Nazar 2012: 1–2). A investigação da terminologia viva revela que a noção tradicional de univocidade do termo (correspondência biunívoca entre um conceito e termos específicos em diferentes línguas) não encontra fundamento na língua real. A variação (sinonímia, ambiguidade, perífrases, redundância) é característica não só das unidades da língua geral, mas também da terminologia; por conseguinte, os conceitos e os termos devem ser estudados «na sua interação dinâmica» (Cabré, Montané, Nazar 2012: 2–3). A atenção dada ao uso dos termos fez dos corpora o principal espaço de trabalho da análise terminológica moderna. Os corpora digitais e o software de análise de corpora enriqueceram a terminologia com abundantes recursos e ferramentas que permitem aos terminólogos extrair termos de um grande número de documentos, captar as alterações mais recentes na terminologia de um domínio específico, analisar a sua evolução e estabelecer interligações conceptuais entre termos do mesmo domínio. Os corpora permitem obter informações fiáveis, baseadas em dados estatísticos e até então totalmente indisponíveis, sobre o uso dos termos na língua natural. Por conseguinte, a metodologia orientada por corpora tornou-se a metodologia dominante, fornecendo um conjunto indispensável de ferramentas para a investigação e a gestão terminológicas (Zeller 2005; Cabré, Montané, Nazar 2012; Bielinskinė et al. 2015). Terminologija | 2018 | 25 89 2.2. Princípios da análise orientada por corpus: métodos colocacionais e coligacionais A extração e a análise terminológica orientadas por corpus são realizadas por meio de métodos estatísticos e linguísticos. Na presente pesquisa, aplicam-se métodos colocacionais e coligacionais. As colocações referem-se à atração sintagmática entre unidades lexicais. De acordo com Tomas Lehecka (2015), “o conceito de colocação baseia-se na noção de que cada palavra de uma língua prefere certos contextos lexicais a outros, isto é, de que qualquer palavra tende a coocorrer com determinadas palavras com mais frequência do que com outras” (Lehecka 2015: 2). A análise estatística dos dados do corpus é usada para medir o grau de atração entre palavras; os seus resultados permitem determinar quais combinações de palavras ocorrem juntas com uma frequência significativamente maior do que seria esperado ao acaso, tendo em conta a frequência total das palavras no corpus (Lehecka 2015: 2). Desse modo, identificam-se as colocações mais significativas das palavras selecionadas no corpus analisado. Este método é usado sobretudo para a análise semântica contextual de unidades lexicais, pois permite observar toda a variedade de palavras que coocorrem com as palavras investigadas, estabelecer os padrões predominantes de coocorrência e, assim, descrever os seus significados com base no contexto em que aparecem (Atkins, Rundell, Sato 2003: 340–341). A análise colocacional tornou-se uma ferramenta indispensável para os lexicógrafos e também é amplamente aplicada na linguística computacional para fins de tradução automática, processamento de linguagem natural e outras áreas (Lehecka 2015). O método colocacional é frequentemente usado em combinação com o método coligacional. O conceito de coligação refere-se à atração entre uma unidade lexical e um padrão gramatical e baseia-se na noção de que as palavras preferem ser usadas em determinados padrões gramaticais e evitam outros padrões gramaticais (Sinclair 1998; Lehecka 2015). A análise coligacional pode ser ampliada para abranger a relação entre a unidade lexical e a posição na frase, oração, período, texto ou discurso em que essa unidade lexical pode ser usada (Hoey 2005: 49–52). A análise coligacional tem sido amplamente empregada em combinação com a análise colocacional para estudar os significados de quase-sinônimos, uma vez que estudos de linguística de corpus revelaram que eles são frequentemente usados em diferentes contextos lexicais e gramaticais (Lehecka 2015). As investigações em linguística de corpus 90 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian demonstraram que até mesmo diferentes sentidos de palavras polissêmicas podem apresentar padrões colocacionais e coligacionais distintos (Aston, Burnard 1998). Assim, as análises colocacional e coligacional demonstraram que a semântica e a gramática não devem ser tratadas como independentes, mas sim como sistemas estreitamente interligados (Lehecka 2015). O aspecto pragmático também deve ser levado em consideração nas análises, pois as preferências colocacionais e coligacionais de uma unidade lexical variam significativamente entre diferentes domínios e diferentes tipos de textos (Butler 2004: 157; Newman, Rice 2006). 2.3. Aplicação do método coligacional-colocacional na extração e análise terminológicas O método coligacional-colocacional também pode ser utilizado para a extração de termos polilexicais; é especialmente adequado à extração de terminologia que inclui palavras-chave previamente selecionadas — palavras potencialmente relevantes do ponto de vista terminológico e características do domínio a que o corpus pertence. Esta metodologia baseia-se no pressuposto de que os termos complexos são constituídos por termos simples existentes (Nakagawa 2001). As ferramentas de análise de corpus extraem as palavras que coocorrem com as palavras-chave previamente selecionadas e permitem estabelecer as colocações dominantes. Uma parte dessas colocações consiste em sintagmas nominais, que devem ser selecionados das listas de colocações por meio de métodos linguísticos. Os sintagmas nominais selecionados são utilizados para uma análise posterior dos dados do corpus e para a extração de termos polilexicais compostos pelos sintagmas nominais selecionados e, potencialmente, por colocados adicionais. No presente estudo, os termos extraídos são analisados posteriormente segundo os princípios da análise coligacional, com o objetivo de revelar modelos de estrutura formal da terminologia nas línguas investigadas e contribuir para estudos multilíngues contrastivos dos padrões de formação de termos (cf. Janulevičienė, Rackevičienė 2014; Mockienė 2016). 3. DESENVOLVIMENTO DOS CORPORA E SELEÇÃO DO SOFTWARE PARA A ANÁLISE Segundo M. Teresa Cabré, M. Amor Montané e Rogelio Nazar, a compilação de um corpus de documentos de um domínio específico tem três objetivos. Em primeiro lugar, os terminólogos precisam familiarizar-se com o tipo de linguagem do domínio; em segundo lugar, é necessário um corpus para extrair terminologia e realizar análises estatísticas dos termos; e Terminologija | 2018 | 25 91 por fim, os textos são utilizados para obter informações complementares sobre os termos, como pistas semânticas, sintáticas ou colocacionais (Cabré, Montané, Nazar 2012: 3–4). O corpus compilado deve ter dimensão e qualidade suficientes para ser considerado representativo do domínio escolhido. Não há requisitos precisos quanto à dimensão de um corpus; contudo, deve conter o maior número possível de documentos, pois, quanto maior for, mais fiáveis serão as conclusões sobre o uso da terminologia no domínio (Cabré, Montané, Nazar 2012: 4). Tendo em conta todos estes aspetos, foram compilados corpora de atos jurídicos da UE em inglês, francês e lituano. Os atos jurídicos foram descarregados do Jornal Oficial da União Europeia, uma fonte em linha de consulta gratuita. Foram recolhidos 101 atos jurídicos relativos a questões financeiras da UE, adotados no período de 2014–2017. Os documentos foram convertidos em texto simples e alinhados para a extração de termos e a sua análise. Foram utilizados três programas para compilar e alinhar os textos, bem como extrair os dados necessários: AntConc (2014), AntPConc (2017), criados e certificados por Laurence Anthony, e NOVA Text Aligner (2014). AntConc é um conjunto de ferramentas multiplataforma gratuito para a realização de investigação em linguística de corpus e aprendizagem orientada por dados, enquanto AntPConc se destina à criação de um corpus paralelo em várias línguas. Ambos os programas permitem ao investigador lidar com grandes volumes de dados e realizar uma análise linguística multilingue abrangente. As ferramentas disponibilizadas aos utilizadores pelo programa AntConc são as seguintes: Word list, Collocates, Clusters, Keywords, Concordance, Concordance plot, File view tool. No presente estudo, foram utilizadas quatro ferramentas do AntConc: • Wordlist permitiu determinar as palavras mais frequentes nos corpora; • Collocates permitiu determinar os colocados dominantes da palavra ‘risk’ e medir o grau da sua atração sintagmática pela palavra ‘risk’; • Clusters permitiu identificar os termos polilexicais mais dominantes que incluem a palavra ‘risk’ como substantivo nuclear; • Concordances forneceu uma grande variedade de exemplos que ilustram o uso dos termos nos textos. Uma captura de ecrã do programa AntConc é apresentada na Figura 1. 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 um corpus paralelo, os textos descarregados nas três línguas foram alinhados manualmente com a ajuda do programa NOVA Text Aligner. Após o alinhamento dos textos, foi criado um corpus paralelo utilizando o programa AntPConc (ver Figura 2). Figura 2. Programa AntPConc Terminologija | 2018 | 25 93 O programa AntPConc permitiu visualizar exemplos das três línguas ao mesmo tempo: era possível clicar numa frase escolhida para ver os equivalentes noutras línguas. O programa também permitiu distinguir as palavras-chave e os seus colocados à esquerda ou à direita utilizando cores diferentes. No entanto, não era possível ver o documento de onde o exemplo tinha sido extraído. Com recurso ao corpus paralelo, foram extraídos os equivalentes franceses e lituanos de 70 termos ingleses. 4. ANÁLISE DE CORPUS E EXTRAÇÃO DE TERMOS UTILIZANDO AS FERRAMENTAS DOS PROGRAMAS AntConc E AntPConc 4.1. Determinação das palavras mais frequentes nos corpora Para determinar as palavras mais frequentes no corpus de documentos financeiros, utilizou-se a ferramenta Word list do programa AntConc. Esta forneceu os resultados das frequências das palavras nos corpora inglês, francês e lituano, o que permitiu comparar as frequências das palavras nas línguas investigadas e elaborar uma lista trilingue das 10 palavras mais frequentes, em ordem decrescente (ver Tabela 1). A ferramenta Word list também forneceu informações sobre o número de ocorrências e formas de palavras nos corpora e deu acesso ao contexto em que os termos foram utilizados (ver Tabela 1). Tabela 1. As 10 palavras mais frequentes nos corpora EN (corpus: 802 933 ocorrências de palavras, 9333 formas de palavras) | FR (corpus: 940 655 ocorrências de palavras, 12365 formas de palavras) | LT (corpus: 639 279, 24727 formas de palavras) 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 de 802 933 tokens de palavras, 9333 tipos de palavras) FR (corpus de 940 655 tokens de palavras, 12365 tipos de palavras) LT (corpus de 639 279, 24727 tipos de palavras) 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) Os resultados desta análise revelam que as palavras mais frequentes nos corpora das três línguas investigadas são ‘risk’ e ‘credit’, enquanto a palavra ‘market’ ocupa a terceira posição nas listas de frequência. As três palavras, especialmente ‘risk’ e ‘credit’, aparecem frequentemente juntas nos documentos financeiros. Isso pode ser explicado pela estreita relação semântica entre as palavras: é evidente que qualquer transação monetária implica perigo; por outras palavras, ‘credit’ gera ‘risk’. O número gramatical mais comum das palavras é o singular, embora o plural também seja usado nas línguas investigadas. Em lituano, que é uma língua sintética com um sistema flexional rico, as palavras são usadas em diferentes casos gramaticais, sendo predominante o genitivo singular. Os resultados da análise permitem afirmar que as palavras ‘risk’, ‘credit’ e ‘market’ devem ser consideradas unidades lexicais que denotam os conceitos fundamentais do domínio financeiro. A palavra ‘risk’, a mais frequente nos corpora, foi escolhida para a extração e análise subsequentes dos termos. Como o objeto da investigação são os termos ingleses multiverbais que incluem a palavra-chave selecionada (a palavra ‘risk’) e os seus equivalentes em francês e lituano, o trabalho subsequente de extração de termos foi organizado nas seguintes etapas: identificação das colocações dominantes da palavra ‘risk’ em inglês; extração dos sintagmas nominais que têm a palavra ‘risk’ como Terminologija | 2018 | 25 95 núcleo nominal, seleção dos sintagmas com valor terminológico e identificação dos seus equivalentes em francês e lituano. 4.2. Identificação dos colocados da palavra ‘risk’ no corpus inglês Na segunda etapa da extração de termos, foram identificadas as colocações dominantes da palavra ‘risk’ no corpus inglês. Este objetivo foi alcançado com a ajuda da ferramenta AntConc Collocates. Esta ferramenta forneceu os colocados à esquerda e à direita da palavra-chave selecionada e permitiu analisar os padrões não sequenciais nas línguas. A ferramenta forneceu as frequências totais dos colocados, bem como as respetivas frequências à esquerda e à direita da palavra ‘risk’. Forneceu também os valores das medidas estatísticas (pontuações de informação mútua (MI)), que indicam o grau de atração sintagmática entre a palavra-chave e os seus colocados. Os resultados da análise colocacional são apresentados na Tabela 2, que fornece dados exaustivos sobre os colocados com as pontuações MI mais elevadas (10 primeiros). Tabela 2. 10 principais colocados da palavra ‘risk’ no corpus inglês Frequência total | Freq. (E) | Freq. (D) | Pontuação MI 1. diluição | 51 | 37 | 14 | 8.1 2. mitigação | 100 | 9 | 91 | 8.01 3. pesos | 65 | 4 | 61 | 7.7 4. sistémico | 120 | 119 | 1 | 7.7 5. perfil | 87 | 1 | 86 | 7.48 6. baixo | 68 | 62 | 6 | 7.2 7. atribuído | 127 | 95 | 32 | 6.89 8. exposição | 491 | 71 | 420 | 6.4 9. específico | 177 | 148 | 29 | 6.3 10. operacional | 129 | 114 | 15 | 5.99 Os resultados revelam o contexto lexical mais próximo da palavra ‘risk’ em inglês e permitem antever o núcleo dominante de dois elementos dos termos multiverbais que incluem a palavra ‘risk’ no 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. Extração de sintagmas nominais que incluem a palavra ‘risco’ como substantivo-núcleo no corpus inglês A análise subsequente do corpus e a extração de termos centraram-se em colocações de determinada estrutura formal – sintagmas nominais que incluem a palavra ‘risco’ como substantivo-núcleo. Foram extraídos do corpus inglês com as ferramentas Clusters e Concordance. A ferramenta Clusters permitiu pesquisar agrupamentos (combinações de palavras) que incluíam a palavra ‘risco’ com os seus colocados à esquerda e à direita. Permitiu selecionar o comprimento mínimo e máximo (número de palavras) dos agrupamentos e a frequência mínima dos agrupamentos apresentados. Os agrupamentos ordenados podiam ser apresentados por frequência ou pelo número de ficheiros em que apareciam nos corpora. Foram definidos os seguintes parâmetros para a extração de sintagmas nominais que incluem a palavra ‘risco’ como substantivo-núcleo: extensão dos agrupamentos de 2 a 5, ordenação por frequência. Também foi necessário selecionar a posição da palavra-chave: primeiro foram ordenados os agrupamentos com a palavra-chave à direita e, em seguida, os que a tinham à esquerda. Com o parâmetro «pesquisar palavra-chave à direita», a ferramenta apresentou 4814 ocorrências de agrupamentos e 181 tipos de agrupamentos; com o parâmetro «pesquisar palavra-chave à esquerda», 4284 ocorrências de agrupamentos e 137 tipos de agrupamentos. Das listas de agrupamentos apresentadas, foram extraídos manualmente os sintagmas nominais que incluíam a palavra ‘risco’ como substantivo-núcleo. O seu contexto mais amplo foi analisado com a ferramenta Concordance, que permitiu determinar os limites dos sintagmas nominais e identificar os que incluíam colocados à esquerda e à direita da palavra ‘risco’. A Tabela 3 apresenta os sintagmas nominais mais frequentes. Tabela 3. TOP 20 sintagmas nominais que incluem a palavra ‘risco’ como substantivo-núcleo Sintagmas nominais (‘risco’ à direita) Freq. Sintagmas nominais (‘risco’ à esquerda) Freq. 1. risco de crédito 471 1. risco de alavancagem excessiva 18 2. risco sistémico 113 2. risco de instrumento de dívida 12 3. risco operacional 102 3. risco de perda 12 4. risco de liquidez 97 4. risco de retenção de capacidade 10 Terminologija | 2018 | 25 97 Sintagmas nominais («risk» à direita) | Freq. | Sintagmas nominais («risk» à esquerda) | Freq. 5. risco específico | 86 | 5. risco para terceiros | 8 6. risco de mercado | 76 | 6. risco relativo a créditos adquiridos | 7 7. risco de crédito da contraparte | 41 | 7. risco de variação de preço | 7 8. risco de diluição | 33 | 8. risco de interrupção | 6 9. risco de taxa de juro | 32 | 9. risco para a estabilidade financeira | 2 10. risco empresarial | 26 | 10. risco de um mutuário | 2 Os resultados revelam que os sintagmas nominais que incluem a palavra «risk» na posição mais à direita são muito mais frequentes do que os sintagmas nominais que incluem a palavra «risk» na posição mais à esquerda. Foram encontrados no corpus apenas alguns exemplos de sintagmas nominais que incluem colocados à esquerda e à direita da palavra «risk»: risco de crédito de transações recompradas, risco de crédito de posição de titularização, risco de crédito para terceiros. Foi elaborada uma lista dos 70 principais sintagmas nominais ingleses que incluem a palavra «risk» como núcleo nominal para investigação posterior. A lista incluiu apenas os sintagmas nominais com valor terminológico (que designavam conceitos abstratos do domínio financeiro). Na análise subsequente, são designados termos polilexicais. 4.4. Estabelecimento dos equivalentes franceses e lituanos dos termos ingleses selecionados Na etapa final da extração de termos, foram estabelecidos os equivalentes franceses e lituanos dos termos ingleses selecionados. Para este fim, utilizou-se o software AntPConc, desenvolvido para a análise de corpora paralelos. Os corpora das três línguas investigadas foram carregados no programa. Ao pesquisar no corpus inglês os termos ingleses selecionados, o programa apresentou as sequências paralelas dos textos francês e lituano, permitindo assim selecionar manualmente os equivalentes necessários. No total, foram estabelecidos 70 equivalentes franceses e 70 lituanos dos termos ingleses selecionados. A Tabela 4 apresenta os 10 principais termos ingleses e os seus equivalentes franceses e lituanos. Os resultados desta análise revelaram as diferenças formais entre os termos nas línguas investigadas, que são analisadas e discutidas abaixo. 98 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tabela 4. TOP 10 termos em inglês e seus equivalentes em francês e lituano EN FR LT risco de crédito risque de crédit kredito rizika risco sistêmico risque systémique sisteminė rizika risco operacional risque opérationnel operacinė rizika risco de liquidez risque de liquidité likvidumo rizika risco específico risque spécifique specifinė rizika risco de mercado risque de marché rinkos rizika risco de crédito da contraparte risque de crédit de contrepartie sandorio šalies kredito rizika risco de diluição risque de dilution gautinų sumų rizika risco de taxa de juros risque de taux d’intérêt palūkanų normos rizika risco empresarial risque économique verslo rizika 5. ANÁLISE DA ESTRUTURA FORMAL DOS TERMOS EXTRAÍDOS Os termos extraídos foram analisados posteriormente com base nos princípios da análise coligacional, buscando revelar modelos de estrutura formal da terminologia em diferentes línguas. Os constituintes dos termos pertencem a duas categorias principais: o substantivo núcleo ‘risco’ e seus modificadores. De acordo com a posição dos modificadores, foram estabelecidos dois padrões de modificação — modificação pré-nominal (na qual os modificadores ocupam a posição anterior ao substantivo núcleo) e modificação pós-nominal (na qual os modificadores ocupam a posição posterior ao substantivo núcleo). Nenhum termo que incluísse modificadores pré-nominais e pós-nominais foi incluído na lista TOP 70 dos termos selecionados para a análise estatística. A análise concentrou-se nos seguintes aspectos da formação dos termos: número de constituintes dos termos, padrões de modificação e estruturas sintáticas (posição e classes gramaticais dos modificadores) dos termos. As Tabelas 5 e 6 apresentam os resultados resumidos da análise. Os resultados apresentados nas tabelas revelam que os termos apresentam diferentes padrões de modificação nas línguas investigadas. A análise quantitativa Terminologija | 2018 | 25 99 da modificação foi realizada para identificar os padrões de modificação predominantes nas línguas investigadas; seus resultados são apresentados no Diagrama 1. Tabela 5. Estruturas sintáticas dos padrões de modificação pré-nominal dos termos Estruturas sintáticas EN FR LT N + ‘risco’ 19 termos, por exemplo: credit risk, concentration risk, liquidity risk, business risk. – 18 termos, por exemplo: skolininiko rizika, sandorių rizika, saugojimo rizika. A + ‘risco’ 18 termos, por exemplo: entrepreneurial risk, internal risk, potential risk. – 17 termos, por exemplo: sisteminė rizika, operacinė rizika, investicinė rizika N + N + ‘risco’ 3 termos: risco de crédito e liquidez, risco de taxa de juros, risco de crédito da contraparte – 9 termos, por exemplo: risco de crédito de um dia, risco de taxa de juros, risco da contraparte A + N + ‘risco’ 12 termos, por exemplo: risco de crédito significativo, risco de crédito específico, risco cambial. – 9 termos, por exemplo: risco de crédito baixo, risco de crédito específico, risco de contas a receber A/Num + N + + N + ‘risco’ 1 termo: risco mínimo de crédito e de mercado – 12 termos, por exemplo: risco mínimo de crédito e de mercado, risco de liquidez overnight, risco de crédito overnight A + A + N + + ‘risco’ 4 termos, por exemplo: risco de crédito específico e geral, risco de crédito intradiário e overnight, risco de liquidez intradiária e overnight – 5 termos, por exemplo: risco específico de decisões erradas, risco de contas a receber adquiridas, risco de crédito geral e específico 100 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tabela 6. Estruturas sintáticas dos padrões de modificação pós-nominal dos termos Estruturas sintáticas EN FR LT ‘risco’ + PP 13 termos, por exemplo: risco da instituição, risco para o sistema financeiro, risco de perda 22 termos, por exemplo: risco de crédito, risco de concentração, risco de modelo – ‘risco’ + A – 20 termos, por exemplo: risco intradiário, risco interno, risco específico – ‘risco’ + A + PP – 4 termos, por exemplo: risco específico de correlação, risco significativo de correlação, risco geral de correlação – ‘risco’ + PP + A – 15 termos, por exemplo: risco de crédito específico, risco de crédito diário, risco sobre matérias-primas – ‘risco’ + PP + A + + PP – 9 termos, por exemplo: risco de crédito intradiário a 24 h, risco de liquidez intradiário a 24 h – Diagrama 1. Padrões de modificação dos termos Terminologija | 2018 | 25 1 0 1 Os resultados mostram que a modificação pré-nominal predomina nas línguas inglesa e lituana, enquanto a modificação pós-nominal é característica da língua francesa. Não foram encontrados em francês termos com padrão de modificação pré-nominal, nem em lituano termos com padrões de modificação pós-nominal. Apenas os termos ingleses apresentavam ambos os tipos, embora o número de termos com modificadores pós-nominais seja bastante reduzido. Todos os termos investigados incluem um ou vários modificadores, que são substantivos, adjetivos ou sintagmas preposicionais, ocupando diferentes posições nas unidades terminológicas. Os resultados da análise revelam que os modificadores predominantes nos termos ingleses e lituanos são substantivos e adjetivos, enquanto, nos termos franceses, a palavra ‘risk’ é modificada sobretudo por sintagmas preposicionais. Os termos com 3 ou mais palavras podem ser classificados ainda de acordo com os níveis de modificação (termos que incluem modificadores do substantivo núcleo e termos que incluem modificadores de outros modificadores), mas, devido à limitação de espaço, esta análise não é apresentada neste artigo. Os resultados resumidos nas tabelas também revelam que os termos diferem quanto ao número de seus constituintes. Foi realizada uma análise quantitativa do comprimento dos termos para determinar o número predominante de constituintes terminológicos nas línguas investigadas; os resultados são apresentados no Diagrama 2. O diagrama revela duas tendências principais. Em primeiro lugar, os criadores de termos da UE respeitam o requisito fundamental da economia linguística (a brevidade dos termos): os termos de duas palavras são predominantes nas três línguas. Em segundo lugar, apenas alguns termos ingleses e franceses têm mais de 2–3 palavras, enquanto em Diagrama 2. Número de constituintes terminológicos 102 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Os termos lituanos com 4 ou mais palavras constituem uma parte significativa dos dados selecionados (17 de 70). A tendência para a predominância de termos de duas palavras coincide com as tendências identificadas por outros investigadores da terminologia. A investigação de Agnė Bielinskienė et al. sobre a extração automática e a definição da terminologia da educação e da ciência revelou que a maioria dos termos lituanos deste domínio é constituída por duas palavras: estes representavam mais de dois terços dos termos selecionados entre os candidatos a termo extraídos automaticamente de um corpus especializado (Bielinskienė et al. 2015: 62). A investigação contrastiva de Liudmila Mockienė sobre a terminologia do direito constitucional revelou a mesma tendência em três línguas diferentes. Nos atos jurídicos de natureza constitucional em inglês, russo e lituano investigados, a maioria dos termos polilexicais extraídos era constituída por dois constituintes: representavam 78.5% dos termos polilexicais ingleses, 62% dos termos polilexicais russos e 74.5% dos termos polilexicais lituanos (Mockienė 2016: 43–45). Assim, os criadores de termos de diferentes domínios e línguas tendem a seguir o mesmo princípio de economia linguística e facilidade de utilização. 6. C O N C L U S Õ E S O software AntCont, utilizado para a análise de corpora monolingues, e o AntPConc, utilizado para a análise de corpora paralelos, permitiram extrair termos polilexicais ingleses, franceses e lituanos que incluem a palavra ‘risk’ como substantivo núcleo, a partir dos corpora especializados de documentos da UE relativos ao domínio financeiro, compilados para os fins da investigação. A extração foi realizada nas seguintes etapas: • extração das palavras-chave dos corpora inglês, francês e lituano (palavras potencialmente relevantes do ponto de vista terminológico e características do domínio representado pelos corpora) e escolha da palavra-chave mais frequente (a palavra ‘risk’) para análise posterior; • extração das colocações da palavra ‘risk’ e dos sintagmas nominais que incluem a palavra ‘risk’ como substantivo núcleo, com colocados à esquerda e/ou à direita, a partir do corpus inglês; • seleção das unidades lexicais com valor terminológico a partir da lista de sintagmas nominais extraídos; • identificação dos equivalentes franceses e lituanos dos termos ingleses selecionados no corpus paralelo inglês-francês-lituano. Terminologija | 2018 | 25 1 0 3 A metodologia aplicada mostrou-se adequada para a extração multilíngue eficaz de terminologia, que pode ser utilizada para o desenvolvimento e a atualização de bases terminológicas ou para a análise científica de termos. A análise da estrutura formal dos termos extraídos revelou algumas das principais tendências de formação de termos nas línguas investigadas: • a modificação pré-nominal predomina nas línguas inglesa e lituana, enquanto a modificação pós-nominal é característica da língua francesa; • os modificadores predominantes dos termos ingleses e lituanos são substantivos e adjetivos, enquanto, nos termos franceses, a palavra ‘risk’ é modificada sobretudo por sintagmas preposicionais; • o tipo de termo predominante segundo o número de constituintes é o termo de duas palavras — este constitui o maior número de termos nas listas TOP 70 em inglês, francês e lituano; isso demonstra que os criadores de termos da UE respeitam o principal requisito da economia linguística (brevidade dos termos); • apenas alguns termos ingleses e franceses têm mais de 2–3 palavras, enquanto, na lista TOP 70 lituana, os termos com 4 ou mais palavras constituem uma parte significativa dos dados selecionados (17 de 70). Os resultados da análise da estrutura formal revelam tendências de formação de termos nas línguas investigadas e fornecem informações terminológicas que podem ser úteis para criadores de termos e tradutores. Os padrões sintáticos estabelecidos na pesquisa podem ser utilizados no desenvolvimento de métodos linguísticos automáticos para a extração de termos sem palavras-chave previamente selecionadas. 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