Multi-word patterns in the corpus of Information and Communication Technology. Terminological bundles in the genre – ‘Textbooks in ICT’

39Terminologija | 2012 | 19 Multi-word patterns in the corpus of Information and Communication Technológia. Terminológiai szókapcsolatok a műfajban – „Tankönyvek az IKT-ról” MAREK WEBER Bialystoki Műszaki Egyetem KULCSSZAVAK: korpusznyelvészet, információs és kommunikációs technológia, lexikai szókapcsolatok, a lexikai szókapcsolatok funkcionális osztályozása, terminológiai szókapcsolatok, lexikai vizsgálat AZ INFORMÁCIÓS ÉS KOMMUNIKÁCIÓS TECHNOLÓGIA ADATAI ÉS KORPUSZA A vizsgálat adatai az információs és kommunikációs technológia (IKT) tág területének elektronikus korpuszából állnak; ez gyűjtőfogalomként magában foglal minden olyan technológiát, amelyet az adatok feldolgozására és továbbítására fejlesztettek ki. A szövegeket úgy választották ki, hogy az IKT területének keresztmetszetét képviseljék. A szövegeket hét kategóriába sorolták, amelyek az IKT területén belüli műfajoknak tekinthetők: 1. műfaj: Szakmai cikkek az IKT-ról; 2. műfaj: Tudományos cikkek az IKT-ról; 3. műfaj: IKT-szoftveralkalmazások műszaki dokumentációja; 4. műfaj: IKT-hardver műszaki dokumentációja; 5. műfaj: IKT-tankönyvek; 6. műfaj: Programozási nyelvek és programozási környezetek műszaki dokumentációja; 7. műfaj: Hálózati technológiák műszaki dokumentációja. A korpusz 973 szövegből álló gyűjteményt tartalmaz, összesen csaknem 24 millió szóval. A korpusz adatainak kiválasztása a kutató egyik legfontosabb feladata, mivel a korpusznak reprezentatívnak kell lennie a vizsgált használati területre nézve. Ahogyan Douglas Biber rámutat, a szövegek mennyisége kulcsfontosságú az olyan kutatásokban, amelyekben a tudós a szövegre mint a vizsgálat elsődleges egységére összpontosít. Minden műfajba elegendő számú szöveget kell bevonni a kategóriák és a szerzők közötti eltérések figyelembevételéhez (Biber, 2006). 40 Marek Weber Többszavas mintázatok az információs korpuszban 1. táblázat.  andCommunicationTechnology.Terminological  bundlesinthegenre–‘TextbooksinICT’ Az információs és kommunikációs technológiai korpusz összetétele műfaj Szövegek száma Tokenek száma (folyamatos szavak) Szakmai cikkek 391 225551 Tudományos cikkek 95 1272001 Szoftveralkalmazások 2472839 az IKT-ban technikai dokumentációja 92 IKT-hardver technikai dokumentációja 100 2471772 Tankönyvek 99 15315237 A programozás technikai dokumentációja 90 1282175 nyelvei és dokumentációja 106 725418 programozási környezetei Hálózati technológiák technikai ÖSSZESEN 973 23764993 LEXIKAI EGYSÉG: A KIFEJEZÉS A véletlenszerűen várhatónál gyakrabban együtt előforduló ismétlődő szósorozatok a nyelvi megnyilatkozások fontos részét képezik. A lexical bundle (lexikai egység) kifejezést először Douglas Biber, Stig Johansson, Geoffrey Leech, Susan Conrad és Edward Finegan használta a ma már klasszikusnak számító Longman grammar of spoken and written English című műben, hogy a kizárólag a gyakoriság kritériuma alapján azonosított többszavas kombinációkra utaljon (Biber et al. 1999), miközben Mike Scott word clustersnek (szócsoportoknak) nevezi őket a WordSmith Tools szoftveralkalmazás 4. verziójának (1996) és 5. verziójának (2010) kézikönyvében. A lexikai egységek azonosításakor az egyetlen szempont a gyakoriság. „A clusters olyan szavak, amelyek ismételten együtt, egymás társaságában, egymás után fordulnak elő” (Scott 2010: 337). Scott rámutat arra, clusters may involve semantic prosody i.e. the tendency for certain lexemes to co-occur with certain other lexemes (e.g. the tendency for cause to come hogy az olyan, negatív hatásokkal járó szavak, mint például a baleset, a baj stb.) (Scott 2010: 337). Biber, Johansson, Leech, Conrad és Finegan a lexikai együtteseket strukturális tulajdonságaiktól függetlenül visszatérő kifejezésekként határozzák meg, azaz olyan szóalak-sorozatokként, amelyek gyakran fordulnak elő együtt a diskurzusban, és rámutatnak arra, hogy a rövidebb együttesek gyakran egynél több hosszabb lexikai együttesbe is beépülnek (Biber et al. 1999). Azt is megfigyelik, hogy a legtöbb esetben a lexikai együttesek nem alkotnak strukturális egységeket, és többségük nem 41Terminologija | 2012 | 19 olyan kifejezés, amelyet a nyelvhasználók idiomaként vagy más rögzült lexikai kifejezésként ismernének fel. Biber, Johansson, Leech, Conrad és Finegan a következő küszöbértékeket állapítják meg ahhoz, hogy a többszavas szekvenciák lexikai együttesnek minősüljenek: egymillió szóban legalább 10 alkalommal, továbbá legalább öt szövegben kell előfordulniuk (Biber et al. 1999). Biber megjegyzi, hogy a gyakoriság által vezérelt megközelítés meglepő eredménye az, hogy a lexikai együttesek két váratlan jellegzetességgel bírnak (Biber 2006: 134). Először is, jelentésük szerint többségük nem idiomatikus, hanem jelentésük általában az egyes szóalakokból átlátható. Ken Hyland arra is rámutat, hogy a legtöbb együttes szemantikailag átlátható és „formailag szabályos, a koherens diskurzus építőelemeit biztosítja” (Hyland 2008: 6). Másodszor, a legtöbb kollokáció nem teljes grammatikai szerkezet. Biber, Johansson, Leech, Conrad és Finegan megfigyelték, hogy a társalgásban előforduló lexikai kollokációk körülbelül 15 %-a alkotott teljes szerkezeti egységet, míg az akadémiai prózában előforduló lexikai kollokációknak csak körülbelül 5 %-a volt teljes kifejezésnek vagy tagmondatnak tekinthető (Biber et al. 1999: 1000). Biber értékes megállapítása a lexikai kollokációk szintaktikai természetéről az, hogy olyan lexikai egységek, amelyek gyakran keresztezik a grammatikai szerkezeteket; például két kifejezést vagy tagmondatot is összekapcsolhatnak úgy, hogy egy kollokáció utolsó szavai egy második szintaktikai szerkezet kezdő részei legyenek (Biber 2006: 135). Hyland azt is hangsúlyozza, hogy a kizárólag gyakoriságuk alapján azonosított lexikai kollokációk általában szerkezeti egységeken ívelnek át (Hyland 2008: 6). Számos korpuszvizsgálat foglalkozott a megszakítás nélküli szóalakok ismétlődő sorozatainak elemzésével, és bemutatják, hogy ezek mennyire fontosak a diskurzus különböző típusaiban, valamint jelentős változatosságot mutatnak a lexikai kollokációk a különböző műfajokban és regiszterekben (pl. Biber 2006; Biber, Conrad, Cortes 2004; Hyland 2008; Scott, Tribble 2006; Gozdz-Roszkowski 2011). A TANULMÁNYBAN ALKALMAZOTT MÓDSZERTAN A döntés a 4 szavas szókapcsolatok elemzésére való összpontosítás mellett született, mivel egyrészt a 4 szavas szókapcsolatok gyakorisága lényegesen magasabb, mint az 5 szavas sorozatoké, másrészt pedig gyakran tartalmaznak 3 szavas szövegrészleteket, és lehetővé teszik a 3 szavas kifejezéseknél nyilvánvalóbb mintázatok és struktúrák azonosítását. A 4 szavas szókapcsolatok listáit mind a 42 Marek Weber Többszavas mintázatok az információs korpuszban hét  andCommunicationTechnology.Terminological  bundlesinthegenre–‘TextbooksinICT’ ICT-műfajban a WordSmith Tools v. 5.0 – a korpuszokban előforduló mintázatok keresésére szolgáló szoftvercsomag – segítségével állították elő. A jelen tanulmányban a következő két határértéket állapították meg: előfordulásonként legalább 20 előfordulás egymillió szóra vetítve, továbbá az a feltétel, hogy egy szókapcsolatnak legalább öt szövegben kell előfordulnia. A határértékek alkalmazásának folyamata megfelelő számításokat igényelt mind a hét, az adott műfaj szókapcsolatainak listáját tartalmazó fájlban. A számításokat a következő lépésekben ismertetjük: 1. A WordSmith Tools szoftverből nyert táblázatban egy „Frequency per million” („Gyakoriság egymillió szóra vetítve”) elnevezésű további oszlop létrehozása. 2. A futó szavak értékének beillesztése egy adott kategórián belüli szabad Excel-munkalapcellába. 3. A „Frequency per million” oszlop első cellájának kitöltése a következő képlettel: 4. A képlet másolása más cellákba úgy, hogy a kitöltött cella jobb alsó sarkára kattintunk, majd lefelé húzzuk más cellákra. 5. A „Number of texts” oszlop kijelölése. 6. Az „Data” menü kiválasztása, majd a rendezési eszközben a „Sort &Filter” mező kiválasztása. 7. A csökkenő rendezési sorrend kiválasztása. 8. A táblázat azon sorainak törlése, amelyekben a „Number of texts” mező értéke 5-nél kisebb. 9. A „Frequency per million” oszlop kijelölése. 10. A „Data” menü kiválasztása, majd a „Sort & Filter” mező kiválasztása a rendezési eszközben. 11. A csökkenő rendezési sorrend kiválasztása. 12. A táblázat azon összes sorának törlése, amelyekben a „Frequency per million” mező értékei 20-nál alacsonyabbak. A fenti küszöbérték-kritériumok alkalmazása után 1886 különböző kollokációt találtunk a korpuszban. A teljes adathalmazban azonosított kollokációk teljes száma 197 553 volt. 43Terminologija | 2012 | 19 2. táblázat. A lexikai kollokációk eloszlása az ICt műfajaiban műfaj A kollokációk teljes száma A különböző kollokációk a kollokációkban előforduló szavak %-a száma a küszöbérték-kritériumok alkalmazása után A küszöbérték-kritériumok alkalmazása után Szakmai cikkek 1057 131 1,8 Tudományos cikkek 5548 120 1,7 Szoftveralkalmazások 44669 403 7,2 Hardver 55296 672 8,9 Tankönyvek 72483 119 1,9 Programozási és programozási környezetek nyel-10984 180 3,4 vek Hálózati technológiák 7516 261 4,1 Összesen 197553 1886 A kötegekben előforduló szavak százalékos arányát úgy kaptuk meg, hogy egy adott műfaj esetében az összes előfordulás számát megszoroztuk 4-gyel (a vizsgálat 4 szóból álló kötegekre terjed ki), elosztottuk az adott műfajban előforduló szavak számával, majd az alábbi képlet szerint megszoroztuk 100%-kal: Véleményünk szerint két paraméter – a különböző kötegek előfordulási köre és a kötegekben előforduló szavak százalékos aránya – tekinthető annak mutatójának, hogy egy adott műfaj mennyire formulaikus és ismétlődő a többi műfajhoz képest. Más szóval egy műfaj formulás jellegének és ismétlődésének mértéke az adott műfajban alkalmazott különböző szókapcsolati egységek körével és a szókapcsolati egységekben előforduló szavak százalékos arányával mérhető. Az IKT-műfajok a formulás jelleg és az ismétlődés kritériuma alapján három csoportra oszthatók. A 3. műfajt – „szoftveralkalmazások műszaki dokumentációja az IKT területén” – és a 4. műfajt – „IKT-hardverek műszaki dokumentációja” – a formulás jelleg és az ismétlődés magas foka jellemzi, mivel összehasonlítható mintázatokat mutatnak: a különböző szókapcsolati egységek legnagyobb körét alkalmazzák (403, illetve 672), valamint a szókapcsolati egységekben előforduló szavak legmagasabb százalékos arányát mutatják (7,2 %, illetve 8,9 %). 44 Marek Weber Többszavas mintázatok az információ korpuszában 1. ábra:  andCommunicationTechnology.Terminological  bundlesinthegenre–‘TextbooksinICT’ Magas fokú formulás jelleggel és ismétlődéssel rendelkező műfajok Ezzel szemben az 1. műfajt – „szakmai cikkek az IKT területén” –, a 2. műfajt – „tudományos cikkek az IKT területén” – és az 5. műfajt – „tankönyvek az IKT területén” – a formulás jelleg és az ismétlődés viszonylag alacsony foka jellemzi, mivel a különböző szókapcsolati egységek legalacsonyabb körét alkalmazzák (131, 120, illetve 119), valamint a szókapcsolati egységekben előforduló szavak legalacsonyabb százalékos arányát mutatják (1,8 %, 1,7 % és 1,9 %, illetve). A fennmaradó két műfaj, a 6. műfaj – „programozási nyelvek és programozási környezetek műszaki dokumentációja” – és a 7. műfaj – „hálózati technológiák műszaki dokumentációja” – alkotja a harmadik csoportot; mindkét paraméter értékei a tartomány közepén helyezkednek el (a különböző szókapcsolati egységek száma: 180, illetve 261; a szókapcsolati egységekben előforduló szavak százalékos aránya: 3,4 %, illetve 4,1 %). Mindazonáltal érdemes szem előtt tartani, hogy amint arra Stanislaw Gozdz-Roszkowski helyesen rámutat, közvetlen összehasonlításokat csak hasonló szószámú műfajok között lehet biztonságosan tenni. Ennek a szempontnak a figyelembevétele érdekében a szókapcsolati egységekben előforduló szavak százalékos arányát minden egyes műfaj esetében úgy számítják ki, hogy az tükrözze az egyes műfajokat reprezentáló alkorpuszok szószámát (Gozdz-Roszkowski 2011: 111). A KÖTEGÉK FUNKCIONÁLIS OSZTÁLYOZÁSA Az e korpuszban vizsgált kötegek funkcionális elemzésének keretét Biber (Biber 2006; Biber et al. 2004), Hyland (2008) és Gozdz-Roszkowski (2011) taxonómiái alapján alakították ki. Biber (2006) osztályozása egy széles körű, beszélt és írott regisztereket magában foglaló korpusz vizsgálatából született, amely többek között olyan diskurzustípusokat fedett le, mint a kötetlen beszélgetések, az órai foglalkozások felvételei, az osztálytermi oktatás, a fogadóórák, a tanulócsoportok, az egyetemi szolgáltatások igénybevétele során zajló találkozások, a tankönyvek, a kurzuscsomagok és az intézményi szövegek (pl. egyetemi katalógusok, brosúrák). 45Terminologija | 2012 | 19 Hyland (2008) tanulmányának korpusza (3,5 millió szavas) négy tudományterület kutatási cikkeiből, PhD-disszertációiból és disciplines: electrical engineering and microbiology from the applied and pure sciences, and business studies and applied linguistics from the social MA/MSc-dolgozataiból áll. Gozdz-Roszkowski (2011) egy több mint 5,5 millió szót tartalmazó, amerikai jogi korpuszt elemzett, amely az amerikai jogi kultúra és oktatás hét műfaját képviselte: tudományos cikkek, periratok, szerződések, jogszabályok, bírósági vélemények, szakmai cikkek és tankönyvek. A fent említett taxonómiákra támaszkodva az ICT-ben előforduló lexikai kötegeket a szövegekben betöltött jelentésük alapján három tág kategóriába sorolták: kutatásközpontú, szövegközpontú és résztvevőközpontú kötegekre. Az első kategóriába sorolt kötegek segítik az írókat tevékenységeik és tapasztalataik megszervezésében az ICT területén. A szövegközpontú kötegek a szöveg szerveződésének és jelentésének jelölésére szolgálnak. Végül a résztvevőközpontú egységeket különböző attitűdök vagy értékelések jelzésére használják, és a szöveg írójára vagy olvasójára összpontosítanak. 2. ábra: A lexikai egységek funkcionális taxonómiája A lexikai egységek három fő funkcionális kategóriáját tovább bontották számos alkategóriára. A kutatásközpontú egységek a következő alkategóriákat foglalják magukban: Mennyiségi egységek (pl. one of the biggest; a large number of; one of the following; the number of elements); Időreferencia-egységek (pl. at the time of; end of the year; the next few weeks; in the coming weeks); Hely- / irányreferencia-egységek (pl. in the United States; of the main window; bottom of the window; in the status bar); 46 Marek Weber Többszavas mintázatok az Information Procedure-korpuszban  andCommunicationTechnology.Terminological  bundlesinthegenre–‘TextbooksinICT’ Eljárásegységek – az IKT-hoz kapcsolódó különféle funkciók leírására használatosak (pl. the use of the; the use of a); Témát jelölő egységek – a kutatási területhez kapcsolódnak (pl. proceedings of the IEEE; programming languages and systems; the drop down menu; the following configuration options); Többfunkciós referenciaegységek – idő- / hely- / szövegreferenciaként használható egységek (pl. the end of the; the start of the; the left of the; at the beginning of); Leíró kötegek – a következő főnév jellemzőit határozzák meg (pl. a ... összetettsége; a ... felszíne; a ... hatóköre; a ... magassága). A szövegközpontú kötegek a következő alkategóriákat foglalják magukban: Kifejtő kötegek – tovább részletezik az elemzett témát, és pontosítják azt (pl. ugyanakkor, valamint a, ez azt jelenti, hogy a, ebben az esetben a); Átvezető kötegek – kiegészítő vagy ellentétes kapcsolatokat teremtenek a szövegrészek között (pl. másfelől, a ...-val/-vel szemben, a ...-n/-en kívül, ellentétben a ...-val/-vel); Keretező attribútumkötegek – „az érveket korlátozó feltételek meghatározásával helyezik el” (Hyland 2008: 14) állítások vagy érvek megfogalmazása céljából (pl. a ... tekintetében, a ... kontextusában, a ... jelenlétében, a ... tartalma); Feltételkötegek – feltételeket fejeznek ki (pl. ha szeretné, ha nem, ha van egy, ha van egy); Eredménykötegek – oksági és eredménykapcsolatok formájában logikai kapcsolatokat jeleznek az elemek között (pl. hogy Ön ... tudjon, a ... eredményeként, ennek eredményeként a, a ... függvényében); Struktúrajelölő kötegek – a szöveg más részeire való utalásra szolgálnak (pl. amint az ábrán látható, amint a szakaszban tárgyaltuk, a példában látható, később ebben a fejezetben). A résztvevőközpontú kötegek a következő alkategóriákat foglalják magukban: Megszólító kötegek – közvetlenül az olvasókhoz szólnak; „aktívan szólítsák meg az olvasókat a kibontakozó diskurzus résztvevőiként” (Hyland 2008: 18) (pl. tegye meg az egyik, válassza ki a típusát, ajánlott, hogy Ön, válasszon egyet a); Állásfoglalási egységek – érzelmeket, attitűdöket, értékítéleteket és értékeléseket közvetítenek; „keretet biztosítsanak a következő állítás értelmezéséhez” (Biber, 2006: 139) (pl. szükséges, hogy, nincs garancia arra, hogy, fontos, hogy, nem lehetséges, lehetséges, hogy); 3. táblázat: A lexikai kollokációk eloszlása funkcionális kategóriák szerint 47Terminologija | 2012 | 19 Modalitáskollokációk – azt fejezik ki, hogy valami valószínű, megengedett vagy szükséges (pl. egyet teljesíteni kell, felhasználható, amint látható, amelyben Ön használhatja, nem jeleníthető meg, reprodukálható vagy, el kell fogadnia minden interferenciát, interferencia, amely okozhat, amely nemkívánatosat okozhat); Predikciós kollokációk – a szerző valamely jövőbeli cselekvésre vonatkozó előrejelzését fejezik ki (pl. várhatóan, hogy, a rendszer felszólítja Önt, megjelenik a, ez megnyitja a, felkérést kap arra, hogy). Table 3 shows the numbers of bundles belonging to the three major functional categories in each genre. Kutatás-- központú Szöveg-Rközpontú észtvevközpontú ő-Egyéb Szakmai cikkek 45 23 13 45 Tudományos cikkek 48 35 928 Szoftveralkalmazások 123 55 122 83 Hardver 207 51 138 187 Tankönyvek 32 35 18 20 Programozási nyelvek és 39 környezetek 39 26 62 programozási Hálózati technológiák 91 24 11 91 3. ábra: Kutatásközpontú csomagok osztályozása