Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian

Korpusově řízená analýza víceslovných termínů obsahujících slovo ‘Risk’ v angličtině, francouzštině a litevštině OKSANA SMIRNOVA Mykolas Romeris University, Lithuania SIGITA RACKEVIČIENĖ Mykolas Romeris University, Lithuania KLÍČOVÁ SLOVA: deskriptivní terminologie, korpusově řízená analýza, finanční termíny, extrakce termínů, vzorce tvoření termínů 1. ÚVOD Výpočetní technologie otevřely nové možnosti lingvistického výzkumu: digitální korpusy a software pro analýzu korpusů usnadnily přístup k nejhlubším jazykovým strukturám a vztahům mezi různými jazykovými jednotkami a umožnily odhalit zvláštnosti jejich užívání v různých oborech a v různých obdobích. Proto se dnes korpusově řízená analýza přirozeného jazyka uplatňuje v široké škále lingvistických oblastí: v lexikografii, výuce jazyků, vývoji strojového překladu, sestavování lingvistických databází atd. Výzkum terminologie se rovněž do značné míry začal opírat o korpusy. Digitální korpusy umožňují terminologům pracovat s velkým množstvím dokumentů, sledovat specifické rysy odborného jazyka, shromažďovat informace o skutečném užívání termínů a jejich vývoji, zachycovat nové termíny, které by nebylo možné intuitivně postřehnout ani předvídat, a také provádět kontrastivní analýzu dat z několika jazyků. Software pro analýzu korpusů a nástroje pro automatickou i poloautomatickou extrakci termínů rovněž přispívají ke standardizaci terminologie; například četnost synonym může poskytnout užitečné distribuční důkazy ukazující, které termíny jsou statisticky preferovány (Khurshid, Rogers 1992: 36). Digitální korpusy tak terminologům umožňují revidovat terminografické informace o termínech ve stávajících databázích a průběžně je aktualizovat. 86 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Podle M. Teresa Cabré, M. Amor Montané a Rogelia Nazara je cílem moderní terminologie vytvářet formální, sémantické a funkční popisy lexikálních jednotek s terminologickou hodnotou a také vysvětlovat jejich vztah k ostatním jednotkám jazykového systému. Předmětem terminologického výzkumu je „živá terminologie“ (terminologie, která se přirozeně vyskytuje ve specializovaných textech) a komunikační aspekt používání termínů, který je nejlépe doložen v korpusu (Cabré, Montané, Nazar 2012). Cíl, předmět a úkoly výzkumu. Cílem výzkumu je uplatnit metodologii korpusové lingvistiky při extrakci a analýze formální struktury víceslovných termínů z oblasti financí obsahujících slovo „riziko“ jako řídící substantivum v angličtině, francouzštině a litevštině. K dosažení tohoto cíle byly stanoveny následující úkoly: 1) analyzovat principy deskriptivní terminologie založené na korpusech, včetně metod kolokační a koligační analýzy; 2) sestavit korpusy právních aktů EU z oblasti financí ve třech jazycích (angličtině, francouzštině a litevštině) a vybrat software vhodný pro výzkum založený na korpusech; 3) extrahovat z korpusů nejfrekventovanější slova ve zkoumaných jazycích a vybrat nejfrekventovanější klíčové slovo (substantivum) pro další analýzu; 4) provést kolokační analýzu vybraného klíčového slova v anglickém korpusu a z materiálu anglického korpusu extrahovat víceslovné termíny, v nichž vybrané klíčové slovo funguje jako sémantické a syntaktické jádro termínu; 5) stanovit francouzské a litevské ekvivalenty vybraných anglických termínů v paralelním anglicko-francouzsko-litevském korpusu; 6) provést kvantitativní analýzu formální struktury vybraných víceslovných termínů a určit, které vzorce modifikace a syntaktické struktury termínů ve zkoumaných jazycích převažují. Data a rozsah výzkumu. Pro účely výzkumu byly sestaveny čtyři korpusy dokumentů EU z oblasti financí: tři jednojazyčné korpusy (anglický, francouzský a litevský) a jeden paralelní korpus (EN-FR-LT). Velikosti korpusů jsou následující: EN 802 933 slov, FR 940 655 slov, LT 639 279 slov. Celkem 210 finan- Terminologija | 2018 | 25 87 Ze souborů byly extrahovány odborné termíny obsahující slovo ‘risk’ jako řídicí podstatné jméno: 70 anglických termínů a jejich ekvivalenty ve francouzštině a litevštině. Výběr slova ‘risk’ vycházel z údajů korpusu, které ukázaly, že toto slovo bylo ve vybraných dokumentech EU nejčastější. 2. TEORETICKÉ PRINCIPY VÝZKUMU 2.1. Preskriptivní a deskriptivní terminologický management Rozvoj výpočetních technologií pro výzkum přirozeného jazyka zřetelně odlišil tradiční terminologii od moderní. Postoj terminologů ke koncepci termínu, zdrojům termínů, jejich standardizaci a dalším terminologickým otázkám se značně změnil. Byly rozlišeny dva směry terminologického výzkumu a managementu: preskriptivní terminologie a deskriptivní terminologie (Zeller 2005; Bielinskienė et al. 2015). Zastánci preskriptivní terminologie se zaměřují na standardizaci terminologie založenou na terminologických slovnících, databázích, seznamech schválených termínů a dokumentech o zásadách standardizace. V preskriptivní terminologii vychází pojetí termínu z místa konceptu, který termín popisuje, v hierarchickém systému pojmů daného oboru a z jeho vztahu k ostatním konceptům (Pearson 1998: 10; Marcinkevičienė 2000: 6). Podle zásad preskriptivní terminologie by se k označení jednoho konceptu měl používat jeden termín, protože taková vzájemná jednoznačnost snižuje pravděpodobnost nejednoznačnosti, usnadňuje komunikaci a zároveň rozvoj hierarchického systému pojmů daného oboru. Deskriptivní terminologové se distancují od přísného postoje ke koncepci termínu, jeho jednoznačnosti, vytváření hierarchického systému pojmů a standardizaci. V deskriptivní terminologii hraje na rozdíl od preskriptivní terminologie zásadní roli kontext při analýze termínu a termín se chápe jako lexikální jednotka závislá na svém kontextu. Jejich cílem není vytvořit termín podle určitých zásad, nýbrž zaznamenávat jeho užívání, rozmanitost podob v různých textech a popisovat jeho specifické rysy, čímž se vytváří základ pro jeho standardizaci (Bielinskienė et al. 2015: 10–11). Rozvoj technologií vedl k obrovskému toku informací prezentovaných v různých typech textů a zároveň k neustále rostoucímu počtu termínů, které se v nich používají. V této neustále se měnící realitě již termino- 88 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian logové nedokážou kontrolovat rychlý rozvoj terminologie, protože termíny se mění rychleji, než jsou zpracovávány. Management terminologie proto vyžaduje pružnější přístup založený spíše na deskriptivní než preskriptivní metodologii. Pozornost se přesunula od standardizace terminologie k její analýze v korpusech (Bielinskinė et al. 2015: 11). Deskriptivní terminologie vedla k rozvoji komunikativní teorie terminologie, která se zaměřuje na živou terminologii používanou ve specializovaných diskurzech a klade důraz na komunikační stránku užívání termínů (Cabré, Montané, Nazar 2012). Podle této teorie je hlavní úlohou termínů komunikovat odborné znalosti; jsou tedy pojímány „jako trojrozměrný mnohostěn s kognitivní složkou (konceptem), jazykovou složkou (termínem) a komunikační složkou (situací)“ (Cabré, Montané, Nazar 2012: 1). Terminologické studie založené na komunikativní teorii se nezajímají pouze o terminologii stanovenou normami nebo obsaženou v oficiálních databázích, ale také (a zejména) o termíny, které se skutečně používají v textech jazyků pro specifické účely. Komunikativní teorie tedy „nepřijímá pouze přístup in vitro, ale zajímá se také o termíny in vivo“ (Cabré, Montané, Nazar 2012: 1–2). Výzkum živé terminologie ukazuje, že tradiční představa jednoznačnosti termínu (korespondence jedna ku jedné mezi konceptem a konkrétními termíny v různých jazycích) nemá v reálném jazyce dostatečný základ. Variabilita (synonymie, nejednoznačnost, opisná vyjádření, redundance) je charakteristická nejen pro jednotky obecného jazyka, ale také pro terminologii; koncepty a termíny je proto třeba studovat „v jejich dynamickém vzájemném působení“ (Cabré, Montané, Nazar 2012: 2–3). Zaměření na užívání termínů učinilo z korpusů hlavní pracovní prostředí moderní terminologické analýzy. Digitální korpusy a software pro analýzu korpusů obohatily terminologii o rozsáhlé zdroje a nástroje, které terminologům umožňují extrahovat termíny z velkého množství dokumentů, zachytit nejnovější změny v terminologii konkrétního oboru, analyzovat její vývoj a také vytvářet pojmové vazby mezi termíny téhož oboru. Korpusy umožňují získat spolehlivé statisticky podložené informace o užívání termínů v přirozeném jazyce, které byly dříve zcela nedostupné. Proto se korpusově orientovaná metodologie stala převládající metodologií a poskytuje nezbytný soubor nástrojů pro terminologický výzkum a management (Zeller 2005; Cabré, Montané, Nazar 2012; Bielinskinė et al. 2015). Terminologija | 2018 | 25 89 2.2. Analýza založená na korpusu: kolokační a koligační metody Excerpce a analýza terminologie založená na korpusu se provádějí pomocí statistických a lingvistických metod. V tomto výzkumu se uplatňují kolokační a koligační metody. Kolokace označují syntagmatickou přitažlivost mezi lexikálními jednotkami. Podle Tomase Lehecky (2015) „je pojem kolokace založen na představě, že každé slovo v jazyce upřednostňuje určité lexikální kontexty před jinými, tj. že kterékoli dané slovo má tendenci vyskytovat se společně s určitými slovy častěji než s jinými“ (Lehecka 2015: 2). Statistická analýza korpusových dat slouží k měření míry přitažlivosti mezi slovy; její výsledky umožňují určit, které kombinace slov se vyskytují společně významně častěji, než by se vzhledem k celkové frekvenci slov v korpusu dalo očekávat náhodou (Lehecka 2015: 2). Tímto způsobem se v analyzovaném korpusu zjišťují nejvýznamnější kolokace zvolených slov. Tato metoda se používá především ke kontextové sémantické analýze lexikálních jednotek, protože umožňuje sledovat celou škálu slov, která se vyskytují společně se zkoumanými slovy, určit převládající vzorce jejich souvýskytu a popsat tak jejich významy na základě kontextového prostředí (Atkins, Rundell, Sato 2003: 340–341). Kolokační analýza se stala nepostradatelným nástrojem lexikografů a hojně se uplatňuje také v počítačové lingvistice při strojovém překladu, zpracování přirozeného jazyka a v dalších oblastech (Lehecka 2015). Kolokační metoda se často používá v kombinaci s koligační metodou. Pojem koligace označuje přitažlivost mezi lexikální jednotkou a gramatickým vzorcem a vychází z představy, že slova se přednostně používají v určitých gramatických vzorcích a jiným se vyhýbají (Sinclair 1998; Lehecka 2015). Koligační analýzu lze rozšířit tak, aby zahrnovala vztah mezi lexikální jednotkou a pozicí ve frázi, větě, souvětí, textu nebo diskurzu, v níž lze lexikální jednotku použít (Hoey 2005: 49–52). Koligační analýza se ve značné míře používá v kombinaci s kolokační analýzou při studiu významů blízkých synonym, neboť korpusovělingvistické výzkumy ukázaly, že se často používají v odlišných lexikálních a gramatických kontextech (Lehecka 2015). Korpusovělingvistické výzkumy 90 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian ukázaly, že i různé významy polysémních slov mohou mít odlišné kolokační a koligační vzorce (Aston, Burnard 1998). Kolokační a koligační analýzy tedy prokázaly, že sémantiku a gramatiku nelze považovat za nezávislé, nýbrž za úzce propojené systémy (Lehecka 2015). Při analýzách je třeba zohlednit také pragmatickou stránku, protože kolokační a koligační preference lexikální jednotky se výrazně liší v různých oborech a typech textů (Butler 2004: 157; Newman, Rice 2006). 2.3. Použití kolokačně-koligační metody při extrakci a analýze terminologie Kolokačně-koligační metodu lze použít také k extrakci víceslovných termínů; je obzvláště vhodná pro extrakci terminologie zahrnující předem vybraná klíčová slova – slova potenciální terminologické relevance charakteristická pro doménu, k níž korpus náleží. Tato metodologie vychází z předpokladu, že komplexní termíny se skládají z již existujících jednoduchých termínů (Nakagawa 2001). Nástroje pro analýzu korpusu extrahují slova, která se vyskytují společně s předem vybranými klíčovými slovy, a umožňují určit dominantní kolokace. Část těchto kolokací tvoří jmenné fráze, které je třeba z kolokačních seznamů vybrat pomocí lingvistických metod. Vybrané jmenné fráze se následně používají k analýze korpusových dat a k extrakci víceslovných termínů, které se skládají z vybraných jmenných frází a případně také z dalších kolokátů. V tomto výzkumu jsou extrahované termíny dále analyzovány podle principů koligační analýzy, jejímž cílem je odhalit modely formální struktury terminologie v zkoumaných jazycích a přispět ke kontrastivnímu vícejazyčnému výzkumu vzorců tvoření termínů (srov. Janulevičienė, Rackevičienė 2014; Mockienė 2016). 3. TVORBA KORPUSŮ A VÝBĚR SOFTWARU PRO ANALÝZU Podle M. Teresy Cabré, M. Amora Montaného a Rogelia Nazara má sestavení korpusu dokumentů z určité domény tři cíle. Zaprvé se terminologové potřebují seznámit s jazykem dané domény; zadruhé je korpus třeba k extrakci terminologie a provádění statistických analýz termínů; a Terminologija | 2018 | 25 91 konečně se texty používají k získání doplňujících informací o termínech, například sémantických, syntaktických nebo kolokačních vodítek (Cabré, Montané, Nazar 2012: 3–4). Sestavený korpus by měl mít dostatečnou velikost a kvalitu, aby jej bylo možné považovat za reprezentativní pro zvolenou doménu. Pro velikost korpusu neexistují přesné požadavky; měl by však obsahovat co nejvíce dokumentů, protože čím je větší, tím spolehlivější závěry lze učinit o užívání terminologie v dané doméně (Cabré, Montané, Nazar 2012: 4). S ohledem na všechny tyto aspekty byly sestaveny korpusy právních aktů EU v angličtině, francouzštině a litevštině. Právní akty byly staženy z Úředního věstníku Evropské unie, který je volně přístupným online zdrojem. Bylo shromážděno 101 právních aktů týkajících se finančních záležitostí EU, přijatých v období 2014–2017. Dokumenty byly převedeny do prostého textu a zarovnány za účelem extrakce termínů a jejich analýzy. K sestavení a zarovnání textů a extrakci potřebných údajů z nich byly použity tři programy: AntConc (2014), AntPConc (2017), vytvořené a certifikované Laurencem Anthonym, a NOVA Text Aligner (2014). AntConc je bezplatná multiplatformní sada nástrojů pro korpusový lingvistický výzkum a učení založené na datech, zatímco AntPConc je určen k vytváření paralelního korpusu v několika jazycích. Oba programy umožňují výzkumníkům pracovat s velkým množstvím dat a provádět komplexní vícejazyčnou lingvistickou analýzu. Nástroje, které uživatelům nabízí program AntConc, jsou následující: Word list, Collocates, Clusters, Keywords, Concordance, Concordance plot, File view tool. V tomto výzkumu byly použity čtyři nástroje programu AntConc: • Wordlist umožnil určit nejčastější slova v korpusech; • Collocates umožnil určit dominantní kolokáty slova „risk“ a změřit míru jejich syntagmatické přitažlivosti ke slovu „risk“; • Clusters umožnil odhalit nejvýraznější víceslovné termíny, v nichž slovo „risk“ vystupuje jako řídicí podstatné jméno; • Concordances poskytly širokou škálu příkladů ilustrujících užívání termínů v textech. Snímek programu AntConc je uveden na obrázku 1. 92 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Obrázek 1. Program AntConc Před sestavením paralelního korpusu byly stažené texty ve třech jazycích ručně zarovnány pomocí programu NOVA Text Aligner. Po zarovnání textů byl za použití programu AntPConc vytvořen paralelní korpus (viz obrázek 2). Obrázek 2. Program AntPConc Terminologija | 2018 | 25 93 Program AntPConc umožnil zobrazit příklady ze tří jazyků současně: kliknutím na vybranou větu bylo možné zobrazit její ekvivalenty v ostatních jazycích. Program také umožňoval odlišit klíčová slova a jejich levé či pravé kolokáty pomocí různých barev. Nebylo však možné zjistit, z jakého dokumentu byl příklad převzat. Pomocí paralelního korpusu byly získány francouzské a litevské ekvivalenty 70 anglických termínů. 4. ANALÝZA KORPUSU A EXTRAKCE TERMÍNŮ POMOCÍ NÁSTROJŮ PROGRAMŮ AntConc A AntPConc 4.1. Stanovení nejfrekventovanějších slov v korpusech K určení nejfrekventovanějších slov v korpusu finančních dokumentů byl použit nástroj Seznam slov programu AntConc. Poskytl údaje o frekvenci slov v anglickém, francouzském a litevském korpusu, což umožnilo porovnat frekvence slov ve zkoumaných jazycích a sestavit trojjazyčný seznam 10 nejfrekventovanějších slov (viz tabulka 1). Seznam slov také poskytl informace o počtu slovních tokenů a slovních typů v korpusech a umožnil přístup ke kontextu, v němž byly termíny použity (viz tabulka 1). Tabulka 1. 10 nejfrekventovanějších slov v korpusech EN (korpus: 802 933 slovních tokenů, 9333 slovních typů) | FR (korpus: 940 655 slovních tokenů, 12365 slovních typů) | LT (korpus: 639 279, 24727 slovních typů) 1. | risk (3252), risks (592) | risque (2855), risques (997) | rizikos (2549), riziką (1063), rizika (536), rizikai (355), rizikas (4) 2. | credit (3183), credits (18) | credit (3307), credits (222) | kredito (3103), kreditų (52), kreditų (29), kreditą (28), kreditas (8), kreditai (6), kreditais (4), kredítus (3), kreditams (2) 3. | market (1642), markets (424) | marché (1631), marches (484) | rinkos (1355), rinkų (310), rinka (229), rinkoje (226), rinką (76), rinkose (75), rinkai (51), rinkoms (18), rinkas (7), rinkomis (2) 94 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian EN (korpus 802 933 slovních tokenů, 9333 slovních typů) FR (korpus 940 655 slovních tokenů, 12365 slovních typů) LT (korpus 639 279, 24727 slovních typů) 4. amount (1545) montant (1672) suma, sumos (684) 5. instruments (1448) instruments (1489) priemones (1542), priemonių (1393), priemones (649) 6. value (1356) valeur (1754) vertės, vertė (599) 7. securities (1275) titres (1229), titrisation (503) vertybinių popierių (1095), vertybinio popieriaus (691) 8. services (1275) services (1778) paslaugų, paslaugas (485) 9. capital (1093) capital (660) kapitalo (1143) 10. funds (1087) fonds (2773) lėšų (877) Výsledky této analýzy ukazují, že nejčastějšími slovy v korpusech všech tří zkoumaných jazyků jsou „risk“ a „credit“, zatímco slovo „market“ zaujímá třetí místo v seznamech četností. Všechna tři slova, a zejména slova „risk“ a „credit“, se ve finančních dokumentech často vyskytují společně. To lze vysvětlit těsným sémantickým vztahem mezi těmito slovy: netřeba dodávat, že každá peněžní transakce s sebou nese nebezpečí, jinými slovy „credit“ vytváří „risk“. Nejčastěji se tato slova vyskytují v jednotném čísle, používá se však i číslo množné. V litevštině, která je syntetickým jazykem s bohatým flektivním systémem, se slova používají v různých gramatických pádech, přičemž převládá genitiv jednotného čísla. Výsledky analýzy umožňují konstatovat, že slova „risk“, „credit“ a „market“ je třeba považovat za lexikální jednotky označující základní pojmy finanční oblasti. Slovo „risk“, které je v korpusech nejčastější, bylo vybráno k dalšímu extrahování a analýze termínů. Protože předmětem výzkumu jsou anglické víceslovné termíny obsahující zvolené klíčové slovo (slovo „risk“) a jejich francouzské a litevské ekvivalenty, byla další práce na extrakci termínů uspořádána do následujících etap: stanovení dominantních anglických kolokací slova „risk“; extrakce jmenných frází se slovem „risk“ jako Terminologija | 2018 | 25 95 řídícím podstatným jménem, výběr frází s terminologickou hodnotou a stanovení jejich francouzských a litevských ekvivalentů. 4.2. Stanovení kolokátů slova „risk’ v anglickém korpusu Ve druhé etapě extrakce termínů byly stanoveny dominantní kolokace slova „risk’ v anglickém korpusu. Tento cíl byl sledován s pomocí nástroje AntConc Collocates. Tento nástroj poskytl levé a pravé kolokáty zvoleného klíčového slova a umožnil analyzovat nesekvenční vzorce v jazycích. Nástroj poskytl celkové četnosti kolokátů i jejich četnosti nalevo a napravo od slova „risk’. Poskytl také hodnoty statistických ukazatelů (skóre vzájemné informace (MI)), které vyjadřovaly míru syntagmatické přitažlivosti mezi klíčovým slovem a jeho kolokáty. Výsledky kolokační analýzy jsou uvedeny v tabulce 2, která přináší úplné údaje o kolokátech s nejvyššími hodnotami MI (10 nejvyšších). Tabulka 2. 10 nejčastějších kolokátů slova „risk’ v anglickém korpusu Celková četnost | Četnost (L) | Četnost (P) | Skóre MI 1. ředění | 51 | 37 | 14 | 8.1 2. zmírňování | 100 | 9 | 91 | 8.01 3. váhy | 65 | 4 | 61 | 7.7 4. systémový | 120 | 119 | 1 | 7.7 5. profil | 87 | 1 | 86 | 7.48 6. nízký | 68 | 62 | 6 | 7.2 7. přiřazený | 127 | 95 | 32 | 6.89 8. expozice | 491 | 71 | 420 | 6.4 9. specifický | 177 | 148 | 29 | 6.3 10. provozní | 129 | 114 | 15 | 5.99 Výsledky odhalují nejbližší lexikální kontext slova „risk’ v angličtině a umožňují předpokládat dominantní dvouslovné jádro víceslovných termínů obsahujících slovo „risk’ ve zkoumaném korpusu. 96 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian 4.3. Extrakce jmenných frází obsahujících slovo „risk“ jako řídicí podstatné jméno v anglickém korpusu Další analýza korpusu a extrakce termínů se zaměřily na kolokace určité formální struktury – jmenné fráze obsahující slovo „risk“ jako řídicí podstatné jméno. Byly extrahovány z anglického korpusu pomocí nástrojů Clusters a Concordance. Nástroj Clusters umožnil vyhledávat shluky (kombinace slov) obsahující slovo „risk“ s jeho levými a pravými kolokáty. Umožnil nastavit minimální a maximální délku shluků (počet slov) a minimální četnost zobrazovaných shluků. Seřazené shluky bylo možné zobrazit buď podle jejich četnosti, nebo podle počtu souborů, v nichž se shluky v korpusech vyskytovaly. Pro extrakci jmenných frází obsahujících slovo „risk“ jako řídicí podstatné jméno byly nastaveny tyto parametry: velikost shluku od 2 do 5, řazení podle četnosti. Bylo také nutné zvolit pozici klíčového slova: nejprve byly seřazeny shluky s klíčovým slovem vpravo a poté shluky s klíčovým slovem vlevo. Při nastavení parametru „hledat klíčové slovo vpravo“ nástroj zobrazil 4814 výskytů shluků a 181 typů shluků; při nastavení parametru „hledat klíčové slovo vlevo“ 4284 výskytů shluků a 137 typů shluků. Ze zobrazených seznamů shluků byly ručně extrahovány jmenné fráze obsahující slovo „risk“ jako řídicí podstatné jméno. Jejich širší kontext byl analyzován pomocí nástroje Concordance, který umožnil určit hranice jmenných frází a jmenné fráze zahrnující levé i pravé kolokáty slova „risk“. Tabulka 3 uvádí nejčastější jmenné fráze. Tabulka 3. TOP 20 jmenných frází obsahujících slovo „risk“ jako řídicí podstatné jméno Jmenné fráze („risk“ vpravo) Četnost Jmenné fráze („risk“ vlevo) Četnost 1. úvěrové riziko 471 1. riziko nadměrné páky 18 2. systémové riziko 113 2. riziko dluhového nástroje 12 3. operační riziko 102 3. riziko ztráty 12 4. riziko likvidity 97 4. riziko zadržování kapacity 10 Terminologija | 2018 | 25 97 Podstatná jména (‘risk’ vpravo) | Frekvence | Podstatná jména (‘risk’ vlevo) | Frekvence 5. specifické riziko | 86 | 5. riziko pro třetí strany | 8 6. tržní riziko | 76 | 6. riziko z nakoupené pohledávky | 7 7. úvěrové riziko protistrany | 41 | 7. riziko změny ceny | 7 8. riziko rozmělnění | 33 | 8. riziko narušení | 6 9. úrokové riziko | 32 | 9. riziko pro finanční stabilitu | 2 10. podnikatelské riziko | 26 | 10. riziko dlužníka | 2 Výsledky ukazují, že jmenná spojení obsahující slovo ‘risk’ na zcela pravé pozici jsou mnohem častější než jmenná spojení obsahující slovo ‘risk’ na zcela levé pozici. V korpusu bylo nalezeno pouze několik příkladů jmenných spojení obsahujících levé i pravé kolokáty slova ‘risk’: úvěrové riziko zpětně odkoupených transakcí, úvěrové riziko sekuritizační pozice, úvěrové riziko pro třetí strany. Pro další výzkum byl sestaven seznam TOP 70 anglických jmenných spojení, v nichž slovo ‘risk’ vystupuje jako řídící podstatné jméno. Do seznamu byla zahrnuta pouze jmenná spojení, která měla terminologickou hodnotu (označovala abstraktní pojmy z oblasti financí). V následující analýze jsou označována jako víceslovné termíny. 4. Stanovení francouzských a litevských ekvivalentů vybraných anglických termínů V závěrečné fázi extrakce termínů byly stanoveny francouzské a litevské ekvivalenty vybraných anglických termínů. K dosažení tohoto cíle byl použit software AntPConc vyvinutý pro analýzu paralelních korpusů. Do programu byly nahrány korpusy ve třech zkoumaných jazycích. Při vyhledávání vybraných anglických termínů v anglickém korpusu program zobrazil odpovídající řetězce ve francouzských a litevských textech, a umožnil tak ručně vybrat potřebné ekvivalenty. Celkem bylo stanoveno 70 francouzských a 70 litevských ekvivalentů vybraných anglických termínů. Tabulka 4 uvádí TOP 10 anglických termínů a jejich francouzské a litevské ekvivalenty. Výsledky této analýzy odhalily formální rozdíly mezi termíny ve zkoumaných jazycích, které jsou dále zkoumány a diskutovány. 98 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tabulka 4. TOP 10 anglických termínů a jejich francouzské a litevské ekvivalenty EN FR LT úvěrové riziko úvěrové riziko kredito rizika systémové riziko systémové riziko sisteminė rizika operační riziko operační riziko operacinė rizika riziko likvidity riziko likvidity riziko likvidity likvidumo rizika specifické riziko specifické riziko specifické riziko specifinė rizika tržní riziko tržní riziko tržní riziko rinkos rizika úvěrové riziko protistrany úvěrové riziko protistrany úvěrové riziko protistrany sandorio šalies kredito rizika riziko rozmělnění riziko rozmělnění riziko rozmělnění gautinų sumų rizika úrokové riziko úrokové riziko úrokové riziko palūkanų normos rizika podnikatelské riziko podnikatelské riziko ekonomické riziko verslo rizika 5. ANALÝZA FORMÁLNÍ STRUKTURY EXCERPOVANÝCH TERMÍNŮ Extrahované termíny byly dále analyzovány pomocí principů koligační analýzy s cílem odhalit modely formální struktury terminologie v různých jazycích. Konstituenty termínů spadají do dvou hlavních kategorií: řídicí podstatné jméno „riziko“ a jeho modifikátory. Podle umístění modifikátorů byly stanoveny dva modifikační vzorce – prepozitivní modifikace (při níž se modifikátory nacházejí před řídicím podstatným jménem) a postpozitivní modifikace (při níž se modifikátory nacházejí za řídicím podstatným jménem). V seznamu TOP 70 termínů vybraných pro statistickou analýzu nebyly zahrnuty žádné termíny obsahující prepozitivní i postpozitivní modifikátory. Analýza se zaměřila na následující aspekty tvorby termínů: počet jejich konstituentů, modifikační vzorce a syntaktické struktury (pozici a slovní druhy modifikátorů). Tabulky 5 a 6 uvádějí souhrnné výsledky analýzy. Výsledky uvedené v tabulkách ukazují, že termíny mají ve zkoumaných jazycích různé modifikační vzorce. Kvantitativní Terminologija | 2018 | 25 99 analýza modifikace byla provedena za účelem určení dominantních modifikačních vzorců napříč zkoumanými jazyky; její výsledky jsou uvedeny v diagramu 1. Tabulka 5. Syntaktické struktury termínů s prepozitivní modifikací Syntaktické struktury EN FR LT N + „riziko“ 19 termínů, např.: úvěrové riziko, riziko koncentrace, riziko likvidity, podnikatelské riziko. – 18 termínů, např.: riziko dlužníka, riziko transakcí, riziko úschovy. A + „riziko“ 18 termínů, např.: podnikatelské riziko, interní riziko, potenciální riziko. – 17 termínů, např.: systémové riziko, operační riziko, investiční riziko N + N + „riziko“ 3 termíny: úvěrové a likviditní riziko, úrokové riziko, úvěrové riziko protistrany – 9 termínů, např.: denní úvěrové riziko, úrokové riziko, riziko protistrany A + N + „riziko“ 12 termínů, např.: významné úvěrové riziko, specifické úvěrové riziko, devizové riziko – 9 termínů, např.: malé úvěrové riziko, specifické úvěrové riziko, riziko pohledávek A/Num + N + + N + „riziko“ 1 termín: minimální úvěrové a tržní riziko – 12 termínů, např.: minimální úvěrové a tržní riziko, riziko likvidity přes noc, úvěrové riziko přes noc A + A + N + + „riziko“ 4 termíny, např.: specifické a obecné úvěrové riziko, vnitrodenní a jednodenní úvěrové riziko, vnitrodenní a jednodenní riziko likvidity – 5 termínů, např.: specifické riziko chybných rozhodnutí, riziko nabytých pohledávek, obecné a specifické úvěrové riziko 100 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tabulka 6. Syntaktické struktury vzorcůpostpozitivní modifikace termínů Syntaktické struktury EN FR LT „risk“ + PP 13 termínů, např.: risk of the institution, risk to financial system, risk of loss 22 termínů, např.: risque de crédit, risque de concentration, risque de modèle – „risk“ + A – 20 termínů, např.: risque intrajournalier, risque interne, risque spécifique – „risk“ + A + PP – 4 termíny, např.: risque spécifique de corrélation, risque significatif de corrélation, risque générale de corrélation – „risk“ + PP + A – 15 termínů, např.: risque de crédit spécifique risque de crédit quotidien, risque sur matière première – „risk“ + PP + A + + PP – 9 termínů, např.: risque de crédit intrajournalier à 24h, risque de liquidité intrajournalier à 24h – Diagram 1. Vzorce modifikace termínů Terminologija | 2018 | 25 1 0 1 Výsledky ukazují, že v angličtině a litevštině převažuje prepozitivní modifikace, zatímco pro francouzštinu je charakteristická postpozitivní modifikace. Ve francouzštině nebyly nalezeny žádné termíny s prepozitivním modifikačním vzorcem a v litevštině nebyly zjištěny žádné termíny s postpozitivním modifikačním vzorcem. Oba typy se vyskytovaly pouze u anglických termínů, přičemž počet termínů s postpozitivními modifikátory je poměrně nízký. Všechny zkoumané termíny zahrnují jeden nebo několik modifikátorů, jimiž jsou podstatná jména, přídavná jména nebo předložkové fráze, které v terminologických jednotkách zaujímají různé pozice. Výsledky analýzy ukazují, že mezi modifikátory anglických a litevských termínů převažují podstatná a přídavná jména, zatímco ve francouzských termínech je slovo „risk“ nejčastěji modifikováno předložkovými frázemi. Termíny zahrnující 3 a více slov lze dále klasifikovat podle úrovní modifikace (termíny obsahující modifikátory, které modifikují řídící podstatné jméno, a termíny obsahující modifikátory, které modifikují jiné modifikátory), tato analýza však v tomto článku z důvodu omezeného prostoru není uvedena. Shrnutá zjištění v tabulkách rovněž ukazují, že se termíny liší počtem svých složek. Kvantitativní analýza délky termínů byla provedena s cílem určit převažující počet složek termínů ve zkoumaných jazycích; její výsledky jsou uvedeny v Diagramu 2. Diagram ukazuje dvě hlavní tendence. Zaprvé, tvůrci termínů EU respektují základní požadavek jazykové ekonomie (stručnost termínů): ve všech třech jazycích převažují dvouslovné termíny. Zadruhé, pouze několik anglických a francouzských termínů má více než 2–3 slova, zatímco v Diagram 2. Počet složek termínu 102 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Litevské termíny zahrnující 4 a více slov tvoří významnou část vybraných dat (17 ze 70). Převažování dvouslovných termínů odpovídá tendencím zjištěným jinými terminologickými výzkumníky. Výzkum automatické extrakce a definování terminologie z oblasti vzdělávání a vědy, který provedla Agnė Bielinskienė et al., ukázal, že většina litevských termínů z této oblasti je dvouslovná: tvořily více než dvě třetiny termínů vybraných z kandidátů na termíny automaticky extrahovaných ze specializovaného korpusu (Bielinskienė et al. 2015: 62). Kontrastivní výzkum terminologie ústavního práva, který provedla Liudmila Mockienė, odhalil stejnou tendenci ve třech různých jazycích. Ve zkoumaných anglických, ruských a litevských právních aktech ústavní povahy se většina extrahovaných víceslovných termínů skládala ze dvou složek: tvořily 78.5% anglických víceslovných termínů, 62% ruských víceslovných termínů a 74.5% litevských víceslovných termínů (Mockienė 2016: 43–45). Tvůrci termínů z různých oborů a různých jazyků tedy mají tendenci řídit se stejným principem jazykové ekonomie a uživatelské přívětivosti. 6. Z Á V Ě R Y Software AntCont, používaný k analýze jednojazyčných korpusů, a AntPConc, používaný k analýze paralelních korpusů, umožnil extrahovat anglické, francouzské a litevské víceslovné termíny obsahující slovo „risk“ jako řídící podstatné jméno ze specializovaných korpusů dokumentů EU z oblasti financí, sestavených pro účely výzkumu. Extrakce probíhala v následujících fázích: • extrakce klíčových slov z anglických, francouzských a litevských korpusů (slov potenciálně terminologicky relevantních, charakteristických pro oblast, kterou korpusy zastupují) a výběr nejčastějšího klíčového slova (slova „risk“) pro další analýzu; • extrakce kolokací slova „risk“ a jmenných frází obsahujících slovo „risk“ jako řídící podstatné jméno s levými a/nebo pravými kolokáty z anglického korpusu; • výběr lexikálních jednotek s terminologickou hodnotou ze seznamu extrahovaných jmenných frází; • stanovení francouzských a litevských ekvivalentů vybraných anglických termínů v paralelním anglicko-francouzsko-litevském korpusu. Terminologija | 2018 | 25 1 0 3 Použitá metodologie se ukázala jako vhodná pro efektivní vícejazyčnou extrakci terminologie, kterou lze využít k tvorbě či aktualizaci terminologických databází nebo k vědecké analýze termínů. Analýza formální struktury získaných termínů odhalila některé hlavní tendence v tvorbě termínů ve zkoumaných jazycích: • v angličtině a litevštině převažuje předřazená modifikace, zatímco pro francouzštinu je charakteristická následná modifikace; • převažujícími modifikátory anglických a litevských termínů jsou podstatná jména a přídavná jména, zatímco ve francouzských termínech je slovo „risk“ nejčastěji modifikováno předložkovými vazbami; • nejčastějším typem termínů podle počtu složek jsou dvouslovné termíny – tvoří největší část termínů v seznamech TOP 70 v angličtině, francouzštině a litevštině; to ukazuje, že tvůrci termínů v EU respektují hlavní požadavek jazykové ekonomie (stručnost termínů); • pouze několik anglických a francouzských termínů má více než 2–3 slova, zatímco v litevském seznamu TOP 70 tvoří termíny obsahující 4 a více slov významnou část vybraných dat (17 ze 70). Zjištění z analýzy formální struktury odhalují trendy v tvorbě termínů ve zkoumaných jazycích a poskytují terminologické informace, které mohou být užitečné pro tvůrce termínů a překladatele. Syntaktické vzorce zjištěné v tomto výzkumu lze využít při vývoji automatických lingvistických metod extrakce termínů bez předem zvolených klíčových slov. REFERENCES Aston G., Burnard L. 1998: The BNC Handbook. Exploring the British National Corpus with SARA, Edinburgh: Edinburgh University Press. Atkins S., Rundell M., Sato H. 2003: The contribution of FrameNet to practical lexicography. – International Journal of Lexicography 16(3), 333–357. Bielinskienė A., Boizou L, Grigonytė G., Kovalevskaitė J., Rimkutė E., Utka A. 2015: Lietuvių kalbos terminų automatinis atpažinimas ir apibrėžimas. Monografija, Kaunas: Vytauto Didžiojo universitetas. Butler C. S. 2004: Corpus studies and functional linguistic theories. – Functions of Language 11(2), 147–186. Cabré M. T., Montané M. A., Nazar R. 2012: Corpus-based Terminology Processing. TKE 2012 Tutorial. Available at http://terminus.iula.upf.edu/tke2012/. Hoey M. 2005: Lexical Priming: A New Theory of Words and Language, London: Routledge. Janulevičienė V., Rackevičienė S. 2014: Formation of criminal law terms in English, Lithuanian and Norwegian. – LSP journal – Language for special purposes, professional communication, knowledge management and cognition 15(1), 4–20. 104 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Lehecka T. 2015: Collocation and colligation. – Handbook of Pragmatics Online. J.-O. Östman, & J. Verschuren (Eds.), Amsterdam: John Benjamins Publishing Company, 1–23. Khurshid A., Rogers M. 1992: Terminology management: a corpus-based approach. – Translating and the Computer 14, 33–44. Marcinkevičienė R. 2000: Terminografija ir tekstynas. – Terminologija 6, 5–23. Mockienė L. 2016: Formation of terminology of constitutional law in English, Lithuanian and Russian. Doctoral Thesis, Vilnius: Mykolas Romeris University. Nakagawa H. 2001: Experimental evaluation of ranking and selection methods in term extraction. – Recent Advances in Computational Terminology. D. Bourigault, Ch. Jacquemin and M.-C. L’Homme (Eds.), Amsterdam/Philadelphia: John Benjamins Publishing Company, 303–325. Newman J., Rice S. 2006: Transitivity schemas of English EAT and DRINK in the BNC. – Corpora in Cognitive Linguistics: Corpus-Based Approaches to Syntax and Lexis. S.T. Gries and A. Stefanowitsch (Eds.), Berlin/New York: Mouton de Gruyter, 225–260. Pearson J. 1998: Terms in Context, Amsterdam/Philadelphia: John Benjamins Publishing Company. Sinclair J. 1998: The lexical item. – Contrastive Lexical Semantics. E. Weigand (Ed.), Amsterdam: John Benjamins Publishing Company, 1–24. Zeller I. 2005: Automatinis terminų atpažinimas ir apdorojimas. Daktaro disertacija, Kaunas: Vytauto Didžiojo universitetas, Vilnius: Lietuvių kalbos institutas. SOURCES Official Journal of European Union: https://eur-lex.europa.eu/oj/direct-access.html COMPUTER SOFTWARE USED FOR THE ANALYSIS Anthony L. 2014: AntConc (Version 3.4.4w) [Computer Software]. Tokyo, Japan: Waseda University. Available at http://www.antlab.sci.waseda.ac.jp Anthony L. 2017: AntPConc (Version 1.2.0) [Computer Software]. Tokyo, Japan: Waseda University. Available at http://www.antlab.sci.waseda.ac.jp Supernova-soft. NOVA Text Aligner. Available at https://nova-text-aligner.soft112.com/. ANGLŲ, PRANCŪZŲ IR LIETUVIŲ KALBŲ DAUGIAŽODŽIŲ TERMINŲ SU ŽODŽIU RIZIKA ANALIZĖ TEKSTYNŲ LINGVISTIKOS METODAIS Straipsnyje pristatomi deskriptyviosios terminologijos tyrimo principai bei empirinis daugiažodžių terminų su žodžiu rizika tyrimas, kurio tikslas – taikant tekstynų lingvistikos metodus, surinkti terminus iš ES finansų srities dokumentų tekstynų ir atlikti jų formaliosios sandaros analizę. Tyrimo tikslams buvo sukaupti keturi tekstynai: finansų srities dokumentų anglų kalba (802 933 žodžiai), prancūzų kalba (940 655 žodžiai) ir lietuvių kalba (639 279 žodžiai) bei lygiagretusis anglų–prancūzų–lietuvių kalbų tekstynas. Iš tekstynų surinkta 210 terminų, kuriuose žodis rizika eina pagrindiniu dėmeniu: 70 angliškų terminų ir po tiek pat jų atitikmenų prancūzų ir lietuvių kalbomis. Žodžio rizika pasirinkimą lėmė tai, kad šis žodis buvo dažniausias visų trijų kalbų tekstynuose. Terminų atpažinimui ir surinkimui buvo naudojamos dvi kompiuterinės programos – AntConc ir AntPConc. Dirbta tokiais etapais: • dažniausių žodžių, galinčių būti terminų branduoliu, angliškame, prancūziškame ir lietuviškame tekstynuose nustatymas ir vieno iš jų (žodžio rizika) atrinkimas tolesnei analizei; Terminologija | 2018 | 25 105 • žodžio rizika kolokacijų ir daiktavardinių junginių su pagrindiniu dėmeniu rizika ir jo kairiaisiais bei dešiniaisiais kolokatais nustatymas angliškame tekstyne; • daiktavardinių junginių, laikytinų daugiažodžiais terminais, atrinkimas; • atrinktų angliškų terminų prancūziškų ir lietuviškų atitikmenų nustatymas. Pritaikyta metodologija leido rezultatyviai surinkti daugiažodžius terminus iš daugiakalbių tekstynų. Tai duoda pagrindą teigti, kad ji gali būti taikoma terminų kaupimui bei tyrimams. Surinktų terminų formaliosios sandaros analizė atskleidė keletą svarbių terminų darybos tendencijų tiriamose kalbose: • vyraujantis terminų tipas pagal dėmenų skaičių visose trijose tiriamose kalbose yra dvižodžiai terminai; tai rodo, kad ES terminų kūrėjai laikosi kalbos ekonomijos principo ir stengiasi kurti kuo trumpesnius daugiažodžius terminus; • tik keletas angliškų ir prancūziškų terminų turi daugiau kaip 2–3 dėmenis; tuo tarpu lietuviški terminai, susidedantys iš 4 ir daugiau dėmenų, sudaro beveik ketvirtadalį surinktų terminų; • anglų ir lietuvių kalbų terminų darybos modeliuose vyrauja prepozicinė ir postpozicinė modifikacija, o prancūzų kalbos – postpozicinė modifikacija; • daugumos anglų ir lietuvių kalbų terminų priklausomieji dėmenys yra daiktavardžiai ir būdvardžiai, o prancūzų kalboje – prielinksninės konstrukcijos. Formaliosios sandaros analizės rezultatai suteikia informacijos, kuri gali būti naudinga terminų kūrėjams ir vertėjams. Tyrimo metu nustatyti sintaksinių struktūrų modeliai gali būti taikomi, kuriant kompiuterinius lingvistinius metodus automatiniam terminų atpažinimui be iš anksto pasirinktų raktažodžių. Gauta 2018-05-21 Oksana Smirnova Mykolo Romerio universitetas Ateities g. 20, LT-08303 Vilnius E. paštas [email protected] Sigita Rackevičienė Mykolo Romerio universitetas Ateities g. 20, LT-08303 Vilnius E. paštas [email protected] 106 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian