Datorteknik har öppnat nya möjligheter för språkvetenskaplig forskning: digitala korpusar och programvara för korpusanalys har underlättat tillgången till språkets djupaste strukturer och relationer mellan olika språkliga enheter samt gjort det möjligt att avslöja särdrag i deras användning inom olika domäner och under olika tidsperioder. Därför tillämpas korpusdriven analys av naturligt språk numera inom ett brett spektrum av språkvetenskapliga områden: lexikografi, språkundervisning, utveckling av maskinöversättning, sammanställning av språkvetenskapliga databaser osv.
Terminologiforskningen har också i stor utsträckning blivit korpusdriven. Digitala korpusar gör det möjligt för terminologer att arbeta med ett stort antal dokument, observera särskilda drag hos fackspråk, samla information om termers faktiska användning och utveckling, fånga upp nya termer som inte intuitivt hade kunnat uppfattas eller förutsägas samt genomföra kontrastiva analyser av data från flera språk. Programvara för korpusanalys och verktyg för automatisk och halvautomatisk termextraktion bidrar också till terminologisk standardisering. Exempelvis kan frekvensräkning av synonymer ge användbara distributionsbaserade belägg som visar vilka termer som föredras statistiskt (Khurshid, Rogers 1992: 36). Digitala korpusar gör det således möjligt för terminologer att revidera terminografisk information om termer i befintliga databaser och fortlöpande uppdatera dem.
86
Oksana Smirnova Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 2
Enligt M. Teresa Cabré, M. Amor Montané och Rogelio Nazar är målet med modern terminologi att ta fram formella, semantiska och funktionella beskrivningar av lexikala enheter med terminologiskt värde samt att förklara deras relation till de övriga enheterna i det språkliga systemet. Föremålet för terminologisk forskning är ”den levande terminologin” (terminologi som förekommer naturligt i facktexter) och den kommunikativa aspekten av termanvändningen, vilken bäst exemplifieras i en korpus (Cabré, Montané, Nazar 2012).
Forskningens syfte, föremål och mål. Syftet med forskningen är att tillämpa korpuslingvistikens metodik för att extrahera och analysera den formella strukturen hos finansiella flerdelade termer som innehåller ordet ”risk” som huvudsubstantiv på engelska, franska och litauiska.
För att uppnå detta syfte fastställdes följande mål:
1) att analysera principerna för deskriptiv korpusbaserad terminologi, inklusive metoder för kollokations- och kolligationsanalys;
2) att sammanställa korpus av EU:s rättsakter inom finansområdet på tre språk (engelska, franska och litauiska) och välja ut lämplig programvara för den korpusbaserade forskningen;
3) att extrahera de vanligaste orden ur korpusen på de undersökta språken och välja ut det vanligaste nyckelordet (substantivet) för vidare analys;
4) att genomföra en kollokationsanalys av det valda nyckelordet i den engelska korpusen och extrahera flerdelade termer ur materialet i den engelska korpusen där det valda nyckelordet utgör termens semantiska och syntaktiska huvudled;
5) att fastställa franska och litauiska motsvarigheter till de valda engelska termerna i den parallella engelsk-fransk-litauiska korpusen;
6) att utföra en kvantitativ analys av de valda flerdelade termernas formella struktur och fastställa vilka modifieringsmönster och syntaktiska strukturer som dominerar i de undersökta språken.
Forskningens data och omfattning. För forskningens syften sammanställdes fyra korpus av EU-dokument inom finansområdet: tre enspråkiga korpus (engelska, franska och litauiska) och en parallell korpus (EN-FR-LT). Korpusarnas storlek är följande: EN 802 933 ord, FR 940 655 ord, LT 639 279 ord. Sammanlagt 210 finan-
Terminologija | 2018 | 25
87
Page 3
cial terms including the word ‘risk’ as the head noun were extracted from the corpora: 70 engelska termer och deras motsvarigheter på franska och litauiska. Valet av ordet ‘risk’ bestämdes av korpusdata, som visade att detta ord var det mest frekventa i de utvalda EU-dokumenten.
2. FORSKNINGENS TEORETISKA PRINCIPER
2.1. Preskriptiv och deskriptiv terminologihantering
Utvecklingen av beräkningsteknik för forskning om naturligt språk har tydligt särskiljt traditionell terminologi från modern terminologi. Terminologers inställning till begreppet term, termkällor, standardisering av termer och andra terminologiska frågor har förändrats avsevärt. Två inriktningar inom terminologisk forskning och hantering har urskilts: preskriptiv terminologi och deskriptiv terminologi (Zeller 2005; Bielinskienė et al. 2015).
Förespråkare för preskriptiv terminologi fokuserar på standardisering av terminologi med utgångspunkt i terminologiska ordböcker, databaser, listor över godkänd terminologi och dokument om standardiseringsprinciper. Inom preskriptiv terminologi grundas begreppet term på det begreppsliga hierarkiska systemets plats för det begrepp som termen beskriver och dess förhållande till andra begrepp (Pearson 1998: 10; Marcinkevičienė 2000: 6). Enligt den preskriptiva terminologins principer bör en term användas för att beskriva ett begrepp, eftersom en sådan entydig motsvarighet minskar risken för tvetydighet, underlättar kommunikationen och samtidigt utvecklingen av ett begreppsligt hierarkiskt system för ett domänområde.
Deskriptiva terminologer tar avstånd från en strikt hållning till termbegreppet, termers entydighet, utvecklingen av ett hierarkiskt begreppssystem och standardisering. I deskriptiv terminologi spelar kontexten, till skillnad från i preskriptiv terminologi, en avgörande roll vid analysen av en term, och en term betraktas som en lexikal enhet som är beroende av sin kontext. Målet är inte att utforma en term enligt vissa principer, utan att dokumentera dess användning och de former den förekommer i i olika texter samt beskriva dess särdrag och därigenom lägga grunden för standardisering (Bielinskienė et al. 2015: 10–11).
Teknikutvecklingen gav upphov till ett enormt informationsflöde i olika slags texter och samtidigt ett ständigt växande antal termer som används i dem. I denna ständigt föränderliga verklighet kan termi-
88
Oksana Smirnova
Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 4
nologer inte längre kontrollera terminologins snabba utveckling, eftersom termer förändras snabbare än de hinner behandlas. Därför kräver terminologihantering ett flexiblare förhållningssätt, grundat på deskriptiv snarare än preskriptiv metodik. Fokus har flyttats från standardisering av terminologi till analys av terminologi i korpusar (Bielinskinė et al. 2015: 11).
Deskriptiv terminologi ledde till utvecklingen av Kommunikativ terminologiteori, som fokuserar på den levande terminologi som används i fackspråkliga diskurser och betonar den kommunikativa aspekten av termanvändning (Cabré, Montané, Nazar 2012). Enligt denna teori är termers främsta uppgift att förmedla expertkunskap; de betraktas därför ”som ett tredelat polyeder med en kognitiv komponent (begreppet), en språklig komponent (termen) och en kommunikativ komponent (situationen)” (Cabré, Montané, Nazar 2012: 1).
Terminologiska studier som bygger på den kommunikativa teorin intresserar sig inte bara för terminologi som fastställts genom standarder eller återfinns i officiella databaser, utan också (och i synnerhet) för de termer som faktiskt används i fackspråkliga texter. Den kommunikativa teorin ”anammar således inte bara ett in vitro-perspektiv, utan intresserar sig också för termer in vivo” (Cabré, Montané, Nazar 2012: 1–2). Studier av levande terminologi visar att den traditionella föreställningen om termers entydighet (ett-till-ett-motsvarighet mellan ett begrepp och särskilda termer på olika språk) inte har någon god grund i det verkliga språket. Variation (synonymi, tvetydighet, omskrivningar, redundans) kännetecknar inte bara allmänspråkliga enheter utan även terminologi; begrepp och termer måste därför studeras ”i sitt dynamiska samspel” (Cabré, Montané, Nazar 2012: 2–3).
Fokuseringen på termers användning har gjort korpusar till den moderna terminologianalysens huvudsakliga arbetsyta. Digitala korpusar och programvara för korpusanalys har berikat terminologin med omfattande resurser och verktyg som gör det möjligt för terminologer att extrahera termer ur ett stort antal dokument, fånga upp de senaste förändringarna inom ett specifikt domänområdes terminologi, analysera dess utveckling och fastställa begreppsliga samband mellan termer inom samma domänområde. Korpusar ger tillgång till tillförlitlig, statistiskt underbyggd information om termers användning i naturligt språk, som tidigare varit helt otillgänglig. Därför har korpusdriven metodik blivit den dominerande metodiken och tillhandahåller oumbärliga verktyg för terminologisk forskning och hantering (Zeller 2005; Cabré, Montané, Nazar 2012; Bielinskinė et al. 2015).
Terminologija | 2018 | 25
89
Page 5
2.2. Korpusdrivna analysprinciper: kollokationella och kolligationella metoder
Korpusdriven termextraktion och analys utförs med statistiska och lingvistiska metoder. I den aktuella studien tillämpas kollokationella och kolligationella metoder.
Kollokationer avser syntagmatisk attraktion mellan lexikala enheter. Enligt Tomas Lehecka (2015) ”bygger kollokationsbegreppet på föreställningen att varje ord i ett språk föredrar vissa lexikala kontexter framför andra, dvs. att ett givet ord tenderar att samförekomma med vissa ord oftare än med andra” (Lehecka 2015: 2). Statistisk analys av korpusdata används för att mäta graden av attraktion mellan ord. Resultaten gör det möjligt att avgöra vilka ordkombinationer som förekommer tillsammans signifikant oftare än vad som skulle förväntas av en slump, med hänsyn till ordens totala frekvens i korpusen (Lehecka 2015: 2). På så sätt fastställs de mest signifikanta kollokationerna för de valda orden i den analyserade korpusen.
Denna metod används främst för kontextuell semantisk analys av lexikala enheter, eftersom den gör det möjligt att observera hela variationen av ord som samförekommer med de undersökta orden, fastställa de dominerande samförekomstmönstren och därmed beskriva deras betydelser utifrån deras kontextuella omgivning (Atkins, Rundell, Sato 2003: 340–341).
Kollokationsanalys har blivit ett oumbärligt verktyg för lexikografer och används även i stor utsträckning inom datorlingvistik för maskinöversättning, naturlig språkbehandling och andra områden (Lehecka 2015).
Kollokationsmetoden används ofta i kombination med kolligationsmetoden. Kolligationsbegreppet avser attraktion mellan en lexikal enhet och ett grammatiskt mönster och bygger på föreställningen att ord föredrar att användas i vissa grammatiska mönster och undviker andra grammatiska mönster (Sinclair 1998; Lehecka 2015). Kolligationsanalysen kan utvidgas till att omfatta förhållandet mellan den lexikala enheten och den position i en fras, sats, mening, text eller diskurs där den lexikala enheten kan användas (Hoey 2005: 49–52).
Kolligationsanalys har i stor utsträckning använts i kombination med kollokationsanalys för att studera betydelserna hos nästan-synonymer, eftersom korpuslingvistiska studier har visat att de ofta används i olika lexikala och grammatiska kontexter (Lehecka 2015). Korpuslingvistiska undersökningar
90
Oksana Smirnova Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 6
har visat att även olika betydelser hos polysema ord kan uppvisa olika kollokationella och kolligationella mönster (Aston, Burnard 1998). Kollokations- och kolligationsanalyser har således visat att semantik och grammatik inte bör behandlas som oberoende system, utan snarare som nära sammankopplade system (Lehecka 2015). Den pragmatiska aspekten bör också beaktas i analyserna, eftersom en lexikal enhets kollokationella och kolligationella preferenser varierar avsevärt mellan olika domäner och olika texttyper (Butler 2004: 157; Newman, Rice 2006).
2.3. Tillämpning av kollokations-kolligationsmetoden vid termextraktion och analys
Den kollokations-kolligationsbaserade metoden kan också användas för att extrahera flerordstermer; den lämpar sig särskilt väl för att extrahera terminologi som innehåller förvalda nyckelord – ord som potentiellt är terminologiskt relevanta och kännetecknande för den domän som korpusen tillhör. Metoden bygger på antagandet att komplexa termer består av befintliga enkla termer (Nakagawa 2001).
Verktyg för korpusanalys extraherar ord som förekommer tillsammans med de förvalda nyckelorden och gör det möjligt att fastställa de dominerande kollokationerna. En del av dessa kollokationer utgörs av nominalfraser som måste väljas ut ur kollokationslistorna med hjälp av lingvistiska metoder. De utvalda nominalfraserna används för vidare analys av korpusdata och extraktion av flerordstermer som består av de utvalda nominalfraserna och eventuellt ytterligare kollokater.
I den aktuella undersökningen analyseras de extraherade termerna vidare med hjälp av principerna för kolligationsanalys, i syfte att klarlägga formella strukturmodeller för terminologi i de undersökta språken och bidra till kontrastiva flerspråkiga studier av mönster för termbildning (jfr Janulevičienė, Rackevičienė 2014; Mockienė 2016).
3. UTVECKLING AV KORPUSAR OCH VAL AV PROGRAMVARA FÖR ANALYSEN
Enligt M. Teresa Cabré, M. Amor Montané och Rogelio Nazar har sammanställningen av en korpus med dokument från en specifik domän tre syften. För det första behöver terminologer bli förtrogna med domänens språkbruk; för det andra behövs en korpus för termextraktion och statistiska analyser av termerna; och
Terminologija | 2018 | 25
91
Page 7
slutligen används texter för att få kompletterande information om termerna, såsom semantiska, syntaktiska eller kollokationella ledtrådar (Cabré, Montané, Nazar 2012: 3–4).
Den sammanställda korpusen bör vara tillräckligt stor och hålla tillräcklig kvalitet för att anses representativ för den valda domänen. Det finns inga exakta krav på en korpus storlek, men den bör innehålla så många dokument som möjligt, eftersom slutsatserna om terminologianvändningen inom domänen blir tillförlitligare ju större korpusen är (Cabré, Montané, Nazar 2012: 4).
Med hänsyn till alla dessa aspekter sammanställdes korpusar av EU-rättsakter på engelska, franska och litauiska. Rättsakterna hämtades från Europeiska unionens officiella tidning, en fritt tillgänglig onlinekälla. 101 rättsakter om EU:s finansiella frågor, antagna under perioden 2014–2017, samlades in. Dokumenten omvandlades till oformaterad text och alignerades för termextraktion och analys.
Tre program användes för att sammanställa och alignera texterna samt extrahera nödvändiga data ur dem: AntConc (2014), AntPConc (2017), utvecklade och godkända av Laurence Anthony, och NOVA Text Aligner (2014).
AntConc är ett kostnadsfritt verktygspaket för flera plattformar, avsett för korpuslingvistisk forskning och datadrivet lärande, medan AntPConc är avsett för att skapa en parallellkorpus på flera språk. Båda programmen gör det möjligt för forskaren att hantera stora datamängder och genomföra en omfattande flerspråkig lingvistisk analys.
De verktyg som AntConc tillhandahåller för användarna är följande: Word list, Collocates, Clusters, Keywords, Concordance, Concordance plot, File view tool. I den aktuella undersökningen användes fyra verktyg i AntConc:
• Wordlist gjorde det möjligt att fastställa de vanligaste orden i korpusarna;
• Collocates gjorde det möjligt att fastställa de dominerande kollokaterna till ordet ‘risk’ och mäta graden av deras syntagmatiska attraktion till ordet ‘risk’;
• Clusters gjorde det möjligt att identifiera de mest dominerande flerordstermerna med ordet ‘risk’ som huvudsubstantiv;
• Concordances gav en mängd exempel som illustrerade hur termerna används i texterna.
En ögonblicksbild av programmet AntConc visas i figur 1.
92
Oksana Smirnova | Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 8
Figur 1. Programmet AntConc
Innan en parallellkorpus sammanställdes justerades de nedladdade texterna på tre språk manuellt med hjälp av programmet NOVA Text Aligner. Efter justeringen av texterna byggdes en parallellkorpus upp med programmet AntPConc (se figur 2).
Figur 2. Programmet AntPConc
Terminologija | 2018 | 25
93
Page 9
Programmet AntPConc gjorde det möjligt att visa exempel från tre språk samtidigt: man kunde klicka på en vald mening för att se motsvarigheterna på de andra språken. Programmet gjorde det också möjligt att skilja nyckelorden från deras vänstra eller högra kollokationer genom att använda olika färger. Det gick dock inte att se från vilket dokument exemplet hade hämtats. Med hjälp av parallellkorpusen hämtades franska och litauiska motsvarigheter till 70 engelska termer.
4. KORPUSANALYS OCH TERMUTVINNING MED HJÄLP AV PROGRAMMEN AntConc OCH AntPConc
4.1. Fastställande av de vanligaste orden i korpusarna
För att fastställa de vanligaste orden i korpusen med finansiella dokument användes verktyget Word list i programmet AntConc. Det gav frekvensresultat för ord i de engelska, franska och litauiska korpusarna, vilket gjorde det möjligt att jämföra ordfrekvenserna i de undersökta språken och sammanställa en trespråkig lista över de 10 vanligaste orden (se tabell 1). Word list gav också information om antalet ordtoken och ordtyper i korpusarna och gav tillgång till de sammanhang där termerna användes (se tabell 1).
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 10
EN (korpus 802 933 ordtoken, 9333 ordtyper) FR (korpus 940 655 ordtoken, 12365 ordtyper) LT (korpus 639 279, 24727 ordtyper) 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)
Resultaten av denna analys visar att de vanligaste orden i korpusarna för alla tre undersökta språk är ‘risk’ och ‘credit’, medan ordet ‘market’ kommer på tredje plats i frekvenslistorna. Alla tre orden, och i synnerhet orden ‘risk’ och ‘credit’, förekommer ofta tillsammans i finansdokumenten. Detta kan förklaras av det nära semantiska sambandet mellan orden: det är självklart att varje penningtransaktion innebär fara, med andra ord genererar ‘credit’ ‘risk’. Ordens vanligaste grammatiska numerus är singular, även om plural också används i de undersökta språken. I litauiska, som är ett syntetiskt språk med ett rikt böjningssystem, används orden i olika grammatiska kasus, varav genitiv singular är det dominerande.
Analysresultaten gör det möjligt att fastslå att orden ‘risk’, ‘credit’ och ‘market’ bör betraktas som lexikala enheter som betecknar de grundläggande begreppen inom finansområdet. Ordet ‘risk’, som är det vanligaste i korpusarna, valdes för fortsatt termextraktion och analys.
Eftersom forskningsobjektet är engelska flerordstermer som innehåller det valda nyckelordet (ordet ‘risk’) och deras motsvarigheter på franska och litauiska, organiserades det fortsatta arbetet med termextraktion i följande steg: fastställande av de dominerande engelska kollokationerna för ordet ‘risk’; extraktion av nominalfraser med ordet ‘risk’ som huvudsubstantiv
Terminologija | 2018 | 25
95
Page 11
urval av fraser med terminologiskt värde samt fastställande av deras franska och litauiska motsvarigheter.
4.2. Fastställande av kollokationer till ordet ‘risk’ i den engelska korpusen
I det andra steget av termextraktionen fastställdes de dominerande kollokationerna till ordet ‘risk’ i den engelska korpusen. Detta mål uppnåddes med hjälp av verktyget AntConc Collocates. Verktyget tillhandahöll vänster- och högerkollokationer till det valda nyckelordet och gjorde det möjligt att analysera icke-sekventiella mönster i språken.
Verktyget tillhandahöll kollokationernas totala frekvenser samt deras frekvenser till vänster respektive höger om ordet ‘risk’. Det tillhandahöll också värden för statistiska mått (poäng för ömsesidig information (MI)) som visade graden av syntagmatisk attraktionskraft mellan nyckelordet och dess kollokationer. Resultaten av kollokationsanalysen presenteras i tabell 2, som innehåller uttömmande uppgifter om kollokationerna med de högsta MI-poängen (de 10 främsta).
Tabell 2. DE 10 främsta kollokationerna till ordet ‘risk’ i den engelska korpusen
Resultaten visar ordet ‘risk’s närmaste lexikala kontext i engelskan och gör det möjligt att föreställa sig det dominerande tvåordsnukleus av flerordstermer som innehåller ordet ‘risk’ i den undersökta korpusen.
96
Oksana Smirnova
Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 12
4.3. Extraktion av nominalfraser med ordet ’risk’ som huvudord i den engelska korpusen
Ytterligare korpusanalys och termextraktion fokuserade på kollokationer med en viss formell struktur – nominalfraser som innehåller ordet ’risk’ som huvudord. De extraherades ur den engelska korpusen med verktygen Clusters och Concordance.
Verktyget Clusters gjorde det möjligt att söka efter kluster (ordkombinationer) som innehåller ordet ’risk’ tillsammans med dess vänster- och högersidiga kollokater. Det gjorde det möjligt att välja klustrens minsta och största längd (antal ord) samt den lägsta frekvens för kluster som skulle visas. Klustren kunde sorteras antingen efter frekvens eller efter antalet filer i vilka klustren förekom i korpusen.
Följande parametrar ställdes in för extraktion av nominalfraser med ordet ’risk’ som huvudord: klusterstorlek från 2 till 5, sortering efter frekvens. Även nyckelordets position behövde väljas: först sorterades kluster med nyckelordet till höger och därefter kluster med nyckelordet till vänster. Med parametern ’sök nyckelord till höger’ visade verktyget 4814 klustertoken och 181 klustertyper; med parametern ’sök nyckelord till vänster’ visades 4284 klustertoken och 137 klustertyper.
Ur de visade klusterlistorna extraherades manuellt nominalfraser med ordet ’risk’ som huvudord. Deras vidare kontext analyserades med verktyget Concordance, vilket gjorde det möjligt att fastställa nominalfrasernas gränser och identifiera nominalfraser som omfattade både vänster- och högersidiga kollokater till ordet ’risk’. Tabell 3 visar de vanligaste nominalfraserna.
Tabell 3. De 20 vanligaste nominalfraserna med ordet ’risk’ som huvudord
Nominalfraser (’risk’ till höger)
Frekv.
Nominalfraser (’risk’ till vänster)
Frekv.
1. kreditrisk
471
1. risk för alltför hög skuldsättning
18
2. systemrisk
113
2. risk för skuldinstrument
12
3. operativ risk
102
3. risk för förlust
12
4. likviditetsrisk
97
4. risk för kapacitetsundanhållande
10
Terminologija | 2018 | 25
97
Page 13
Substantivfraser (”risk” till höger) | Frekvens | Substantivfraser (”risk” till vänster) | Frekvens 5. specifik risk | 86 | 5. risk för tredje part | 8 6. marknadsrisk | 76 | 6. risk för förvärvade fordringar | 7 7. motpartens kreditrisk | 41 | 7. risk för en prisförändring | 7 8. utspädningsrisk | 33 | 8. risk för störningar | 6 9. ränterisk | 32 | 9. risk för finansiell stabilitet | 2 10. affärsrisk | 26 | 10. risk för en låntagare | 2
Resultaten visar att substantivfraser där ordet ”risk” står längst till höger är mycket vanligare än substantivfraser där ordet ”risk” står längst till vänster. Endast några exempel på substantivfraser med både vänster- och högersidiga kollokater till ordet ”risk” hittades i korpusen: kreditrisk för återköpta transaktioner, kreditrisk för värdepapperiseringsposition, kreditrisk för tredje part.
En lista över de 70 främsta engelska substantivfraserna med ordet ”risk” som huvudsubstantiv sammanställdes för den fortsatta undersökningen. Endast de substantivfraser som hade terminologiskt värde (det vill säga betecknade abstrakta begrepp inom finansområdet) togs med i listan. I den fortsatta analysen benämns de flerspråkiga termer.
4.4. Fastställande av franska och litauiska motsvarigheter till de utvalda engelska termerna
I det sista steget i termextraktionen fastställdes de franska och litauiska motsvarigheterna till de utvalda engelska termerna. För detta användes programvaran AntPConc, som utvecklats för analys av parallellkorpusar. Korpusar på de tre undersökta språken laddades upp i programmet. När de utvalda engelska termerna söktes i den engelska korpusen visade programmet de parallella strängarna i de franska och litauiska texterna och gjorde det därmed möjligt att manuellt välja ut de nödvändiga motsvarigheterna. Sammanlagt fastställdes 70 franska och 70 litauiska motsvarigheter till de utvalda engelska termerna. Tabell 4 visar de 10 främsta engelska termerna och deras franska och litauiska motsvarigheter.
Resultaten av denna analys visade på de formella skillnaderna mellan termerna på de undersökta språken, vilka undersöks och diskuteras nedan.
98 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 14
Tabell 4. De 10 främsta engelska termerna och deras motsvarigheter på franska och litauiska
EN FR LT kreditriskrisque de créditkredito rizika systemrisk risque systémiquesisteminė rizikaoperativ riskrisque opérationneloperacinė rizikalikviditetsriskrisque de liquiditélikvidumo rizikaspecifik riskrisque spécifiquespecifinė rizikamarknadsriskrisque de marchérinkos rizikamotpartens kreditriskrisque de crédit de contrepartiesandorio šalies kredito rizikautspädningsriskrisque de dilutiongautinų sumų rizikaränteriskrisque de taux d’intérêtpalūkanų normos rizikaaffärsriskrisque économiqueverslo rizika
5. FORMELL STRUKTURANALYS AV DE EXTRAHERADE TERMERNA
De extraherade termerna analyserades vidare med hjälp av kolligationsanalysens principer för att identifiera terminologins formella strukturmodeller på olika språk.
Termernas beståndsdelar tillhör två huvudkategorier: huvudsubstantivet ’risk’ och dess bestämningar. Utifrån bestämningarnas position fastställdes två modifieringsmönster – prenominal modifiering (där bestämningarna står före huvudsubstantivet) och postnominal modifiering (där bestämningarna står efter huvudsubstantivet). Inga termer som innehöll både prenominala och postnominala bestämningar ingick i TOP 70-listan över termer som valts ut för den statistiska analysen.
Analysen inriktades på följande aspekter av termernas bildning: antalet beståndsdelar i termerna, modifieringsmönster samt termernas syntaktiska strukturer (bestämningarnas position och ordklasser). Tabell 5 och 6 visar analysens sammanfattade resultat.
Resultaten i tabellerna visar att termerna har olika modifieringsmönster i de undersökta språken. Den kvantitativa
Terminologija | 2018 | 25
99
Page 15
modifieringsanalysen genomfördes för att identifiera de dominerande modifieringsmönstren i de undersökta språken; resultaten presenteras i Diagram 1.
Tabell 5. Syntaktiska strukturer för termers prenominala modifieringsmönster
9 termer, t.ex.: intradagskreditrisk på 24 timmar, intradagslikviditetsrisk på 24 timmar
–
Diagram 1. Termens modifieringsmönster
Terminologija | 2018 | 25 1 0 1
Page 17
Resultaten visar att premodifiering dominerar i engelska och litauiska, medan postmodifiering kännetecknar franska. Inga termer med premodifieringsmönster påträffades på franska, och inga termer med postmodifieringsmönster identifierades på litauiska. Endast de engelska termerna förekom i båda typerna, även om antalet termer med postmodifierare är relativt lågt.
Alla undersökta termer omfattar en eller flera bestämningar, vilka är substantiv, adjektiv eller prepositionsfraser som intar olika positioner i de terminologiska enheterna. Analysresultaten visar att de dominerande bestämningarna i de engelska och litauiska termerna är substantiv och adjektiv, medan ordet ‘risk’ i de franska termerna oftast bestäms av prepositionsfraser. Termer som omfattar 3 eller fler ord kan klassificeras ytterligare efter sina bestämningsnivåer (termer med bestämningar som bestämmer huvudsubstantivet och termer med bestämningar som bestämmer andra bestämningar), men på grund av det begränsade utrymmet presenteras inte denna analys i artikeln.
De sammanfattade resultaten i tabellerna visar också att termerna skiljer sig åt i fråga om antalet beståndsdelar. En kvantitativ analys av termlängden genomfördes för att fastställa det dominerande antalet termbeståndsdelar i de undersökta språken; resultaten presenteras i Diagram 2.
Diagrammet visar två huvudsakliga tendenser. För det första följer EU:s termskapare språkekonomins grundläggande krav (kortfattade termer): tvåordstermer dominerar i alla tre språken. För det andra har endast ett fåtal engelska och franska termer fler än 2–3 ord, medan i
Diagram 2. Antal termbeståndsdelar
102
Oksana Smirnova | Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 18
Litauiska termer med 4 eller fler ord utgör en betydande del av det utvalda materialet (17 av 70).
Tendensen att tvåordstermer dominerar överensstämmer med de tendenser som har konstaterats av andra terminologiforskare. Agnė Bielinskienė et al.:s forskning om automatisk extraktion och definition av utbildnings- och vetenskapsterminologi visade att de flesta litauiska termer inom detta område är tvåordstermer: de utgjorde mer än två tredjedelar av de termer som valdes bland termkandidater som automatiskt extraherats från en specialiserad korpus (Bielinskienė et al. 2015: 62). Liudmila Mockienės kontrastiva forskning om konstitutionell rättsterminologi visade samma tendens i tre olika språk. I de undersökta engelska, ryska och litauiska rättsakterna av konstitutionell karaktär bestod majoriteten av de extraherade flerordstermerna av två beståndsdelar: de utgjorde 78.5% av de engelska flerordstermerna, 62% av de ryska flerordstermerna och 74.5% av de litauiska flerordstermerna (Mockienė 2016: 43–45). Termskapare inom olika domäner och på olika språk tenderar således att följa samma princip om språkekonomi och användarvänlighet.
6. S L U T S A T S E R
Programvarorna AntCont, som används för analys av enspråkiga korpusar, och AntPConc, som används för analys av parallellkorpusar, gjorde det möjligt att extrahera engelska, franska och litauiska flerordstermer med ordet ‘risk’ som huvudsubstantiv ur de specialiserade korpusar med EU-dokument inom finansområdet som sammanställts för studiens syften. Extraktionen genomfördes i följande steg:
• extrahera nyckelorden i de engelska, franska och litauiska korpusarna (ord med potentiell terminologisk relevans som kännetecknar den domän korpusarna representerar) och välja det mest frekventa nyckelordet (ordet ‘risk’) för fortsatt analys;
• extrahera kollokationer till ordet ‘risk’ och nominalfraser med ordet ‘risk’ som huvudsubstantiv och med vänster- och/eller högerställda kollokater ur den engelska korpusen;
• välja de lexikala enheter som har terminologiskt värde från listan över extraherade nominalfraser;
• fastställa franska och litauiska motsvarigheter till de utvalda engelska termerna i den parallella engelsk-fransk-litauiska korpusen.
Terminologija | 2018 | 25
1 0 3
Page 19
Den tillämpade metodiken visade sig vara lämplig för effektiv flerspråkig termextraktion, som kan användas för att utveckla eller uppdatera termbaser eller för vetenskaplig analys av termer.
Analysen av de extraherade termernas formella struktur visade på några viktiga tendenser i termbildningen i de undersökta språken:
• premodifiering dominerar i engelska och litauiska, medan postmodifiering är karakteristisk för franska;
• de vanligaste bestämningarna i engelska och litauiska termer är substantiv och adjektiv, medan ordet ‘risk’ i franska termer oftast bestäms av prepositionsfraser;
• den vanligaste termtypen sett till antalet beståndsdelar är tvåordstermer – de utgör den största gruppen av termer i TOP 70-listorna på engelska, franska och litauiska; detta visar att EU:s termskapare följer språkekonomins grundläggande krav (kortfattade termer);
• endast ett fåtal engelska och franska termer har fler än 2–3 ord, medan termer med 4 eller fler ord utgör en betydande del av det utvalda materialet i den litauiska TOP 70-listan (17 av 70).
Resultaten av analysen av den formella strukturen belyser tendenser i termbildningen i de undersökta språken och tillhandahåller terminologisk information som kan vara användbar för termskapare och översättare. De syntaktiska mönster som fastställdes i undersökningen kan användas för att utveckla automatiska lingvistiska metoder för termextraktion utan förvalda nyckelord.
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
Page 20
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
Page 21
• žodžio rizika kolokacijų ir daiktavardinių junginių su pagrindiniu dėmeniu rizika ir jo kairiaisiais bei dešiniaisiais kolokatais nustatymas angliškame tekstyne;
• 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
