Arbitraliųjų lietuvių kalbos kolokacijų nustatymas

JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ Universidad Vytautas Magnus IDENTIFICACIÓN DE LAS COLOCACIONES ARBITRARIAS DEL LITUANO PALABRAS CLAVE: colocaciones arbitrarias, lengua lituana, combinabilidad léxica restringida, método de vectores, identificación automatizada, identificación lingüística manual. RESUMEN El objeto de estudio del artículo son las colocaciones arbitrarias del lituano. Su combinabilidad se basa no en restricciones semánticas, sino léxicas; estas colocaciones no reflejan directamente la realidad extralingüística. La relación entre sus palabras es arbitraria: aunque, en teoría, podría elegirse más de un elemento combinatorio por su significado similar, se tiende a usar uno en particular. El artículo describe los métodos de identificación de las colocaciones arbitrarias, probados en el marco del proyecto «Método de análisis lingüístico manual y método automatizado de lingüística computacional (ARKA)». El material para el estudio se obtuvo de la Base de datos de combinaciones estables de palabras del lituano. RESUMEN El artículo se propone describir los enfoques metodológicos para la identificación de colocaciones arbitrarias (AC), desarrollados en el marco del proyecto «Colocaciones arbitrarias del lituano: identificación, descripción y uso (ARKA)». La fuente de la investigación fue la «Base de datos de expresiones pluriverbales del lituano». Las colocaciones arbitrarias se determinaron combinando métodos manuales y semiautomáticos de lingüística computacional. INTRODUCCIÓN Como es sabido, una gran parte de las combinaciones fijas de palabras está constituida por colocaciones; sin embargo, al identificarlas automáticamente en corpus mediante métodos estadísticos o híbridos (véase más ampliamente Bielinskienė et al. 2019: 15–22), también se detectan muchas combinaciones que se consideran colocaciones BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 2 doi.org/10.35321/bkalba.2021.94.06 porque la frecuencia de coocurrencia de las palabras que las forman se evalúa automáticamente como estadísticamente significativa, por ejemplo: seis años, día soleado, mujer hermosa, etc. Así, entre las colocaciones aparecen falsos positivos, que se forman como simples combinaciones libres de palabras basadas en restricciones semánticas y no léxicas (Marcinkevičienė 2010: 90–91). Algunos investigadores consideran colocaciones únicamente las colocaciones genuinas (también llamadas no motivadas o arbitrarias): combinaciones convencionales de palabras que no reflejan directamente la realidad extralingüística y cuya relación entre palabras es arbitraria (para un análisis más detallado de la arbitrariedad, véase Kovalevskaitė et al. 2021). El objeto de este estudio son precisamente las colocaciones arbitrarias (en adelante, CA), es decir, aquellas caracterizadas por una restricción léxica de la combinabilidad (en inglés, lexical restrictedness): aunque, en teoría, por su significado similar se podría elegir más de un compañero combinatorio, se tiende a usar uno en particular; por ejemplo, comprender una insinuación y no *percibir una insinuación; al alcance de la mano y no *tomable con la mano. Rūta Petrauskaitė escribe: «La ausencia de un vínculo directo con la realidad denominada hace que la combinabilidad de una misma palabra difiera considerablemente no solo entre distintas lenguas, sino que incluso en una misma lengua no se pueda sustituir un miembro de la colocación por otro sinónimo suyo sin correr el riesgo de que la frase suene poco natural; por ejemplo, el tiempo pasa, corre, transcurre, pero no *camina, corre a toda velocidad, se arrastra» (Marcinkevičienė 2010: 91). Según R. Petrauskaitė, los compañeros combinatorios de la palabra principal en las colocaciones genuinas (arbitrarias) son impredecibles; la base de la combinabilidad de tales colocaciones son las restricciones léxicas (Marcinkevičienė 2010: 90). Hasta ahora, las CA no han recibido mucha atención de los investigadores de la lengua lituana, aunque su identificación ayudaría a distinguirlas como el núcleo de las colocaciones del lituano, algo especialmente útil para la traducción, la enseñanza del lituano como lengua extranjera y la lexicografía. Con estos fines, las CA se analizan en el marco del proyecto «Colocaciones arbitrarias del lituano: identificación, descripción y uso (ARKA)»1, cuyo objetivo es describir las CA del lituano y elaborar recursos lexicográficos y didácticos sobre las CA. El objetivo del artículo es describir qué métodos se aplicaron en el proyecto ARKA para identificar las CA del lituano y comparar los resultados obtenidos mediante distintos métodos. Las CA se analizaron mediante métodos de análisis lingüístico no automatizados y de lingüística computacional automatizados. 1 El proyecto está financiado por el Consejo de Investigación de Lituania (n.º S-LIP-20-18); para más información, véase https://arka.pastovu.vdu.lt. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 3 doi.org/10.35321/bkalba.2021.94.06 Fuentes: 1) la base de datos de combinaciones léxicas fijas del lituano (en adelante, PŽJDB)2, que contiene aproximadamente 12 000 colocaciones; 2) el corpusDelfi.lt3, compuesto por 70 millones de palabras e integrado por textos publicados entre 2014 y 2016 en diversas secciones del portal de noticias Delfi.lt (para más información sobre el corpus, véase Bielinskienė y otros, 2019: 14–15). El material objeto de estudio consiste en colocaciones formadas a partir de 97 sustantivos (vieta, aplinka, būdas, vyras, moteris, dalykas y otros4). Su estructura es: adjetivo / participio usado como adjetivo + sustantivo, verbo + sustantivo, sustantivo + sustantivo. Tras realizar el estudio, unas 2400 colocaciones fueron reconocidas como AK. La mayoría son bimembres, pero algunas son trimembres; estas últimas suelen estar formadas por verbos, adjetivos y sustantivos (el orden de los componentes puede variar). La primera parte del material de estudio, es decir, las colocaciones cuya estructura es adjetivo + sustantivo, se aborda en un artículo anterior (Kovalevskaitė y otros, 2021). En él se presenta un ensayo de reconocimiento de las AK mediante uno de los métodos de la lingüística computacional: el método automatizado (vectorial), que también se describe detalladamente. El presente artículo resume todo el estudio de reconocimiento de las AK. En el primer capítulo se presentan ambos métodos empleados: el no automatizado (véase el apartado 1.1), junto con los criterios y pruebas aplicados, y el automatizado, cuya aplicación se ilustra mediante un grupo de colocaciones con la estructura verbo + sustantivo (véase el apartado 1.2). En el segundo capítulo, a partir de los datos de todas las etapas del estudio, se examinan y comparan los resultados de la aplicación de los métodos, así como sus posibilidades y limitaciones, aspectos importantes para evaluar la lista de AK identificadas y planificar futuras investigaciones sobre las AK. 1. MÉTODOS PARA IDENTIFICAR COLOCACIONES ARBITRARIAS Al tratar las AK, se señala que la frontera entre las colocaciones arbitrarias y las denominadas triviales podría trazarse en el límite de los sustantivos abstractos: «<...> las colocaciones cuyo núcleo está constituido por sustantivos abstractos pueden considerarse auténticas, inmotivadas, 2 http://resursai.pastovu.vdu.lt/paieska/paprastoji 3 https://klc.vdu.lt/pastovuSearch.html Así, los sustantivos tanto concretos como abstractos que forman combinaciones léxicas fijas, identificados a partir del corpus Delfi.lt, se describen con más detalle en Bielinskienė y otros, 2019.4 BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 4 doi.org/10.35321/bkalba.2021.94.06 y las combinaciones estables con sustantivos concretos suelen basarse en la realidad extralingüística y son triviales» (Marcinkevičienė 2010: 91). Así pues, uno de los criterios mencionados en los estudios sobre colocaciones es la semántica de los sustantivos. En esta investigación se constató que, efectivamente, la mayoría de las AC se forman con nombres de conceptos abstractos; sin embargo, también se observó que la arbitrariedad caracteriza a las colocaciones con sustantivos concretos, compárese: limitar la velocidad, hacer gimnasia, aceptar un soborno, abandonar la cancha, obtener un crédito, hablar por teléfono, montar un espectáculo, etc. El reto de esta investigación no consistía únicamente en aplicar criterios para reconocer las AC, sino también en elegir una metodología adecuada para trabajar con una gran cantidad de datos, de modo que, basándose en ella, fuera posible elaborar listas de AC del lituano tras analizar un gran número de colocaciones (para ello se utilizaron los materiales de PŽJDB). Durante el proyecto se probaron y aplicaron dos métodos para identificar AC: uno manual y otro automatizado. En primer lugar, se empleó el método manual, tras seleccionar los criterios para reconocer las AC (véase la sección 1.1). Dado que PŽJDB contiene muchos datos, uno de los objetivos del proyecto fue probar, junto con el método manual, un método que permitiera automatizar al menos parcialmente el proceso de reconocimiento de las AC (véase la sección 1.2). 1.1. Identificación manual de las AC Para identificar manualmente las AC se aplicaron dos criterios principales: 1) el criterio de la restricción del potencial combinatorio léxico, evaluado mediante el método de sustituibilidad por sinónimos y/o el método de los grupos léxico-semánticos de sustantivos; 2) el criterio del sentido figurado. Si una colocación cumplía al menos uno de los criterios, se consideraba arbitraria. A continuación se examina cómo se aplicó cada criterio para determinar si una colocación debía considerarse arbitraria. 1.1.1. Identificación de las AC según la restricción del potencial combinatorio léxico Como se señaló en la introducción, se consideran arbitrarias las colocaciones que presentan una restricción del potencial combinatorio léxico, es decir, cuando un adjetivo o un verbo empleado con un significado específico en combinación con un sustantivo está sujeto a cierta restricción, más o menos arbitraria, de sustituibilidad (en inglés, arbitrary restriction on substitutability; Nesselhauf 2003, 2005). Así pues, según la concepción de la restricción del potencial combinatorio léxico, cualquier componente de una colocación no puede, con un significado determinado, ser BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 5 doi.org/10.35321/bkalba.2021.94.06 se ha usado con todos los colocados sintáctica y semánticamente posibles. Aunque en teoría se pueden encontrar sustitutos de los colocados, estos o bien no encajarían en absoluto o resultarían inusuales, por ejemplo: favorable frente a *entorno útil; de varias capas frente a *novela estratificada. Los lingüistas comprobaron el criterio de la restringida combinabilidad léxica mediante dos pruebas: 1) mediante sinónimos del verbo o del adjetivo (es decir, si se pueden sustituir por otras palabras de significado próximo que puedan considerarse sinónimos); 2) mediante los grupos léxico-semánticos de los sustantivos. Dado que se consideran CA las colocaciones cuyo componente no suele poder sustituirse por otra palabra —un sinónimo de significado próximo—, para reconocerlas se aplicó la prueba de sustituibilidad por sinónimos (adaptada de Nesselhauf 2003): si un componente de la colocación no puede sustituirse por otro sinónimo de significado próximo, se consideró que dicha colocación era una CA. Por ejemplo, para evaluar el carácter arbitrario de las colocaciones desobedecer la ley, instalar un sistema, trabajo realizado, se comprobó la posibilidad de sustituir los verbos por sinónimos como *infringir la ley, *introducir un sistema, *trabajo metido / introducido y se determinó si la sustitución era posible; si no lo era, las colocaciones se reconocían como CA. Tres lingüistas realizaron la prueba aplicando el método de introspección, pero se basaron en colocaciones identificadas en el corpus Delfi.lt. No obstante, hay que reconocer que a menudo resultaba bastante difícil encontrar un sinónimo, por lo que también se aplicó con frecuencia la segunda prueba, basada en los grupos léxico-semánticos de los sustantivos. La combinabilidad léxica restringida también se evaluó atendiendo a la diversidad de grupos léxico-semánticos: a partir de las colocaciones recogidas en la PŽJDB, se determinó con sustantivos de cuántos grupos léxico-semánticos se combina el adjetivo o el verbo de la colocación y, de ese modo, se evaluó el alcance de la combinabilidad léxica. Para determinar con la mayor precisión posible con qué palabras puede emplearse un sustantivo, se analizó todo su paradigma, es decir, todas las colocaciones formadas con ese sustantivo. Sin embargo, aunque todo el material estudiado consta de unas 12 000 colocaciones disponibles en la PŽJDB, a veces se observaba que la información era insuficiente. Si en el material estudiado aparecía una sola colocación con determinado adjetivo o verbo, los lingüistas completaban el paradigma basándose en su intuición lingüística de hablantes nativos; si la base de datos contenía varias colocaciones, las pruebas de combinabilidad léxica restringida se aplicaban al paradigma disponible. La amplitud de la combinabilidad se evaluó atendiendo a los grupos léxico-semánticos de los sustantivos y a las condiciones siguientes: BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 6 doi.org/10.35321/bkalba.2021.94.06 a) Las colocaciones no se consideraron CA si con determinado adjetivo o verbo se combinan sustantivos de muchos grupos léxico-semánticos diversos y esos grupos son numerosos. Esta combinabilidad del adjetivo o verbo se consideró amplia y carente de restricciones léxicas claras; compárese la abundancia de colocaciones con bueno: buen resultado, trabajo, mundo, persona, tiempo, vida, manera, cosa, país, equipo, día, decisión, año, clima, lugar, lado, temporada, oportunidad, precio, partido, coche, comida, señal, salud, camino, hombre, niño, producto, pregunta, comienzo, medio, etc.; compárese también comprar: comprar un coche, comida, un producto, una propiedad, tierra; b) Si con el adjetivo o verbo se combinan sustantivos de muchos grupos léxico-semánticos diversos, pero destaca un grupo o solo se emplean unos pocos sustantivos de un determinado grupo semántico, la colocación podía considerarse CA. Por ejemplo, aunque la combinabilidad de aparcar es amplia, este verbo no puede emplearse con los nombres de todos los medios de transporte; compárese aparcar un coche (así como aparcar una bicicleta, una motocicleta), pero amarrar un barco, aterrizar un avión. Por tanto, la colocación aparcar un coche se clasifica como CA debido a su combinabilidad restringida. El verbo tener se considera una palabra de amplia combinabilidad léxica, pues puede formar muchas colocaciones diversas; sin embargo, en todo su paradigma destaca la colocación tener un asunto, que se considera arbitraria. Con subjurti se emplean palabras pertenecientes a dos grupos léxico-semánticos —los fenómenos naturales y los sentimientos—, pero las colocaciones se forman únicamente con los sustantivos subjuro oras y subjuro nuotaika, por lo que ambos casos son CA; c) No se consideran CA las colocaciones pertenecientes a un único grupo semántico amplio. Por ejemplo, en la PŽJDB se encontró una sola colocación, descontar impuestos, pero los lingüistas pueden completar el paradigma con otras palabras basándose en su intuición lingüística de hablantes nativos (se puede descontar dinero, un préstamo y otros conceptos financieros), por lo que no reconocen descontar impuestos como CA. Se trata de un grupo léxico-semántico que, aunque en la PŽJDB aparece representado por una sola colocación, es potencialmente numeroso. La combinabilidad léxica restringida se comprobó evaluando ambas palabras de la colocación: el adjetivo o verbo no puede sustituirse por otros sinónimos (prueba 1) o bien (y/o) el paradigma de los sustantivos es restringido (prueba 2). Por ejemplo, la colocación comida servida indicaría que puede haber muchos sustantivos del grupo de alimentos (se pueden servir alimentos, bebidas, la cena, el almuerzo...). Así pues, no cumple la condición de la prueba 2, porque se trata de un único grupo semántico, pero sí cumple la condición b, porque servir no puede sustituirse por dar. Por tanto, según la prueba 2, la colocación se reconoce como arbitraria. Otro ejemplo: BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas 7 doi.org/10.35321/bkalba.2021.94.06 el verbo surengti se usa con sustantivos que designan eventos y acontecimientos (surengti rinkimus, koncertą...); por tanto, según el criterio de amplitud del grupo semántico, estas colocaciones no deberían considerarse arbitrarias, aunque pueden incluirse entre las AC conforme al test 1, pues en este caso surengti no puede sustituirse por el sinónimo suruošti. No siempre es posible aplicar el test de sinonimia. Por ejemplo, no puede aplicarse cuando existen varias variantes de AC, compárese: kainos kyla ir kainos auga, didėja; klausimas kamuoja ir klausimas kankina; duoti galimybę ir suteikti galimybę; įgyti teisę ir įgauti teisę. Tampoco puede aplicarse este test en casos como sumokėti mokesčius, apgyvendintas miestas: es difícil proponer siquiera hipotéticamente un sinónimo para las palabras sumokėti, apgyvendinti. Si no se encuentra un sinónimo, no es posible comprobar la sustituibilidad, ya que debe existir al menos la posibilidad teórica de elegir entre dos (o más) sinónimos. Al comprobar la restricción de la combinatoria léxica mediante el test de sinonimia (test 1) y el de grupos léxico-semánticos (test 2), los lingüistas se basaron en su competencia como hablantes nativos. Sin embargo, los resultados de este tipo de trabajo se ven inevitablemente influidos por el factor de subjetividad (sobre este problema de identificar sinónimos, véase Divjak, Gries 2006: 24–26). Por ello, también se probó un método automatizado para evaluar la sustituibilidad de los sinónimos (véase el apartado 1.2). 1.1.2. Identificación de AC según el sentido figurado Kai kuriuose ankstesnio laikotarpio tyrimuose (plg. Howarth 1998) tokios kolokacijos, kurių vienas iš dėmenų – perkeltinės reikšmės, vadinamos ribotosiomis kolokacijomis (angl. restricted collocations). Pasak Annos Reder (2006: 82), kolokacijos su perkeltinės reikšmės žodžiu yra riboto junglumo junginiai, kuriuose nenuspėjama ryši tarp kolokacijos narių lemia konvencija, o metaforiškumas yra konvencijos dalis. Todėl šios kolokacijos svarbios kalbos mokymui (Lewis 2000: 29). Tarkim, su anglų kalbos būdvardžiu heavy vartojami įvairūs daiktavardžiai, kurie reiškia dalykus su požymiu „sunkus“, bet žodžių junginyje heavy smoker (liet. užietėjęs rūkalius) minimas ne objektas, o asmuo, todėl mokant kalbos šią kolokaciją verta išskirti kaip įsidėmėtiną žodžių junginį. Los adjetivos usados en sentido figurado suelen presentar también un ámbito combinatorio más amplio, y las colocaciones con adjetivos de combinatoria más amplia resultan más difíciles para quienes aprenden la lengua (Nesselhauf 2005: 238). Dada su relevancia para la enseñanza de lenguas y la traducción BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 8 doi.org/10.35321/bkalba.2021.94.06 (Volungevičienė 2010; Stulpinaitė et al. 2016), se utilizó el criterio del sentido figurado para identificar las AC lituanas. En el análisis manual de las colocaciones, se consideró indicio de AC el uso en sentido indirecto de uno de sus componentes (adjetivo, verbo o sustantivo). Esto se determinó analizando el paradigma completo de una palabra concreta, generado a partir de los datos del corpus Delfi.lt (véase la columna 1 de la tabla 1). Dicho paradigma muestra con qué otros adjetivos o verbos forma colocaciones un sustantivo determinado y en qué sentido se emplea tanto ese sustantivo como sus colocados —adjetivos y verbos— en dichas colocaciones. A veces, solo un contexto más amplio permite determinar si una palabra se usa en sentido literal o figurado; en esos casos se recurrió a PŽJDB y al corpus Delfi.lt; compárese žalias + automobilis: El representante de «Unicredit Leasing» en Lituania señala un par de tendencias más del mercado de vehículos ecológicos. El vehículo ecológico pilotado por Marius Slaboševičius quedó medio segundo <...> por detrás. El «Tesla Model S» ha ganado varios premios al mejor automóvil, uno de los cuales es el de vehículo ecológico del año 2013. Interesantes modelos conceptuales de vehículos ecológicos. Los ejemplos muestran que el adjetivo žalias describe el automóvil como ecológico, pero no indica su color5. Esta colocación se consideró arbitraria. Por supuesto, en el corpus Delfi.lt, cuyos datos sirvieron para elaborar PŽJDB, pueden encontrarse numerosos casos en los que žalias describe el color del automóvil. Las combinaciones de sustantivos con adjetivos y verbos se consideraron AC si al menos uno de sus componentes se usaba en sentido figurado. En esos casos no se aplicaron los tests descritos (véase el apartado 1.1.1). El uso figurado de adjetivos y verbos es especialmente característico de las colocaciones de sustantivos abstractos, así como de algunos sustantivos que designan entidades concretas; por ejemplo, las colocaciones formadas con los sustantivos amžius, aplinka, apsauga, būdas, dalykas, dalis, dėmesys, duomenys, galimybė, gyvenimas, informacija, įstatymas, įvykis, kalba, karas, kartas, klausimas, laikas, metas, pabaiga, pagalba, pradžia, reikalas, rezultatas, saugumas, sprendimas, sveikata, teisė, turtas. 5 Señalamos que las formas pronominales también indican un uso excepcional. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 9 doi.org/10.35321/bkalba.2021.94.06 Las colocaciones con sustantivos abstractos, como determinó R. Petrauskaitė (véase Marcinkevičienė 2010), pueden constituir metáforas conceptuales (p. ej.: medio suave, crítica mordaz, resultado seco, información filtrada, avivar los rumores, filtración de datos, laguna legal6). Como afirma R. Petrauskaitė, «el criterio más importante de la metaforicidad es el traslado de significado, que se manifiesta en la oposición entre un sustantivo concreto y uno abstracto. Cuando las propiedades de un objeto concreto se toman como base para incorporar un concepto abstracto al contexto y formar una combinación de palabras con él, entonces nace una metáfora <...> un fenómeno, generalmente abstracto, se percibe como otro, concreto, recurriendo a la terminología de este último <...>» (Marcinkevičienė 2010: 178). Los adjetivos (y, con menor frecuencia, los verbos) empleados en sentido figurado en combinaciones con sustantivos concretos les atribuyen propiedades semánticamente atípicas (p. ej.: comida rápida, mujer llamativa, persona visible). Al igual que en las combinaciones con sustantivos abstractos, a menudo el significado de la combinación no se entiende a partir de las palabras por separado, sino de la combinación en su conjunto (p. ej.: hombre de hierro, edad de oro, mujer salvaje; véanse también los ejemplos anteriores con el sustantivo automóvil). En los estudios sobre colocaciones de otras lenguas (p. ej., Strakatova, Hinrichs 2019), se consideran colocaciones lexicalizadas aquellas que contienen un colocativo con sentido figurado, en las que dicho sentido solo aparece con un número limitado de palabras pertenecientes a grupos léxico-semánticos concretos. Por ejemplo, el significado del adjetivo heavy en las combinaciones con los sustantivos smoker, rain, traffic (en lituano, užkietėjęs rūkalius, stiprus lietus, intensyvus eismas) no es prototípico, pues denota intensidad, no peso. Se ha establecido que las palabras con un grado medio de combinabilidad léxica7 tienen un gran potencial metaforizador; por ejemplo, los verbos paralyžiuoti (paralyžiuoti eismą), sekti (senka laikas), sugriauti (sugriauti gyvenimą). Entre los adjetivos hay muchos que, usados en sentido literal 6 Sobre las metáforas espaciales, ontológicas y estructurales en las colocaciones, véase también: Drūlienė 2008a, b; Šilinytė 2008. El objetivo de este artículo y del proyecto en su conjunto no es clasificar las metáforas identificadas, por lo que no se profundiza más en este aspecto, aunque se entiende que las colocaciones arbitrarias pueden ser un objeto de estudio interesante para los especialistas en lingüística cognitiva. 7 A partir de la fórmula presentada por Susane Handl en 2008, se calcularon los índices de colocabilidad de los componentes de las colocaciones analizadas sobre la base del corpus Delfi.lt. Estos estudios continuarán. Por ahora puede decirse que las colocaciones arbitrarias deberían ser de fuerza media; es decir, el índice de colocabilidad de ninguno de sus componentes —ni del primero, ni del segundo ni del tercero— debería ser muy bajo o muy alto. Si, por ejemplo, el índice del primer componente es alto y el del segundo bajo, el primero puede usarse con pocas palabras, mientras que el segundo, con muchas, p. ej.: sustancia psicoactiva, niño autista, agua dulce, lugar sombreado, contrato tripartito, niño menor de edad, agua carbonatada / destilada, automóvil que pasa. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 10 doi.org/10.35321/bkalba.2021.94.06 sentidos, denotan características físicas (p. ej.: asunto resbaladizo, trabajo limpio, trabajo sangriento), pero también puede tratarse de adjetivos con otros significados (tiempo valioso, pregunta acuciante, acontecimiento destacado). La aplicación del criterio del sentido figurado se ilustra mediante el análisis de los paradigmas del adjetivo (ne)švarus, el verbo nutekėti y el sustantivo euras (véase la tabla 1): TABLA 1. Aplicación del criterio del sentido figurado Paradigma Identificación de colocaciones arbitrarias 1. švarus deporte, trabajo; trabajo, asunto, tema sucio 2. švarus (-i) agua, entorno, aire, ciudad, lugar, automóvil; agua sucia 1. Se considera colocación arbitraria debido al sentido figurado del adjetivo en combinaciones con sustantivos abstractos. 2. No se considera colocación arbitraria, porque en estas colocaciones el adjetivo se usa en sentido literal. 1. nutekėti información 2. nutekinta (-i) información, material, datos 1–2 se consideran colocaciones arbitrarias, porque en las combinaciones con sustantivos abstractos se realiza el sentido figurado del verbo. 1. euro debilitamiento, fortalecimiento 2. euro tipo de cambio, moneda, céntimo 3. euro cambio 1. Se considera colocación arbitraria, porque se atribuyen al euro propiedades propias de los seres vivos. 2. Son términos; no se considera colocación arbitraria. 3. No se considera colocación arbitraria, porque no hay sentido figurado. Como muestran los ejemplos de la tabla 1, no siempre el adjetivo o el verbo usado en sentido literal en el paradigma de una colocación —y, a veces, tampoco la colocación completa con determinado adjetivo o verbo— tiene sentido figurado. Sin embargo, en los siguientes casos el sentido figurado es evidente: decisión / asunto / acontecimiento doloroso; persona / carácter / vida cerrados; se abre el camino / el mercado / la perspectiva; conquistar un derecho / un lugar, etc. Estas colocaciones se consideran arbitrarias. En síntesis, puede afirmarse que el criterio de significado figurado es especialmente pertinente al analizar colocaciones formadas por adjetivos y sustantivos: a menudo se ha recurrido a él como BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 11 doi.org/10.35321/bkalba.2021.94.06 principal y más claro indicador de arbitrariedad. En cambio, al analizar colocaciones de verbo y sustantivo se aplicó con mayor frecuencia el criterio de restricción de la combinabilidad léxica (y la prueba de grupos semánticos). Dado que se encontraron muy pocas AK formadas por dos sustantivos, es difícil generalizar sobre las características de las colocaciones de esta estructura (véase el apartado 1.1.1). 1.2. Detección automatizada de AK Uno de los criterios de las AK —la combinabilidad léxica restringida— también se comprobó de forma automatizada; es decir, mediante el método de vectores se identificaron los sinónimos necesarios para la prueba de sustituibilidad. En un artículo publicado anteriormente se ofrece una descripción más detallada de la prueba de sustituibilidad y de la aplicación del método de vectores (Kovalevskaitė et al. 2021). En él se describe la aplicación del método de vectores para evaluar la arbitrariedad de las colocaciones de adjetivo + sustantivo; por ello, en este artículo se describe detalladamente solo la evaluación de la arbitrariedad de las colocaciones de verbo + sustantivo. Primero repasaremos brevemente las etapas principales de aplicación del método de vectores (apartado 1.2.1); después trataremos la selección de sinónimos de verbos mediante el método de vectores (véase el apartado 1.2.2) y resumiremos los resultados de la clasificación como arbitrarias de las colocaciones de verbos y sustantivos (véase el apartado 1.2.3). 1.2.1. Detección de AK según la combinabilidad léxica restringida mediante el método de vectores Mediante el método de vectores se buscó automatizar la detección de AK y reducir el factor de subjetividad en la evaluación de los datos. El método de vectores se aplicó en la siguiente secuencia para determinar la combinabilidad léxica restringida. En primer lugar, se extrajeron automáticamente palabras relacionadas de todo el corpus Delfi.lt8. Para ello se utilizó GloVe, un modelo de vectores de palabras (en inglés, embeddings) (Pennington et al. 2014). El método de vectores (en inglés, Word Embedding Approach) pertenece al grupo de métodos destinados a analizar automáticamente las palabras según las similitudes de su distribución o contexto (en inglés, distributional similarity measures). Estos métodos se aplican para reconocer automáticamente diversas relaciones (hiperonimia, sinonimia, antonimia y meronimia) y se basan en 8 Durante la ejecución del proyecto anterior («Reconocimiento automático de combinaciones léxicas fijas del lituano (PASTOVU)», véase https://pastovu.vdu.lt), se determinaron los vectores que se presentan aquí: https://clarin.vdu.lt/xmlui/handle/20.500.11821/26. En este estudio se utilizan para seleccionar los sinónimos necesarios para detectar AK. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 12 doi.org/10.35321/bkalba.2021.94.06 la hipótesis de que las palabras de significado próximo y/o semánticamente relacionadas se usan en contextos similares (véase Grigonytė 2010). En primer lugar, se generaron automáticamente series de vectores (en adelante, VE) de los adjetivos y verbos que aparecen en las colocaciones de PŽJDB9. Al seleccionar automáticamente las palabras relacionadas, se excluyeron los adjetivos y verbos de amplia combinabilidad léxica o de uso no autónomo, por ejemplo: geras, naujas, puikus; būti, reikėti, pradėti. Los adjetivos o verbos agrupados en las VE se seleccionaron en función de la similitud contextual. Se generaron unas 800 VE con adjetivos y más de 3800 con verbos. Aunque las VE ofrecían palabras relacionadas, entre los datos también había palabras vinculadas por otras relaciones semánticas (por ejemplo, antónimos), o incluso palabras no relacionadas; por ello fue necesaria una edición lingüística para determinar cuáles de las palabras relacionadas debían considerarse sinónimos, que pudieran usarse para evaluar hasta qué punto está restringida la combinabilidad de uno u otro sinónimo con cierto sustantivo. Se consideraron sinónimos las palabras de una misma categoría gramatical cuya significación denotativa (referencial) es muy similar, pero cuya combinabilidad léxica difiere en parte o por completo10. Las VE depuradas de verbos se utilizaron para evaluar la arbitrariedad de las colocaciones verbo + sustantivo. Se pretendía determinar en qué colocaciones el componente verbal no puede sustituirse por un verbo de significado próximo. Cada par o grupo de sinónimos verbales iba acompañado de colocaciones con un sustantivo determinado. Si con ese sustantivo se presentaba una colocación con un solo sinónimo del grupo o par, se concluía que el sustantivo analizado se combinaba con un solo verbo de ese grupo de sinónimos, y la colocación se consideraba arbitraria. Si el sustantivo analizado formaba colocaciones con todos los verbos del par o grupo de sinónimos, las colocaciones no se clasificaban como arbitrarias (véase la tabla 2). 9 Lo más preciso sería denominar a las palabras relacionadas identificadas mediante el método de vectores series de posibles sinónimos identificadas mediante el método de vectores. Por brevedad, en adelante usamos series de vectores, o, más exactamente, la abreviatura VE. 10 El concepto de sinónimo empleado en este artículo puede relacionarse con el término más extendido en la lexicografía lituana, sinónimos parciales (véase Jakaitienė 2010). BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 13 doi.org/10.35321/bkalba.2021.94.06 TABLA 2. Etapas de identificación de las AK mediante VE AK reconocida AK no reconocida Etapa 1: se toma una VE con dos pares de sinónimos, gauti–įgyti y duoti–teikti; Etapa 2: a partir de esta VE se comprueba con cuántos de estos sinónimos forma colocaciones el sustantivo apdovanojimas; se identifican dos colocaciones: gauti apdovanojimą (un sinónimo del par gauti–įgyti) y teikti apdovanojimą (un sinónimo del par duoti–teikti); Etapa 3: se decide que gauti apdovanojimą y teikti apdovanojimą deben considerarse AK. Etapa 1: se toma una VE con dos sinónimos, įkurti y įsteigti; Etapa 2: a partir de esta VE se comprueba con cuántos de estos sinónimos forma colocaciones el sustantivo asociacija; se identifican dos colocaciones: įkurti asociaciją y įsteigti asociaciją; Etapa 3: se decide que įkurti asociaciją y įsteigti asociaciją no son AK. Por ejemplo, con el sustantivo apdovanojimas se presentaron las colocaciones gauti apdovanojimą, teikti apdovanojimą, pero no *įgyti apdovanojimą, *duoti apdovanojimą. Por tanto, con los pares de sinónimos gauti–įgyti y duoti–teikti, el sustantivo apdovanojimas selecciona solo una opción de cada par, por lo que las colocaciones gauti apdovanojimą y teikti apdovanojimą se clasificaron como arbitrarias. Entre las colocaciones verbales, se consideraron arbitrarias con frecuencia aquellas en las que se usan verbos de significado atenuado (desemantizados) (véase Kovalevskaitė et al. 2020), por ejemplo: atlikti tyrimą, duoti rezultatą, imti mokestį. La arbitrariedad de las colocaciones del sustantivo asociacija se evaluó a partir de la VE que contiene dos sinónimos, įkurti y įsteigti; como este sustantivo formaba colocaciones con ambos sinónimos, estas se descartaron por no ser arbitrarias. Al igual que en la evaluación de las colocaciones con adjetivos, durante el estudio experimental los sinónimos verbales se probaron manualmente, ya que es necesario tener en cuenta el significado tanto del sinónimo como del sustantivo evaluado. Si el significado de los sinónimos de la VE no coincide con el significado del verbo de la colocación evaluada, la prueba de sustituibilidad de ese verbo BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 14 doi.org/10.35321/bkalba.2021.94.06 no puede aplicarse. Por ejemplo, para evaluar la arbitrariedad de la colocación construir un automóvil, la VE con construir no resultó adecuada por la acepción «construir un edificio» (166 VE11). Así pues, las etapas de aplicación del método automatizado son las siguientes: a) automática (las VE se generan mediante el método de vectores); b) no automática (un lingüista las revisa y, si es necesario, las precisa); c) parcialmente automática (las colocaciones se vinculan automáticamente con VE concretas y, tras su revisión, se confirman o no como AK). 1.2.2. Selección de sinónimos verbales en conjuntos de vectores Dado que las VE generadas contenían muchos datos redundantes e irrelevantes, el denominado ruido (en inglés, noise), un lingüista revisaba cada VE y eliminaba las palabras innecesarias, que no estaban relacionadas por sinonimia; en algunos casos, suprimía por completo determinadas VE. A continuación analizaremos diferentes casos de edición lingüística de las VE. El número de VE verbales era mucho mayor que el de las adjetivales (3800 y 800 VE, respectivamente), pues también era mayor la propia lista de verbos. Se genera automáticamente una VE para cada verbo, por lo que algunas VE son similares; sin embargo, el número de sinónimos presentes en una VE similar puede variar en función del verbo que actúe como elemento de referencia. El verbo de referencia es la palabra a la que se asemejan las demás palabras incluidas; dicho de otro modo, es aquella para la que se buscaron posibles sinónimos (la semejanza puede establecerse mediante una relación hiperonímica, sinonímica, antonímica o partonímica; esta palabra aparece subrayada en los grupos de sinónimos). Por ejemplo, en la VE 151 el verbo de referencia es organizar, mientras que la VE 40 es mucho más extensa y su palabra de referencia es ejecutar: VE 151: organizar, preparar, ejecutar VE 40: ejecutar, implementar, preparar, organizar, realizar, llevar a cabo, interrumpir Como ya se ha mencionado, las VE generadas automáticamente todavía debían ser revisadas por un lingüista. Una vez realizado este trabajo, se observó que, al igual que en el caso de los adjetivos, también en el de los verbos se habían recopilado automáticamente muchas VE extensas, con varios pares de sinónimos verbales, y pocas que contuvieran solo un par de sinónimos o tres sinónimos. A veces, tras la revisión, se comprobaba que el verbo de referencia utilizado para generar la VE no tenía sinónimos, aunque en esa VE podía haber otro 11 Aquí y en adelante se indican los números de las VE de posibles sinónimos identificados mediante el método de vectores, en las que se basa este artículo. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 15 doi.org/10.35321/bkalba.2021.94.06 un par de sinónimos adecuado; por ejemplo, en la VE del verbo de apoyo kisti, los sinónimos son paaštrėti, pablogėti. Al igual que en el caso de los adjetivos, en las VE de verbos el «ruido» lo causaban los antónimos; compárense las VE pasivyti–aplenkti, sutrumpinti–pailginti, griežtinti–švelninti, formadas por miembros de un mismo grupo léxico-semántico que no son sinónimos, por ejemplo: pasnigti: palynoti, nugriaudėti; nepasiekti: pargrūti, iššausėti, patinti, pakrypti, sušlubuoti, sudužti; vakarieniauti: pietauti; pavirti: troškinti. Al depurar las VE, a menudo resultaba que uno o varios verbos no eran adecuados porque designaban un aspecto demasiado específico de una acción similar; por ejemplo, en la VE de la palabra remtis aparecían estas palabras: vadovautis, pasikliauti, apsiriboti, kliautis. Se eliminó apsiriboti y solo se consideraron sinónimos vadovautis, pasikliauti, kliautis. También son frecuentes los casos en que una palabra de la VE tiene un significado más amplio, por ejemplo, paveikti, mientras que otras palabras asignadas a la VE designan con mayor precisión aspectos de un efecto negativo, por ejemplo, pakenkti, sutrikdyti. Por eso, solo estas se consideraron sinónimas. De la VE pagrįsti, įvardinti, paaiškinti, pateisinti se reconocieron como sinónimos pagrįsti y paaiškinti, mientras que pateisinti y įvardyti no se consideraron sinónimos, pues, debido a rasgos semánticos adicionales, se alejan demasiado del significado de las dos primeras palabras. A veces, por casos de este tipo, había que descartar toda la VE; por ejemplo, atmesti, ignoruoti, uždrausti. A veces, las VE de verbos de apoyo también eran totalmente inadecuadas, aunque parecería que sus sinónimos deberían poder determinarse automáticamente sin dificultad; por ejemplo: suprastėti (posible sinónimo pablogėti, pero no figuraba en su VE); sąlygoti (posible sinónimo lemti, pero no estaba incluido; sí aparecía pakentėti). Las VE de verbos con negación no eran precisas y, por tanto, se descartaron; por ejemplo, se descartaron los verbos de apoyo negydyti, nesuskaičiuoti, nepridėti. Cabe mencionar que a menudo también había que precisar las VE debido a las características derivativas de los verbos. Por ejemplo, no se consideraron sinónimos los verbos de aspecto imperfectivo y perfectivo (tirti ir ištirti), ni tampoco verbos cuyo significado cambia al añadir un prefijo, como palyti ir palynoti, naršyti ir panaršyti, ni los verbos reflexivos y no reflexivos (klausyti ir klausytis). Si, por ejemplo, el verbo de apoyo de una VE era reflexivo, se descartaba el no reflexivo correspondiente. Por ejemplo, de la VE išsirinkti, atsirinkti, pasirinkti, nuspręsti, rinktis se eliminaron los verbos išrinkti, parinkti. Las variantes derivativas (por ejemplo, vardinti ir vardyti, lukterėti ir luktelėti) se consideraron sinónimas. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 16 doi.org/10.35321/bkalba.2021.94.06 Al depurar las VE se puso de manifiesto otra particularidad de la selección automática: dado que el método de vectores reúne palabras según la similitud de sus contextos, una VE puede estar formada por sinónimos que solo a primera vista parecen inadecuados. Dicho de otro modo, si se desconocen los sustantivos concretos que hicieron que dos o más verbos quedaran agrupados en una misma VE, la calidad de algunas VE puede evaluarse erróneamente. Por ejemplo, la VE número 60 contenía estas palabras: rodyti, demonstruoti, jausti. Si se eliminara de inmediato la palabra jausti, se cometería un error, pues apareció allí debido al contexto común de estos verbos, en el que se habla de sentimientos; compárese demonstruoti, rodyti jausmus y, por ejemplo, jausti pyktį, jausti nusivylimą y casos similares. Los verbos sumažėti, pigti o padidėti, ūgtelėti pueden ser sinónimos cuando se habla de precios. Los tres verbos de la VE apsispręsti, priimti, pasirinkti son sinónimos, mientras que el verbo imti, que suele eliminarse, apareció aquí porque significa priimti sprendimą; en otras palabras, esta VE debe leerse así: apsispręsti, priimti sprendimą, pasirinkti12. Estos ejemplos muestran que es posible determinar automáticamente más sinónimos y/o otros distintos, ya que el método de vectores evalúa la similitud del contexto, no la similitud del significado de las palabras por separado. Es poco probable que, tomando las palabras de forma aislada, relacionáramos como sinónimos los verbos atsikratyti, numesti, sulieknėti; sin embargo, aparecen en una misma VE porque se utilizaron en un contexto común en el que también figuraba el sustantivo svoris. Pueden ofrecerse más ejemplos; compárense: trukti, užtrukti, gyvuoti, egzistuoti, užsitęsti; domėtis y užsiimti; gerti y vartoti; nusiteikti y pasiruošti; skambinti, kreiptis, pranešti; atkurti, atstatyti, atgaivinti; peržiūrėti, koreguoti, atnaujinti, keisti; išprovokuoti, lemti, peraugti; šokiruoti, sukresti, priblokšti; atlaikyti, ištverti, įveikti. En el contexto deportivo, los cuatro verbos —užsitikrinti, iškovoti, pasiekti, išsaugoti— son sinónimos, pues a veces se expresa la conquista de un logro de este modo: užsitikrino sau vietą finale o išsaugojo titulą. Estos resultados muestran que, al evaluar la sinonimia, es importante abarcar más de una palabra, pues los miembros de un grupo de sinónimos pueden ser tanto palabras aisladas como expresiones fijas. 12 En las VE hay palabras relacionadas sintagmáticamente, por ejemplo, įžeisti y nenorėti. Como nenorėti suele aparecer en un contexto común con įžeisti (cuando forma parte de la expresión nenorėjo įžeisti, bet...), ambos se agruparon en una misma VE. Otro caso: liautis: nustoti, verkti. El verbo verkti apareció aquí porque se seleccionó a partir de un contexto frecuente para él: liovėsi verkęs / verkusi. Dicho de otro modo, las VE muy largas (e inadecuadas) se generan para aquellos verbos de apoyo que se usan como auxiliares y que, debido a sus características gramaticales, tienen una amplia capacidad combinatoria; por ejemplo: daryti, imti, pradėti, norėti, reikėti, privalėti, reikėti, stengtis, nepajėgti. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 17 doi.org/10.35321/bkalba.2021.94.06 combinaciones. Al aplicar el método de vectores, que compara la similitud del contexto, precisamente se ponen de manifiesto las relaciones de palabras individuales con el contexto. A un lingüista le resultaría difícil abarcar tantos datos (para más información sobre el uso de un amplio espectro de medidas de distribución en el análisis automático de sinónimos, véase Divjak, Gries 2006). Se observó que, a menudo, la VE de un verbo de significado más específico y combinabilidad más restringida es más breve y depurada, probablemente debido a su combinabilidad más restringida. Al comparar las VE de los sinónimos nerimauti, jaudintis, būgštauti y nuogąstauti, se observa que la VE de nerimauti es más larga y menos pura; contiene palabras de significado más amplio, por ejemplo, bijoti (nerimauti: jaudintis, baimintis, bijoti), mientras que en la VE de būgštauti solo se recogieron estas cuatro palabras: būgštauti: nerimauti, jaudintis, nuogąstauti. También se observó que las VE basadas en verbos de significado más concreto (duoti, bėgti, išimti, atsistoti, medžioti, kvėpuoti, sugesti, kalėti) pueden contener pocos sinónimos o ninguno, porque las palabras recogidas a partir de un verbo de significado concreto están relacionadas temáticamente, no por sinonimia; compárese: išimti: išmesti, išbraukti, išnešti; medžioti y žvejoti; kvėpuoti y vaikščioti; virti y kepti; kalėti y nuteisti; sugesti: skilti, perkaitti, sprogti, užsikimšti, užsidegti. Estas VE también constan de dos palabras, pero pueden ser más largas. A veces son muy extensas; por ejemplo, para el verbo de referencia sumenkti se obtuvieron hasta 26 verbos. En resumen, cabe señalar que, tras la revisión, se obtuvieron 2634 de las 3800 VE (70%). Por tanto, las VE generadas automáticamente no son suficientemente precisas como para utilizarlas, sin editar, en la siguiente fase de identificación de AK. Estos errores pueden deberse a las características del corpus Delfi.lt: aunque su tamaño es considerable (unos 70 millones de palabras), la diversidad léxica puede ser menor en textos de un solo estilo. Para generar VE más precisas se necesitaría un corpus con mayor diversidad de estilos funcionales. 1.2.3. Resultados: calidad de las VE y reconocimiento de la arbitrariedad Al comparar las VE de adjetivos y verbos antes y después de la revisión, se observó que en ambos casos se descartaron bastantes VE por ser poco informativas: 1) de las 1927 VE de adjetivos, tras la revisión quedaron 800 VE (41%); 2) de las 3800 VE de verbos, tras la revisión quedaron 1166 VE (30%). También hubo que editar las VE restantes. Cabe señalar que no se evaluó cuántas palabras se eliminan habitualmente de una sola VE. A menudo había que eliminar palabras auxiliares, no del todo autónomas BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 18 doi.org/10.35321/bkalba.2021.94.06 verbos: hacer, tomar, vivir, valer, necesitar, deber, empezar, obtener, querer, esforzarse, lograr. Muchas de las palabras que se eliminaban aparecían al final de la VE, donde quedaban las palabras con el umbral de puntuación más bajo aplicado (0,5; la puntuación máxima es 1), pero también hubo bastantes casos en los que se eliminó una palabra con una puntuación alta, situada en las posiciones 2–5 de una VE concreta (una VE puede contener un máximo de 20 palabras). Cabe destacar que la evaluación se realizó según la VE y se limitó a las palabras incluidas en ella. Si puede haber otros sinónimos, pero no estaban en la VE utilizada para evaluar (no fueron seleccionados mediante el método de vectores, no se usaron en el corpus Delfi.lt, etc.), algunas colocaciones pudieron clasificarse como no arbitrarias (o a la inversa). Por ejemplo, al evaluar las colocaciones estrella fugaz y estrella ascendente, se utilizó una VE que contiene los verbos crecer, caer, ascender, disminuir, desarrollarse, aumentar. En esta VE no aparece desplomarse, que podría ser sinónimo de caer, por lo que estrella fugaz no se reconoció como AK. Durante el estudio también se observaron las ventajas de la selección automática de datos: 1) como se mencionó en la sección 1.2.2, el método de vectores permite identificar más sinónimos y distintos de los que se obtienen recurriendo únicamente al método de introspección; 2) el método de vectores es adecuado para procesar grandes cantidades de datos, mientras que difícilmente sería posible evaluar manualmente la similitud contextual de tal cantidad de palabras. Tras aplicar la prueba de sustituibilidad a las VE de sinónimos verbales, 291 colocaciones se reconocieron como arbitrarias. Es evidente que los sinónimos presentes en las VE determinan qué colocaciones se reconocerán como AK. Por un lado, esta es una limitación del método; por otro, ofrece la posibilidad de automatizar el proceso de identificación de la arbitrariedad. Cuando el reconocimiento de la arbitrariedad depende únicamente de una VE concreta, puede ocurrir a menudo que algunas colocaciones no se seleccionen según una VE, pero sí según otra. Por ejemplo, al evaluar la arbitrariedad de las colocaciones crear una imagen y formar una imagen según la VE 368, crear, formar, ninguna de las dos colocaciones se clasificaría como AK. Sin embargo, los verbos crear, formar también aparecen en otras VE a las que se ha asignado el mismo sustantivo imagen, por lo que la colocación crear una imagen se reconoce como AK según otra VE (45): crear, crear, desarrollar, ampliar, implementar, preparar, fundar. También puede darse otro caso: las mismas colocaciones pueden reconocerse como arbitrarias según más de una VE; por ejemplo, hacer ejercicio, realizar ejercicio pueden evaluarse como AK tanto según la VE 11 (realizar, llevar a cabo, hacer), como según la VE 15 (hacer, realizar, crear; BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 19 doi.org/10.35321/bkalba.2021.94.06 llevar a cabo). El problema surge cuando una colocación arbitraria no se considera arbitraria porque no es posible determinarlo según ninguna VE. Esto ocurría con bastante frecuencia al evaluar variantes de colocaciones. Por ejemplo, con el sustantivo impuestos se usan tanto subir como aumentar; ambos verbos aparecen en la VE 52, según la cual se evalúa la arbitrariedad, por lo que estas colocaciones no se clasificarán como AK. Sin embargo, son variantes de AK (cf. suben, aumentan los precios). El mismo caso se da con realizar / llevar a cabo / hacer una investigación (según la VE 11, estas combinaciones no se reconocieron como AK). En esa misma VE aparecían obtener y adquirir, por lo que obtener un diploma y adquirir un diploma no se reconocieron como AK. Estos casos muestran que, al evaluar la arbitrariedad de las colocaciones según el criterio de la restricción léxica de la combinabilidad, son importantes tanto los instrumentos de prueba empleados como el hecho de que el método no automático resulta más adecuado para identificar variantes de AK. Dado que la prueba de sustituibilidad de sinónimos está tan estrechamente relacionada con las palabras presentes en una VE concreta, también puede ocurrir que no se seleccionen colocaciones similares, pero de significado opuesto. Por ejemplo, se seleccionó la colocación aumenta el descontento, pero no disminuye el descontento. Mediante el método no automático, ambas se evaluarían como AK. Por lo tanto, cuando se utilizan datos evaluados mediante introspección lingüística para valorar la arbitrariedad, se conserva parte de las AK que se pierden con el método 2. Cabe señalar, sin embargo, que la aplicación del método lingüístico no automático conlleva cierta subjetividad. El método automatizado es más objetivo, aunque hay que reconocer que los datos son más fragmentarios (para las pruebas se utilizan únicamente las VE disponibles y recopiladas). Además, no todas las colocaciones que son AK se reconocen como tales. 2. RESULTADOS DE LA IDENTIFICACIÓN DE LAS AC Al observar el número de AC identificadas, se aprecia claramente que hay muy pocas AC coincidentes identificadas mediante los métodos no automatizado y automatizado (véanse más detalles en los apartados 2.1 y 2.2); por tanto, cada uno de los métodos aporta por separado datos importantes. Los datos recopilados mediante el método de análisis no automatizado son muchos más que los identificados automáticamente, pero en el análisis no automatizado se aplicaron dos criterios de selección, no uno (la restricción léxica combinatoria y el significado figurado), mientras que con el método de vectores solo se aplicó la restricción BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 20 doi.org/10.35321/bkalba.2021.94.06 léxica combinatoria. Así, al aplicar más criterios, se recopilan más colocaciones con una mayor variedad de adjetivos y verbos. A partir de ejemplos concretos de AC, en este apartado se explicará por qué se obtuvieron precisamente estos resultados, cómo los determinaron los criterios aplicados y los datos utilizados. En primer lugar, analizaremos qué muestran los datos obtenidos. Todas las AC con un adjetivo o verbo concreto pueden identificarse de distintas maneras: a) mediante uno solo de los dos métodos; b) una parte de las colocaciones mediante un método y otra parte mediante el otro; c) una parte de las colocaciones mediante uno, otra parte mediante el otro y otra parte mediante ambos métodos. En los siguientes subapartados analizaremos las AC de distinta estructura comentando los resultados obtenidos con ambos métodos. 2.1. Colocaciones arbitrarias formadas por adjetivos y sustantivos En total se identificaron 1048 AC con la estructura adjetivo + sustantivo. Estas colocaciones incluyen 320 adjetivos distintos. Cabe señalar que con algunos adjetivos (grande, pequeño, abierto, alto, moderno, excepcional, principal y otros) se forman varias o una docena de AC, mientras que con otros (por ejemplo, no breve, exhaustivo, cambiante, picante) se forman AC aisladas (en promedio, se forman 3,3 colocaciones con un mismo adjetivo; véase más en detalle la tabla 3). TABLA 3. AC identificadas mediante distintos métodos (adjetivo + sustantivo) AC identificadas mediante el método no automatizadoAC identificadas mediante el método automatizadoAC identificadas mediante ambos métodosN.º (porcentaje)Número de adjetivos distintos (número medio de AC formadas con el mismo adjetivo)N.º (porcentaje)Número de adjetivos distintos (número medio de AC formadas con el mismo adjetivo)N.º (porcentaje)Número de adjetivos distintos (número medio de AC formadas con el mismo adjetivo)577 (55,06)230 (2,5)306 (29,2)86 (3,56)165 (15,74)42 (3,93) BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 21 doi.org/10.35321/bkalba.2021.94.06 Como se observa en la tabla 3, el mayor número de AC se identificó mediante el método no automatizado: más de la mitad de todas las AC (por ejemplo: imagen cruel, trabajo servil, pregunta directa, asunto doloroso); aproximadamente un tercio de las AC se identificó de forma automatizada (por ejemplo: bien valioso, proyecto único, día complicado, método óptimo), mientras que la proporción menor (15,74%) corresponde a las AC identificadas mediante ambos métodos (por ejemplo: guerra fratricida, comercio intenso, proyecto gigantesco, precio bajo). También se observan proporciones similares en las AC con verbos (véase el apartado 2.2). Al analizar los adjetivos de las AC, se observa que algunos aparecen solo en AC identificadas mediante uno de los métodos (véanse los ejemplos anteriores), mientras que otros aparecen en AC identificadas mediante ambos métodos (por ejemplo: grande, pequeño, fuerte). Al inicio de la investigación se planteó la hipótesis de que la diversidad de adjetivos sería mayor en las AC identificadas mediante el método no automatizado y menor en las AC identificadas aplicando el método automatizado de vectores. La hipótesis se confirmó: en las AC identificadas mediante el primer método se emplearon 235 adjetivos distintos; es decir, cada adjetivo forma, en promedio, 2,5 AC. En las AC identificadas mediante el método de vectores hay 86 adjetivos distintos, por lo que, en promedio, cada adjetivo forma 3,56 AC. La menor diversidad de adjetivos (42) se da entre las AC identificadas mediante ambos métodos, aunque también es el grupo con menos colocaciones. En este grupo de AC, cada adjetivo forma, en promedio, 3,93 colocaciones. Cabe suponer que esta escasa diversidad de adjetivos se debe al número relativamente reducido de datos. Es muy probable que una colocación sea arbitraria si está formada por adjetivos como grande, enorme, gigantesco, pequeño, tenso, peligroso, serio, fuerte, difícil junto con sustantivos abstractos, ya que estos adjetivos se emplearán en sentido figurado. Al comentar cómo los métodos aplicados dieron lugar precisamente a estos resultados, quisiéramos examinar como ejemplo las AC con el adjetivo inteligente, pues en ellas se observa toda la diversidad: algunas colocaciones se identificaron con un método, otras con el otro y otras con ambos. De las ocho colocaciones del adjetivo inteligente (decisión inteligente, ciudad inteligente, niño inteligente, hombre inteligente, momento inteligente, método inteligente), seis se reconocieron como AC: las colocaciones de este adjetivo con los sustantivos decisión y ciudad se seleccionaron de forma no automatizada; las colocaciones con niño y hombre se seleccionaron de forma automatizada, y las colocaciones con momento y método se seleccionaron mediante ambos métodos. Los lingüistas determinaron que el grupo semántico «personas» es habitual con este adjetivo. Con palabras de este grupo pueden combinarse opcionalmente adjetivos de significado similar (puede ser BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 22 doi.org/10.35321/bkalba.2021.94.06 no solo inteligente, sino también una persona sabia); por ello, niño inteligente y hombre inteligente aparecieron entre las AC únicamente como resultado de la selección automática (la colocación persona sabia no está registrada en el corpus de Delfi.lt); posteriormente, al revisar los datos, se descartaron. Los lingüistas observaron que los otros sustantivos (decisión, momento, método) pertenecen principalmente al grupo léxico-semántico de los «abstractos», pero, aun así, las colocaciones se forman solo con ciertos sustantivos abstractos; por tanto, las posibilidades de elección dentro de este grupo son limitadas, lo que demuestra su carácter arbitrario. Por eso, todas estas colocaciones se reconocieron como arbitrarias. Solo dos de ellas (momento inteligente y método inteligente) se identificaron como AC de forma automatizada, ya que el método de vectores no aplica la prueba de grupos léxico-semánticos. AC identificadas mediante el método no automatizado. Por ejemplo, nueve colocaciones con el adjetivo alto se reconocieron como arbitrarias: resultado alto, alto funcionario, precio alto, entre otras. Aquí el adjetivo se emplea en sentido figurado (y casi exclusivamente con sustantivos abstractos), por lo que el criterio del sentido figurado llevó a los lingüistas a clasificar estas colocaciones como AC. A menudo, el método automatizado no detectó estas colocaciones porque, para la prueba de sustituibilidad por sinónimos, no se disponía de VE que incluyeran el adjetivo correspondiente (alto, cerrado, doloroso, débil, ancho, cómodo, fácil, libre, largo o rápido); por eso no era posible evaluar la sustituibilidad. Como ya se mencionó en la sección anterior, los resultados del método automatizado dependen en gran medida de si se dispone de sinónimos para comprobar la sustituibilidad y de la calidad de la serie de sinónimos. Este caso ilustra que, si se aplica únicamente el método automatizado, algunas AC pueden quedar sin identificar, mientras que la competencia lingüística puede compensar la falta de datos del corpus. Otra razón por la que algunas AC pueden no identificarse automáticamente es que no todos los sustantivos pueden estar vinculados a una serie de sinónimos de determinado significado, pues el contexto de algunos sustantivos puede ser distinto. Por ejemplo, entre las colocaciones del adjetivo destacado hay muchas identificadas de forma no automatizada (por ejemplo: mujer destacada, persona destacada), y solo una AC se identificó mediante ambos métodos: acontecimiento destacado. Esto significa que sí había una VE con este adjetivo, pero que no se asociaron automáticamente con ella los tres sustantivos, sino solo acontecimiento. AC identificadas mediante el método automatizado. Las AC con el adjetivo eficaz se identificaron únicamente mediante el método de vectores; por ejemplo: medida eficaz, resultado eficaz, sistema eficaz, trabajo eficaz. La VE contenía más sinónimos (por ejemplo, efectivo), pero las colocaciones medida efectiva, resultado efectivo, entre otras, no estaban registradas en el corpus; por tanto, al aplicar el criterio de imposibilidad de BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 23 doi.org/10.35321/bkalba.2021.94.06 la prueba de sustituibilidad; las colocaciones con efektyvus se reconocieron como AK. Aquí es importante añadir que, basándose en la competencia de los hablantes nativos, los lingüistas evaluaron este caso de otra manera: la sustitución es posible (se pueden usar tanto efektyvi priemonė como veiksminga priemonė), por lo que se decidió no considerar estas colocaciones AK. Mediante el método automatizado se reconocieron como AK muchas colocaciones cuyo adjetivo es evaluativo, cf.: išskirtinis (pues está relacionado sinonímicamente con ypatingas), keistas (relacionado con neįprastas), modernus (relacionado con šiuolaikiškas), pagrindinis (relacionado con esminis), sudėtingas (relacionado con sunkus). Los lingüistas tendieron con mayor frecuencia a no clasificar estos casos como AK. Las colocaciones con stabilus, por ejemplo, stabilus gyvenimas, stabili kaina, stabili savaitė, stabili valstybė, solo se reconocieron como arbitrarias mediante el método de vectores, ya que la sustituibilidad se comprobó con el sinónimo pastovus, que no se había usado como colocativo con los sustantivos correspondientes. Sin embargo, los lingüistas no reconocieron estas colocaciones como arbitrarias porque, al observar la capacidad combinatoria de stabilus, se aprecia que es realmente amplia y no se han establecido restricciones; además, pastovus no se consideró sinónimo de stabilus, cf.: stabilus darbas, stabili valstybė, stabili kaina, stabilus rezultatas, stabilus gyvenimas, stabili savaitė. AK identificadas mediante ambos métodos. Entre los datos disponibles no hay ningún caso en que todas las colocaciones de un mismo adjetivo reconocidas como AK se hayan identificado mediante ambos métodos. En todos los casos, mediante ambos métodos se identificó solo una parte de ellas, y entre esos adjetivos predominan los que pueden emplearse en sentido figurado, por ejemplo: garsus, greitas, liūdnas, mažas, nelengvas, patrauklus, pavojingas, rimtas, stiprus, sunkus, tvirtas. Como ya se ha mencionado, las AK de la mayoría de estos adjetivos se identificaron únicamente mediante el método no automatizado, por ejemplo, las colocaciones con el adjetivo silpnas (véanse también los ejemplos mencionados anteriormente). Esto se debe a que, al identificar AK de forma no automatizada, estos casos se seleccionaron según el criterio del sentido figurado; al aplicar el método 2, en cambio, solo cumplían los requisitos si formaban parte de las series de sinónimos empleadas en la prueba de sustituibilidad. Al comprobar cuántas colocaciones se reúnen mediante cada método para uno de los sustantivos más productivos, sprendimas, se observan tendencias similares a las de la tabla 3: con el método no automatizado se obtuvieron más AK, pero hay una proporción considerable de AK identificadas mediante el método automatizado. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 24 doi.org/10.35321/bkalba.2021.94.06 TABLA 4. AK identificadas con el sustantivo sprendimas y adjetivos AK identificadas mediante métodos no automatizados AK identificadas mediante métodos automatizados AK identificadas mediante ambos métodos 1) responsable 2) sin precedentes 3) drástico 4) audaz 5) formal 6) estricto 7) inteligente 8) sabio 9) constructivo 10) creativo 11) estúpido 12) temporal 13) decisivo 14) fatídico 15) fácil 16) ilógico 17) irracional 18) fundamentado 19) cómodo 20) avanzado 21) práctico 22) opuesto 23) inteligente 24) racional 25) consciente 26) seguro 27) independiente 28) escandaloso 29) doloroso 30) precipitado 31) urgente 32) ingenioso 33) pacífico 34) justo 35) sostenible 36) unido 1) claro 2) categórico 3) extraño 4) concreto 5) creativo 6) útil 7) inesperado 8) óptimo 9) sencillo 10) deficiente 11) realista 12) complejo 13) único 1) rápido 2) lógico 3) no fácil 4) serio 5) arriesgado 6) difícil 7) perjudicial 8) firme BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 25 doi.org/10.35321/bkalba.2021.94.06 Al presentar el ejemplo del sustantivo sprendimas, es importante mencionar otro aspecto relacionado con el método automatizado: algunas colocaciones clasificadas como arbitrarias pueden ser objeto de debate, es decir, pueden parecer estar en el límite, más cerca de las no genuinas. Por ejemplo, cabe preguntarse si colocaciones como aiškus sprendimas o keistas sprendimas realmente deben considerarse arbitrarias. Parecería que los adjetivos aiškus, keistas, kūrybiškas, naudingas, netikėtas y otros pueden combinarse no solo con sprendimas, sino también con muchos otros sustantivos con los que pueden combinarse por su significado; compárense todas las colocaciones de estos adjetivos identificadas en el corpus Delfi.lt: aiškus ženklas, aiškus vaizdas, aiški informacija, aiškus rezultatas, aiški sistema, aiškus dalykas; keistas dalykas, keistas būdas, keistas klausimas, keista vieta, keistas sprendimas, keistas įvykis, keistas vaizdas. Los lingüistas comprobaron la restricción de la combinabilidad léxica no solo mediante la prueba de sinonimia, sino también atendiendo a grupos léxico-semánticos; por eso no clasificaron las colocaciones aiškus sprendimas y keistas sprendimas como arbitrarias. Al evaluar automáticamente la restricción léxica, estas colocaciones se clasificaron como AK, ya que, al comprobar la sustituibilidad por sinónimos, se determinó que el sustantivo sprendimas formaba colocaciones únicamente con uno de los miembros del par de sinónimos aiškus, suprantamas y con uno de los miembros del par keistas, neįprastas. Estos ejemplos muestran que cabe esperar resultados más precisos de AK cuando la restricción de la combinabilidad léxica se comprueba mediante la prueba de grupos léxico-semánticos, además de la de sinonimia. 2.2. Colocaciones arbitrarias formadas por verbos y sustantivos Se identificaron 1171 AK formadas por un verbo y un sustantivo. Esta cifra es bastante similar a la de las AK formadas con adjetivos: 1048. Asimismo, la distribución de las AK identificadas mediante distintos métodos (véase la tabla 3) es bastante similar a la de las colocaciones formadas con adjetivos (véase la tabla 2): aproximadamente la mitad de las AK se identificó manualmente (p. ej.: apniukusi diena, aptarti galimybes, iškvies­ti apsaugą), alrededor de un tercio, mediante métodos automatizados (p. ej.: suskubti į pagalbą, žvelgti į gyvenimą, sugadintas turtas, kaupti turtą), y casi una quinta parte se identificó con ambos métodos (p. ej.: atlikti tarnybą, duoti komandą, matyti reikalą). También se analizó la diversidad léxica de las AK de esta estructura, es decir, cuántos verbos distintos forman las AK identificadas mediante un método determinado. En promedio, se forman 2,05 AK tratadas en este apartado con un mismo verbo (véase la tabla 5). BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 26 doi.org/10.35321/bkalba.2021.94.06 TABLA 5. AK identificadas mediante distintos métodos (verbo + sustantivo) AK identificadas mediante métodos manuales AK identificadas mediante métodos automatizados AK identificadas mediante ambos métodos N.º (porcentaje) Número de verbos distintos (número medio de AK formadas con el mismo verbo) N.º (porcentaje) Número de verbos distintos (número medio de AK formadas con el mismo verbo) N.º (porcentaje) Número de verbos distintos (número medio de AK formadas con el mismo verbo) 561 (47,91) 376 (1,5) 382 (32,62) 189 (2,02) 228 (19,47) 102 (2,24) Las funciones sintácticas de los verbos en las AK son más variadas que las de los adjetivos: pueden emplearse formas personales que se combinan con sustantivos que desempeñan la función de objeto, sujeto o complemento circunstancial (p. ej.: apipilti klausimais, kelti kainą, parodyti laikas13, pastatyti į vietą), o formas no personales, principalmente participios, que desempeñan la función de atributo (p. ej.: išpūsta kaina, einamieji metai, neapgalvotas sprendimas, klestinti šalis, negirdėtas dalykas, vykdomas darbas). En las AK de tres palabras, el orden de estas puede variar; por ejemplo: atskubėti į pagalbą / į pagalbą atskubėti; eiti į rinkimus / į rinkimus eiti. En comparación con las colocaciones formadas por adjetivos, se observa una mayor variedad de verbos diferentes: en las CA identificadas mediante el método no automático, un mismo verbo forma una media de 1,5 colocaciones; en las CA identificadas mediante el método automatizado de vectores, una media de 2,02 colocaciones; y en las CA identificadas mediante ambos métodos, la variedad de verbos es la menor: un mismo verbo forma una media de 2,24 CA. Es probable que este resultado se deba a que las colocaciones identificadas mediante ambos métodos son las menos numerosas. Por otra parte, las tendencias son similares: las CA identificadas mediante el método no automático presentan la mayor diversidad léxica. 13A veces los lemas de las colocaciones subjetivas parecen poco habituales, pero se ha optado por presentar el infinitivo, ya que pueden usarse formas personales muy diversas, por ejemplo: el tiempo lo dirá, el tiempo lo ha demostrado, el tiempo lo demostraría. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 27doi.org/10.35321/bkalba.2021.94.06 Al analizar los datos, se observa una gran variedad de verbos (se consideraron verbos diferentes los que llevan prefijo y los que no lo llevan, así como los que llevan distintos prefijos (por ejemplo: proteger, salvaguardar, preservar); las formas pronominales y no pronominales, si no cambian el significado, se consideraron el mismo verbo; sin embargo, hay verbos combinables con los que se forman varias o incluso una docena de CA, por ejemplo: conceder: protección concedida, información concedida, ofrecer la posibilidad, ofrecer la posibilidad de elegir, proporcionar información sobre; dedicar: dedicar poca atención, dedicar tiempo, prestar atención, prestar mucha atención, arresto domiciliario impuesto, prestar gran atención, dedicar mucho tiempo, prestar mucha atención, hay que prestar atención; llegar / próximo: acudir a las elecciones, llegar el euro, llegar el momento, llegar la hora, el año próximo, las próximas elecciones, el presupuesto del próximo año, el comienzo del próximo año, el próximo mes, el comienzo de las próximas semanas, la próxima temporada, el año próximo, el día siguiente, la próxima semana. Se observa que una parte considerable de las CA formadas con un mismo verbo son variantes de una misma colocación; compárense las variantes de CA dedicar atenciónpresentadas anteriormente. No obstante, cualquier variación léxica o gramatical de las colocaciones (cambia el orden de las palabras, se añaden palabras) se contabiliza como una colocación distinta. Se consideran colocaciones distintas cuando el mismo verbo se usa en forma personal (en cuyo caso el lema suele presentarse en infinitivo) o no personal (por ejemplo: luchar por un puesto, luchar hasta el final, grupo que lucha). Así pues, la mayor diversidad léxica de las colocaciones con verbos (en comparación con las formadas por adjetivos) se debe a una característica del verbo como categoría gramatical: el uso frecuente de verbos con la misma raíz y distintos prefijos. Por un lado, estos verbos pueden considerarse palabras distintas; por otro, no es del todo posible comparar estos datos con los de los adjetivos, que en todos los casos son palabras distintas y no variantes derivativas de una misma palabra. CA identificadas mediante el método no automático. A diferencia de lo que ocurre con las colocaciones de adjetivo + sustantivo, las colocaciones con verbos suelen reconocerse como arbitrarias aplicando no solo el criterio del significado figurado (por ejemplo: arruinar la vida, abrir una posibilidad), sino también el criterio de la combinabilidad léxica restringida y la prueba de grupos léxico-semánticos. Por ejemplo, las colocaciones con imagen, manera, información se evaluaron teniendo en cuenta los siguientes paradigmas: BENDRINĖ KALBA 94 (2021)http://journals.lki.lt/bendrinekalbaISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 28 doi.org/10.35321/bkalba.2021.94.06 distorsionar la información distorsionar el mercado información distorsionada forma distorsionada imagen distorsionada La combinabilidad de los verbos distorsionar, deformar (también usados atributivamente) no es amplia: a la paradigma de colocaciones con distorsionar todavía se podría añadir distorsionar palabras, pero el sustantivo palabras quedaría en el mismo grupo que información, por lo que se decidió clasificar ambas colocaciones como AK. Con el participio usado atributivamente deformado se formaron tres colocaciones y todas se consideraron AK, porque, aunque se puede ampliar el paradigma (por ejemplo, añadiendo pensamiento deformado), seguiría siendo limitado. Los sustantivos información, imagen, modo, aunque se asignen a un mismo grupo léxico-semántico de abstractos, son apenas tres, y un número reducido de palabras es una de las condiciones para aplicar la prueba de grupos léxico-semánticos. Al aplicar la prueba de sustituibilidad por sinónimos, se observa que en lugar de distorsionar, deformado no es adecuado usar, por ejemplo, desfigurar / desfigurado. Las AK identificadas mediante el método automatizado. Es importante subrayar una limitación del método automatizado: algunas AK pueden no ser reconocidas, porque tales colocaciones no se identificaron en el corpus Delfi.lt (aunque la propia combinación de palabras pudiera haberse usado). Por ejemplo, la colocación de tres palabras aiškintis įvykio aplinkybes se reconoció como AK por los sinónimos analizuoti, aiškintis, tirti incluidos en VE. En el corpus solo se encontró una colocación con el verbo aiškintis, por lo que se reconoció como AK. Por otro lado, en otro corpus podría haber también una colocación tirti įvykio aplinkybes; así pues, al someterlas a prueba según el mismo grupo de sinónimos, se habrían reconocido como arbitrarias dos colocaciones, y no una. Entre las colocaciones identificadas mediante el método automatizado hay casos que los lingüistas no reconocieron como AK precisamente porque, basándose en la intuición lingüística, no consideraron que hubiera una tendencia a elegir un sinónimo entre varios posibles. Un ejemplo podrían ser las colocaciones suprasti pasaulį, pažinti pasaulį, žiūrėti į pasaulį. Los lingüistas no reconocieron ninguna de estas colocaciones como arbitraria. El método automatizado determinó que las tres son AK, ya que entre las colocaciones del corpus Delfi.lt no había colocaciones con otros miembros de los grupos de sinónimos correspondientes; es decir, aparecía suprasti pasaulį, pero no suvokti pasaulį; aparecía pažinti pasaulį, pero no išmokti pasaulį; aparecía žiūrėti į pasaulį, pero no žvelgti į pasaulį. La evaluación lingüística determinó que la capacidad combinatoria de estos tres verbos no presenta indicios de estar restringida. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 29doi.org/10.35321/bkalba.2021.94.06 AK identificadas mediante ambos métodos. Cabe señalar que las AK de este grupo no se identificaron necesariamente según el mismo criterio. Al evaluar la arbitrariedad mediante el método no automatizado, una AK podía identificarse según cualquiera de las pruebas, no necesariamente según la sustituibilidad por sinónimos. Como se ha escrito sobre las colocaciones de adjetivos y sustantivos, las mismas AK se seleccionaron manualmente según el criterio del significado figurado, mientras que con el método automatizado se seleccionaron según el criterio de la limitación de la combinabilidad léxica (la prueba de sustituibilidad por sinónimos); compárese se interrumpió el tráfico y se deterioró la salud, seleccionadas por los lingüistas porque sutr būti se combina con un grupo limitado de sustantivos, mientras que ambos métodos reconocieron estas colocaciones como AK porque, entre los sinónimos sugedo y sutriko, en las colocaciones evaluativas solo se registró un sinónimo. Apga l v otas sprendimas se reconoció como AK, ya que no había una colocación con otro sinónimo: apmąstytas sprendimas. Así pues, es importante tener presente que las colocaciones de este grupo no son colocaciones identificadas según un mismo criterio. TABLA 6. AK identificadas con el sustantivo sprendimas y verbos AK identificadas mediante el método no automatizado AK identificadas mediante el método automatizado AK identificadas mediante ambos métodos 1) recurrir una resolución (judicial) 2) aplazar una resolución 3) tomar una resolución 4) fundamentar una resolución 5) buscar una resolución 6) resolución firme 7) resolución irreflexiva 8) no tomar una resolución 9) no ejecutar la resolución judicial 10) la resolución dio resultado 11) tomar una resolución adecuada tomar una resolución necesaria 12) ir tomando una resolución 13) aprobar una resolución 14) anunciar una resolución 15) recurrir una resolución (ante un tribunal) 16) ejecutar la resolución judicial 1) tomar una resolución 2) exigir una resolución 3) resolución propuesta 4) esperar una resolución 5) firmar una resolución 1) ejecutar la resolución judicial 2) resolución tomada 3) resolución propuesta 4) anunciar una resolución 5) resolución meditada BENDRINĖ KALBA 94 (2021)http://journals.lki.lt/bendrinekalbaISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 30 doi.org/10.35321/bkalba.2021.94.06 Al evaluar cuántas colocaciones verbo + sustantivo de uno de los sustantivos más productivos sprendimas se identifican con distintos métodos (véase la tabla 6), se observa que el método manual identificó el mayor número, mientras que con ambos métodos y con el método automatizado se identificaron solo cinco AC en cada caso. OBSERVACIONES FINALES Tras analizar las AC bigramáticas y trigramáticas formadas por adjetivos y sustantivos, así como por verbos y sustantivos, puede afirmarse que el método manual identificó aproximadamente la mitad, el método automatizado alrededor de un tercio y ambos métodos, aproximadamente una quinta parte. Solo coincide una pequeña proporción de las AC identificadas mediante estos métodos, lo que permite afirmar que combinarlos permite identificar más AC. Por lo tanto, para reconocer las AC conviene aprovechar tanto las posibilidades del método manual como las del automatizado. Cabe destacar que en el análisis manual se aplicaron dos criterios de selección, no uno solo; por ello, se obtuvieron muchos más datos por este método que mediante el automatizado. El análisis manual abarcó no solo el criterio del significado figurado, sino también el criterio de la combinabilidad léxica restringida, comprobado mediante dos pruebas (la de grupos léxico-semánticos y la de sustituibilidad por sinónimos); en cambio, el método automatizado aplicó únicamente el criterio de la combinabilidad léxica restringida, según la prueba de sustituibilidad por sinónimos. Debido al distinto número de criterios, no es posible comparar los resultados obtenidos con los diferentes métodos, ya que el primero identificó más AC en cualquier caso y hubo pocas colocaciones coincidentes. Sería interesante comparar las AC identificadas automática y manualmente aplicando únicamente el criterio común de combinabilidad restringida (la prueba de sustituibilidad por sinónimos). Tal comparación podría mostrar que algunas de las AC identificadas son las mismas y permitiría evaluar con qué método se seleccionaron más AC y en qué se diferencian las AC que no coinciden. El método manual recopiló no solo más datos, sino también datos de mayor diversidad léxica. Las AC identificadas mediante este método están formadas por una mayor variedad de adjetivos y verbos, mientras que el método automatizado produce AC con menor diversidad léxica. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 31 doi.org/10.35321/bkalba.2021.94.06 Al probar el método automatizado, el objetivo principal fue reducir el factor de subjetividad al evaluar la arbitrariedad y basarse únicamente en datos registrados en el corpus. Al disponer de pares o grupos de sinónimos identificados mediante el método de vectores a partir de un corpus concreto, el procedimiento de evaluación se simplifica, pues resulta más fácil decidir si un componente de la colocación puede sustituirse o no: si en el material analizado hay colocaciones con todas las palabras del par o grupo de sinónimos, la sustitución es posible. Por supuesto, también quedaron de manifiesto algunas desventajas del método automatizado. Dado que la arbitrariedad de las colocaciones evaluadas se determina tomando como base los sinónimos de las VE, es posible que algunas AC no se reconozcan, ya que la consideración de una colocación como arbitraria depende en gran medida de las VE disponibles. En las pruebas solo se utilizan los sinónimos recopilados en las VE, y únicamente los que estas contienen; por eso, no todas las colocaciones se reconocen como AC. Aunque es posible automatizar el proceso de análisis de las AC, en la etapa inicial de este proceso se requiere la contribución de lingüistas: deben separar, en las VE creadas mediante el método de vectores, los sinónimos de las palabras relacionadas por otros vínculos semánticos, por ejemplo, los antónimos. Al comprobar cuántos datos obtenidos automáticamente quedan tras la revisión lingüística, se observa que se eliminan muchos de los adjetivos y verbos de las VE, y que el 41% y el 30% de los datos restantes, respectivamente, también necesitan edición y revisión. Como el método de vectores identifica palabras relacionadas no solo por sinonimia, preparar los datos de sinónimos para la prueba de sustituibilidad lleva más tiempo. Por ello, habría que probar otros métodos para identificar relaciones de sinonimia. Al evaluar la idoneidad del método de vectores para seleccionar sinónimos, cabe mencionar los siguientes argumentos que demuestran el valor de los datos recopilados automáticamente. En primer lugar, el método de vectores permite identificar más sinónimos y sinónimos diferentes de los que pueden obtenerse recurriendo únicamente a la introspección. En segundo lugar, los sinónimos identificados mediante este método (una vez descartados los que no lo son) revelan un fenómeno importante desde el punto de vista de la sinonimia: no solo son sinónimas las palabras aisladas, sino también las combinaciones de palabras. En tercer lugar, el método de vectores es adecuado para procesar grandes cantidades de datos, es decir, para identificar sinónimos en un corpus extenso; evaluar manualmente la similitud contextual de tal cantidad de palabras sería difícil. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 32 doi.org/10.35321/bkalba.2021.94.06 LITERATŪRA Bielinskienė Agnė, Boizou Loic, Bumbulienė Ieva, Kovalevskaitė Jolanta, Krilavičius Tomas, Mandravickaitė Justina, Rimkutė Erika, Vilkaitė-Lozdienė Laura (sud.) 2019: Lietuvių kalbos kolokacijų žodynas, Kaunas: Vytauto Didžiojo universitetas. Prieiga internete: https://doi.org/10.7220/9786094673733. Divjak Dagmar, Gries Stefan T. 2006: Ways of Trying in Russian. Clustering and Comparing Behavioral Profiles. – Corpus Linguistics and Linguistic Theory 2(1), 23–60. Drūlienė Viltė 2008a: Erduvinės metaforos Daiktavardinių frazių žodyne: magistro darbas, Kaunas: Vytauto Didžiojo universitetas. Drūlienė Viltė 2008b: Lietuviškosios metaforikos vertikalumo matas. – Darbai ir dienos 50, 73–90. Grigonytė Gintarė 2010: Building and Evaluating Domain Ontologies: NLP Contributions: daktaro disertacija, Berlin: Logos Verlag Berlin. Handl Susanne 2008: Essential Collocations for Learners of English: The Role of Collocational Direction and Weight. – Phraseology in Foreign Language Learning and Teaching, eds. F. Meunier, S. Granger, Amsterdam, Philadelphia: John Benjamins Publishing Company, 43–66. Howarth Peter 1998: Phraseology and Second Language Proficiency. – Applied Linguistics 19 (1), 24–44. Jakaitienė Evalda 2010: Lietuvių kalbos leksikologija, Vilnius: Vilniaus universiteto leidykla. Kovalevskaitė Jolanta, Rimkutė Erika, Vilkaitė Laura 2020: Light Verb Constructions in Lithuanian: Identification and Classification. – Kalbų studijos 36, 5–16. Kovalevskaitė Jolanta, Rimkutė Erika, Vaičenonienė Jurgita 2021: Automatizuotas arbitraliųjų kolokacijų atpažinimas: būdvardžių ir daiktavardžių kolokacijos. – Kalbų studijos 39, 71–84. Lewis Michael 2000: Teaching Collocation: Further Developments in the Lexical Approach, London: Language Teaching Publications. Marcinkevičienė Rūta 2010: Lietuvių kalbos kolokacijos, Kaunas: Vytauto Didžiojo universitetas. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 33 doi.org/10.35321/bkalba.2021.94.06 Nesselhauf Nadja 2003: The Use of Collocations by Advanced Learners of English and Some Implications for Teaching. – Applied Linguistics 24 (2), 223–242. Nesselhauf Nadja 2005: Collocations in a Learner Corpus, Amsterdam: John Benjamins. Pennington Jeffry, Socher Richard, Manning Christopher D. 2014: GloVe: Global Vectors for Word Representation. – Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNL). Association for Computational Linguistic. Doha, Qatar, October 25–29, 2014, 1532–1543. Reder Anna 2006: Kollokationen in der Wortschatzarbeit. Praesens Verlag. Strakatova Yana, Hinrichs Erhard 2019: Semantic Modelling of Adjective-Noun Collocations Using FrameNet. – Proceedings of the Joint Workshop on Multiword Expressions and WordNet, 104–113. Stulpinaitė Miglė, Horbačauskienė Jolita, Kasperavičienė Ramunė 2016: Issues in Translation of Linguistic Collocations. – Kalbų studijos 29, 31–41. Šilinytė Justina 2008: Ontologinės ir struktūrinės metaforos Daiktavardinių frazių žodyne: magistro darbas, Kaunas: Vytauto Didžiojo universitetas. Volungevičienė Skaistė 2010: Metaforinių kolokacijų vertimo problemos. – Kalbų studijos 16, 23–27. Gauta 2021 11 14 Priimta 2021 12 15 BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 34 doi.org/10.35321/bkalba.2021.94.06 ARBITRALIŲJŲ LIETUVIŲ KALBOS KOLOKACIJŲ NUSTATYMAS Santrauka Šiame straipsnyje sprendžiama arbitraliųjų lietuvių kalbos kolokacijų atpažinimo problema. Tam skirtas projektas „Arbitrariosios lietuvių kalbos kolokacijos: atpažinimas, aprašymas, vartojimas (ARKA)“. Arbitraliosiomis kolokacijomis laikomos kolokacijos, kurių žodžių junglumo pagrindas yra ne semantiniai, o leksiniai ribojimai. Tokios kolokacijos tiesiogiai neatspindi nekalbinės tikrovės, o ryšys tarp jų žodžių – arbitralius: nors pagal panašią reikšmę teoriškai galima rinktis daugiau negu vieną junglumo partnerį, bet linkstama vartoti kurį nors vieną, pvz., suprasti užuominą, bet ne *subokti užuominą. Tyrimo šaltinis yra Lietuvių kalbos pastoviųjų žodžių junginių duomenų bazė, kurioje pateikiama apie 12 tūkst. kolokacijų; ištyrus kolokacijas su 97 daiktavardžiais, arbitraliosiomis priskirta apie 2400 kolokacijų, kurių struktūra yra būdvardis / būdvardiškai vartojamas dalyvis + daiktavardis, veiksmažodis + daiktavardis, daiktavardis + daiktavardis. Straipsnyje aprašyti du pagal minėtą projektą išbandyti arbitraliųjų kolokacijų nustatymo metodai: neautomatinis lingvistinės analizės ir automatizuotas kompiuterinės lingvistikos metodas. Nustatant AK neautomatiškai, taikyti du pagrindiniai kriterijai: perkeltinės reikšmės kriterijus ir riboto leksinio junglumo kriterijus, kuriam įvertinti taikyti veiksmažodžio ar būdvardžio sinonimų pakeičiamumo ir (arba) daiktavardžių leksinių semantinių grupių testai. Vienas iš AK nustatymo kriterijų – riboto leksinio junglumo – buvo tikrinamas ir automatizuotai, vektorių metodų nustatčius pakeičiamumo testui reikalingus sinonimus. Automatizuoto metodo taikymą sudarė šie etapai: 1) automatinis, kai vektorių metodu buvo surenkamos vektorių eilės su panašų kontekstą turinčiais žodžiais; 2) neautomatinis – vektorių eilių tvarkymas paliekant tik sinoniminiais ryšiais susijusius žodžius; 3) iš dalies automatinis etapas, kai kolokacijos buvo automatiškai susiejamos su konkrečiomis sinonimų eilėmis ir po peržiūros lingvistų patvirtinamos arba nepatvirtinamos kaip AK. Neautomatiniu metodu nustatyta apie pusė AK, automatizuotu metodu – apie trečdalis. Neautomatinei analizei taikytas ne vienas, o du atrankos kriterijai, todėl neautomatiškai nustatytų duomenų daug daugiau negu nustatytų automatizuotai. Nors BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitralijų lietuvių kalbos kolokacijų nustatymas | 35 doi.org/10.35321/bkalba.2021.94.06 automatizuotu metodu galima sumažinti subjektyvumą vertinant duomenis ir supaprastinti arbitralumo vertinimo procedūrą, tačiau pastebėta ir tai, kad arbitralumo pripažinimą lemia vektorių eilėje esantys sinonimai, taigi dalis AK gali likti neatpažintos. Vektorių metodu surinktus sinonimus reikia atskirti nuo kitais semantiniais ryšiais susijusių žodžių, tam reikalinga lingvisto patikra. Tačiau, nepaisant šio ribotumo, vektorių metodas yra tinkamas dideliam duomenų kiekiui apdoroti, o rankiniu įvertinti gausybės žodžių konteksto panašumą būtų sunku. Abiem metodais atpažintos kolokacijos sudaro tik penktadalį visų nustatytų AK, todėl yra pagrindo manyti, kad siekiant atpažinti AK svarbu taikyti tiek automatizuoto, tiek ir neautomatinio metodo teikiamas galimybes. BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 36 doi.org/10.35321/bkalba.2021.94.06 IDENTIFICATION OF LITHUANIAN ARBITRARY COLLOCATIONS Summary In this article, we describe the methodological approaches of arbitrary collocation (AC) identification developed within the framework of an ongoing project “Arbitrary Collocations of Lithuanian: Identification, Description and Usage (ARKA)”. The object of this research is arbitrary collocations of the Lithuanian language the collocability of which is determined by lexical rather than semantic constraints. Such collocations do not directly reflect the non-linguistic reality and the relation between the collocates is arbitrary: although there may be several close synonyms, a particular one is preferred in a certain word combination (e.g., suprasti užuominą vs. *suokti užuominą). The source of the research was the Database of Lithuanian Multiword Expressions encompassing over 12.000 collocations. The structural composition of the identified 2400 arbitrary collocations was as follows: adjective (participle)+noun, verb+noun, and noun+noun. Arbitrary collocations were determined by combining the manual linguistic analysis and semi-automatic methods of computational linguistics. The manual method included two major AC identification criteria: lexical restrictedness and (or) meaning transfer. Lexical restrictedness was measured using two tests: the synonym substitution of pre-modifier and (or) semantic field comparison of the head noun. Moreover, lexical restrictedness was also assessed using a semi-automatic approach by analyzing synonym pairs in the automatically generated vector strings. The semi-automatic approach consisted of three stages: (1) the automatic generation of vector strings with potential synonyms; (2) the manual vector string editing to reduce the noise, and (3) the semi-automatic process during which the collocations were compared to particular synonym pairs in vector strings and approved or not approved by linguists as arbitrary. Approximately half of ACs were detected by using the manual method based on two AC identification criteria, whereas about one-third of ACs were identified using the semi-automated method based on one criterion. On the one hand, the semi-automatic method can reduce the subjectivity in data evaluation and simplify the AC identification procedure. On BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351-7204 JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ. Arbitraliųjų lietuvių kalbos kolokacijų nustatymas | 37 doi.org/10.35321/bkalba.2021.94.06 the other hand, as arbitrariness is determined on the basis of the available synonyms in the vector string, some ACs may not be identified because of the insufficient scope of the generated synonyms. Also, the automatically generated synonyms need to be manually analyzed to eliminate semantically unrelated words. Despite these limitations, the method is suitable for processing large amounts of the data. It would be difficult to manually assess the contextual similarity of such a large number of words. About one fifth of ACs were identified using a combination of both methods. These results suggest that different methodological approaches allowed the researchers to detect more arbitrary collocations. It is maintained that taking into consideration the mentioned advantages and disadvantages, the best results in the Lithuanian arbitrary collocation identification are acquired when combining both manual and semi-automatic methods. KEYWORDS: arbitrary collocations, Lithuanian, lexical restrictedness, vector space model, semi-automatic approach, linguistic manual approach. JOLANTA KOVALEVSKAITĖ, ERIKA RIMKUTĖ, JURGITA VAIČENONIENĖ Vytauto Didžiojo universitetas Kristijono Donelaičio g. 58, 44248 Kaunas [email protected] [email protected] [email protected] BENDRINĖ KALBA 94 (2021) http://journals.lki.lt/bendrinekalba ISSN 2351–7204