Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

doi.org/10.35321/term28-03 Användning och empirisk produktivitet hos internationella adjektivsuffix i slovakiska – en ny granskning JANA LEVICKÁ Ľ. Štúr Institute of Linguistics, Slovak Academy of Sciences ORCID-id: https://orcid.org/0000-0001-6027-604X SAMMANFATTNING Denna artikel är en fortsättning på tidigare forskning om användningen och produktiviteten hos fem latinska suffix i slovakiska. Analysen fokuserar på faktisk och potentiell produktivitet i en jämförelse i två steg: 1) ordformer (tokens) och lemman i en allmän balanserad korpus jämförs med dem i en allmän korpus med specialiserade och akademiska texter; 2) ordformer och lemman i den allmänna korpusen med specialiserade och akademiska texter jämförs med dem i specialiserade (del)korpusar med medicinska, juridiska, ekonomiska och religiösa texter. Det första syftet med fortsättningsstudien var att fastställa om de lågfrekventa lemmana omfattar nybildningar som kan bidra till variationen i produktivitet mellan olika domäner. Det andra syftet var att identifiera och tillämpa ett lämpligt statistiskt mått som gör det möjligt att jämföra produktiviteten i korpusmaterial från korpusar av olika storlek. NYCKELORD: produktivitet, adjektiv, suffix, allmän korpus, specialiserad korpus, hapax legomena, lågfrekvent lemma, fördelningar med ett stort antal sällsynta händelser. SAMMANFATTNING Denna artikel beskriver en studie som är en fortsättning på tidigare forskning om användningen och produktiviteten hos fem latinska suffix i slovakiska. Studien syftar till att fastställa faktisk och potentiell produktivitet genom en jämförelse i två steg: 1) ordformerna (eng. tokens) och lemmana (eng. lemmas) i den allmänna balanserade korpusen jämförs med dem i den allmänna korpusen med specialiserade och akademiska texter; 2) ordformerna och lemmana i den allmänna korpusen med specialiserade och akademiska texter jämförs med dem i specialkorpusen med medicinska, juridiska, ekonomiska och religiösa texter. Det huvudsakliga syftet med fortsättningsstudien är att fastställa om de lågfrekventa lemmana omfattar nybildningar som kan bidra till produktivitetsskillnader mellan olika domäner. Studien syftar också till att identifiera och tillämpa ett statistiskt mått som gör det möjligt att jämföra korpusmaterialets produktivitet i korpusar av olika storlek. NYCKELORD: produktivitet, adjektiv, suffix, allmän korpus, specialiserad korpus, hapax, lågfrekvent lemma, ett stort antal fördelningar av sällsynta händelser 54 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 1. INLEDNING Motivationen för vår forskning väcktes av ett intresse för terminologisk synonymi och, inom detta bredare ämne, för synonyma denominala adjektiv som beståndsdelar i flerordstermer. Fokus på adjektiv är ingen nyhet inom terminologisk forskning. Detaljerade analyser med inriktning på adjektiv återfinns i flera terminologers arbeten, särskilt från 1990- och 2000-talen1. I den slovakiska terminologins historia kan adjektivcentrerade studier, som utlöstes av behovet av att förena och skapa standardiserade slovakiska terminologier, spåras tillbaka till 1950-talet (se t.ex. Ján Horecký 1956). Adjektivens betydelse inom terminologi och fackspråk kan också illustreras med statistiska data från korpusar. I majoriteten av de specialiserade korpusar som tillkom inom projektet Slovakiska nationalkorpusen (hädanefter endast SNC-projektet) är andelen adjektiv högre än i referenskorpusen (prim-7.0-frk), det vill säga korpusen som sammanställts av lika stora andelar skönlitterära, specialiserade och journalistiska texter2. Som framgår av tabell 1 uppgår denna skillnad till nästan 2%, med undantag för den religiösa korpusen (blf-2.0), där andelen adjektiv är ungefär densamma som i referenskorpusen (7,46%). Den andra raden i tabell 1 visar andelen gerundier, som också används med särskiljande och klassificerande funktioner i slovakiska flerordstermer. Inom ramen för den morfologiska annoteringen i SNC-projektet klassificeras dessa som en särskild grupp och taggas därför separat från verb (Garabík et al. 2004). Adjektivens samexistens och konkurrens har identifierats och analyserats i ett allmänt språkligt sammanhang (t.ex. Nábelková 1996). Att de ingår i flerordstermer är dock ett relativt lite utforskat ämne. Ett vanligt fenomen som leder till synonymi och konkurrens mellan adjektiv är samexistensen av adjektiv av latinskt ursprung och deras (slovakiska) motsvarigheter (vnútrožilový – intravenózny ”intravenös”). Den senare gruppen omfattar också en undergrupp där både ett slovakiskt suffix och ett suffix av latinskt ursprung eller ett internationellt suffix ur etymologisk synvinkel kombineras med samma internationella rot (t.ex. bakteriálny – baktérioový ”bakteriell”). Ibland varierar två internationella suffix med samma in- 1 Se till exempel H. Assadi och D. Bourigault 1995; S. Normand och D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; eller I. Carrière 2008. 2 Mer information om de korpusar som använts för den presenterade analysen finns i del 3.2. Terminologija | 2021 | 28 55 Tabell 1. Antal token och andelar adjektiv och gerundier i referens- och specialkorpusarna i SNC-projektet KORPUS REFERENSKORPUS VETENSKAPLIG SUBKORPUS MEDICINSK SUBKORPUS JURIDISK SUBKORPUS RELIGIÖS KORPUS EKONOMISK KORPUS Antal token i korpusen 253,137,609 149,581,785 7,099,555 33,600,183 65,920,357 164,987,015 Antal adjektiv i tokens 19,090,396 7.54% 13,415,554 8.97% 660,025 9.3% 4,841,400 9.88% 4,914,860 7.46% 15,540,381 9.42% Antal gerundier i tokens 3,174,567 1.25% 2,394,914 1.6% 112,164 1.58% 1,267,598 2.59% 761,719 1.16% 2,154,124 1.31% En internationell rot kan uppstå (t.ex. hypersonórny – hypersonický, kontradiktorický – kontradiktórny). Denna studie, som fokuserar på användningen av specifika suffix i slovakiska, syftar till att fastställa om vissa av dem i högre grad kan underlätta ett sådant samexisterande eller oftare förekommer i terminologiska adjektiv, vilket är anledningen till att begreppet morfologisk produktivitet blir relevant i detta fall. De suffix som valts ut för analysen utgör en mindre grupp som används för att bilda denominala adjektiv inom det breda utbudet av slovakiska adjektivsuffix3. Vad gäller deras sammansättning består de fem suffixen av ett (anpassat) internationellt adjektivsuffix kombinerat med det semantiskt likvärdiga slovakiska -ný/ny: -álny, -árny, -itný, -ívny, -ózny, vilket gör att deras adjektivstatus på sätt och vis är dubbel. Det förefaller uppenbart att alla fem suffix av latinskt ursprung användes för att bilda adjektiv av latinska substantiv (-alis med varianten -aris, -ītus, -ōsus) eller verb (-ōrius). Det är dock värt att påpeka att många slovakiska adjektiv med de analyserade suffixen kom in i 3 Martin Ološtiak and Lucia Ološtiaková (2015: 230) mention as many as 38 suffixes, though 25 suffixes in their sample – derived from the Slovník koreňových morfém slovenčiny comprising 66 500 lexical units – represent only 1% of adjectives. 56 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited det slovakiska ordförrådet inte bara direkt från latin, utan oftare via franska eller engelska under de senaste decennierna (Horecký 1999), och genomgick en anpassningsprocess med hjälp av det ovannämnda slovakiska adjektivsuffixet. Det är betydelsefullt att detta lån och den efterföljande anpassningen möjliggjordes och främjades av extralingvistiska faktorer. På grund av främst historiska omständigheter har slovakiskan varit mycket öppen för nya ord med latinskt ursprung, och därför är andelen latinska ord hög, även i slovakiskans allmänna ordförråd (Horecký 1999: 81). I dag är denna kombinerade ordbildningsprocess, som omfattar både lån och avledning, mycket produktiv och därför högst relevant för en språkvetenskaplig och terminologisk studie, tack vare massmediernas, internets och de sociala mediernas påverkan. Vår artikel är en uppföljning av vår tidigare forskning om samma ämne, som för närvarande är under utgivning (Levičká 2021). För jämförelsens skull och för tydlighetens skull för läsaren ansåg vi det nödvändigt att ta med en sammanfattning av de tidigare resonemangen och resultaten, kompletterad med nya insikter och teoretisk bakgrund. Därför återges här vissa tabeller (1–4), trots att de förekom i vår första artikel. 2. TEORETISKA UTGÅNGSPUNKTER Det teoretiska begreppet morfologisk produktivitet har utvecklats av ett stort antal forskare och akademiker. En översikt över tidigare teoretiska resonemang och studier under 190thtalet har sammanfattats och kommenterats i ett antal studier och artiklar, exempelvis av Jesús Fernández-Dominguez (2013) och Victoria Hulse (2011). Här kommer vi endast att fokusera på några teoretiska överväganden som både har inspirerat oss och påverkat vårt val av angreppssätt och metod. Den äldsta definitionen som citeras här skrevs 1948 av den amerikanske lingvisten Dwight L. Bolinger (citerad i Säily 2018: 198), som drog slutsatsen att produktivitet var den ”statistiskt fastställbara beredskap4 med vilken ett element ingår i nya kombinationer”. In 1961, Dutch linguist Henk Schulting (quoted by Stefan Evert and Anke Lüdeling 2001: 165) defined productivity as “the possibility for language users to coin unintentionally and, in principle, unlimited numbers of new formations, by using the morphological procedure that lies behind the form-meaning correspondence of some known words”. 4 Fraserna eller orden som markerats med fetstil utgör de centrala kännetecknen för vår forskning. Terminologija | 2021 | 28 57 Sist men inte minst vill vi hänvisa till den tjeckiske lingvisten Miloš Dokulils forskning om ordbildning. I sitt verk Teorie tvoření slov från 1962 presenterade han en komplex teori om ordbildningens produktivitet. För det första definierade Dokulil generellt en språklig enhets produktivitet som en ”förmåga hos denna språkliga enhet (vare sig det är en bas, ett affix eller ett ordbildningsmönster) att aktivt delta i bildandet av nya ord” (1962: 78). Han preciserade att denna förmåga kan vara absolut, det vill säga dess användbarhet vid bildandet av nya ord när som helst och inom vilket ordbildningsmönster som helst, eller relativ, vilket också är semantiskt eller snarare stilistiskt beroende, liksom beroende av ordbildningsmönstret. I Dokulils teori är produktivitet ett ”begrepp av synkron natur, medan förverkligandet av denna förmåga – att bilda nya ord enligt specifika regler – tvärtom är ett begrepp av diakron natur” (1962: 80). Dokulil skilde också mellan systemisk och empirisk produktivitet (även kallad ”parole” eller ”verklig produktivitet” av František Štícha 2012)), vilket ger en ”allmän uppfattning om den övergripande användningen av ett specifikt ordbildningsmönster eller en språklig enhet i ett språksystem vid en given tidpunkt” (Dokulil 1962: 80). Dokulil ansåg att även ”ungefärliga data om den kvantitativa användningen av en given ordbildningsprocess eller ett givet element är av största vikt för den övergripande bilden av ett språk i allmänhet och för kännetecknen hos dess lexikon i synnerhet” (Item: 77). Bland de nutida tjeckiska lingvister som bygger vidare på Dokulils teori om produktivitet och prövar hans antaganden mot korpusdata (se t.ex. Štícha 2002, 2007, 2009, 2012 eller Magda Ševčíková 2014) föreslår Štícha att empirisk/parole-produktivitet analyseras inte bara i stora korpusar, utan också med hjälp av en serie korpusar av olika storlek och sammansättning (2012: 104). Man kan hävda att Dokulils antaganden om relativ produktivitet återspeglas i Harald Baayens och andras arbete; deras metoder och tillvägagångssätt kommer vi att återkomma till senare i denna analys. År 1999 skrev Baayen och hans kollegor Ingo Plag och Christiane Dalton-Puffer att ”påståenden om produktiviteten hos ett givet affix görs i allmänhet utan att produktiviteten särskiljs efter diskurstyp, även om man allmänt antar att vissa slags avledningssuffix är mer relevanta i vissa slags texter än i andra” (1999: 209). Med stora korpusar tillgängliga är det möjligt att mäta, identifiera och analysera produktiviteten hos ett ordbildningsmönster eller ett element, inte bara i det allmänna språket vid en given tidpunkt, utan också inom specialiserade domäner och register. 58 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 3. TIDIGARE FORSKNING I linje med de resonemang och antaganden som framförts av lingvisterna i föregående avsnitt formulerade vi vid forskningsstarten tre centrala forskningsfrågor med målet att identifiera den morfologiska produktiviteten hos adjektivsuffix: 1) Skiljer sig den morfologiska produktiviteten hos enskilda adjektivsuffix i den utvalda gruppen mellan allmänna och specialiserade texter? Och är dessa skillnader statistiskt signifikanta? 2) Kan den morfologiska produktiviteten hos enskilda adjektivsuffix i den utvalda gruppen variera beroende på den specifika domänen? Är vissa av dessa fem suffix mer ”lämpade” att bidra till kodningen av fält- eller domänspecifika begrepp? 3) Vilka metoder är relevanta för denna specifika analys av korpusdata? För det första beslutade vi, på grund av den här typen av ordbildningsmönsters särdrag Latin base + Latin suffix + etymologically native suffix, att avstå från den kvalitativa analysen av de begränsningar och regler som styr kombinationen av enskilda latinska baser med ett av de utvalda adjektivsuffixen i slovakisk kontext. Även om det kvantitativa tillvägagångssättet inte kan ge en fullständig bild av produktivitetsstatusen hos ett suffix eller någon annan morfologisk form, ligger dess värde för denna typ av forskning i att det belyser perspektivet och användningskontexten för ord som bildats enligt ett specifikt mönster, tillsammans med specifika jämförelser med semantiskt och funktionellt likvärdiga former. Det är allmänt vedertaget att ett kvantitativt tillvägagångssätt i analyser av morfologisk produktivitet utgör en betydelsefull kompletterande metod till kvalitativ forskning (se t.ex. Evert and Lüdeling 2001). Som Plag konstaterar: ”kvantitativa och kvalitativa produktivitetsbegrepp [...] är nära besläktade. Därför kan idén om potentialitet, som är central för kvalitativa definitioner av produktivitet, uttryckas i statistiska termer som sannolikhet” (citerad av Naccarato 2016: 135). På liknande sätt hävdar Baayen och hans medförfattare att produktivitet ”tycks vara ett skalärt begrepp [...] med vissa affix är det mer sannolikt att man stöter på nybildade ord än med andra, vilket gör produktivitet till ett probabilistiskt begrepp som lämpar sig för statistisk analys” (1999: 10). Terminologija | 2021 | 28 59 3.1. Statistiska metoder I steg 1 av vår analys följde vi den väl beprövade metodologiska väg som Harald Baayen och hans kollegor och efterföljare har utstakat (1991, 1992, 1993, 1994, 1996, 1997). Vi identifierade den så kallade realiserade produktiviteten, det vill säga användningsfrekvensen för adjektiv bildade med utvalda suffix samt antalet olika adjektiv bildade med dessa suffix i olika korpusar. Denna korpusstatistik beskriver suffixens produktivitet med avseende på den språkliga situationen i det förflutna och i nutiden. Nästa steg var att fastställa den potentiella produktiviteten hos de analyserade suffixen, det vill säga en uppskattning av takten med vilken nya typer5 förväntas uppträda. Baayen (2009: 7) föreslår att den beräknas som kvoten mellan hapax legomena6 med affix X och alla tokens med affix X i en korpus. Användningen av hapax legomena vid beräkning av produktivitet har kritiserats grundligt, eftersom denna grupp inte direkt representerar nybildningar som antas återspegla ett elements eller mönsters produktivitet. Plag, Dalton-Puffer och Baayen hävdar att den potentiella produktiviteten är ett probabilistiskt mått och att ”i takt med att en korpus växer ökar andelen neologismer bland hapax legomena, och det har visats att det är just bland hapax legomena som det största antalet neologismer förekommer” (1999: 12). I den föregående etappen av vår forskning valde vi att inte använda hapax/token-metoden, utan använde hapax/type-metoden i linje med van Marles resonemang (1992) att tokenfrekvens inte är en lika relevant variabel i ett produktivitetsmått som antalet lemmor. Den allvarligaste nackdelen med detta mått är dock att det blir omöjligt att jämföra statistiska data från korpusar av olika storlek (Naccarato 2016: 133). Vi återkommer till denna fråga i del 5. 3.2. Korpusar som används i analysen7 Alla tre korpusar och tre subkorpusar som användes i denna analys publicerades av SNC:s avdelning 2013–2020 och är tillgängliga för alla registrerade användare. 5 Inom korpuslingvistiken betecknar typer unika ord; de är synonyma med lemmor (Baker et al. 2006). 6 Hapax legomena (ett ursprungligen grekiskt uttryck som betyder ”sagt en gång”), även förkortat hapax, är ett ord som förekommer endast en gång i en viss korpus (Baker et al. 2006). 7 Större delen av detta avsnitt är hämtad från artikeln som beskriver den föregående etappen av vår forskning (Levická 2021). Denna upprepning är dock nödvändig för att förklara korpusmaterialets beskaffenhet. 60 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Den första referenskorpusen (prim-7.0-frk), som omfattar mer än 253 miljoner tokens, består av lika stora andelar journalistiska, specialiserade och skönlitterära texter (64.12% av dem är ursprungligen skrivna på slovakiska, medan 29.51% utgör översättningar), skrivna 1991–2015. Korpusen användes vid sammanställningen av två frekvensordböcker över slovakiska (2017, 2018) samt omvändordboken (2018). Den andra korpusen, prim-9.0-public-prf, är en offentligt tillgänglig delkorpus av SNC-projektets primärkorpus (nedan kallad den vetenskapliga delkorpusen). Denna delkorpus har sammanställts av specialiserade, akademiska och facklitterära texter och omfattar mer än 149 miljoner tokens. Den dokumenterar såväl vetenskapens och forskningens allmänna diskurs som specialiserad journalistik. Texterna skrevs mellan 1955 och 2019. Andelen texter skrivna 1955–1991 uppgår till 8.7% (mer än 13 miljoner tokens). Den minsta (del)korpusen av alla undersökta korpusar är resultatet av en filtrering av SNC-projektets primärkorpus [9], version 9.0. Den består av texter inom medicinområdet, skrivna 1976–2019, och omfattar drygt 7 miljoner tokens. Andelen texter skrivna 1955–1991 uppgår till 1.09%. I det följande hänvisar vi till den som den medicinska delkorpusen. För att få en jämförbar källa från andra specialiserade korpusar och referenskorpusen begränsades den specialiserade korpusen legal-1.1 (nedan kallad den juridiska delkorpusen), som byggts upp i samarbete med Slovakiens justitieministerium, till lagstiftningstexter från perioden 1991–2011. Dess nästan 49 miljoner tokens reducerades därmed till 33.5 miljoner tokens. Den specialiserade korpusen blf-2.0, som fokuserar på det religiösa området, publicerades 2014. Dess texter omfattar nästan 66 miljoner tokens skrivna mellan 1989 och 2014 (nedan kallad den religiösa korpusen). Den består till mer än 80% av tematiska tidskrifter och dagstidningar. På motsvarande sätt omfattar den specialiserade korpusen ecn-2.0-public (nedan kallad den ekonomiska korpusen), som ägnas åt ekonomi, hela 96.24% specialiserade texter publicerade i tematiska tidskrifter och dagstidningar. Texterna i denna korpus härrör från 1992–2014 och omfattar nästan 165 miljoner tokens. Det bör dock noteras att dessa korpusar är heterogena och omfattar ett brett urval av texter. Terminologija | 2021 | 28 6 1 När det gäller korpussökningen baserade vi inte sökningarna på den morfologiska taggning som tillhandahålls för var och en av de (del)korpusar som ingår i analysen, eftersom taggningen visade sig vara bristfällig och felaktig för latinska ord. Därför valde vi att helt enkelt söka efter en specifik ändelse i en token, t.ex. [lemma=“. *álny“], i kombination med automatisk filtrering av ord som av en tillfällighet innehåller samma teckensträng (se del 4.1). 3.3. Resultat från föregående steg I föregående steg gjorde statistiska korpusdata det möjligt för oss att rangordna de analyserade suffixens realiserade produktivitet. Suffixet -álny är utan tvekan det vanligaste i alla (del)korpusar, medan -órny befinner sig vid frekvensaxelns motsatta ytterlighet i 5 (del)korpusar. Som framgår av de normaliserade användningsfrekvenserna för fyra av de fem suffixen förekommer de oftare i specialiserade och akademiska texter (den vetenskapliga delkorpusen) än i referenskorpusen. Det är också värt att notera att suffixens normaliserade frekvenser i den medicinska delkorpusen antingen är lika med eller betydligt överstiger ipm-värdet i den vetenskapliga delkorpusen, medan suffixens ipm (förekomster per miljon) i den religiösa korpusen är tydligt lägre än i referenskorpusen. Detta kan delvis förklaras av de texttyper som ingår i dessa (del)korpusar. Tabell 2. Frekvens och normaliserad frekvens (IPM, förekomster per miljon) för de analyserade suffixen i respektive (del)korpus. Korpusarna ordnas från den minsta till den största SUFFIX MEDICAL SUB-CORPUS LEGAL SUB-CORPUS RELIGIOUS CORPUS SCIENTIFIC SUB-CORPUS ECONOMIC CORPUS REFERENCE CORPUS Tokens Tokens Tokens Tokens Tokens Tokens IPM IPM IPM IPM IPM IPM -álny 31,408 102,863 128,472 537,682 597 005 547,742 4423.94 3061.38 1948.9 3594.57 3618.5 2163.81 -árny 4,529 25,980 14,253 94,586 38,178 84,780 637.93 773.21 216.22 634.14 231.40 334.92 -itný 2,683 2,256 9,176 30,402 52,574 44,655 377.91 67.14 139.20 203.25 318.66 176.41 62 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited SUFFIX MEDICINSK SUBKORPUS JURIDISK SUBKORPUS RELIGIÖS SUBKORPUS VETENSKAPLIG SUBKORPUS EKONOMISK KORPUS REFERENSKORPUS Tokens Tokens Tokens Tokens Tokens Tokens IPM IPM IPM IPM IPM IPM -ózny 1,416 482 2,321 8,863 9,440 16,531 199.45 14.35 35.21 59.25 57.22 65.30 -órny 884 1,959 620 4,537 2,039 4,672 124.51 58.30 9.41 30.33 12.36 18.46 Korpusernas ordning i tabell 3, som visar antalet olika ord som bildats med de analyserade suffixen, gör det möjligt att jämföra variationen i nybildningar, först mellan allmänspråk och fackspråk och därefter från den minsta medicinska korpusen upp till den största ekonomiska korpusen. Tabellen visar Baayens realiserade produktivitet hos de analyserade suffixen. I alla (under)korpusar representerar -álny det mest frekvent använda suffixet, som förekommer i olika typer; det minsta antalet typer eller lemman identifierades med suffixet -órny. Suffixen -itný och -órny tycks överlappa i de flesta (under)korpusar; deras mer subtila skillnad kräver ett signifikanstest. En verklig jämförelse mellan korpusarna är dock inte möjlig, eftersom tabellen redovisar absoluta antal typer. Tabell 3. Antal lemman i en given (under)korpus SUFFIX REFERENSKORPUS VETENSKAPLIG SUBKORPUS MEDICINSK SUBKORPUS JURIDISK SUBKORPUS RELIGIÖS KORPUS EKONOMISK KORPUS -álny 1,003 1,178 519 322 611 744 -árny 300 365 179 99 141 200 -itný 90 98 36 41 55 117 -ózny 115 119 72 40 52 82 -órny 25 33 13 10 20 26 Resultaten avseende uppskattningen av potentiell produktivitet som presenteras i tabell 4 är tämligen varierande, vilket suffixens ordningsföljd visar. Terminologija | 2021 | 28 63 Tabell 4. Hapax/typ-kvoter i en given (under)korpus. Suffixen i varje deltabell listas i fallande kvotordning HAPAX/TYP-KVOT referenskorpus vetenskaplig subkorpus medicinsk subkorpus -ózny 0.252173913 -órny 0.228571429 -ózny 0.208333333 -árny 0.201342282 -árny 0.210382514 -itný 0.138888889 -isk 0.173956262 -isk 0.209499576 -isk 0.129094412 -mässig 0.122222222 -rik 0.201680672 -artad 0.1 -lig 0.12 -mässig 0.195876289 -lig 0.076923077 juridisk delkorpus religiös korpus ekonomisk korpus -lig 0.1 -lig 0.2 -mässig 0.237288136 -rik 0.075 -álny 0.188180404 -ózny 0.228915663 -álny 0.052795031 -árny 0.145833333 -órny 0.185185185 -árny 0.05 -ózny 0.134615385 -álny 0.177954847 -itný 0 -itný 0.090909091 -árny 0.142156863 Det mest produktiva suffixet i så många som tre korpusar är -órny. I de återstående tre (del)korpusarna toppas rangordningen två gånger av -ózny och en gång av -itný. Dessutom verkar samma suffix -órny i allmänhet och i medicinska texter ha den lägsta potentiella produktiviteten. I så många som tre (del)korpusar är det suffixet -itný som hamnar sist i produktivitetsrangordningen. På motsvarande sätt intas den sista platsen i produktivitetsrangordningen för ekonomiska texter av suffixet -árny. 4. FORSKNINGSFRÅGOR I DEN PRESENTERADE ANALYSEN Den föregående fasen av vår forskning visade på betydande skillnader i de analyserade suffixens morfologiska produktivitet, beroende både på språktyp och ämnesområden. En fråga besvarades dock endast delvis och gav upphov till en ny: 1. Är det värt att analysera lågfrekventa lemman med tanke på nybildningar? Flera forskare menar faktiskt att frekvensfördelningen för produktiva affix förväntas vara tydligt förskjuten mot lågfrekventa lemman som omfattar nybildningar. 64 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited 2. Som vi redan har påpekat i tidigare avsnitt kan resultaten om de analyserade suffixens potentiella produktivitet inte jämföras mellan korpusar. Därför är det nödvändigt att identifiera en lämplig statistisk metod som möjliggör denna jämförelse. 4.1. Manuell datarensning Både den föregående och den nuvarande fasen av vår analys bygger på manuellt rensade data. Flera forskare har framhållit hur viktig denna mödosamma och tidskrävande process är. Evert och Lüdeling hävdade (och bevisade) att detta är en förutsättning för en kvalitativ statistisk utvärdering, inte endast när mer avancerade mått används (2001: 168). Den manuella rensningen är viktig av tre skäl; det första har att göra med korpusdataens beskaffenhet. För det första innehåller korpusdata vanligtvis en tämligen stor andel skrivfel, särskilt bland lågfrekventa lemman. För det andra förekommer stavfel i korpusarna, i synnerhet ofta i ord av latinskt ursprung. För det tredje var det nödvändigt att slå samman de lemman med suffix X som endast skiljer sig åt genom användning eller frånvaro av bindestreck, samt lemman med versal respektive gemen begynnelsebokstav (som inte är egennamn), vilka skiljs åt av den automatiska lemmatisering som används inom SNC-projektet. Resultatet av denna fas av vår manuella rensning visas i Tabell 5, där den genomsnittliga andelen hapaxer för de analyserade suffixen varierar mellan 24 och 30% av det totala antalet lemman med ett givet suffix. I fallet -itný i juridiska texter återstod dock mindre än 5% av lemman (möjliga nybildningar); däremot återstod 40% eller mer med suffixet -órny i religiösa och allmänt vetenskapliga texter och med suffixet -ózny i ekonomiska texter och, överraskande nog, i referenskorpusens texter. Dessa andelar kan vara en indikation på (o)produktiviteten hos en viss korpus. Som Baayen och medförfattare hävdar kan antalet hapaxer för produktiva element uppgå till så mycket som hälften av den observerade vokabulärstorleken i en ”tillräckligt stor korpus” (1999: 11). Det andra skälet till den manuella rensningen var att filtrera de extraherade korpusdataen för att få fram listor över nybildningar med de analyserade suffixen. Vi uteslöt därför lemman som 1) av en tillfällighet innehåller samma teckenföljd som de analyserade suffixen; 2) förekommer i allmänna slovakiska ordböcker och i Ordbok över främmande ord8, dvs. 8 Vi använde ordboksportalens integrerade sökverktyg https://slovnik.juls.savba.sk/. Terminologija | 2021 | 28 65 Tabell 5. Andelen hapaxformer (potentiella nybildningar) i en viss (del)korpus efter det första steget av manuell rensning ANDEL HAPAXFORMER MED ETT VISST SUFFIX EFTER DET FÖRSTA STEGET AV MANUELL RENSNING suffix medicinsk delkorpus juridisk delkorpus religiös korpus vetenskaplig delkorpus ekonomisk korpus referenskorpus -álny 30.8% 24.2% 29.5% 32.7% 29.7% 30% -árny 29.6% 25.3% 33.3% 35.1% 31% 36% -itný 36.1% 4.9% 25.5% 29.6% 31.6% 26.7% -ózny 34.7% 32.5% 38.5% 30.3% 45.1% 42.6% -órny 30.8% 30% 40% 42.4% 38.5% 28% därför är de inte nybildningar; 3) påträffades i de två mest omfattande SNC-korpuserna9 – dessa lemman måste ha förekommit minst tre gånger i någon av dem, förutsatt att förekomsterna härrörde från tre olika källor och tre olika år. Denna sista filtreringsprincip fastställdes eftersom de ord vi riktade in oss på, med ett av de analyserade suffixen, tenderar att vara facktermer och eftersom vi saknar aktuella specialiserade slovakiska ordböcker. Det måste medges att de resulterande listorna över lemman endast representerar potentiella nybildningar. Resultaten visas i kolumnerna med rubriken Andel potentiella nybildningar bland hapaxformerna i tabellerna 6 och 7. Jämfört med tabell 5 minskade andelen potentiella nybildningar avsevärt. 4.2. Nybildningar bland lågfrekventa lemman För att besvara den första forskningsfrågan utförde vi samma filtreringsprocedur som den som användes för listan över hapaxer. I tabellerna 6 och 7 visar vi andelarna (beräknade utifrån det totala antalet lemman med ett givet suffix, jfr tabell 3) av potentiella nybildningar bland de lågfrekventa lemman som förekommer 4–2 gånger i (del)korpusar, och bredvid dessa andelarna av potentiella nybildningar inom hapaxgruppen. Även om andelen potentiella nybildningar uppvisar små ökningar i specialiserade och akademiska texter för varje analyserat suffix, på grund av inkluderingen 9Dessa korpusar är för närvarande de största inom SNC-projektet: den allmänna korpusen prim-9.0-juls-all och den juridiska korpusen legal-1.1. 66 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited av potentiella nybildningar från gruppen av lågfrekventa lemman, ökade andelen potentiella nybildningar i referenskorpusen endast mycket blygsamt för fyra suffix, medan andelen för det femte — -órny — förblev stabil. Detta var väntat, eftersom nybildningar med de analyserade suffixen sannolikt oftare förekommer i specialiserade texter. Tabell 6. Andel potentiella nybildningar i gruppen av lågfrekventa lemman (4–1 förekomster) och i gruppen av hapaxer av det totala antalet typer efter rensning i den allmänna korpusen och den allmänna vetenskapliga delkorpusen SUFFIX REFERENSKORPUS VETENSKAPLIG DELKORPUS Andel potentiella nybildningar bland lågfrekventa lemman (4–1) Andel potentiella nybildningar bland hapaxer Andel potentiella nybildningar bland lågfrekventa lemman (4–1) Andel potentiella nybildningar bland hapaxer -álny 20.5% 17.3% 27.2% 21% -árny 24.5% 20% 27.1% 21.1% -itný 13.3% 12.2% 26.5% 19.4% -ózny 27.8% 25.2% 24.4% 20.2% -órny 12% 12% 27.3% 24.2% När det gäller de domänspecifika potentiella neologismerna återfinns den högsta andelen, liksom i det vetenskapliga delkorpuset, i den ekonomiska korpusen, där suffixet -itný utgör hela 35% av de potentiella neologismerna. De återstående suffixen i denna korpus når ungefär 25% potentiella neologismer bland lågfrekventa lemman. Däremot identifierades den lägsta andelen potentiella neologismer i juridiska texter. Det är också värt att nämna de fall där andelen fördubblades genom att gruppen lågfrekventa lemman inkluderades: för -órny i medicinska texter, -árny i juridiska texter och -itný i religiösa texter. Samtidigt är det ingen överraskning att suffixet -ózny toppar rankningen i medicinska texter, eftersom det är ett prototypiskt medicinskt suffix. Nästan samma andel potentiella nya lemman med -ózny återfanns dock i ekonomiska texter. Ingen ökning av potentiella neologismer förekom för suffixet -itný i medicinska och juridiska texter, och inte heller för suffixet -órny i juridiska texter. Terminologija | 2021 | 28 67 Tabell 7. Andel potentiella neologismer i gruppen av lågfrekventa lemman (4–1 förekomster) och i gruppen av hapaxer av det totala antalet typer efter rensning i specialiserade texter inom de fyra domänerna SUFFIX | MEDICINSKT DELKORPUS | JURIDISKT DELKORPUS | RELIGIÖS KORPUS | EKONOMISK KORPUS Andel potentiella neologismer bland lågfrekventa lemman (4–1) | Andel potentiella neologismer bland hapaxer | Andel potentiella neologismer bland lågfrekventa lemman (4–1) | Andel potentiella neologismer bland hapaxer | Andel potentiella neologismer bland lågfrekventa lemman (4–1) | Andel potentiella neologismer bland hapaxer | Andel potentiella neologismer bland lågfrekventa lemman (4–1) | Andel potentiella neologismer bland hapaxer -áľny | 16.8% | 12.9% | 7.8% | 5.3% | 26.5% | 19.7% | 26.5% | 18% -árny | 12.8% | 10.1% | 12.1% | 5.1% | 19.9% | 15% | 22.5% | 14.5% -itný | 13.9% | 13.9% | 0% | 0% | 18.2% | 9.1% | 35.1% | 23.1% -ózny | 26.4% | 20.8% | 10% | 7.5% | 21.2% | 13.5% | 25.6% | 23.2% -órny | 15.4% | 7.7% | 10% | 10% | 30% | 20% | 23.1% | 19.2% För att göra framställningen tydligare lägger vi också till ytterligare en tabell som visar procentandelarna potentiella neologismer i gruppen av lågfrekventa lemman. Tabell 8. Procentuell skillnad i potentiella neologismer mellan gruppen av lågfrekventa lemman (4–1 förekomster) och gruppen av hapaxer av det totala antalet typer efter rensning ANDEL POTENTIELLA NEOLOGISMER BLAND LÅGFREKVENTA LEMMAN (4–2 FÖREK.) suffix | referenskorpus | vetenskapligt delkorpus | medicinskt delkorpus | juridiskt delkorpus | religiös korpus | ekonomisk korpus -áľny | 3.2% | 6.2% | 3.9% | 2.5% | 6.8% | 8.5% -árny | 4.5% | 6% | 2.7% | 7% | 4.9% | 8% -itný | 1.1% | 7.1% | 0% | 0% | 9.1% | 12% -ózny | 2.6% | 4.2% | 5.6% | 2.5% | 7.7% | 2.4% -órny | 0% | 3.1% | 7.7% | 0% | 10% | 3.9% Slutligen visar den sista tabellen rangordningen av suffix i respektive (del)korpus efter upprepad användning av den anpassade formeln från föregående steg – andelen lågfrekventa lemman med ett givet suffix/antalet typer med 68 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Tabell 9. Skillnad i förhållandet mellan potentiella nybildningar i gruppen av lågfrekventa lemmor (4–1 förekomster) och antalet typer. Rangordningen av suffix som markerats ändrades jämfört med tabell 4 KVOT LÅGFREKVENTA LEMMOR/TYP referenskorpus vetenskaplig delkorpus medicinsk delkorpus -ózny 0.2689075 -órny 0.2727272 -ózny 0.2638888 -árny 0.2466666 -álny 0.2716468 -álny 0.1682785 -álny 0.2053838 -árny 0.2712328 -órny 0.1538461 -itný 0.1333333 -itný 0.2653061 -itný 0.1388888 -órny 0.12 -ózny 0.2436974 -árny 0.1284916 juridisk delkorpus religiöst korpus ekonomiskt korpus -árny 0.1212121 -órny 0.3 -itný 0.3504273 -órny 0.1 -álny 0.2651391 -álny 0.2647849 -ózny 0.1 -ózny 0.2115384 -ózny 0.2560975 -álny 0.0776397 -árny 0.1985815 -órny 0.2307692 -itný 0 -itný 0.1818181 -árny 0.225 ett givet suffix. Jämfört med tabell 4 ändrades rangordningen i alla (del)korpusar utom referenskorpusen. Därför verkar det som om det var meningsfullt att inkludera lågfrekventa lemmor. Suffixet -órny är mest produktivt i två korpusar (jämfört med tre i tabell 4), medan -ózny förblev högst placerat i två rangordningar och -itný högst i rangordningen för det ekonomiska korpuset. I den juridiska korpusen tycks det mest produktiva suffixet vara -árny, medan just detta suffix samtidigt är minst produktivt i medicinska och ekonomiska texter. Sist i produktivitetsrangordningarna kommer suffixet -órny både i referenskorpusen och i medicinska texter, suffixet -ózny i allmänna vetenskapliga texter, och suffixet -itný förblev minst produktivt i juridiska och religiösa korpusar. 5. JÄMFÖRELSE AV PRODUKTIVITET MELLAN (DEL)KORPUSAR Som vi påpekade i del 3.1 hindrade statistiska mått som bygger på råa frekvenser och antal typer oss från att jämföra tidigare resultat från olika (del)korpusar. Om vi instämmer i påståendet, eller snarare hypotesen, att produktiviteten hos ett godtyckligt ordbildningselement eller Terminologija | 2021 | 28 69 mönster kan härledas från nybildningar (och samtidigt visade vi i del 4.2 att dessa nybildningar kunde förekomma inte bara i hapaxgrupper utan också bland lågfrekventa typer), är det möjligt att basera den fortsatta analysen på ordens frekvensfördelningar och frekvensspektra. Med ”frekvensspektrum” menar vi en förteckning över hur många typer i en frekvenslista som kan observeras förekomma (Baroni 2009: 807). From the perspective of word-frequency distribution, Evert and Lüdeling (2001: 166), in line with Schultink’s definition, claim that “a productive pattern is, in theory, characterised by an infinite vocabulary (cf. the notion of un-limitedness in Schultink’s definition), whereas a totally unproductive pattern is expected to have a finite, and often quite small, vocabulary”. They point out that “low frequency types (including hapax legomena, but also types occurring two, three, etc. times) account for a major part of the vocabulary” of productive patterns and conclude that this kind of comparison cannot be based on standard statistical models (2001: 167). För detta ändamål inom statistisk modellering introducerade Baayen år 2001 de så kallade LNRE10-fördelningarna. Fördelen med dessa specialiserade modeller är möjligheten att extrapolera type-token-statistik från ett specifikt urval till större tokenmängder och därmed uppskatta potentiella nybildningar utanför detta urval. De bygger på förutsagda vokabulärstorlekar som erhålls genom att räkna lågfrekventa typer i korpusen. Ett av resultaten av denna modellering är vokabulärtillväxtkurvor, eller snarare typ-token-tillväxtkurvor, som räknar antalet typer som en funktion av antalet token. En typisk kurva för en improduktiv process börjar stiga, men ”planar sedan ut och konvergerar mot ett konstant värde, den fullständiga vokabulärstorleken” (2001: 168). Däremot kännetecknas ett typiskt produktivt mönster av ett oändligt vokabulär, det vill säga kurvan tycks växa utan gräns. Genom att använda LNRE-fördelningarna går det att uppskatta antalet typer i större textmängder, och till och med antalet typer 10 LNRE-teorin (teorin om ett stort antal sällsynta händelser, som ett självständigt statistikområde) har sitt ursprung 1988, då den georgiske statistikern Estate Khmaladze publicerade The statistical analysis of a large number of rare events. Som hans student Giorgi Kvizhinadze skrev: ”Det gemensamma draget hos exemplen som vi presenterar nedan är att det, vid sidan av flera vanliga händelser, också finns ett mycket stort antal mycket sällsynta händelser, säg med frekvensen 0, 1 eller 2. Den sammanlagda mängden av dessa sällsynta händelser är vanligtvis inte stor i förhållande till antalet observationer, men antalet sådana händelser bland alla olika observerade händelser är alltid mycket betydande. Dessa sällsynta händelser är vanligen mycket viktiga. Exempelvis kan antalet ord som används endast en gång i en bok anses vara oväsentligt för boken, men det är uppenbart att dessa ord är ytterst viktiga eftersom de utgör hälften av författarens ordförråd” (2010). 70 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited av ett ordbildningsmönster i hela ”populationen”, det vill säga i ett språk som sådant. Samtidigt är det möjligt att uppskatta eller förutsäga antalet typer i stickprov av samma storlek som hämtats från större korpusar. Som nämndes i del 4.1 kräver denna statistiska procedur också korrekta antal typer och tokens; annars blir beräkningen av den uppskattade vokabulärstorleken eller antalet typer felaktig – i stället för att plana ut och konvergera mot ett konstant värde kan kurvan fortsätta att växa. 5.1. LNRE-fördelningarna Vi beslutade att tillämpa LNRE-modellerna för att identifiera11 produktiviteten i korpusar av olika storlek, delvis eftersom det också finns ett verktyg med öppen källkod tillgängligt online – ZipfR, utvecklat av Evert och Marco Baroni (2007). Detta verktyg med öppen källkod omfattar flera modeller, varav vi använde den ändliga Zipf-Mandelbrotmodellen (fZM), som bygger på Zipf-Mandelbrots lag12. Som författarna påpekar sträcker sig dess användningsområde bortom lingvistiken. ZipfR godtar flera indataformat, däribland enkla frekvenslistor och råa stickprov i ett format med en token per rad. Vi kunde använda frekvenslistor från vår tidigare forskning, som hade genomgått den manuella rensningen i steg 1st (jfr del 4.1), vilket utgjorde ytterligare en fördel med denna metod. Våra frekvenslistor genomgick fyra grundläggande operationer (Evert, Baroni 2007): (i) parameterskattning, där parametrarna för LNRE-modellen M bestäms utifrån ett träningsstickprov av en viss storlek genom att jämföra det förväntade frekvensspektrumet med det observerade frekvensspektrumet; (ii) utvärdering av anpassningskvaliteten baserad på kovariansmatrisen för antalet typer och antalet typer som förekommer exakt m gånger; (iii) interpolering och extrapolering av vokabulärens tillväxt med hjälp av de förväntade värdena; (iv) förutsägelse av det förväntade frekvensspektrumet för godtycklig stickprovsstorlek. Som Evert och Baroni påpekade (2007) fokuserar denna modellering inte på frekvenserna hos enskilda ordtyper, ”utan snarare på fördelningen av sådana frekvenser (i ett stickprov) och sannolikheter (i populationen)”. 11 Vi vill tacka vår kollega Ján Mášik för hans ovärderliga hjälp med att säkerställa att fZM-modellen kunde tillämpas på våra korpusdata. 12 För en utförlig beskrivning av Zipf-Mandelbrots lag hänvisas läsaren exempelvis till Baroni 2009. Terminologija | 2021 | 28 71 5.2. Tillämpning av LNRE-fördelningarna och utvärdering Verktyget ZipfR gav oss frekvensspektra för ord och typ-token-kurvor för varje suffix i varje (del)korpus. På grund av utrymmesbrist visar vi endast graferna med typ-token-kurvor som har anpassats så att de har samma skala på x-axeln. Y-axeln skiljer sig åt, eftersom den beror på och återspeglar det faktiska antalet typer för ett visst suffix i en given (del)korpus. Vi föreslår att jämföra graferna parvis och slutligen utvärdera suffixens produktivitet i vårt korpusmaterial. X-axeln representerar antalet tokens, medan y-axeln visar det (förväntade) antalet olika typer som bildas av ordbildningsmönstret med ett av de analyserade suffixen. Båda korpusen, referenskorpusen och den vetenskapliga korpusen, uppvisar samma rangordning av suffix, med suffixet -álny högst placerat och suffixet -órny sist. I referenskorpusen stiger kurvan för tre suffix -álny, -árny, -ózny och indikerar därmed deras produktivitet, medan kurvorna för -itný och i synnerhet -órny planar ut. I den vetenskapliga delkorpusen kan två suffix betraktas som produktiva: -álny och -árny. Kurvorna för de återstående tre (-ózny, -itný, -órny) stiger mycket långsamt, men visar en tendens att plana ut vid slutet av det intervall på x-axeln som visas i grafen. Graferna för den medicinska delkorpusen och den juridiska korpusen visar endast ett produktivt suffix: -álny13. I den medicinska delkorpusen planar både -árny och -ózny ut mycket snabbt (möjligen når de sin maximala vokabulärstorlek), och medan -itný och -órny växer långsamt men stadigt, passerar de 100 typer och planar möjligen ut under 200-typsnivån. Suffixet -álny i juridiska texter närmar sig nivån 350 typer, medan det i medicinska texter når nivån 800 typer (jfr skalan på y-axeln). Rangordningen skiljer sig dock något i den juridiska korpusen – suffixet -itný kommer på tredje plats och går om suffixet -ózny, som förefaller nästan helt improduktivt, med en kurva som löper parallellt med x-axeln. Det sista suffixet -órny uppvisar en mycket långsam ökning och därefter en tendens att plana ut. Medan grafen för den religiösa korpusen visar tre produktiva suffix, -álny, -árny och -ózny, är det anmärkningsvärt att alla fem analyserade suffix verkar vara produktiva i ekonomiska texter. Rangordningen av suffixen är densamma i båda korpusen. 13 Dessa två grafer saknar interpolationskurvan för suffixet -álny. Detta beror på att x-axelns skala justerades och enhetliggjordes för alla (del)korpusar, vilket gjorde det omöjligt att skapa denna typ av kurva. 7 2 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Fig. 1. Kurvor över ordförrådets tillväxt för de analyserade suffixen i referenskorpusen Fig. 2. Kurvor över ordförrådets tillväxt för de analyserade suffixen i den vetenskapliga delkorpusen Fig. 3. Kurvor över ordförrådets tillväxt för de analyserade suffixen i den medicinska korpusen Fig. 4. Kurvor över ordförrådets tillväxt för de analyserade suffixen i den juridiska korpusen I den religiösa korpusen planar båda kurvorna för –itný och –órny ut långt innan de når 100-typunkten. Om vi sammanfattar de ovan nämnda resultaten om de analyserade suffixens produktivitet i vårt korpusmaterial kan vi hävda att det mest produktiva suffixet är –álny, som toppar rangordningen i alla (del)korpusar. Dess produktivitet tycks vara störst i delkorpusen med vetenskapliga och akademiska texter och i den medicinska delkorpusen, följt av referenskorpusen (kurvan är på väg mot 700-typunkten), den religiösa Terminologija | 2021 | 28 73 Fig. 5. Kurvor över ordförrådets tillväxt för de analyserade suffixen i den religiösa korpusen Fig. 6. Kurvor över ordförrådets tillväxt för de analyserade suffixen i den ekonomiska korpusen korpusen (kurvan passerar 600-typunkten), den ekonomiska korpusen (kurvan är på väg mot 500-typunkten) och slutligen den juridiska korpusen (som högst ligger kurvan nära 350-typunkten). Suffixet -árny kommer på andra plats och uppvisar produktivitet i 4 av 6 (del)korpusar. Kurvornas form tyder på att suffixet är improduktivt i juridiska och medicinska texter. Suffixets högsta produktivitet kan ses i delkorpusen med vetenskapliga och akademiska texter (kurvan passerar 400-typunkten), därefter i referenskorpusen (kurvan passerar 300-typunkten), medan kurvan i religiösa och ekonomiska texter löper nära 300-typunkten. På liknande sätt tycks suffixet -ózny vara produktivt i 4 av 6 korpusar. Intressant nog verkar det vara improduktivt i samma (del)korpusar som suffixet -árny – i juridiska och medicinska korpusar. Det är mest produktivt i ekonomiska texter, där kurvan ligger klart över 200-typunkten, därefter i referenskorpusen, där kurvan passerar samma punkt; i de två återstående korpusarna når kurvan antingen samma punkt men verkar plana ut där (prim-9.0-public-prf), eller är endast på väg mot denna punkt i den religiösa korpusen. Även suffixet -itný tycks vara produktivt i 4 av 6 korpusar. En utplanande kurva som indikerar improduktivitet kan ses i diagrammen för de juridiska och religiösa korpusarna. Det är mest produktivt i ekonomiska texter, där kurvan ligger klart över 100-typunkten, medan den i de tre återstående (del)korpusarna passerar denna punkt och fortsätter lägre. 74 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited Den sista suffixet i rangordningen -órny är också produktivt i 4 av 6 korpusar. Dess improduktivitet konstaterades i referenskorpusen och den religiösa korpusen. Produktiviteten är som högst i medicinska och ekonomiska texter, där kurvan passerar 100-typspunkten; i akademiska och vetenskapliga texter löper kurvan nära denna punkt, och i juridiska texter passerar den knappt 25-typspunkten. Sammanfattningsvis kan man säga att de analyserade suffixen är mest produktiva i vetenskapliga och akademiska texter eller i texter inom ett specialområde (ekonomi eller medicin), vilket inte är förvånande med tanke på deras etymologi. Deras produktivitet, eller snarare graden av produktivitet, skiljer sig avsevärt mellan (under)korpusar. Den kanske mest intressanta iakttagelsen är att tre suffix är improduktiva inom det juridiska området och att de två återstående suffixen har lägst produktivitet inom samma område. Detta kan tyda på att juridiska texter inte främjar lexikal kreativitet vid bildandet av nya adjektiv av detta slag. Jämfört med del 4 kan skillnaden i suffixens rangordning delvis förklaras av det fenomen som Václav Cvrček (2012) observerade beträffande hapax-typkvoten. Enligt Cvrčeks experiment tenderar kvoten att minska från sitt maximala värde 1 till sitt lokala minimum (ibid: 5). Efter denna punkt börjar kvoten emellertid öka igen. Cvrček hävdar att detta är ”någon sorts allmän kvantitativ princip för stora textsamlingar” (ibid: 14). Hapax-typfunktionens form tycks vara ungefär densamma även för typologiskt olika språk, men storleken på ett texturval beror på språketypen. För att nå hapax-typkvotens minimipunkt uppger Cvrček att en engelsk korpus bör omfatta minst 3 miljoner tokens, medan en tjeckisk (och vi tror även en slovakisk, med tanke på de båda språkens typologiska släktskap) bör omfatta hela 58 miljoner tokens. Eftersom två underkorpusar i vår analys är mindre än Cvrčeks gränsvärde ligger deras hapax-typkvot i hapax-typfunktionens avtagande del. 6. SLUTSATS I fortsättningen på vår forskning om utvalda suffix produktivitet i olika korpusar och domäner lyckades vi besvara båda frågorna som presenterades i del 4. 1. Vi kunde visa att lågfrekventa lemmor som extraherats ur en korpus även omfattar potentiella neologismer och att de, även om deras fördelning Terminologija | 2021 | 28 75 kan variera mellan korpusdata, kan förändra produktivitetsrangordningen som bygger på hapax/typ-formeln. 2. Vi identifierade och tillämpade statistisk modellering för att utvärdera produktiviteten mellan korpusar – LNRE-fördelningar. Genom att mata in våra korpusdata i verktyget med öppen källkod fick vi en visuell modellering av produktiviteten, vilket gjorde det möjligt för oss att konstatera att de analyserade suffixens produktivitet skiljer sig inte bara vid jämförelser mellan allmänna och vetenskapliga texter, utan även mellan olika specialiserade domäner. Vi anser att modelleringen tydligt visar varje analyserat suffix reella potential att bilda nya typer inom respektive domän. Resultaten och rangordningarna i del 4 och 5 av denna artikel är emellertid i stort sett inte jämförbara med varandra, eftersom den första bygger direkt på rådata – antalet typer och hapaxer eller lågfrekventa typer i en viss (under)korpus – medan den andra bygger på de förväntade frekvensspektra för varje (under)korpus. Kort sagt representerar den första faktiska data, medan den andra försöker uppskatta ett elements produktivitet i språket i fråga som sådant. Därför bör vi identifiera fler hapaxer i större korpusar med medicinska och juridiska texter, vilket kan leda till en annan suffixrangordning. Våra antaganden skulle så småningom kunna verifieras i framtida forskning genom analys av mer omfattande korpusar som innehåller ett representativt urval av relevanta texttyper för specifika domäner, eftersom textgenrer också kan spela en roll för ett elements morfologiska produktivitet. Eftersom inte ens den största korpusen skulle innehålla alla ord anser vi att det är rimligare att utvärdera den morfologiska produktiviteten hos ett element med mer sofistikerade metoder än genom att räkna typer eller tokens direkt. Sammanfattningsvis kan man säga att vi kan identifiera den tidigare produktiviteten hos ett ordbildningsmönster eller element. Vi kan också ge olika uppskattningar av hur det kommer att utnyttjas i framtiden, det vill säga Baayens potentiella produktivitet. Även om vi kompletterar de statistiska måtten med en kvalitativ analys bör vi dessutom ta hänsyn till ytterligare ett faktum: som Fernández-Domínguez med rätta hävdar bör probabilistiska förutsägelser om morfologisk produktivitet förstås i samband med extralingvistiska faktorer och i synnerhet sådana som rör en talgemenskaps behov av att benämna företeelser. ”Om inget behov av benämning finns kan ingen produktiv ordbildning äga rum” (Fernández-Domínguez 2013: 438). 76 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited TACK Artikeln har skrivits inom projektet Slovakiska nationalkorpusen, med stöd av Slovakiska vetenskapsakademin, Slovakiska republikens ministerium för utbildning, vetenskap, forskning och idrott, Slovakiska republikens kulturministerium samt Ľudovít Štúr-institutet för lingvistik vid Slovakiska vetenskapsakademin. KÄLLFÖRTECKNING Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Tillgänglig på: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Tillgänglig på: https://korpus.sk. Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Tillgänglig på: https://korpus.sk. Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Tillgänglig på: https://korpus.sk. Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Tillgänglig på: https://korpus.sk. Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Tillgänglig på: https://korpus.sk. Ordboksportalen vid Ľ. Štúr-institutet för lingvistik, Slovakiens vetenskapsakademi https://slovnik.juls.savba.sk/. ZipfR-paketet. Tillgängligt på: http://zipf.r-forge.r-project.org/. REFERENCES Assadi Houssem, Bourigault Didier 1995: Classification d’adjectifs extraits d’un corpus pour l’aide à la modélisation de connaissances. – Troisièmes journées internationales d’analyse des données textuelles, 313–320. Baayen R. Harald, Lieber Rochelle 1991: Productivity and English derivation: a corpus-based study. – Linguistics 29, 801–843. Baayen R. Harald 1992: Quantitative aspects of morphological productivity. – Yearbook of Morphology 1991, eds. G. E. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 109–149. Baayen R. Harald 1993: On frequency, transparency, and productivity. – Yearbook of Morphology 1992, eds. G. E. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 181–208. Baayen R. Harald 1994: Productivity in production. – Language and Cognitive Processes 9, 447–469. Baayen R. Harald, Renouf Antoinette 1996: Chronicling The Times: Productive Lexical Innovations in an English Newspaper. – Language 72, 69–96. Baayen R. Harald, Lieber Rochelle 1997: Word frequency distributions and lexical semantics. – Computers and the Humanities 30, 281–291. Baayen R. Harald 2009: Corpus linguistics in morphology: morphological productivity. – Corpus Linguistics. An international handbook, eds. A. Lüdeling, M. Kyto, Berlin, Mouton De Gruyter, 900–919. Baker Paul, Hardie Andrew, McEnery Tony 2006: A Glossary of Corpus Linguistics, Edinburgh: Edinburgh University Press Ltd. Available at: https://pdfs.semanticscholar.org/856a/9640311005ff8a97ab98976c9209aa12120a.pdf. Baroni Marco 2009: Distributions in text. – Corpus Linguistics. An international handbook, eds. A. Lüdeling, M. Kyto, Berlin, Mouton De Gruyter, 803–822. Available at: https://home.sslmit.unibo.it/~baroni/publications/hsk_39_dist_rev2.pdf. Carrière Isabelle 2008: Méditerm: encodage des adjectifs médicaux. – Corpus et dictionnaires de langues de spécialités, eds. F. Manize, P. Dury, N. Arlin, C. Rougemont, Grenoble: Presses Universitaires de Grenoble, 175–196. Cvrček Václav 2012: How Large is the Core of Language. – Corpus Linguistics 2011 [online], Birmingham. Available at: https://www.birmingham.ac.uk/Documents/college-artslaw/corpus/conference-archives/2011/Paper-145.pdf. Daille Béatrice 2001: Qualitative terminology extraction: Identifying relational adjectives. – Recent advances in computational terminology, eds. D. Bourigault, C. Jacquemin, M.-C. L’Homme, Amsterdam: John Benjamins Publishing Co, 149–166. Terminologija | 2021 | 28 77 Dokulil Miloš 1962: Teorie tvoření slov, Praha: Nakladatelství ČSAV. Evert Stefan, Lüdeling Anke 1991: Constraining psycholinguistic models of morphological processing and representation: the role of productivity. – Yearbook of morphology 1991, eds. G. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 165–183. Evert Stefan, Baroni Marco 2007: The zipfR library: Words and other rare events in R. Presentation at useR! 2006: The Second R User Conference, Vienna, Austria. Available at: https://zipfr.r-forge.r-project.org. Evert Stefan 2004: A simple LNRE model for random character sequences. – Proceedings of JADT 2004, 411–422. Fernández-Domínguez Jesús 2013: Morphological Productivity Measurement: Exploring Qualitative versus Quantitative Approaches. – English Studies 94, 4, 422–447. Garabík Radovan, Gianitsová Lucia, Horák Alexander, Šimková Mária 2004: Tokenizácia, lematizácia a morfologická anotácia Slovenského národného korpusu: internal document for manual morphological annotation. Unpublished. Available at: https://korpus.sk/attachments/publications/2004-garabik-gianitsova-horak-simkova-tokenizacia.pdf. Horecký Ján 1956: Základy slovenskej terminológie, Bratislava: VEDA. Horecký Ján 1999: Internacionalizácia a europeizácia slovenský. – Internacionalizácia v súčasných slovenských jazykoch: za a proti, ed. J. Bosák, Bratislava: Veda, 80–82. Hulse Victoria 2011: Productivity in morphological negation: a corpus based approach, The University of Manchester. Available at: https://www.research.manchester.ac.uk/portal/en/theses/productivity-in-morphological-negation--a-corpusbased-approach(266d2241-a266-4b99-8fab-e19571381d8f).html. Kvizinadze Giorgi 2010: Large number of rare events: Diversity analysis in multiple choice questionnaires and related topics, Victoria University of Wellington doctor thesis. Available at https://core.ac.uk/download/pdf/41336663.pdf Levická Jana 2021: Usage and empirical productivity of international adjectival suffixes in Slovak based on general and specialised corpora. – Jazykovedný časopis 72, 2 (in print). L’Homme Marie-Claude 2002: Fonctions lexicales pour représenter les relations entre termes. – Traitement automatique des langues 43, 1, 19–41. L’Homme Marie-Claude 2003: Adjectifs dérivés sémantiques dans la structuration des terminologies. – Journées d’étude Terminologie, Ontologie et représentation des connaissance, Lyon. Maniez François 2002: Distinguer les termes des collocations: études sur corpus du patron < Adjectif – Nom > en anglais médical. – Actes du colloque TALN de Nancy 1, 24–27 juin 2002, 345–350. van Marle Jaap 1992: The relationship between Morphological Productivity and Frequency: A Comment on Baayen’s Performance-Orientated Conception of Morphological Productivity. – Yearbook of Morphology 1991, eds. G. Booij, J. van Marle, Dordrecht: Kluwer Academic Publishers, 151–163. Nábělková Mira 1996: Variantnosť ako prvok dynamiky v adjektívnej paradigme. – Slovenská reč 61, 257–266. Naccarato Chiara 2016: A corpus-based quantitative approach to the study of morphological productivity in diachrony: The case of samo-compounds in Russian. – A Blend of MaLT Hanna Christ, eds. D. Klenovšak, L. Sönning, V. Werner, Bamberg: University of Bamberg Press, 133–153. Normand Sylvie, Bourigault Didier 2001: Analysing adjectives used in a histopathology corpus with NLP tools. – Terminology 7, 2, 155–164. Plag Ingo, Dalton-Puffer Christiane, Baayen Harald 1999: Morphological productivity across speech and writing. – English Language and Linguistics 3, 2, 209–228. Säily Tanja 2018: Change or variation? Productivity of the suffixes -ness and -ity. – Patterns of Change in 18ᵗʰ Century English. A Sociolinguistic Approach, eds. T. Nevalainen, M. Palander-Collin, T. Säily, Amsterdam: John Benjamins, 197–218. Ševčíková Magda 2014: Zjišťování slovotvorné produktivity z korpusových dat: přípony odvozující názvy vlastností. – Naše řeč 97, 228–240. Štícha František 2012: Jak v epoše elektronických korpusů následovat Miloše Dokulila (Miloši Dokulilovi ke stému výročí narození). – Jazykovědné aktuality 49, 95–107. Štícha František 2002: K Dokulilovu pojmu slovotvorné produktivity (z hlediska korpusové analýzy). – Čeština doma a ve světě 4, 302–310. Štícha František 2007: Korpusové statistiky a slovotvorná produktivita. – Grammar & Corpora/Gramatika a korpus 2005, eds. F. Štícha, J. Šimandl, Praha: Academia, 250–257. Štícha František 2009: Slovotvorná produktivita a gramatickosť: gradační expresivní adjektiva s prefixy pra-, pře- a vele- v současné psané češtině. – Eslavística Complutense 9, 145–170. 78 Jana Levická Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited NAUJAS ŽVILGSNIS Į TARPtautinių BŪDVARDŽIŲ PRIESAGŲ VARTOJIMĄ IR EMPIRINĮ PRODUKTYVUMĄ SLOVAKŲ KALBOJE Santrauka Šio straipsnio objektas – morfologinis penkių lotynų kalbos priesagų, dažnai vartojamų slovakų kalbos būdvardžiams sudaryti, produktyvumas. Straipsnyje aprašomas tyrimas yra ankstesnio tekstynų duomenimis paremto tyrimo tęsinys. Tyrime buvo nustatyti reikšmingi priesagų vartojimo ir produktyvumo skirtumai skirtingose srityse. Analizei atlikti naudojami šeši tekstynai ir patekstyniai apima ir bendrąjį tekstyną, ir specialiuosius tekstynus (medicinos, teisės, ekonomikos ir ypač religijos srities). Ankstesnės statistinės analizės atspirties taškas buvo neologizmų dalis hapakso lemų grupėje su analizuojamomis priesagomis. Klausimas, ar tarp retai vartojamų lemų yra neologizmų, liko atviras. Beje, keli tyrėjai teigia, kad produktyviausias priesagas turinčių žodžių dažnumo pasiskirstymas turėtų būti nukreiptas į retai vartojamas lemas, sudarančias naujažodžius. Tokiu atveju statistinis morfologinio tiriamų priesagų produktyvumo įvertinimas galėtų būti kitoks. Be to, ankstesnės analizės rezultatai negalėjo būti palyginti tarp skirtingų tekstynų (patekstynių), nes jie rėmėsi pirminiais duomenimis, labai priklausomais nuo tekstyno (patekstynio) dydžio. Todėl antrasis šio tyrimo tikslas buvo nustatyti tinkamą statistinį metodą, kurį taikant toks palyginimas būtų įmanomas. Tiek ankstesnis, tiek dabartinis analizės etapai rėmėsi rankiniu būdu ištrinamais tekstyno duomenimis, t. y. lemų vartojimo dažnumo sąrašais, kuriuose nėra nei „tekstyno triukšmo“, nei bendrinės slovakų kalbos žodynuose jau esančių žodžių. Straipsnyje pateiktos analizės rezultatai rodo, kad tarp tekstyne rastų retai vartojamų lemų yra ir neologizmų, ir nors jų pasiskirstymas tekstyno duomenyse gali įvairuoti, jie gali pakeisti produktyvumo eiliškumą pagal hapakso žodžių santykį su visais žodžiais (angl. hapax / type formula). Antroje analizės dalyje buvo identifikuojami ir taikomi statistiniai modeliai, vadinami LNRE (angl. large number of rare events, liet. didelis retų įvykių skaičius) pasiskirstymais. Naudojantis atvirojo kodo įrankiu, buvo sukurtas vaizdinis priesagos produktyvumo modelis, kuriame atsiskleidžia analizuotų priesagų skirtumai, pirma, tarp mokslinių ir bendrųjų tekstų ir, antra, tarp specialiųjų sričių tekstų. Taigi, šis modelis įrodo realų kiekvienos analizuotos priesagos potencialą sudaryti naujus žodžius atitinkamose srityse. Gauta 2021-07-08 Jana Levická Ľ. Štúr Institute of Linguistics Slovak Academy of Sciences Panská 26 811 01, Bratislava, Slovakia E-mail janal@ korpus.sk Terminologija | 2021 | 28 79