doi.org/10.35321/term28-03

Utilizarea și productivitatea empirică a sufixelor adjectivale internaționale în slovacă, revizuite

JANA LEVICKÁ

Ľ. Štúr Institute of Linguistics, Slovak Academy of Sciences

ID ORCID: https://orcid.org/0000-0001-6027-604X

REZUMAT

Acest articol reprezintă o continuare a cercetării anterioare, care s-a concentrat asupra utilizării și productivității a cinci sufixe de origine latină în slovacă. Analiza vizează productivitatea reală și potențială într-o comparație în două etape: 1) formele de cuvinte (tokens) și lemele dintr-un corpus general echilibrat sunt comparate cu cele dintr-un corpus general de texte specializate și academice; 2) formele de cuvinte și lemele din corpusul general de texte specializate și academice sunt comparate cu cele din subcorpusurile specializate de texte medicale, juridice, economice și religioase. Primul obiectiv al studiului de continuare a fost să stabilească dacă lemele cu frecvență redusă includ creații lexicale noi care ar putea contribui la variațiile productivității între domenii. Al doilea obiectiv a fost identificarea și implementarea unei măsuri statistice adecvate care să permită compararea productivității datelor de corpus în corpusuri de dimensiuni diferite.

CUVINTE-CHEIE: productivitate, adjectiv, sufix, corpus general, corpus specializat, hapax legomena, lemă cu frecvență redusă, distribuții cu un număr mare de evenimente rare.

REZUMAT

Studiul descris în acest articol este o continuare a unei cercetări anterioare privind utilizarea și productivitatea a cinci sufixe de origine latină în slovacă. Studiul urmărește să determine productivitatea reală și potențială printr-o comparație în două etape: 1) formele de cuvinte (în engleză, tokens) și formele de bază ale cuvintelor, sau lemele (în engleză, lemmas), dintr-un corpus general echilibrat sunt comparate cu cele dintr-un corpus general de texte specializate și academice; 2) sunt comparate formele de cuvinte și lemele din corpusul general de texte specializate și academice cu cele din subcorpusurile specializate de texte medicale, juridice, economice și religioase. Obiectivul principal al studiului de continuare este să stabilească dacă printre lemele cu frecvență redusă se numără cuvinte nou create, care ar putea contribui la diferențele de productivitate între domenii. Studiul urmărește, de asemenea, să identifice și să aplice o măsură statistică ce ar permite compararea productivității materialului din corpusuri de dimensiuni diferite.

CUVINTE-CHEIE: productivitate, adjectiv, sufix, corpus general, corpus specializat, hapax, lemă cu frecvență redusă, distribuții cu un număr mare de evenimente rare

54

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

1. INTRODUCERE

Motivația cercetării noastre a pornit din interesul pentru sinonimia terminologică și, în cadrul acestui subiect mai amplu, pentru adjectivele denominale sinonime ca elemente constitutive ale termenilor multilexicali.

Concentrarea asupra adjectivelor nu reprezintă o noutate în cercetarea terminologică. Analize detaliate axate pe adjective pot fi găsite în lucrările mai multor terminologi, mai ales din anii 1990 și 2000¹. În istoria terminologiei slovace, studiile centrate pe adjective, declanșate de necesitatea unificării și creării unor terminologii slovace standardizate, pot fi urmărite până în anii 1950 (a se vedea, de exemplu, Ján Horecký 1956).

Importanța adjectivelor în terminologie și în limbajele de specialitate poate fi ilustrată și prin date statistice furnizate de corpusuri. Majoritatea corpusurilor specializate rezultate din proiectul Corpusului Național Slovac (denumit în continuare doar proiectul SNC) prezintă o proporție mai mare de adjective decât corpusul de referință (prim-7.0-frk), adică corpusul alcătuit din ponderi egale de texte de ficțiune, specializate și jurnalistice². După cum se poate observa în Tabelul 1, această diferență ajunge la aproape 2%, cu excepția corpusului religios (blf-2.0), în care proporția adjectivelor este aproximativ aceeași ca în corpusul de referință (7,46%). Al doilea rând din Tabelul 1 prezintă proporția gerundivelor, care sunt folosite și cu funcții de diferențiere și clasificare în termenii slovaci multilexicali. În cadrul adnotării morfologice a proiectului SNC, acestea sunt clasificate ca grup specific, motiv pentru care sunt etichetate separat de verbe (Garabík et al. 2004).

Coexistența și concurența adjectivelor au fost identificate și analizate în contextul limbii în general (de exemplu, Nábelková 1996). Totuși, pătrunderea lor în termenii multilexicali reprezintă un subiect relativ puțin cercetat. Un fenomen frecvent care duce la sinonimia și concurența adjectivelor este coexistența adjectivelor de origine latină și a echivalentelor lor (slovace) (vnútrožilový – intravenózny „intravenos”). Acest din urmă grup cuprinde și un subgrup în care atât un sufix slovac, cât și unul de origine latină sau internațională din punct de vedere etimologic se combină cu aceeași rădăcină internațională (de exemplu, bakteriálny – baktérioový „bacterian”). Ocazional, se întâlnește o variație între două sufixe internaționale cu aceeași in-

¹ A se vedea, de exemplu, H. Assadi și D. Bourigault 1995; S. Normand și D. Bourigault 2001; B. Daille 2001; F. Maniez 2001; M.-C. L’Homme 2002, 2003; sau I. Carrière 2008.

² Mai multe detalii despre corpusurile utilizate pentru analiza prezentată pot fi găsite în partea 3.2.

Terminologija | 2021 | 28

55

Tabelul 1. Numărul de cuvinte-formă și proporțiile adjectivelor și gerundivelor în corpusurile de referință și specializate ale proiectului SNC

CORPUS

CORPUS DE REFERINȚĂ

SUBCORPUS ȘTIINȚIFIC

SUBCORPUS MEDICAL

SUBCORPUS JURIDIC

CORPUS RELIGIOS

CORPUS ECONOMIC

Numărul de cuvinte-formă din corpus

253,137,609

149,581,785

7,099,555

33,600,183

65,920,357

164,987,015

Numărul de adjective în tokenuri

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%

Numărul de gerunzii în tokenuri

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%

rădăcina internațională poate apărea (de ex. hypersonórny – hypersonický, kontradiktorický – kontradiktórny).

Acest studiu, axat pe utilizarea unor sufixe specifice în limba slovacă, urmărește să stabilească dacă unele dintre acestea favorizează mai mult o astfel de coexistență sau dacă apar mai frecvent în adjectivele terminologice, motiv pentru care conceptul de productivitate morfologică devine relevant în acest caz.

Sufixele selectate pentru analiză constituie un grup restrâns utilizat la formarea adjectivelor denominale în cadrul unei game largi de sufixe adjectivale slovace³. În ceea ce privește alcătuirea lor, cele cinci sufixe constau dintr-un sufix adjectival internațional (adaptat), combinat cu sufixul slovac -ný/ny, echivalent din punct de vedere semantic: -álny, -árny, -itný, -ívny, -ózny; astfel, caracterul lor adjectival este întrucâtva multiplu. Pare evident că toate cele cinci sufixe de origine latină au fost folosite pentru a forma adjective de la substantive latine (-alis, cu varianta -aris, -ītus, -ōsus) sau de la verbe (-ōrius). Merită totuși remarcat că multe adjective slovace cu sufixele analizate au intrat

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

în lexicul slovac nu numai direct din latină, ci, în ultimele decenii, mai adesea prin franceză sau engleză (Horecký 1999) și au trecut prin procesul de adaptare cu ajutorul sufixului adjectival slovac menționat mai sus. Este semnificativ faptul că acest împrumut și adaptarea ulterioară au fost facilitate și încurajate de factori extralingvistici. Din considerente predominant istorice, slovaca a fost foarte receptivă la cuvintele noi provenite din latină, astfel că ponderea cuvintelor de origine latină este ridicată chiar și în lexicul general al limbii slovace (Horecký 1999: 81). În prezent, datorită impactului mass-mediei, al internetului și al rețelelor sociale, acest proces combinat de formare a cuvintelor, care implică atât împrumutul, cât și derivarea, este extrem de productiv și, prin urmare, foarte relevant pentru un studiu lingvistic și terminologic.

Lucrarea noastră este o continuare a cercetării noastre anterioare pe aceeași temă, aflată în prezent în curs de tipărire (Levičká 2021). Pentru comparație și pentru claritatea expunerii, am considerat necesar să includem un rezumat al argumentării și constatărilor anterioare, completat cu noi observații și cu un cadru teoretic. Prin urmare, unele dintre tabele (1–4), deși au apărut în prima noastră lucrare, sunt reproduse aici.

2. FUNDAMENTARE TEORETICĂ

Conceptul teoretic de productivitate morfologică a fost dezvoltat de numeroși cercetători și savanți. O prezentare generală a concepțiilor teoretice și a studiilor anterioare din secolul al XX-lea^th a fost rezumată și comentată în numeroase studii și articole, de exemplu de Jesús Fernández-Dominguez (2013) sau Victoria Hulse (2011). Aici ne vom concentra doar asupra câtorva considerații teoretice care ne-au inspirat și ne-au influențat alegerea abordării și a metodologiei.

Cea mai veche definiție citată aici a fost formulată în 1948 de lingvistul american Dwight L. Bolinger (citat de Säily 2018: 198), care a concluzionat că productivitatea era „disponibilitatea determinabilă statistic⁴ cu care un element intră în combinații noi”.

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 Expresiile sau cuvintele marcate cu caractere aldine reprezintă caracteristicile-cheie pentru cercetarea noastră.

Terminologija | 2021 | 28

57

Nu în ultimul rând, am dori să facem referire la cercetările de formare a cuvintelor ale lingvistului ceh Miloš Dokulil, care a prezentat o teorie complexă a productivității formării cuvintelor în lucrarea sa Teorie tvoření slov din 1962. În primul rând, Dokulil a definit, în general, productivitatea unui mijloc lingvistic drept „capacitatea acestui mijloc lingvistic (fie că este o bază, un afix sau un tipar de formare a cuvintelor) de a participa activ la crearea unor cuvinte noi” (1962: 78). El a precizat că această capacitate poate fi absolută, adică utilizabilitatea sa în crearea de cuvinte noi în orice moment și în cadrul oricărui tipar de formare a cuvintelor, sau relativă, caz în care depinde de semnificație sau, mai degrabă, de stil, precum și de tiparul de formare a cuvintelor. În teoria lui Dokulil, productivitatea este un „concept de natură sincronică, în timp ce punerea în aplicare a acestei capacități – crearea de cuvinte noi conform unor reguli specifice – este, dimpotrivă, un concept de natură diacronică” (1962: 80). Dokulil a făcut, de asemenea, distincția între productivitatea sistemică și productivitatea empirică (numită și „parole” sau „productivitate reală” de František Štícha 2012)), care oferă o „idee generală a utilizării globale a unui anumit tipar de formare a cuvintelor sau mijloc lingvistic în sistemul unei limbi la un moment dat” (Dokulil 1962: 80). Dokulil considera că până și „datele aproximative privind utilizarea cantitativă a unui proces sau element dat de formare a cuvintelor sunt de o importanță capitală pentru imaginea de ansamblu a unei limbi în general și, în special, pentru caracteristicile lexicului său” (Item: 77).

Dintre lingviștii cehi contemporani care se bazează pe teoria productivității a lui Dokulil și îi verifică ipotezele folosind date din corpusuri (a se vedea, de exemplu, Štícha 2002, 2007, 2009, 2012 sau Magda Ševčíková 2014), Štícha recomandă analiza productivității empirice/de tip parole nu doar în corpusuri mari, ci și prin intermediul unei serii de corpusuri de dimensiuni și alcătuiri diferite (2012: 104).

Se poate susține că ipotezele lui Dokulil privind productivitatea relativă au fost reluate de Harald Baayen și de alții, ale căror metode și abordări le vom prezenta mai târziu în această analiză. În 1999, Baayen și colegii săi Ingo Plag și Christiane Dalton-Puffer au scris că „afirmațiile despre productivitatea unui anumit afix sunt formulate, în general, fără a distinge productivitatea în funcție de tipul discursului, deși se presupune în mod obișnuit că anumite tipuri de sufixe derivative sunt mai relevante în anumite tipuri de texte decât în altele” (1999: 209).

Disponibilitatea corpusurilor mari face posibilă măsurarea, identificarea și analizarea productivității unui tipar sau element de formare a cuvintelor nu doar în limba generală la un moment dat, ci și în domenii și registre specializate.

58

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

3. CERCETĂRI ANTERIOARE

În acord cu raționamentele și ipotezele lingviștilor citați în secțiunea precedentă, la începutul cercetării noastre, care vizează identificarea productivității morfologice a sufixelor adjectivale, am formulat trei întrebări principale de cercetare:

1) Diferă productivitatea morfologică a sufixelor adjectivale individuale din grupul selectat între textele generale și cele specializate? Și sunt aceste diferențe semnificative statistic?

2) Poate varia productivitatea morfologică a sufixelor adjectivale individuale din grupul selectat în funcție de domeniul specific? Unele dintre aceste cinci sufixe sunt mai „potrivite” pentru a contribui la codificarea conceptelor specifice unui domeniu sau unei arii?

3) Ce metode sunt relevante pentru această analiză specifică a datelor din corpus?

În primul rând, având în vedere specificitatea acestui tip de tipar de formare a cuvintelor bază latină + sufix latin + sufix etimologic autohton, am decis să lăsăm deoparte analiza calitativă care ar examina limitele și regulile ce guvernează combinarea bazelor latine individuale cu unul dintre sufixele adjectivale selectate în contextul limbii slovace.

Deși abordarea cantitativă nu poate oferi o imagine completă a statutului productivității unui sufix sau al oricărei alte forme morfologice, avantajul ei pentru acest tip de cercetare constă în prezentarea perspectivei și a contextului de utilizare a cuvintelor create după un anumit tipar, precum și în efectuarea unor comparații specifice cu forme echivalente din punct de vedere semantic și funcțional. Se acceptă în general că abordarea cantitativă în analizele productivității morfologice reprezintă o metodă complementară importantă pentru cercetarea calitativă (a se vedea, de exemplu, Evert and Lüdeling 2001). După cum afirmă Plag: „noțiunile cantitative și calitative ale productivității [...] sunt strâns legate. Astfel, ideea de potențialitate, care este esențială pentru definițiile calitative ale productivității, poate fi exprimată în termeni statistici prin probabilitate” (citat de Naccarato 2016: 135). În mod similar, Baayen și coautorii săi susțin că productivitatea „pare a fi un concept scalar [...] în cazul unor afixe, este mai probabil să întâlnim cuvinte nou-formate decât în cazul altora, fapt care face din productivitate o noțiune probabilistică, susceptibilă de analiză statistică” (1999: 10).

Terminologija | 2021 | 28 59

3.1. Metode statistice

În etapa 1 a analizei noastre, am urmat calea metodologică bine consacrată de Harald Baayen și colegii și continuatorii săi (1991, 1992, 1993, 1994, 1996, 1997). Am identificat așa-numita productivitate realizată, adică frecvența utilizării adjectivelor formate cu sufixele selectate, precum și numărul de adjective diferite formate cu aceste sufixe în corpusuri diferite. Aceste statistici de corpus conturează productivitatea sufixelor în raport cu situația lingvistică trecută și prezentă.

Următorul pas a fost determinarea productivității potențiale a sufixelor analizate, adică estimarea ratei la care se așteaptă să apară noi tipuri⁵. Baayen (2009: 7) sugerează calcularea acesteia ca raport între hapax legomena⁶ cu afixul X și toate tokenurile cu afixul X dintr-un corpus. Utilizarea hapax legomena pentru calcularea productivității a fost criticată pe scară largă, deoarece acest grup nu reprezintă direct creațiile lexicale noi, care ar trebui să reflecte productivitatea unui element sau a unui tipar. Plag, Dalton-Puffer și Baayen susțin că productivitatea potențială este o măsură probabilistică și că, pe măsură ce dimensiunea unui corpus crește, „proporția neologismelor printre hapax legomena crește și s-a demonstrat că tocmai printre hapax legomena apare cel mai mare număr de neologisme” (1999: 12). În etapa anterioară a cercetării noastre, am decis să nu folosim metoda hapax/token, ci am adoptat metoda hapax/type, în concordanță cu raționamentul lui van Marle (1992), potrivit căruia frecvența tokenurilor nu este o variabilă la fel de relevantă într-o măsură a productivității precum numărul de leme. Totuși, cel mai serios dezavantaj al acestei măsuri este imposibilitatea de a compara datele statistice ale corpusurilor de dimensiuni diferite (Naccarato 2016: 133). Vom reveni asupra acestei considerații în partea 5.

3.2. Corpusurile utilizate în analiză⁷

Toate cele trei corpusuri și cele trei subcorpusuri utilizate în această analiză au fost publicate de Departamentul SNC în perioada 2013–2020 și sunt accesibile tuturor utilizatorilor înregistrați.

⁵ În lingvistica de corpus, tipurile reprezintă cuvinte unice și sunt sinonime cu lemele (Baker et al. 2006).

⁶ Hapax legomena (expresie de origine greacă ce înseamnă „spus o singură dată”), prescurtată și ca hapax, este un cuvânt care apare o singură dată într-un anumit corpus (Baker et al. 2006).

⁷ Cea mai mare parte a acestei secțiuni provine din articolul care descrie etapa anterioară a cercetării noastre (Levická 2021); totuși, această repetare este necesară pentru a explica natura datelor corpusului.

60

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

Primul corpus de referință (prim-7.0-frk), care cuprinde peste 253 de milioane de tokenuri, este alcătuit din proporții egale de texte jurnalistice, specializate și ficționale (64.12% dintre acestea au fost scrise inițial în slovacă, în timp ce 29.51% reprezintă traduceri), redactate în perioada 1991–2015. Corpusul a fost folosit la compilarea a două dicționare de frecvență ale limbii slovace (2017, 2018), precum și a dicționarului invers (2018).

Al doilea corpus, prim-9.0-public-prf, este un subcorpus disponibil public al corpusului primar al proiectului SNC (denumit în continuare subcorpusul științific). Alcătuit din texte specializate, academice și non-ficționale, acest subcorpus cuprinde peste 149 de milioane de tokenuri și documentează discursul general din domeniul științei și cercetării, inclusiv jurnalismul de specialitate. Textele sale au fost scrise între 1955–2019. Procentul textelor scrise în perioada 1955–1991 este de 8.7% (peste 13 milioane de tokenuri).

Cel mai mic (sub)corpus dintre toate corpusurile cercetate rezultă din filtrarea corpusului primar al proiectului SNC [9], versiunea 9.0. Acesta constă din texte din domeniul medicinei, redactate în perioada 1976–2019, și cuprinde puțin peste 7 milioane de tokenuri. Procentul textelor scrise în perioada 1955–1991 este de 1.09%. În continuare, îl vom numi subcorpusul medical.

Pentru a avea o sursă comparabilă provenită din alte corpusuri specializate și din corpusul de referință, corpusul specializat legal-1.1 (denumit în continuare subcorpusul juridic), alcătuit în cooperare cu Ministerul Justiției din Slovacia, a fost restrâns la textele legislative create în perioada 1991–2011. Cele aproape 49 de milioane de tokenuri ale sale au fost astfel reduse la 33.5 milioane de tokenuri.

Corpusul specializat – blf-2.0 –, axat pe domeniul religiei, a fost publicat în 2014. Textele sale cuprind aproape 66 de milioane de tokenuri, redactate între 1989–2014 (denumit în continuare corpusul religios). Acesta include peste 80% de reviste și ziare tematice. În mod similar, corpusul specializat ecn-2.0-public (denumit în continuare corpusul economic), dedicat domeniului economiei, include până la 96.24% de texte specializate publicate în reviste și ziare tematice. Textele acestui corpus datează din perioada 1992–2014 și cuprind aproape 165 de milioane de tokenuri.

Trebuie menționat însă că aceste corpusuri sunt eterogene și acoperă o mare varietate de texte.

Terminologija | 2021 | 28

6 1

În ceea ce privește căutarea în corpus, nu ne-am bazat interogările pe etichetarea morfologică furnizată pentru fiecare (sub)corpus inclus în analiză, deoarece, în cazul cuvintelor de origine latină, etichetarea s-a dovedit a fi inadecvată și eronată. Prin urmare, am optat pentru o căutare simplă a terminației specifice a unui token, de exemplu [lemma=“. *álny“], combinată cu filtrarea automată a cuvintelor care conțin întâmplător aceeași succesiune de caractere (a se vedea Partea 4.1).

3.3. Rezultatele etapei anterioare

În etapa anterioară, datele statistice din corpusuri ne-au permis să stabilim un clasament al productivității realizate a sufixelor analizate. Sufixul -álny este, fără îndoială, cel mai utilizat în toate (sub)corpusurile, în timp ce -órny se situează la polul opus al axei frecvenței în 5 (sub)corpusuri. După cum se poate observa din frecvențele normalizate de utilizare a patru dintre cele cinci sufixe, acestea apar mai frecvent în textele specializate și academice (subcorpusul științific) decât în corpusul de referință. De asemenea, este demn de remarcat că frecvențele normalizate ale sufixelor din subcorpusul medical fie sunt egale cu, fie depășesc considerabil ipm din subcorpusul științific, în timp ce ipm-ul sufixelor (instanțe per milion) din corpusul religios este în mod evident mai mic decât în corpusul de referință. Acest lucru poate fi explicat în parte prin tipurile de texte incluse în respectivele (sub)corpusuri.

Tabelul 2. Frecvența și frecvența normalizată (IPM, instanțe per milion) ale sufixelor analizate în respectivele (sub)corpusuri. Corpusurile sunt ordonate de la cel mai mic la cel mai mare

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

SUFIX CORPUSUL SUBCORPUSUL SUBCORPUSUL SUBCORPUSUL SUBCORPUSUL CORPUSUL DE REFERINȚĂ MEDICAL JURIDIC RELIGIOS ȘTIINȚIFIC ECONOMIC Tokenuri Tokenuri Tokenuri Tokenuri Tokenuri Tokenuri 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

Ordinea corpusurilor din Tabelul 3, care indică numărul diferitelor cuvinte create cu sufixele analizate, ne permite să comparăm variabilitatea creațiilor lexicale, mai întâi între limba generală și cea specializată și, în al doilea rând, de la cel mai mic corpus medical până la cel mai mare corpus economic. Tabelul prezintă productivitatea realizată, în sensul lui Baayen, a sufixelor analizate. În toate (sub)corpusurile, -álny este sufixul cel mai frecvent utilizat, apărând în cele mai multe tipuri; cel mai mic număr de tipuri sau leme a fost identificat pentru sufixul -órny. Sufixele -itný și -órny par să se suprapună în majoritatea (sub)corpusurilor; distincția lor mai subtilă necesită un test de semnificație. Totuși, o comparație reală între corpusuri nu este posibilă, deoarece tabelul prezintă numărători absolute ale tipurilor.

Tabelul 3. Numărul de leme într-un (sub)corpus dat

SUFIX CORPUS DE REFERINȚĂ SUBCORPUS ȘTIINȚIFIC SUBCORPUS MEDICAL SUBCORPUS JURIDIC CORPUS RELIGIOS CORPUS ECONOMIC -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

Rezultatele privind estimarea productivității potențiale, prezentate în Tabelul 4, sunt destul de variate, după cum indică ordinea sufixelor.

Terminologija | 2021 | 28

63

Tabelul 4. Raporturile hapax/tip într-un (sub)corpus dat. Sufixele din fiecare subtabel sunt enumerate în ordinea descrescătoare a raportului

RAPORT HAPAX/TIP

corpus de referință

subcorpus științific

subcorpus medical

-ózny

0.252173913

-órny

0.228571429

-ózny

0.208333333

-árny

0.201342282

-árny

0.210382514

-itný

0.138888889

-álny

0.173956262

-álny

0.209499576

-álny

0.129094412

-itný

0.122222222

-ózny

0.201680672

-árny

0.1

-órny

0.12

-itný

0.195876289

-órny

0.076923077

subcorpus juridic

corpus religios

corpus economic

-órny

0.1

-órny

0.2

-itný

0.237288136

-ózny

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

Sufixul cel mai productiv în nu mai puțin de trei corpusuri este -órny. În celelalte trei (sub)corpusuri, clasamentul este condus de două ori de -ózny și o dată de -itný. În plus, același sufix -órny pare să fie, în general și în textele medicale, potențial cel mai puțin productiv. În nu mai puțin de trei (sub)corpusuri, sufixul -itný ocupă ultimul loc în clasamentul productivității. În mod similar, ultimul loc în clasamentul productivității textelor economice este ocupat de sufixul -árny.

4. ÎNTREBĂRI DE CERCETARE ALE ANALIZEI PREZENTATE

Etapa anterioară a cercetării noastre a indicat diferențe semnificative în ceea ce privește productivitatea morfologică a sufixelor analizate, în funcție atât de tipul limbii, cât și de domenii. Totuși, la o întrebare s-a răspuns doar parțial, ceea ce a dus la formularea unei noi întrebări:

1. Merită analizate lemele cu frecvență redusă în vederea identificării neologismelor? De fapt, mai mulți cercetători sugerează că distribuția frecvenței cuvintelor formate cu afixe productive ar trebui să fie deplasată în mod evident spre lemele cu frecvență redusă, care cuprind creații lexicale noi.

64

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

2. După cum am arătat deja în secțiunile anterioare, rezultatele privind productivitatea potențială a sufixelor analizate nu pot fi comparate între corpusuri. Prin urmare, este necesară identificarea unei metode statistice adecvate, care să permită această comparație.

4.1. Curățarea manuală a datelor

Atât etapa anterioară, cât și cea actuală ale analizei noastre se bazează pe date curățate manual. Mai mulți cercetători au subliniat importanța acestui proces anevoios și consumator de timp. Evert și Lüdeling au susținut (și au demonstrat) că acesta este o condiție prealabilă pentru o evaluare statistică de calitate, nu doar atunci când se utilizează măsuri mai sofisticate (2001: 168). Curățarea manuală este extrem de importantă din trei motive, primul dintre acestea ținând de natura datelor de corpus. În primul rând, datele din corpusuri conțin, de regulă, o proporție destul de mare de greșeli de tipar, mai ales în cazul lemelor cu frecvență redusă. În al doilea rând, corpusurile conțin erori ortografice, care apar frecvent mai ales la cuvintele de origine latină. În al treilea rând, a fost necesară comasarea lemelor cu sufixul X care diferă doar prin utilizarea/neutilizarea unei cratime, precum și a lemelor cu inițială majusculă și minusculă (care nu sunt nume proprii), diferențiate de lematizarea automată utilizată în cadrul proiectului SNC. Rezultatul acestei etape de curățare manuală poate fi observat în Tabelul 5, unde proporția medie de hapaxuri pentru sufixele analizate variază între 24 și 30% din numărul total de leme cu un anumit sufix. Totuși, în cazul sufixului -itný din textele juridice au rămas mai puțin de 5% dintre leme (posibile neologisme); în schimb, pentru sufixul -órny, în textele religioase și cele științifice generale, și pentru sufixul -ózny, în textele economice și, surprinzător, în textele corpusului de referință, proporția a fost de 40% sau mai mult. Aceste proporții ar putea indica (ne)productivitatea unui anumit corpus. După cum susțin Baayen și coautorii, numărul hapaxurilor pentru elementele productive poate ajunge până la jumătate din mărimea vocabularului observat într-un „corpus suficient de mare” (1999: 11).

Al doilea motiv pentru curățarea manuală a fost filtrarea datelor extrase din corpus pentru a obține liste care să cuprindă neologisme cu sufixele analizate. Prin urmare, am exclus lemele care 1) includ întâmplător aceeași secvență de caractere ca sufixele analizate; 2) se găsesc în dicționarele generale slovace și în Dicționarul cuvintelor străine⁸, adică

⁸ Am utilizat instrumentul de căutare integrat al portalului de dicționare https://slovnik.juls.savba.sk/.

Terminologija | 2021 | 28

65

Tabelul 5. Proporția hapaxurilor (potențiale neologisme) într-un anumit (sub)corpus după prima etapă de curățare manuală

PROPORȚIA HAPAXURILOR CU UN SUFIX SPECIFIC DUPĂ PRIMA ETAPĂ DE CURĂȚARE MANUALĂ

sufix

subcorpus medical

subcorpus juridic

corpus religios

subcorpus științific

corpus economic

corpus de referință

-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%

prin urmare, acestea nu sunt neologisme; 3) au fost identificate în cele mai extinse două corpusuri SNC⁹ – aceste leme trebuie să fi apărut în cel puțin unul dintre ele de trei sau mai multe ori, cu condiția ca aparițiile să provină din trei surse diferite și din trei ani diferiți. Acest ultim principiu de filtrare a fost stabilit deoarece cuvintele vizate de noi, care conțin unul dintre sufixele analizate, tind să fie termeni din domenii specializate, iar dicționarele de specialitate slovace actualizate ne lipsesc. Trebuie admis că listele de leme rezultate reprezintă doar potențiale neologisme. Rezultatele pot fi consultate în coloanele intitulate Proporția potențialelor neologisme printre hapaxuri din tabelele 6 și 7. Comparativ cu Tabelul 5, ponderea potențialelor neologisme a fost considerabil redusă.

4.2. Neologisme în lemele cu frecvență scăzută

Pentru a răspunde la prima întrebare de cercetare, am efectuat aceeași procedură de filtrare ca cea utilizată pentru lista hapaxurilor. În tabelele 6 și 7 prezentăm procentele (calculate din numărul total de leme cu un anumit sufix, cf. Tabelul 3) ale potențialelor neologisme din lemele cu frecvență scăzută, care apar de 4–2 ori în (sub)corpusuri, iar alături procentele potențialelor neologisme din grupul hapaxurilor.

Deși proporția potențialelor neologisme înregistrează creșteri mici în textele specializate și academice pentru fiecare sufix analizat, datorită includerii

⁹Aceste corpusuri sunt, în prezent, cele mai mari din proiectul SNC: corpusul general prim-9.0-juls-all și corpusul juridic legal-1.1.

66

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

potențialelor neologisme din grupul lemelor cu frecvență scăzută, potențialele neologisme din corpusul de referință au înregistrat o creștere foarte modestă pentru patru sufixe, în timp ce procentul celui de-al cincilea — -órny — a rămas stabil. Această situație era de așteptat, deoarece formațiile lexicale noi cu sufixele analizate au mai multe șanse să apară în textele specializate.

Tabelul 6. Proporția potențialelor neologisme în grupul lemelor cu frecvență scăzută (4–1 ocurențe) și în grupul hapaxurilor din numărul total de tipuri după curățare, în corpusul general și în subcorpusul general științific

SUFIX

CORPUS DE REFERINȚĂ

SUBCORPUS ȘTIINȚIFIC

Proporția potențialelor neologisme în lemele cu frecvență scăzută (4–1)

Proporția potențialelor neologisme în hapaxuri

Proporția potențialelor neologisme în lemele cu frecvență scăzută (4–1)

Proporția potențialelor neologisme în hapaxuri

-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%

În ceea ce privește potențialele neologisme specifice domeniului, cel mai mare procent, similar situației din subcorpusul științific, se observă în corpusul economic, unde sufixul -itný reprezintă până la 35% dintre potențialele neologisme. Celelalte sufixe din acest corpus reprezintă aproximativ 25% dintre potențialele neologisme din rândul lemelor cu frecvență scăzută. Pe de altă parte, cel mai mic procent de potențiale neologisme a fost identificat în textele juridice. Merită menționate și cazurile în care procentul s-a dublat prin includerea grupului de leme cu frecvență scăzută: sufixul -órny în textele medicale, -árny în textele juridice și -itný în textele religioase. În același timp, nu este de mirare că sufixul -ózny ocupă primul loc în textele medicale, fiind un sufix prototipic medical. Cu toate acestea, aproape același procent de leme noi potențiale cu -ózny a fost identificat în textele economice. Nu s-a înregistrat nicio creștere a potențialelor neologisme pentru sufixul -itný în textele medicale și juridice și nici pentru sufixul -órny în textele juridice.

Terminologija | 2021 | 28 67

Tabelul 7. Proporția potențialelor neologisme în grupul lemelor cu frecvență scăzută (4–1 apariții) și în grupul hapaxurilor, din numărul total de tipuri după curățare, în textele specializate din cele patru domenii

SUF–FIX | SUBCORPUS MEDICAL | SUBCORPUS JURIDIC | CORPUS RELIGIOS | CORPUS ECONOMIC Proporția potențialelor neologisme în lemele cu frecvență scăzută (4–1) | Proporția potențialelor neologisme în hapaxuri | Proporția potențialelor neologisme în lemele cu frecvență scăzută (4–1) | Proporția potențialelor neologisme în hapaxuri | Proporția potențialelor neologisme în lemele cu frecvență scăzută (4–1) | Proporția potențialelor neologisme în hapaxuri | Proporția potențialelor neologisme în lemele cu frecvență scăzută (4–1) | Proporția potențialelor neologisme în hapaxuri -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%

Pentru o mai bună înțelegere, adăugăm și un tabel care prezintă procentele potențialelor neologisme din grupul lemelor cu frecvență scăzută.

Tabelul 8. Diferența procentuală dintre potențialele neologisme din grupul lemelor cu frecvență scăzută (4–1 apariții) și cele din grupul hapaxurilor, din numărul total de tipuri după curățare

PROPORȚIA POTENȚIALELOR NEOLOGISME ÎN RÂNDUL LEMELOR CU FRECVENȚĂ SCĂZUTĂ (4–2 APARIȚII) sufix | corpus de referință | subcorpus științific | subcorpus medical | subcorpus juridic | corpus religios | corpus economic -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%

În cele din urmă, ultimul tabel prezintă clasamentul sufixelor în corpusurile (subcorpusurile) respective, obținut prin aplicarea repetată a formulei adaptate din etapa anterioară – proporția lemelor cu frecvență scăzută care conțin un anumit sufix/numărul de tipuri cu

68

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

Tabelul 9. Diferența dintre raportul neologismelor potențiale în grupul lemelor cu frecvență redusă (4–1 ocurențe) și numărul de tipuri. Ierarhia sufixelor evidențiate s-a modificat în comparație cu Tabelul 4

RAPORTUL LEMELOR CU FRECVENȚĂ REDUSĂ/ TIPURI corpus de referință subcorpus științific subcorpus medical -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 subcorpus juridic corpus religios corpus economic -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

un anumit sufix. În comparație cu Tabelul 4, ierarhia s-a modificat în toate (sub)corpusurile, cu excepția corpusului de referință. Prin urmare, se pare că includerea lemelor cu frecvență redusă s-a dovedit utilă.

Sufixul -órny este cel mai productiv în două corpusuri (față de trei în Tabelul 4), în timp ce -ózny a rămas în fruntea a două ierarhii, iar -itný, în fruntea ierarhiei din corpusul economic. În corpusul juridic, sufixul cel mai productiv pare să fie -árny, în timp ce același sufix este simultan cel mai puțin productiv în textele medicale și economice. Ultimul loc în ierarhiile productivității este ocupat de sufixul -órny atât în corpusul de referință, cât și în textele medicale; de sufixul -ózny în textele științifice generale; iar sufixul -itný a rămas cel mai puțin productiv în corpusurile juridic și religios.

5. COMPARAREA PRODUCTIVITĂȚII ÎNTRE (SUB)CORPUSURI

După cum am menționat în partea 3.1, măsurile statistice bazate pe frecvențe absolute și pe numărul de tipuri ne-au împiedicat să comparăm rezultatele anterioare provenite din (sub)corpusuri diferite. Dacă acceptăm afirmația sau, mai degrabă, ipoteza că productivitatea oricărui element de formare a cuvintelor sau

Terminologija | 2021 | 28

69

model poate fi dedusă din creațiile lexicale noi (și, în același timp, am demonstrat în partea 4.2 că aceste creații lexicale noi pot apărea nu doar în grupurile de hapax, ci și printre tipurile cu frecvență redusă), este posibil să ne bazăm analiza ulterioară pe distribuțiile frecvenței cuvintelor și pe spectrele de frecvență. Prin „spectru de frecvență” înțelegem o listă care indică câte tipuri dintr-o listă de frecvențe pot fi observate (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).

În acest scop al modelării statistice, Baayen a introdus în 2001 așa-numitele distribuții LNRE¹⁰. Avantajul acestor modele specializate constă în posibilitatea extrapolării statisticilor tip-token dintr-un eșantion specific la valori mai mari ale numărului de tokenuri și, astfel, în estimarea neologismelor potențiale din afara acestui eșantion. Ele se bazează pe dimensiunile de vocabular estimate pornind de la numărarea tipurilor cu frecvență redusă din corpus.

Unul dintre rezultatele acestei modelări îl constituie curbele de creștere a vocabularului sau, mai precis, curbele de creștere tip-token, care numără tipurile în funcție de numărul de tokenuri. Forma tipică a unei asemenea curbe pentru un proces neproductiv începe cu o creștere, dar apoi „se aplatizează și converge spre o valoare constantă, dimensiunea completă a vocabularului” (2001: 168). În schimb, un tipar productiv tipic prezintă un vocabular infinit, adică pare că această curbă crește la nesfârșit.

Folosind distribuțiile LNRE, este posibil să se estimeze numărul de tipuri în cantități mai mari de texte și chiar numărul de tipuri

¹⁰ Teoria LNRE (teoria numărului mare de evenimente rare, ca domeniu independent al statisticii) își are originea în 1988, când statisticianul georgian Estate Khmaladze a publicat The statistical analysis of a large number of rare events. După cum a scris studentul său, Giorgi Kvizhinadze: „Trăsătura comună a exemplelor pe care le vom prezenta mai jos este că, alături de câteva evenimente frecvente, există și un număr foarte mare de evenimente foarte rare, să zicem, cu frecvența 0, 1, 2. Cantitatea totală a acestor evenimente rare, raportată la numărul observațiilor, nu este de obicei mare, însă numărul acestor evenimente dintre toate evenimentele diferite observate este întotdeauna foarte semnificativ. Aceste evenimente rare sunt, de regulă, foarte importante. De exemplu, numărul cuvintelor folosite o singură dată într-o carte poate să nu fie considerat esențial pentru acea carte, dar este cât se poate de clar că aceste cuvinte sunt absolut importante, deoarece constituie jumătate din vocabularul autorului” (2010).

70

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

al unui tipar de formare a cuvintelor în întreaga „populație”, adică într-o limbă ca atare. În același timp, este posibil să se estimeze sau să se prevadă numărul de tipuri din eșantioane de aceeași dimensiune extrase din corpusuri mai mari. După cum s-a menționat în partea 4.1, această procedură statistică necesită și numărătorile corecte ale tipurilor și tokenurilor; în caz contrar, calcularea dimensiunii estimate a vocabularului sau a numărului de tipuri ar fi eronată — în loc să se aplatizeze și să converge către o valoare constantă, curba ar putea continua să crească.

5.1. Distribuțiile LNRE

Am decis să aplicăm modelele LNRE pentru a identifica¹¹ productivitatea în corpusuri de dimensiuni diferite, parțial datorită faptului că este disponibil online și un instrument cu sursă deschisă — ZipfR, dezvoltat de Evert și Marco Baroni (2007). Acest instrument cu sursă deschisă include mai multe modele, dintre care l-am folosit pe cel finit Zipf-Mandelbrot (fZM), bazat pe legea Zipf-Mandelbrot¹². După cum afirmă autorii, utilizarea sa depășește domeniul lingvisticii. ZipfR acceptă mai multe formate de intrare, inclusiv liste simple de frecvențe și eșantioane neprelucrate, în formatul unui token pe linie. Am putut utiliza listele de frecvențe din cercetarea noastră anterioară, care fuseseră supuse etapei 1^st de curățare manuală (cf. partea 4.1), ceea ce a reprezentat un alt avantaj al acestei metode.

Listele noastre de frecvențe au fost supuse la 4 operații de bază (Evert, Baroni 2007):

(i) estimarea parametrilor, prin care parametrii modelului LNRE M sunt determinați dintr-un eșantion de antrenare de dimensiune, comparând spectrul de frecvențe așteptat cu spectrul de frecvențe observat;

(ii) evaluarea calității ajustării, bazată pe matricea de covarianță a numărului de tipuri și a numărului de tipuri care apar exact de m ori;

(iii) interpolarea și extrapolarea creșterii vocabularului, folosind valorile așteptate;

(iv) predicția spectrului de frecvențe așteptat pentru o dimensiune arbitrară a eșantionului.

După cum au subliniat Evert și Baroni (2007), această modelare nu se concentrează asupra frecvențelor tipurilor individuale de cuvinte, „ci mai degrabă asupra distribuției acestor frecvențe (într-un eșantion) și probabilități (în populație)”.

¹¹ Dorim să-i mulțumim colegului nostru Ján Mášik pentru ajutorul neprețuit acordat, asigurând implementarea modelului fZM pentru datele corpusului nostru.

¹² Pentru o descriere cuprinzătoare a legii Zipf-Mandelbrot, cititorul este trimis, de exemplu, la Baroni 2009.

Terminologija | 2021 | 28 71

5.2. Aplicarea distribuțiilor LNRE și evaluarea

Instrumentul ZipfR ne-a furnizat spectrele frecvențelor cuvintelor și curbele tip-token pentru fiecare sufix din fiecare (sub)corpus. Din lipsă de spațiu, prezentăm doar graficele care arată curbele tip-token ajustate pentru a avea aceeași scară pe axa x. Axa y diferă, deoarece depinde de numărul efectiv de tipuri pentru un anumit sufix într-un (sub)corpus dat, număr din care rezultă. Propunem să comparăm perechile de grafice și, în final, să evaluăm productivitatea sufixelor în datele corpusului nostru.

Axa x reprezintă numărul de tokenuri, în timp ce axa y indică numărul (așteptat) de tipuri diferite produse de tiparul de formare a cuvintelor care conține unul dintre sufixele analizate.

Ambele corpusuri, cel de referință și cel științific, prezintă aceeași ierarhie a sufixelor, în frunte cu sufixul -álny și încheiată cu sufixul -órny. În corpusul de referință, curba celor trei sufixe -álny, -árny, -ózny crește, indicând astfel productivitatea acestora, în timp ce curbele sufixelor -itný și, în special, -órny se aplatizează. În subcorpusul științific, două sufixe pot fi considerate productive: -álny și -árny. Curbele celorlalte trei (-ózny, -itný, -órny) cresc foarte lent, dar tind să se aplatizeze la capătul axei x inclus în grafic.

Graficele pentru subcorpusul medical și corpusul juridic arată un singur sufix productiv: -álny¹³. În subcorpusul medical, atât -árny, cât și -ózny se aplatizează foarte repede (posibil să atingă dimensiunea maximă a vocabularului), iar în timp ce -itný și -órny cresc lent, dar constant, ele depășesc pragul de 100 de tipuri și se aplatizează, posibil, sub pragul de 200 de tipuri.

Sufixul -álny din textele juridice se îndreaptă spre pragul de 350 de tipuri, în timp ce în textele medicale ajunge la pragul de 800 de tipuri (cf. scara de pe axa y). Totuși, în corpusul juridic, ierarhia diferă ușor – sufixul -itný ocupă locul al treilea, depășind sufixul -ózny, care pare aproape complet neproductiv, curba sa fiind paralelă cu axa x. Ultimul sufix, -órny, prezintă o creștere foarte lentă, urmată de o tendință de aplatizare.

Deși graficul corpusului religios indică trei sufixe productive -álny, -árny și -ózny, este remarcabil faptul că toate cele 5 sufixe analizate par productive în textele economice. Ierarhia sufixelor rămâne aceeași în ambele corpusuri.

¹³ Aceste două grafice nu includ curba de interpolare pentru sufixul -álny. Motivul constă în ajustarea și uniformizarea scării axei x pentru toate (sub)corpusurile, ceea ce nu a permis crearea acestui tip de curbă.

7 2

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

Fig. 1. Curbele de creștere a vocabularului pentru sufixele analizate în corpusul de referință

Fig. 2. Curbele de creștere a vocabularului pentru sufixele analizate în subcorpusul științific

Fig. 3. Curbele de creștere a vocabularului pentru sufixele analizate în corpusul medical

Fig. 4. Curbele de creștere a vocabularului pentru sufixele analizate în corpusul juridic

În corpusul religios, ambele curbe ale sufixelor –itný și –órny se aplatizează mult sub pragul de 100 de tipuri.

Dacă sintetizăm constatările de mai sus privind productivitatea sufixelor analizate în datele corpusului nostru, putem afirma că cel mai productiv sufix este –álny, care ocupă primul loc în toate (sub)corpusurile. Productivitatea sa pare să fie cea mai ridicată în subcorpusul textelor științifice și academice și în subcorpusul medical, urmate de corpusul de referință (curba se îndreaptă spre pragul de 700 de tipuri), corpusul religios

Terminologija | 2021 | 28

73

Fig. 5. Curbele de creștere a vocabularului pentru sufixele analizate în corpusul religios

Fig. 6. Curbele de creștere a vocabularului pentru sufixele analizate în corpusul economic

corpusul (curba depășește pragul de 600 de tipuri), corpusul economic (curba se îndreaptă spre pragul de 500 de tipuri) și, în cele din urmă, corpusul juridic (în punctul său maxim, curba se apropie de pragul de 350 de tipuri).

Sufixul -árny se situează pe locul al doilea și prezintă productivitate în 4 din 6 (sub)corpusuri. Forma curbelor sugerează că este neproductiv în textele juridice și medicale. Cea mai mare productivitate a acestui sufix se observă în subcorpusul textelor științifice și academice (curba depășește pragul de 400 de tipuri), apoi în corpusul de referință (curba depășește pragul de 300 de tipuri), în timp ce în textele religioase și economice curba se menține aproape de pragul de 300 de tipuri.

În mod similar, sufixul -ózny pare productiv în 4 din 6 corpusuri. Destul de interesant, pare neproductiv în aceleași (sub)corpusuri ca sufixul -árny, și anume în corpusurile juridic și medical. Este cel mai productiv în textele economice, unde curba depășește cu mult pragul de 200 de tipuri, apoi în corpusul de referință, unde curba depășește același prag; în celelalte două corpusuri, curba fie atinge același prag, dar pare să se aplatizeze acolo (prim-9.0-public-prf), fie doar se îndreaptă spre acest prag în corpusul religios.

De asemenea, sufixul -itný pare productiv în 4 din 6 corpusuri. Curba aplatizată, care indică neproductivitatea, se observă în graficele corpusurilor juridic și religios. Este cel mai productiv în textele economice, unde curba depășește cu mult pragul de 100 de tipuri, în timp ce în celelalte trei (sub)corpusuri îl depășește și apoi se menține sub acest prag.

74

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

Ultimul sufix din clasament -órny este, de asemenea, productiv în 4 dintre cele 6 corpusuri. Lipsa sa de productivitate a fost identificată în corpusurile de referință și religios. Cea mai mare productivitate se înregistrează în textele medicale și economice, unde curba depășește pragul de 100 de tipuri; în textele academice și științifice curba se apropie de acest prag, iar în textele juridice abia depășește pragul de 25 de tipuri.

În concluzie, se poate afirma că sufixele analizate sunt cele mai productive în textele științifice și academice sau în textele dintr-un domeniu specializat (economie sau medicină), ceea ce nu surprinde, având în vedere etimologia lor. Productivitatea lor, sau mai degrabă gradul de productivitate, diferă considerabil de la un (sub)corpus la altul. Poate cea mai interesantă observație este lipsa de productivitate a trei sufixe în domeniul juridic și productivitatea cea mai scăzută a celorlalte două sufixe în același domeniu. Acest lucru ar putea indica faptul că textele juridice nu favorizează creativitatea lexicală în formarea de adjective noi de acest tip.

Comparativ cu partea a 4-a, diferența în clasamentul sufixelor poate fi explicată parțial prin fenomenul observat de Václav Cvrček (2012) în legătură cu raportul hapax/tip. Potrivit experimentelor lui Cvrček, acest raport tinde să scadă de la valoarea sa maximă, 1, până la minimul său local (ibid.: 5). Totuși, după acest punct, raportul începe din nou să crească. Cvrček susține că acesta este „un fel de principiu cantitativ general al colecțiilor mari de texte” (ibid.: 14). Forma funcției hapax/tip pare să fie aproximativ aceeași chiar și în cazul unor limbi diferite tipologic; cu toate acestea, dimensiunea unui eșantion textual depinde de tipul limbii. Pentru a atinge punctul minim al raportului hapax/tip, Cvrček afirmă că un corpus englezesc ar trebui să cuprindă cel puțin 3 milioane de tokenuri, în timp ce unul ceh (și credem că și unul slovac, dată fiind înrudirea tipologică a celor două limbi) ar trebui să cuprindă până la 58 de milioane de tokenuri. Întrucât două subcorpusuri din analiza noastră sunt mai mici decât limita stabilită de Cvrček, raportul lor hapax/tip se situează pe porțiunea descendentă a funcției hapax/tip.

6. CONCLUZIE

În continuarea cercetării noastre, axate pe productivitatea unor sufixe selectate în diferite corpusuri și domenii, am reușit să răspundem la ambele întrebări prezentate în partea a 4-a.

1. Am reușit să demonstrăm că lemele cu frecvență scăzută extrase dintr-un corpus includ și neologisme potențiale și că, deși distribuția lor

Terminologija | 2021 | 28

75

poate varia în datele corpusului, ele pot modifica clasamentul productivității bazat pe formula hapax/tip.

2. Am identificat și aplicat modelarea statistică pentru evaluarea productivității în corpusuri – distribuțiile LNRE. Introducând datele corpusului nostru în instrumentul cu sursă deschisă, am obținut o modelare vizuală a productivității, care ne-a permis să afirmăm că productivitatea sufixelor analizate diferă nu doar atunci când sunt comparate textele generale și cele științifice, ci și între diferite domenii specializate. Considerăm că modelarea arată clar potențialul real al fiecărui sufix analizat de a produce tipuri noi în domeniul respectiv.

Totuși, rezultatele și clasamentele din părțile 4 și 5 ale acestui articol sunt mai degrabă incomparabile între ele, deoarece primul se bazează direct pe date brute – numărul de tipuri și hapaxuri sau tipuri cu frecvență scăzută dintr-un anumit (sub)corpus –, în timp ce al doilea se bazează pe spectrele de frecvență estimate pentru fiecare (sub)corpus. Pe scurt, în timp ce primul reprezintă date efective, al doilea urmărește să estimeze productivitatea unui element în limba respectivă ca atare. Prin urmare, în corpusuri mai mari de texte medicale și juridice, ar trebui să identificăm mai multe hapaxuri, ceea ce ar putea duce la un clasament diferit al sufixelor. Ipotezele noastre ar putea fi verificate în cele din urmă în cercetări viitoare, prin analizarea unor corpusuri mai ample, care să cuprindă un eșantion reprezentativ al tipurilor de texte relevante pentru domeniile specifice, deoarece genurile textuale pot influența, de asemenea, productivitatea morfologică a unui element.

Având în vedere că nici cel mai mare corpus nu ar cuprinde toate cuvintele, considerăm că este mai rezonabil să evaluăm productivitatea morfologică a oricărui element prin metode mai sofisticate decât numărarea brută a tipurilor sau a tokenurilor.

În concluzie, se poate afirma că putem identifica productivitatea trecută a unui tipar sau element de formare a cuvintelor. Putem furniza, de asemenea, estimări diferite ale valorificării sale viitoare, adică ale productivității potențiale a lui Baayen. Mai mult, chiar dacă completăm măsurătorile statistice cu o analiză calitativă, ar trebui să luăm în considerare încă un aspect: după cum susține pe bună dreptate Fernández-Domínguez, predicțiile probabilistice privind productivitatea morfologică ar trebui privite în contextul factorilor extralingvistici și, în special, al celor care țin de nevoile de denumire ale unei comunități lingvistice. „Dacă nu există nevoia de a denumi ceva, nu poate avea loc nicio formare productivă de cuvinte” (Fernández-Domínguez 2013: 438).

76

Jana Levická

Usage and Empirical Productivity of International Adjectival Suffixes in Slovak Revisited

MULȚUMIRI

Articolul a fost redactat în cadrul proiectului Corpului Național Slovac, susținut de Academia Slovacă de Științe, Ministerul Educației, Științei, Cercetării și Sportului din Republica Slovacă, Ministerul Culturii din Republica Slovacă și Institutul de Lingvistică Ľudovít Štúr al Academiei Slovace de Științe.

LISTA SURSELOR

Slovenský národný korpus. Korpus prim-7.0-frk. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2018. Disponibil la: https://korpus.sk.

Slovenský národný korpus. Korpus prim-9.0-public-prf. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Disponibil la: https://korpus.sk.

Slovenský národný korpus. Korpus prim-9.0-juls-all. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2020. Disponibil la: https://korpus.sk.

Slovenský národný korpus. Korpus legal-1.1. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2013. Disponibil la: https://korpus.sk.

Slovenský národný korpus. Korpus blf-2.0. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2014. Disponibil la: https://korpus.sk.

Slovenský národný korpus. Korpus ecn-2.0-public. Bratislava: Jazykovedný ústav Ľ. Štúra SAV 2016. Disponibil la: https://korpus.sk.

Slovníkový portál Jazykovedného ústavu Ľ. Štúra SAV https://slovnik.juls.savba.sk/.

Pachetul ZipfR. Disponibil la: 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