TERMINOLOGIE ȘI PREZENT

Rūta MARCINKEVIČIENĖ

Universitatea Vytautas Magnus

TERMINOGRAFIE ȘI CORPUS TEXTUAL

Lingvistica corpusurilor, apărută odată cu primul corpus în urmă cu mai bine de trei decenii, a revoluționat lexicografia generală. Astăzi, dicționarele explicative sunt elaborate într-o măsură mai mare sau mai mică pe baza corpusurilor. În această privință, terminografia este încă neglijată până în prezent în țările mai avansate în lingvistica corpusurilor, iar despre începători ca noi nici nu mai vorbim. Aici vom încerca să arătăm cât de important și pur și simplu indispensabil este corpusul pentru elaborarea dicționarelor de termeni.

Era tehnologiilor informatice și, implicit, a corpusurilor informatice a delimitat foarte clar terminologia și terminografia tradiționale de cele noi. Abordarea terminologilor față de câteva aspecte a început să se schimbe considerabil: însăși noțiunea de termen, sursele termenilor, criteriile de distingere a termenului de non-termen, calificarea terminologului, standardizarea termenilor și încă alte câteva. Extinderea și întrepătrunderea foarte accentuată a domeniilor științelor specializate au sporit enorm volumul de muncă al terminologilor, deoarece, lucrând cu metode tradiționale, cu greu se mai poate ține pasul cu progresul științei și tehnologiei. Tocmai de aceea, termenii au început să fie priviți altfel: accentul se pune mai mult pe uz decât pe normă.

Terminologia tradițională, apărută la începutul acestui secol ca urmare a unui imens avânt tehnologic, era preocupată mai ales de denumirea conceptelor, de ordonarea marii diversități de termeni apărute într-un timp scurt și de sistematizarea și standardizarea terminologiei ramurilor și domeniilor științifice. Încă de la apariția terminologiei ca știință de sine stătătoare, termenii au fost priviți altfel decât celelalte cuvinte. Wüster, întemeietorul terminologiei (citat după Pearson 1998: 10), susținea că termenii trebuie tratați altfel decât cuvintele limbii comune, deoarece terminologia începe cu analiza conceptelor. Iar conceptele, după cum se știe, exis-

5

tă independent nu numai de termenii care le denumesc, ci și de limbile diferite. Termenii nu sunt altceva decât denumiri ale conceptelor, care, în cazul ideal, interacționează cu conceptele înseși într-o relație de tipul: un concept – un termen. Termenii erau definiți mai ales ținându-se seama de locul conceptelor denumite de ei în sistemul ierarhic al conceptelor și de relațiile cu alte concepte. Baza terminologiei o constituiau termenii creați și/sau standardizați și aprobați de specialiștii domeniului respectiv, având un sens clar definit și fixat, deci și protejat. Prin urmare, nu este deloc surprinzător că pe terminologii tradiționali, care aderau la concepții prescriptive (cf. Wüster, pentru care Sein-Norm era mult mai importantă decât Ist-Norm), nu îi interesa deloc starea reală a limbii din ramurile științifice individuale și nici uzul autentic al termenilor.

Pornind de la concept către termen și alcătuind astfel terminologia fiecărei ramuri în parte pe principii onomasiologice, terminologii de atunci nu se confruntau și nici nu puteau să se confrunte cu problema identificării termenului, ci doar cu aceea a creării lui. În plus, în acea vreme ramurile științifice individuale erau încă destul de autonome. De asemenea, terminologii își împărțiseră domeniile și cunoșteau terminologia unor domenii relativ izolate. Odată cu apariția unor aspecte comune, reprezentanții acestora încep să fie interesați de termeni; în plus, în terminologie intră oameni noi, care nu sunt neapărat specialiști într-un anumit domeniu științific și/sau lingviști, ci, de exemplu, programatori, creatori de baze de date terminologice și dicționare electronice etc. Întrucât uzul real al limbii și numărul termenilor noi au depășit de mult listele de termeni aprobați disponibile, terminografia ramurilor științifice aflate în schimbare rapidă, rămasă cu mult în urma realității din cauza metodei tradiționale a fișierelor, nu le permite celor nou-veniți să se bazeze pe termenii înregistrați anterior. Aceștia încep să fie culeși din texte; tocmai textul devine punctul de plecare al activității terminologului (Rogers et al. 1994: 843). În plus, se examinează uzul lor real, care se deosebește adesea foarte mult de idealul urmărit de cei care stabilesc normele lingvistice. Aici devine neclar ce trebuie considerat termen, când un cuvânt se terminologizează, ce uz al unui cuvânt trebuie considerat terminologic și cum se distinge un termen de un non-termen. Astfel, terminologia nu mai este o parte a lexicului atât de clar definită și izolată. Ea formează un grup de cuvinte destul de greu de delimitat, în centrul căruia se află membri prototipici, întotdeauna percepuți ca

6

după termenii consacrați urmează cei care dobândesc statutul de termen numai în anumite împrejurări, într-un anumit context. La periferie se află și cuvinte care, la prima vedere, nu seamănă cu termenii, dar ar trebui totuși considerate astfel. De exemplu, acest lucru se poate spune despre cuvintele din vocabularul limbii comune întâlnite în textele de popularizare a științei. Din acest motiv și din altele, este foarte important pentru terminografi să identifice termenii, să-i extragă din texte autentice și să-i descrie. Tocmai de aceea corpusurile și programele informatice care facilitează lucrul cu acestea devin foarte importante. Atenția acordată utilizării reale orientează terminologii mai degrabă spre descriere decât spre normare, iar distincția dintre prescriptivism și descriptivism împarte terminografia în tradițională și modernă.

De ce corpusul

Corpusul, ca sursă de termeni, este util terminografilor din multe motive. Autorii care pledează pentru crearea și utilizarea lui indică principalele dintre acestea. Poate cel mai important este că dintr-unul și același corpus se obțin dintr-odată trei lucruri de care au nevoie terminografii: termenii înșiși, definițiile lor, adică informații de specialitate despre conceptul propriu-zis, precum și exemple de utilizare și, prin urmare, frecvența utilizării, combinabilitatea termenilor și așa mai departe (Sager 1990, Meyer et al. 1996, Pearson 1998). Desigur, corpusul poate fi folosit și de cercetătorii care au deja o listă preliminară de termeni. În acest caz, aceștia obțin din corpus informații de specialitate și lingvistice. Dar, dacă termenii sunt extrași din corpus, ei au un mare avantaj: sunt sistematici și interconectați, întrucât textele individuale prezintă seturi de termeni utilizați de autori diferiți, iar în fiecare set termenii sunt bine chibzuiți și se potrivesc armonios între ei. Tocmai din acest motiv — pentru ca termenii obținuți să reflecte sisteme distincte — în corpus trebuie incluse texte întregi, nu fragmente sau eșantioane din acestea (Meyer et al. 1996: 268). Un corpus alcătuit din texte întregi este necesar și pentru informațiile de specialitate, care s-ar pierde dacă ne-am mulțumi cu părți din texte.

Astăzi, corpusurile create de terminografi sunt încă utilizate în principal pentru a colecta informații despre termenii cunoscuți anterior. Se verifică,

7

dacă aceștia mai sunt utilizați și, în caz afirmativ, cum; dacă particularitățile utilizării lor s-au schimbat și, împreună cu acestea, și semnificația lor; dacă s-a modificat sfera conceptelor desemnate de ei odată cu apariția unor termeni noi. Totuși, corpusul este mult mai necesar pentru obținerea unor termeni noi; poate de aceea identificarea termenilor și extragerea lor automată sau semiautomată reprezintă astăzi una dintre cele mai populare teme din terminografia electronică. Din acest punct de vedere, terminograful se deosebește de lexicograf. Acesta din urmă nu se întreabă ce este un cuvânt, ci doar ce cuvinte să includă în ce dicționare, în vreme ce terminograful se confruntă destul de des cu întrebarea: ce este un termen? Termenii noi extrași din corpus și stocați și gestionați în baze de date speciale se disting printr-o altă particularitate: sursele lor sunt indicate cu mare precizie și datate, ceea ce permite formularea unor concluzii privind apariția, răspândirea și dispariția termenilor.

Dacă ne imaginăm rezultatul final al activității terminografului ca pe o bază de date (BD) electronică sau ca pe un dicționar tipărit realizat pe baza acesteia, atunci corpusul va fi important în toate etapele elaborării BD. Calculatoarele acoperă întregul ciclu de activitate al terminografului, de la corpusuri informatice, prin programe speciale de căutare și identificare a termenilor, până la alcătuirea bazelor de date terminologice, descrierea termenilor și distribuirea acesteia în format electronic sau tradițional, sub formă de carte (Ahmad et al. 1994: 267).

Ciclul de activitate al terminografului arată astfel. În prima etapă, corpusul se alcătuiește dintr-o arhivă de texte electronice, conform anumitor principii; ulterior, termenii sunt extrași din acesta, transferați în BD și descriși: în câmpuri distincte ale BD sunt prezentate exemple tipice de utilizare preluate din concordanță și definiții obținute din aceeași sursă. Apoi, pe baza informațiilor lingvistice și de specialitate obținute din corpus, sunt indicați termenii asociați termenului descris: sinonimele, antonimele, hiponimele și hiperonimele; se oferă trimiteri încrucișate la rubricile acestora, se indică apartenența termenului la un domeniu de specialitate și locul său în sistemul general de concepte. În plus, sunt prezentate particularitățile gramaticale și pragmatice, restricțiile de combinabilitate sau de altă natură privind utilizarea, informații despre caracterul recomandat al termenului și, dacă se prevede, echivalentele de traducere (pentru mai multe detalii despre particularitățile descrierii terminografice, vezi Sager 1990: 142–163). Așadar, corpusul este indispensabil încă de la început, adică de la familiarizarea cu însăși

8

ramura științei și până la ultima etapă — articolul de dicționar finalizat. Terminologii de astăzi privesc cu mult scepticism informatizarea dicționarelor tipărite deja existente, elaborate fără a se baza pe corpusuri, adică transferarea lor în baze de date (Sager 1990: 141).

Un alt motiv pentru care terminografii alcătuiesc corpusuri specializate este că exemplele de limbă autentică sunt și mai importante pentru terminografie decât pentru lexicografie. Ele sunt mult mai importante decât introspecția, deoarece terminograful, spre deosebire de lexicograf, nu este specialist și nu creează texte în varietatea de limbă pe care o descrie. Când întâlnește un caz problematic, nu se poate întreba: cum aș folosi eu acest cuvânt?, ci doar: ce înseamnă acest cuvânt pentru un specialist în domeniu și cum l-ar folosi un om de știință, un tehnolog sau un expert? Așadar, din cauza utilității limitate a intuiției lingvistice, terminografii depind de corpus mult mai mult decât lexicografii. Atkins et al. împart toți utilizatorii corpusurilor în trei grupuri: a) cei interesați de limba textelor, b) cei interesați de conținutul textelor și c) cei interesați de texte ca texte, adică de structura, alcătuirea lor și așa mai departe (citat după Meyer et al. 1996: 269). Lexicografii aparțin primului grup, iar terminografii primelor două, deoarece pentru aceștia sunt importante atât cunoștințele lingvistice, cât și cele despre domeniul propriu-zis. Odată înțeleasă importanța corpusului pentru terminologie și posibilitățile pe care le oferă, este necesar să definim cum ar trebui să fie corpusul unui terminograf.

Ce corpus

După cum s-a menționat, terminograful are nevoie de două lucruri la fel de importante dintr-un corpus: informații lingvistice și informații de specialitate, prin urmare este important să poată obține din acesta atât una, cât și cealaltă. Din punct de vedere lingvistic, corpusul trebuie să fie astfel încât termenii să fie prezentați clar, corect și, de preferință, cu definiții. Este de dorit ca termenii să fie cât mai numeroși și mai variați, în mod ideal toți cei creați și utilizați de o anumită comunitate lingvistică. De asemenea, este important ca termenii să fie folosiți în contexte ample și diverse. Din punct de vedere al domeniului, în corpus trebuie incluse texte care să scoată în evidență conținutul conceptelor denumite prin termeni, precum și relațiile și dependențele dintre acestea. Este foarte important ca termenii să fie definiți în acele texte.

9

Din motivele menționate, specialiștii propun includerea în corpusuri a întregii game de texte posibile, prezentate din perspectivă comunicațională și pragmatică, de la cele mai simple la cele mai complexe. Pearson împarte textele de limbaj specializat în patru grupuri, în funcție de probabilitatea de a găsi termeni în ele: a) cele în care destinatarul specialistului este un partener cu un nivel de cunoștințe echivalent cu al său — un alt specialist, adică articole publicate în reviste științifice cu referenți, monografii; în aceste texte, densitatea termenilor este cea mai mare; b) texte adresate de specialist unei persoane cu un nivel inferior celui al specialistului, dar care este totuși specialist în același domeniu, de exemplu, diverse instrucțiuni și manuale; în acestea se găsesc ceva mai puțini termeni; c) texte de popularizare a științei, scrise pentru persoane care nu cunosc domeniul respectiv. În ele se evită în mod deliberat termenii complecși sau chiar orice termeni; se preferă explicațiile și reformulările, se recurge la analogii și comparații, astfel că autorul, dacă dorește foarte mult, se poate descurca fără niciun termen; d) texte corespunzătoare comunicării dintre profesor și elev: manuale, materiale didactice. În acestea există termeni, dar sunt utilizați într-un mod oarecum diferit. O trăsătură importantă a acestor texte o constituie termenii explicați (Pearson 1998: 36–40).

Descrierea textelor dintr-un corpus terminografic numai din perspectivă comunicațional-pragmatică nu este suficientă. Pentru calitatea corpusului și reprezentativitatea sa, la fel de importante sunt și alți parametri și proporții ale textelor. La întrebarea câte texte trebuie colectate pentru a ne putea baza pe datele corpusului alcătuit din acestea, specialiștii răspund astfel: „Spre deosebire de cazul corpusurilor de uz general, aici calitatea este mult mai importantă decât cantitatea” (Meyer et al. 1996: 268). De regulă, corpusurile de specialitate sunt mai mici decât cele de uz general, din motive lesne de înțeles. Cu toate acestea, chiar dacă sunt mai mici, ele sunt alcătuite din texte integrale, neprescurtate. În plus, trebuie să cuprindă întregul domeniu reprezentat, cu toate subdomeniile care îi aparțin, selectate în prealabil de terminografi. Adesea este dificil să se traseze o linie clară care să separe diferitele domenii științifice, mai ales dacă domeniul respectiv este legat de aspecte generale, iar alcătuitorii corpusului sunt tentați să aprofundeze și mai mult, adică să includă mai multe texte scrise de specialiști pentru specialiști și care, fără îndoială, aparțin domeniului respectiv. De aceea, terminologilor li se recomandă să consulte experții din domeniul descris, pentru ca aceștia să îi sfătuiască ce texte să includă, astfel încât să alcătuiască un corpus reprezentativ din toate punctele de vedere și să nu fie omise, odată cu textele neincluse,

10

concepte importante din punct de vedere sistemic și termenii care le denumesc și, mai ales, pentru ca prioritățile unui singur alcătuitor să nu ajungă să domine (Ahmad 1993: 60). În cazul unui corpus terminografic, principiul aplicat uneori de lexicografi corpusurilor generale — „Pun ce am” — nu este deloc potrivit.

Ținând seama de tipologia corpusurilor și de principalele tipuri de corpusuri în ceea ce privește continuitatea — închis, continuu și monitor — se propune alcătuirea corpusului terminografic ca o colecție de texte de tipul celui de-al doilea sau, și mai bine, de ultimul tip. Astfel, corpusul va fi completat permanent cu texte noi, cele vechi fiind fie păstrate (în cazul unui corpus continuu), fie transferate într-o arhivă, dacă este vorba de un corpus monitor. Un corpus continuu ar crește permanent, iar principiile structurale stabilite în prealabil nu ar fi neapărat respectate, deoarece, pe măsură ce tendințele editoriale se schimbă, textele noi ar putea înclina balanța într-o direcție sau alta. Proporțiile corpusului monitor ar rămâne neschimbate, iar textele noi ar ocupa numai spațiul alocat de la bun început textelor de tipul respectiv. În orice caz, actualizarea permanentă a corpusului este necesară, deoarece termenii se învechesc mult mai repede decât cuvintele din limba cotidiană.

După ce au fost analizate aspectele generale privind dimensiunea și natura corpusului, precum și limitele domeniului său, și după ce au fost luate deciziile necesare, trebuie stabilit în continuare ce texte concrete să fie incluse în corpus, astfel încât acesta să fie reprezentativ și echilibrat. În fiecare caz concret trebuie să se țină seama de genul textului, de momentul redactării, de autor și de statutul lingvistic, urmărindu-se o diversitate cât mai mare. Căci nimic altceva decât diversitatea genurilor și o gamă largă de texte, de la cele serioase la cele populare, nu permite selectarea atât a termenilor științifici, formali, printre care se găsesc numeroase neologisme de autor, cât și a termenilor populari, mult mai răspândiți și consacrați în limbajul colocvial.

În evaluarea vechimii textelor, se acordă prioritate celor mai noi, însă textele scrise mai demult se pot dovedi valoroase, mai ales dacă le privim din perspectiva domeniului. Și autorii ar trebui să fie foarte variați, pentru ca particularitățile stilistice ale unui autor reprezentat într-o măsură prea mare să nu încline balanța. Deși diversitatea stilistică a textelor științifice nu este foarte mare dacă o comparăm, de exemplu, cu cea a literaturii beletristice, stilul individual al autorului contează nu numai în ceea ce privește folosirea unităților lingvistice, ci și selectarea lor. Prin urmare, nu este de mirare că oameni de știință diferiți, mai ales dacă aparțin unor școli de gândire științifică diferite, folosesc di-

11

astfel de termeni. Pentru standardizarea și normarea termenilor, precum și pentru căutarea neologismelor, este deosebit de importantă o diversitate cât mai mare a termenilor din corpus. Ultimul aspect, dar nu mai puțin important decât celelalte, este statutul lingvistic al textelor. Se acordă prioritate textelor originale, nu celor traduse, scrise de autori nativi și, în plus, recenzate și editate.

Instrumente de analiză a corpusului pentru terminografi

În ultimul deceniu au fost create diverse programe informatice care facilitează căutarea cuvintelor și alte tipuri de analiză a corpusului pentru lexicografi. Deși activitatea lexicografilor și a terminografilor diferă în general, aceștia folosesc aproape aceleași funcții software, și anume: a) liste de frecvență a cuvintelor; b) concordanțe, adică toate aparițiile cuvântului investigat într-un context de o anumită dimensiune, de regulă de un singur rând; și c) statistici ale partenerilor de combinare (Meyer et al. 1996: 274). Aceste instrumente ajută la studierea corpusului din perspectivă lingvistică.

Pe lângă instrumentele software lingvistice utilizate în comun cu lexicografii, treptat apar și programe specializate, adecvate numai terminografilor. Ele se deosebesc de programele generale nu prin natura lor lingvistică, ci prin cea tematică, fiind destinate analizei informațiilor din corpus. În acest caz, corpusul nu mai este tratat ca o totalitate a contextelor de utilizare a termenilor, ci ca o sursă de cunoștințe specializate dintr-un anumit domeniu sau ramură științifică. Pot fi menționate câteva categorii: a) programe destinate analizării textului din perspectiva informațiilor pe care le conține — căutarea cuvintelor semnificative și a pasajelor bogate în informații, în care sunt indicate relațiile și dependențele dintre concepte etc.; b) programe care selectează pasajele din corpus necesare terminografului, de exemplu definițiile termenilor; c) programe care ajută la analizarea conceptelor denumite prin termeni și facilitează organizarea cunoștințelor extrase din corpus (knowledge acquisition systems). Deși această din urmă categorie este complet nouă și foarte promițătoare, literatura de specialitate încă îi acordă prea puțină atenție. S-a scris mult mai mult despre posibilitatea extragerii semiautomate din corpus a definițiilor termenilor (Pearson 1998: 121–204).

12

Atât pentru colectarea definițiilor, cât și a termenilor complecși, este necesar un corpus adnotat morfologic, adică unul în care toate cuvintele sunt etichetate în funcție de partea de vorbire. Etapa inițială a activității trebuie realizată de lexicograf: acesta citește textele și colectează termenii definiți. Pe baza acestor informații, el alcătuiește ulterior modele morfologice ale definițiilor — toate combinațiile de secvențe de părți de vorbire care apar în definiții. Apoi, calculatorul caută astfel de combinații de cuvinte în întregul corpus. Rezultatul nu este încă o listă de termeni și definițiile lor, ci o listă de candidați la termeni definiți. Aceasta este transmisă unui specialist din domeniul respectiv, pentru a o examina și a elimina enunțurile inutile. Pentru a reduce numărul combinațiilor morfologice nerelevante, apărute întâmplător, calculatorului i se indică unitățile lexicale întâlnite cel mai frecvent în definiții — cuvintele frecvente din definiții. În mod similar pot fi extrase din corpus și termeni complecși; aceasta este esența programelor de identificare automată a termenilor de primă generație LEXTER (Bourigault 1995) și TERMINO (Lauriston 1994).

Desigur, procesarea corpusului în acest mod ridică anumite probleme. În primul rând, nu toate grupurile de cuvinte selectate sunt termeni. Această problemă se rezolvă prin alcătuirea și introducerea în calculator a unei liste de cuvinte nedorite (stop-list), care nu sunt incluse în listele de candidați la termeni. În plus, adesea nu este clar care cuvinte aparțin termenului complex propriu-zis și care țin doar de contextul acestuia. Totuși, nici aceste aspecte nu sunt întotdeauna clare atunci când termenii sunt colectați manual.

Metodă semiautomată de selecție a termenilor

Pentru a ilustra posibilitățile oferite terminografului de cele mai simple instrumente software, am ales pentru analiză versiunea electronică a lucrării „Sintaksės” a lui V. Labutis „Sintaksės” (T.I, V., 1994) și am examinat textul cu pachetul de instrumente lingvistice pentru lingviști al lui Mike Scott WordSmith Tools, version 2.0 (Oxford, 1997). Scopul analizei statistice a fost obținerea câtorva liste de cuvinte sau de combinații de cuvinte, din care să poată fi selectați ulterior candidații la termeni și termenii propriu-ziși.

Indicatorii statistici ai textului analizat sunt următorii: textul cuprinde în total 37 319 de cuvinte și forme de cuvinte; după eliminarea repetițiilor, rămân

13

9 249 de cuvinte și forme ale acestora. Coeficientul de bogăție lexicală (type/token ratio) este 24,78. Textul conține în total 2 364 de propoziții, cu o lungime medie de 15,78 cuvinte.

În primul rând, a fost efectuată cea mai simplă operațiune – a fost alcătuită o listă de frecvență a tuturor cuvintelor din text, ceea ce permite să ne așteptăm să găsim termeni printre cuvintele cel mai frecvent utilizate. După cum se poate observa din fragmentul de listă prezentat, textul este alcătuit din cuvinte și forme de cuvinte, ordonate după frecvență. Deoarece textul nu conține adnotări gramaticale care să indice apartenența fiecărei forme de cuvânt la anumite părți de vorbire, lista nu este lematizată; astfel, formele gramaticale diferite ale aceluiași cuvânt apar separat. Pentru concizie, atât cuvintele invariabile, cât și formele flexionare diferite ale cuvintelor variabile vor fi numite în continuare, pur și simplu, cuvinte.

Tabelul 1. Cele mai frecvente 20 de cuvinte și forme de cuvinte din text

Nr.

Cuvânt și formă de cuvânt

Frecvența în textul analizat

Proporția din text ocupată (%)

1.

IR

1,319

3.53

2.

SU

479

1.28

3.

AR

390

1.05

4.

PROPOZIȚIEI

288

0.77

5.

ACEASTA

284

0.76

6.

CUVINTE

258

0.69

7.

POATE

243

0.65

8.

O

229

0.61

9.

IŠ

206

0.55

10.

PROPOZIȚII

196

0.53

11.

Į

194

0.52

12.

ESTE

194

0.52

13.

CUM

187

0.50

14.

NE

182

0.49

15.

DOAR

171

0.46

16.

CONFORM

170

0.46

17.

A FI

155

0.42

18.

JŲ

143

0.38

19.

PROPOZIȚIILOR

143

0.38

20.

ÎMBINĂRI

141

0.38

14

Ca de obicei, textul este alcătuit dintr-un număr relativ mic de cuvinte folosite de multe ori și din multe cuvinte folosite rar. Cuvintele folosite o singură dată reprezintă 62% din totalul ocurențelor. De regulă, ele constituie jumătate din text; după lematizarea listei, se pare că tot atâtea ar rămâne, deoarece formele derivate ale cuvintelor ar fi reunite sub formele de bază. Cuvintele folosite o singură dată și cele rare, adică de la 2 la 10 ocurențe, nu prezintă interes pentru terminolog, deoarece probabilitatea de a găsi aici termeni este mică. Rămâne o parte relativ scurtă a listei, doar 6% dintre cuvintele textului folosite frecvent, din care merită deja să fie selectați termenii monolexicali.

Diagramă

Distribuția cuvintelor din text și a formelor acestora în funcție de frecvența de utilizare (numărul de ocurențe)

Cuvinte și forme ale acestora folosite de peste 10 ori 6%

Cuvinte și forme ale acestora folosite de la 2 la 10 ori 32%

Cuvinte și forme ale acestora folosite o dată 62%

Dacă aceste date de utilizare ar fi prezentate sub forma unei curbe, și nu a unei diagrame, s-ar vedea că 10 ocurențe reprezintă o limită foarte clară, un prag, dincolo de care cuvintele sunt folosite mult mai frecvent decât înaintea acestuia. O analiză mai aprofundată a arătat că, dintre cele 599 de cuvinte folosite de 10 sau mai multe ori, nu mai puțin de 239 sunt termeni monolexicali sau părți ale unor termeni compuși, cu alte cuvinte, cuvinte importante pentru terminograf. Aici intră denumirile părților de vorbire, ale cazurilor, ale fenomenelor lingvistice, ale unităților și ale ramurilor lingvisticii.

Avantajul listei generale de frecvență a cuvintelor este pragul foarte clar al frecvenței de utilizare menționat deja, iar dezavantajele sunt chiar mai multe. Unul dintre ele: lista este alcătuită din cuvinte izolate, iar, după cum se știe, termenii monolexicali nu sunt atât de numeroși. Pe de altă parte, majoritatea termenilor noi, care nu au fost incluși în dicționare și care, prin urmare, prezintă un interes deosebit pentru terminologi, sunt tocmai plurilexicali-

15

…duri. Al doilea dezavantaj: o mare parte a listei este ocupată de cuvinte funcționale foarte frecvente, care nu sunt nici ele relevante pentru terminologi. Acest din urmă dezavantaj poate fi eliminat prin alcătuirea unei liste oarecum diferite, de cuvinte semnificative. Cuvintele semnificative sunt extrase din text într-un mod ceva mai complex, comparând textul analizat cu un corpus mult mai mare decât acesta; în cazul nostru, cu corpusul electronic al Universității Vytautas Magnus, care cuprinde 55 de milioane de cuvinte. Dacă un cuvânt apare în textul analizat relativ mai frecvent decât în corpusul de mari dimensiuni, în medie, atunci el poate fi considerat un cuvânt semnificativ al textului respectiv. Mai simplu spus, dacă textul este despre cinema, acest cuvânt va fi menționat în text mult mai des și, prin urmare, va apărea în lista cuvintelor semnificative. După cum se vede din tabel, aici sunt mult mai puține cuvinte funcționale, deoarece frecvența lor în text și în corpus este aproximativ aceeași. Astfel, în prim-plan ajung cuvintele mai distinctive ale textului analizat — în cazul unui text științific, termenii. Din păcate, în această listă, ca și în prima, ele sunt prezentate individual, nu în îmbinări.

Tabelul 2. Cele mai frecvente 20 de cuvinte semnificative și forme de cuvinte

Nr. | Cuvânt și formă de cuvânt | Frecvența în textul analizat | Frecvența în corpus | Coeficientul de semnificație 1. | SAKINIO | 288 | 707 | 2,974.8; 2. | SAKINIAI | 196 | 370 | 2,108.4; 3. | ŽODŽIŲ | 258 | 6,504 | 1,554.3; 4. | SAKINIŲ | 143 | 386 | 1,453.6; 5. | JUNGINIAI | 141 | 405 | 1,418.4; 6. | DĖMENŲ | 103 | 130 | 1,171.5; 7. | JUNGINIŲ | 103 | 591 | 909.2; 8. | DĖMUO | 77 | 124 | 847.4; 9. | SAKINYJE | 85 | 310 | 819.6; 10. | DĖMENYS | 73 | 106 | 815.0; 11. | DĖMENS | 71 | 84 | 814.2; 12. | SAKINYS | 91 | 528 | 801.4; 13. | DĖMENIU | 69 | 78 | 795.8; 14. | SINTAKSĖS | 68 | 163 | 704.7; 15. | SAKINĮ | 73 | 634 | 588.1; 16. | SAKINIUS | 61 | 315 | 550.1; 17. | TARINIO | 44 | 60 | 495.3; 18. | SAKINIAIS | 49 | 205 | 460.5; 19. | SUDĖTINIO | 42 | 75 | 455.4; 20. | TARINIU | 36 | 36 | 421.4

16

A treia posibilitate oferită de software-ul bazat pe metode statistice este extragerea din textul analizat a îmbinărilor de cuvinte care apar în text de două sau mai multe ori într-o formă identică. Programul poate detecta lanțuri de până la opt cuvinte. Este de înțeles că în text nu există multe formațiuni atât de lungi. Sunt mult mai numeroase îmbinările fixe de patru cuvinte, de trei cuvinte și, mai ales, cele de două cuvinte. În textul analizat al lui V. Labutis există 2 îmbinări de opt cuvinte folosite de cel puțin două ori, 6 de șapte cuvinte, 23 de șase, 65 de cinci, 211 de patru, 756 de trei, iar îmbinările de două cuvinte sunt în număr de 2695. În continuare sunt prezentate lanțuri de cuvinte de lungimi diferite; îmbinările ale căror componente ar putea fi considerate termeni compuși sunt evidențiate cu caractere aldine, iar alături este indicat numărul de apariții ale lanțului în text.

OPT CUVINTE

ESTE FORMAT DIN CEL PUȚIN DOUĂ CUVINTE AUTONOME 2

ESTE FORMAT DIN CEL PUȚIN DIN FORMELE A DOUĂ CUVINTE AUTONOME 2

ȘAPTE CUVINTE

ESTE FORMAT DIN CEL PUȚIN DOUĂ CUVINTE AUTONOME 2

DIN CEL PUȚIN DOUĂ FORME ALE CUVINTELOR AUTONOME 2

ESTE FORMAT DIN CEL PUȚIN DOUĂ CUVINTE AUTONOME 2

APLICAREA FORMELOR CUVINTELOR LA ALTE FORME ALE CUVINTELOR 2

ȘASE CUVINTE

CEL PUȚIN DOUĂ CUVINTE AUTONOME 4

FORME ALE VERBELOR ȘI ALE CUVINTELOR CU FUNCȚIE DE PREDICAT 3

ÎN GRAMATICA ACADEMICĂ A LIMBII LITUANIENE LKG III 2

DOUĂ SAU MAI MULTE FORME ALE CUVINTELOR AUTONOME 2

UTILIZAREA FORMELOR ÎN RAPORT CU ALTE FORME DE CUVINTE 2

ȘI CU UNELE CONSTRUCȚII PREPOZIȚIONALE 2

O PARTE DE PROPOZIȚIE SAU UN COMPONENT AL UNEI PROPOZIȚII COMPUSE 2

CU ALTE CAZURI ȘI CONSTRUCȚII PREPOZIȚIONALE 2

CU CAZURI ȘI CU CONSTRUCȚII PREPOZIȚIONALE 2

FORMA CUVÂNTULUI UTILIZATĂ ÎNTR-UN FEL SAU ALTUL ÎN RAPORT CU 2

UTILIZAREA FORMELOR CUVINTELOR ÎN RAPORT CU ALTE CUVINTE 2

CINCI CUVINTE

MAI PUȚIN DE DOUĂ CUVINTE AUTONOME 4

VERBE ȘI CUVINTE CU FUNCȚIE DE PREDICAT 4

17

CAZURI ȘI CONSTRUCȚII PREPOZIȚIONALE 3

STRUCTURI PREDICATIVE CARE FORMEAZĂ O PROPOZIȚIE COMPLEXĂ 3

SAU CÂTEVA FORME DE CUVINTE AUTONOME 2

O COMUNICARE DISTINCTĂ DESPRE O SITUAȚIE REALĂ 2

O PARTE SAU UN COMPONENT AL UNEI PROPOZIȚII COMPLEXE 2

FUNCȚIONEAZĂ CA MODIFICATOR AL UNUI GRUP NOMINAL 2

UTILIZAREA FORMELOR LÂNGĂ ALTE CUVINTE 2

POATE FUNCȚIONA ȘI ÎNTR-O PROPOZIȚIE COMPLEXĂ 2

ȘI ÎNTRE STRUCTURILE PREDICATIVE ALE PROPOZIȚIEI COMPLEXE 2

ȘI FORMELE CUVINTELOR CU FUNCȚIE DE SUBIECT 2

CA FORME ALE DOUĂ CUVINTE AUTONOME 2

ÎN ALTE CAZURI ȘI ÎN CONSTRUCȚII PREPOZIȚIONALE 2

CAZULUI SAU AL CAZULUI CU PREPOZIȚIE 2

LEGĂTURĂ CU CATEGORIA GRAMATICALĂ A PERSOANEI 2

RELAȚII SINTAGMATICE ȘI GRUPURI DE CUVINTE 2

CLASIFICAREA A FOST CRITICATĂ DE MAI MULTE ORI 2

CU O SUBORDONATĂ DE GRADUL AL DOILEA 2

CU CE CONSTRUCȚII PREPOZIȚIONALE 2

CU ALTE CAZURI ȘI CU PREPOZIȚIONALE 2

CU DATIVUL ȘI CU INSTRUMENTALUL 2

CU O PROPOZIȚIE SUBORDONATĂ A ÎNTREGII FRAZE 2

ACESTEA SUNT CEL MAI FRECVENT GRUPURI VERBALE CU 2

UTILIZAREA PE LÂNGĂ ALTE FORME DE CUVINTE 2

PROPOZIȚII SUBORDONATE DE ACELAȘI GRAD 2

AU O PARTE SECUNDARĂ COMUNĂ A PROPOZIȚIEI 2

ROL ÎN RAPORT CU ÎNTREAGA PROPOZIȚIE SUBORDONATĂ 2

FORMA CUVÂNTULUI SE APLICĂ TOTUȘI 2

UTILIZAREA FORMELOR CUVINTELOR PE LÂNGĂ ALTELE 2

GRUP DE CUVINTE SAU ALTĂ CONSTRUCȚIE 2

KETURI ŽODŽIAI

ȘI CU CONSTRUCȚII PREPOZIȚIONALE 5

ȘI ALE CUVINTELOR CU FUNCȚIE DE PREDICAT 4

AL CĂROR COMPONENT PRINCIPAL ESTE 4

MAI PUȚIN DE DOUĂ AUTONOME 4

NU MAI PUȚIN DE DOUĂ 4

FORMA CUVÂNTULUI CU FUNCȚIE DE SUBIECT 4

CU FUNCȚIE DE SUBIECT ȘI DE PREDICAT 4

FORMELE A DOUĂ CUVINTE AUTONOME 3

CONJUNCTIVE ȘI SUBORDONATOARE 3

CU CAZURI ȘI CU CONSTRUCȚII PREPOZIȚIONALE 3

AL CUVÂNTULUI CU FUNCȚIE DE COMPONENT PRINCIPAL 3

STRUCTURILE PREDICATIVE CARE FORMEAZĂ PROPOZIȚIA 3

CU CATEGORIA GRAMATICALĂ A PERSOANEI 3

MODALITATEA DE EXPRIMARE A RELAȚIILOR DINTRE CUVINTE 3

PRINTR-O PROPOZIȚIE SUBORDONATĂ DE GRADUL AL DOILEA 2

DESPRE ACESTE CONCEPTE, VEZI 2

18

DESPRE ACEST SUBIECT, LA EXERCIȚII 2

SAU UN COMPONENT AL PROPOZIȚIEI COMPUSE 2

DEZVĂLUIE UN ALT COMPONENT PREDICATIV 2

O PARTE DE PROPOZIȚIE SECUNDARĂ COMUNĂ 2

CALITATEA ȘI CANTITATEA MODULUI 2

ADJECTIVUL FORMEAZĂ O SINTAGMĂ CU 2

COMPONENTUL SUBORDONAT AL SINTAGMEI NOMINALE 2

TREI CUVINTE

POT FI 14

CU CONSTRUCȚII PREPOZIȚIONALE 11

MAI MULT SAU MAI PUȚIN 10

SINTAXA LIMBII LITUANIENE 9

PROPOZIȚIILE POT FI 9

ÎMBINĂRI VERBALE CU 8

COMPONENTELE POT FI 7

AL CĂROR ELEMENT PRINCIPAL 7

ÎMBINĂRI SUBSTANTIVALE CU 6

CEL PUȚIN 6

ATAȘARE ȘI COORDONARE 6

PROPOZIȚII 6

FORME ALE CUVINTELOR AUTONOME 6

CU VERBUL ȘI PREDICATUL 6

A DOUĂ CUVINTE AUTONOME 5

DVIPUSĖS SĄSAJOS SANTYKIU 5

DOUĂ CUVINTE

POATE FI 118

ȘI ALTELE 41

LIMBII LITUANIENE 36

FORMELOR CUVINTELOR 35

DE ASEMENEA 34

PROPOZIȚIEI COMPUSE 32

PĂRȚILOR PROPOZIȚIEI 31

FORMELE CUVINTELOR 31

NU NUMAI 29

ÎMBINĂRILOR DE CUVINTE 26

ÎMBINĂRI CU 25

COMPONENTE PREDICATIVE 24

POATE AVEA 23

CU TOATE ACESTEA 23

COMPONENTELOR PRINCIPALE 21

CENTRUL PREDICATIV 20

COMPONENTE PREDICATIVE 20

CA ȘI CUM 18

PROPOZIȚII COMPUSE 18

19

POATE FORMA 17

COMPONENTA PRINCIPALĂ 17

PRIN CONSTRUCȚII PREPOZIȚIONALE 17

CU GENITIVUL 17

PRECUM ȘI 16

SISTEMUL LIMBII 16

COMPLEMENTUL 16

PROPOZIȚIILOR COMPUSE 16

ÎN PLUS 15

ȘI POTRIVIT 15

AL GRUPULUI DE CUVINTE 15

După cum se poate vedea din exemplele prezentate, combinațiile de cuvinte mai lungi seamănă mai mult cu expresii sau locuțiuni, iar cele mai scurte – cu grupuri sintactice de cuvinte. Gradul lor de fixare nu este uniform.

Gradul de fixare al acestora este, de asemenea, diferit, lucru evidențiat de numărul ocurențelor; de exemplu, unele combinații de două cuvinte apar de 118 ori chiar și într-un text atât de scurt. În plus, unele lanțuri de cuvinte coincid în întregime cu termeni compuși, de pildă: propoziție subordonată de gradul al doilea, relație de conexiune bidirecțională, sistem lingvistic, iar din altele acești termeni trebuie extrași, de pildă: dezvăluie o altă componentă predicativă, forma cuvântului se adaptează într-un fel la cuvântul care îndeplinește funcția de componentă principală etc. Deși trebuie reduse, acestea sunt informative în felul lor, întrucât cuvintele predicative (în exemple, ele sunt rarefiate), care nu fac parte din termenul propriu-zis, ci din contextul acestuia, oferă informații importante despre valență și particularitățile de utilizare.

Ultima listă, la fel ca cele anterioare, nu este lematizată; de aceea, același termen pluriverbal se repetă în forme gramaticale diferite. În plus, el se repetă și în lanțuri de segmente de cuvinte de lungimi diferite – de la cel mai lung la cel mai scurt: se compune din cel puțin două forme de cuvinte autonome, cel puțin două forme de cuvinte autonome, forme de cuvinte autonome, forme de cuvinte. Oricum ar fi, repetițiile frecvente nu împiedică, ci ajută la identificarea celor mai importante și mai frecvent utilizate termeni compuși. Chiar dacă instrumentele software semiautomate menționate extrag nu toți termenii din textul analizat, ele permit totuși identificarea celor mai importanți, iar faptul că listele alcătuite de computer sunt citite și prelucrate de terminograf garantează calitatea rezultatului final.

20

Concluzie

Terminologia modernă, care urmărește să colecteze, să descrie și să standardizeze termenii din diverse ramuri ale științei, nu se poate lipsi de un corpus computerizat și de celelalte etape ale elaborării unui banc terminologic computerizat, asociate acestuia: software cu caracter general sau specializat, bază de date lexicale etc. Corpusul trebuie pregătit astfel încât să cuprindă o varietate cât mai mare de texte și să reprezinte astfel limbajul ramurii științifice descrise. Chiar și cu ajutorul software-ului cu caracter general destinat lexicografilor se pot obține automat liste de cuvinte și combinații de cuvinte candidate la statutul de termeni, din care se selectează termenii cunoscuți și cei noi.

Primit la 21.06.1999

Literatūra

1. A h m a d 1994 – Ahmad, K., Davies, A., Fulford, H., Rogers, M. What is a term? The semi-automatic extraction of terms from text. In: M. Snell-Hornby, F. Pochacker, K. Kaindl (eds.). Translation Studies: An Interdiscipline. Amsterdam – Philadelphia, 1994, P. 267–278.

2. A h m a d 1993 – Ahmad, K. Pragmatics of Specialist Terms: The Acquisition and Representation of Terminology. In: Petra Steffens (ed.). Machine Translation and the Lexicon. Thirds International EAMT Workshop. Heidelberg, Germany, April 26–28. 1993. Proceedings. Berlin – Heidelberg, 1995, P. 51–76.

3. B o u r i g a u l t 1996 – Bourigault, D., Gonzalez-Mullier, I., Gros, C. LEXTER, a Natural Language Processing Tool for Terminology Extraction. In: Euralex ’96 Proceedings II, Goteborg, 1996, P. 771 – 780.

4. L a u r i s t o n 1994 – Lauriston, A. Automatic Recognition of Complex terms: Problems and the TERMINO solution. In: Terminology. Vol 1(1), 1994, P. 147–170.

5. M e y e r 1996 – Meyer, I., Mackintosh, K. The Corpus from a Terminographer’s Viewpoint. In: International Journal of Corpus Linguistics. Vol. 1(2), 1996, P. 257–285.

6. P e a r s o n 1998 – Pearson, J. Terms in Context. Amsterdam – Philadelphia, 1998.

7. R o g e r s 1994 – Rogers, M., Ahmad, K. Computerised Terminology for Translators: the role of text. In: M. Brekke, O. Andersen, T. Dahl, J. Myking. Applications and Implications of Current LSP Research. Proceedings of the 9^th European Symposium on LSP, Bergen, Aug. 2–6, 1993. Vol. II. Bergen, 1994. P. 840–851.

21

8. Sager 1990 – Sager, J.C. A Practical Course in Terminology Processing. Amsterdam – Philadelphia, 1990.

TERMINOGRAPHY AND CORPUS

Summary

The paper deals with role of a corpus in terminology in general and terminology in particular. It argues for the necessity to use not only corpus but also general purpose and specific tools for the extraction of terminology and compilation of terminological databases. Peculiarities of the terminographer’s corpus such as its contents, size and specificity are also discussed. In addition, a wide range of possible general purpose and specific tools for term extraction are presented here. Some of them, based on statistical analyses of a text, were applied for one Lithuanian text on syntax in order to show how different tools can produce different semi-automatic lists of terms.

22