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

Analiză bazată pe corpus a termenilor pluriverbali care includ cuvântul „Risk” în engleză, franceză și lituaniană OKSANA SMIRNOVA Mykolas Romeris University, Lithuania SIGITA RACKEVIČIENĖ Mykolas Romeris University, Lithuania CUVINTE-CHEIE: terminologie descriptivă, analiză bazată pe corpus, termeni financiari, extragerea termenilor, modele de formare a termenilor 1. INTRODUCERE Tehnologiile computaționale au deschis noi posibilități pentru cercetarea lingvistică: corpusurile digitale și programele de analiză a corpusurilor au facilitat accesul la cele mai profunde structuri ale limbii și la relațiile dintre diferitele unități lingvistice, precum și dezvăluirea particularităților utilizării acestora în diverse domenii și în perioade diferite. Prin urmare, analiza bazată pe corpus a limbajului natural este aplicată în prezent într-o gamă largă de domenii lingvistice: lexicografie, predarea limbilor, dezvoltarea traducerii automate, compilarea bazelor de date lingvistice etc. Cercetarea terminologică a devenit, de asemenea, în mare măsură bazată pe corpus. Corpusurile digitale le permit terminologilor să lucreze cu un număr mare de documente, să observe caracteristici specifice ale limbajului specializat, să colecteze informații despre utilizarea reală a termenilor și evoluția acestora, să surprindă termeni noi care nu ar putea fi intuitivi sau anticipați, precum și să efectueze analize contrastive ale datelor din mai multe limbi. Programele de analiză a corpusurilor și instrumentele automate și semiautomate de extragere a termenilor contribuie, de asemenea, la standardizarea terminologică; de exemplu, numărarea frecvenței sinonimelor poate furniza dovezi distribuționale utile, care indică termenii preferați din punct de vedere statistic (Khurshid, Rogers 1992: 36). Astfel, corpusurile digitale le permit terminologilor să revizuiască informațiile terminografice despre termenii din bazele de date existente și să le actualizeze în permanență. 86 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Potrivit lui M. Teresa Cabré, M. Amor Montané și Rogelio Nazar, scopul terminologiei moderne este de a produce descrieri formale, semantice și funcționale ale unităților lexicale cu valoare terminologică, precum și de a explica relația acestora cu restul unităților sistemului lingvistic. Obiectul cercetării în terminologie îl constituie „terminologia vie” (terminologia care apare în mod natural în textele de specialitate) și aspectul comunicativ al utilizării termenilor, cel mai bine ilustrat într-un corpus (Cabré, Montané, Nazar 2012). Scopul, obiectul și obiectivele cercetării. Scopul cercetării este aplicarea metodologiei lingvisticii corpusului pentru extragerea și analiza structurii formale a termenilor financiari pluriverbali care includ cuvântul „risc” ca substantiv-nucleu în engleză, franceză și lituaniană. Pentru atingerea acestui scop, au fost stabilite următoarele obiective: 1) analiza principiilor terminologiei descriptive bazate pe corpus, inclusiv a metodelor de analiză colocațională și coligațională; 2) alcătuirea unor corpusuri de acte juridice ale UE din domeniul financiar în trei limbi (engleză, franceză și lituaniană) și selectarea programelor informatice adecvate cercetării bazate pe corpus; 3) extragerea celor mai frecvente cuvinte din corpusurile limbilor investigate și selectarea celui mai frecvent cuvânt-cheie (substantiv) pentru analiza ulterioară; 4) realizarea analizei colocaționale a cuvântului-cheie selectat în corpusul englez și extragerea din materialul acestuia a termenilor pluriverbali care includ cuvântul-cheie selectat ca nucleu semantic și sintactic al termenilor; 5) stabilirea echivalentelor franceze și lituaniene ale termenilor englezi selectați în corpusul paralel engleză-franceză-lituaniană; 6) efectuarea unei analize cantitative a structurii formale a termenilor pluriverbali selectați și determinarea tiparelor de modificare și a structurilor sintactice predominante în limbile investigate. Datele și domeniul de aplicare al cercetării. În scopul cercetării, au fost alcătuite patru corpusuri de documente ale UE din domeniul financiar: trei corpusuri monolingve (engleză, franceză și lituaniană) și un corpus paralel (EN-FR-LT). Dimensiunile corpusurilor sunt următoarele: EN 802 933 de cuvinte, FR 940 655 de cuvinte, LT 639 279 de cuvinte. În total, 210 termeni financi- Terminologija | 2018 | 25 87 Termeni financiari, inclusiv cei care conțin cuvântul ‘risk’ ca substantiv-nucleu, au fost extrași din corpusuri: 70 de termeni englezești și echivalentele lor în franceză și lituaniană. Alegerea cuvântului ‘risk’ a fost determinată de datele corpusului, care au arătat că acest cuvânt era cel mai frecvent în documentele UE selectate. 2. PRINCIPII TEORETICE ALE CERCETĂRII 2.1. Gestionarea prescriptivă și descriptivă a terminologiei Evoluția tehnologiilor computaționale pentru cercetarea limbajului natural a diferențiat în mod clar terminologia tradițională de cea modernă. Atitudinea terminologilor față de concepția termenului, sursele termenilor, standardizarea termenilor și alte aspecte ale terminologiei s-a schimbat considerabil. Au fost distinse două direcții de cercetare și gestionare a terminologiei: terminologia prescriptivă și terminologia descriptivă (Zeller 2005; Bielinskienė et al. 2015). Susținătorii terminologiei prescriptive se concentrează asupra standardizării terminologiei pe baza dicționarelor terminologice, bazelor de date, listelor de terminologie aprobată și documentelor privind principiile de standardizare. În terminologia prescriptivă, concepția unui termen se bazează pe locul conceptului descris de acesta în sistemul ierarhic conceptual al domeniului și pe relația sa cu alte concepte (Pearson 1998: 10; Marcinkevičienė 2000: 6). Potrivit principiilor terminologiei prescriptive, trebuie folosit un singur termen pentru a descrie un singur concept, deoarece o asemenea reciprocitate reduce probabilitatea ambiguității, facilitează comunicarea și, totodată, dezvoltarea sistemului ierarhic conceptual al unui domeniu. Terminologii descriptivi se distanțează de atitudinea strictă față de concepția termenului, lipsa de ambiguitate a termenilor, dezvoltarea sistemului ierarhic conceptual și standardizare. În terminologia descriptivă, spre deosebire de cea prescriptivă, contextul joacă un rol vital în analiza unui termen, iar termenul este considerat o unitate lexicală dependentă de contextul său. Scopul lor nu este să formeze un termen potrivit unor principii anume, ci să-i consemneze uzul, varietatea formelor sale în texte diferite și să-i descrie particularitățile, punând astfel bazele standardizării acestuia (Bielinskienė et al. 2015: 10–11). Dezvoltarea tehnologiilor a generat un flux uriaș de informații prezentate în diverse tipuri de texte și, totodată, un număr în continuă creștere de termeni folosiți în acestea. În această realitate aflată într-o continuă schimbare, termino- 88 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian logii nu mai sunt capabili să controleze dezvoltarea rapidă a terminologiei, deoarece termenii se schimbă mai repede decât pot fi prelucrați. Prin urmare, gestionarea terminologiei necesită o abordare mai flexibilă, bazată pe o metodologie descriptivă, nu prescriptivă. Accentul s-a mutat de la standardizarea terminologiei la analiza terminologiei în corpusuri (Bielinskinė et al. 2015: 11). Terminologia descriptivă a dus la dezvoltarea Teoriei comunicative a terminologiei, care se concentrează asupra terminologiei vii utilizate în discursurile specializate și pune accentul pe aspectul comunicativ al folosirii termenilor (Cabré, Montané, Nazar 2012). Potrivit acestei teorii, rolul principal al termenilor este de a comunica cunoștințe de specialitate; prin urmare, ei sunt concepuți „ca un poliedru cu trei fațete, având o componentă cognitivă (conceptul), una lingvistică (termenul) și una comunicativă (situația)” (Cabré, Montané, Nazar 2012: 1). Studiile terminologice bazate pe teoria comunicativă nu sunt interesate doar de terminologia stabilită prin standarde sau consemnată în baze de date oficiale, ci și (în special) de termenii care sunt utilizați efectiv în textele limbajelor de specialitate. Astfel, teoria comunicativă „nu adoptă doar o abordare in vitro, ci este interesată și de termeni in vivo” (Cabré, Montané, Nazar 2012: 1–2). Cercetarea terminologiei vii arată că noțiunea tradițională de univocitate a termenului (corespondența unu-la-unu dintre un concept și anumiți termeni din limbi diferite) nu este bine fundamentată în limba reală. Variația (sinonimia, ambiguitatea, perifrazele, redundanța) este caracteristică nu doar unităților limbii generale, ci și terminologiei; prin urmare, conceptele și termenii trebuie studiați „în interacțiunea lor dinamică” (Cabré, Montané, Nazar 2012: 2–3). Accentul pus pe utilizarea termenilor a făcut din corpusuri principalul spațiu de lucru al analizei terminologice moderne. Corpusurile digitale și programele de analiză a corpusurilor au îmbogățit terminologia cu resurse și instrumente valoroase, care le permit terminologilor să extragă termeni dintr-un număr mare de documente, să surprindă cele mai recente schimbări din terminologia unui anumit domeniu, să-i analizeze evoluția și să stabilească interconexiuni conceptuale între termenii aceluiași domeniu. Corpusurile permit obținerea unor informații fiabile, fundamentate statistic și anterior complet inaccesibile despre utilizarea termenilor în limba naturală. Prin urmare, metodologia bazată pe corpus a devenit metodologia dominantă, oferind un set indispensabil de instrumente pentru cercetarea și gestionarea terminologiei (Zeller 2005; Cabré, Montané, Nazar 2012; Bielinskinė et al. 2015). Terminologija | 2018 | 25 89 2.2. Principiile analizei bazate pe corpus: metode colocaționale și coligaționale Extragerea și analiza terminologică bazate pe corpus se realizează cu ajutorul metodelor statistice și lingvistice. În cercetarea de față sunt aplicate metodele colocațională și coligațională. Colocațiile se referă la atracția sintagmatică dintre unitățile lexicale. Potrivit lui Tomas Lehecka (2015), „conceptul de colocație se bazează pe ideea că fiecare cuvânt dintr-o limbă preferă anumite contexte lexicale în locul altora, adică orice cuvânt dat tinde să coapară mai des cu anumite cuvinte decât cu altele” (Lehecka 2015: 2). Analiza statistică a datelor din corpus este utilizată pentru a măsura gradul de atracție dintre cuvinte; rezultatele sale permit determinarea combinațiilor de cuvinte care apar împreună semnificativ mai des decât s-ar aștepta întâmplător, având în vedere frecvența totală a cuvintelor în corpus (Lehecka 2015: 2). În acest fel sunt stabilite cele mai semnificative colocații ale cuvintelor alese în corpusul analizat. Această metodă este utilizată mai ales pentru analiza semantică contextuală a unităților lexicale, deoarece permite observarea întregii varietăți de cuvinte care coapar cu unitățile investigate, stabilirea tiparelor predominante de coapariție și, astfel, descrierea semnificațiilor acestora pe baza mediului lor contextual (Atkins, Rundell, Sato 2003: 340–341). Analiza colocațională a devenit un instrument indispensabil pentru lexicografi și este, de asemenea, utilizată pe scară largă în lingvistica computațională în scopul traducerii automate, al prelucrării limbajului natural și în alte domenii (Lehecka 2015). Metoda colocațională este adesea utilizată în combinație cu metoda coligațională. Conceptul de coligație se referă la atracția dintre o unitate lexicală și un tipar gramatical și se bazează pe ideea că vorbitorii preferă să utilizeze cuvintele în anumite tipare gramaticale și să evite alte tipare gramaticale (Sinclair 1998; Lehecka 2015). Analiza coligațională poate fi extinsă pentru a cuprinde relația dintre unitatea lexicală și poziția dintr-o sintagmă, propoziție, frază, text sau discurs în care aceasta poate fi utilizată (Hoey 2005: 49–52). Analiza coligațională a fost utilizată pe scară largă împreună cu analiza colocațională pentru a studia semnificațiile sinonimelor apropiate, deoarece cercetările de lingvistică de corpus au arătat că acestea sunt adesea utilizate în contexte lexicale și gramaticale diferite (Lehecka 2015). Investigațiile de lingvistică de corpus 90 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian au arătat că până și sensurile diferite ale cuvintelor polisemantice pot avea tipare colocaționale și coligaționale diferite (Aston, Burnard 1998). Astfel, analizele colocaționale și coligaționale au demonstrat că semantica și gramatica nu ar trebui tratate ca sisteme independente, ci mai degrabă ca sisteme strâns interconectate (Lehecka 2015). În analize trebuie luat în considerare și aspectul pragmatic, deoarece preferințele colocaționale și coligaționale ale unei unități lexicale variază semnificativ între domenii diferite și tipuri diferite de texte (Butler 2004: 157; Newman, Rice 2006). 2.3. Aplicarea metodei colocațional-coligaționale în extragerea și analiza terminologiei Metoda colocațional-coligațională poate fi utilizată și pentru extragerea termenilor multilexicali; este deosebit de potrivită pentru extragerea terminologiei care include cuvinte-cheie alese în prealabil – cuvinte cu potențială relevanță terminologică, caracteristice domeniului căruia îi aparține corpusul. Această metodologie se bazează pe presupunerea că termenii complecși sunt alcătuiți din termeni simpli existenți (Nakagawa 2001). Instrumentele de analiză a corpusurilor extrag cuvintele care apar împreună cu cuvintele-cheie alese în prealabil și permit stabilirea colocațiilor dominante. O parte dintre aceste colocații sunt sintagme nominale care trebuie selectate din listele de colocații prin utilizarea metodelor lingvistice. Sintagmele nominale selectate sunt utilizate pentru analiza ulterioară a datelor din corpus și pentru extragerea termenilor multilexicali alcătuiți din sintagmele nominale selectate și, eventual, din colocații suplimentare. În cercetarea de față, termenii extrași sunt analizați în continuare folosind principiile analizei coligaționale, în vederea identificării modelelor de structură formală a terminologiei în limbile investigate și a contribuției la studiile multilingve contrastive privind modelele de formare a termenilor (cf. Janulevičienė, Rackevičienė 2014; Mockienė 2016). 3. ELABORAREA CORPUSURILOR ȘI SELECTAREA PROGRAMELOR SOFTWARE PENTRU ANALIZĂ Potrivit lui M. Teresa Cabré, M. Amor Montané și Rogelio Nazar, compilarea unui corpus de documente dintr-un domeniu specific are trei scopuri. În primul rând, terminologii trebuie să se familiarizeze cu tipul de limbaj specific domeniului; în al doilea rând, este necesar un corpus pentru extragerea terminologiei și efectuarea analizelor statistice ale termenilor; și Terminologija | 2018 | 25 91 în cele din urmă, textele sunt folosite pentru a obține informații complementare despre termeni, precum indicii semantice, sintactice sau colocaționale (Cabré, Montané, Nazar 2012: 3–4). Corpusul compilat trebuie să aibă dimensiuni și calitate suficiente pentru a fi considerat reprezentativ pentru domeniul ales. Nu există cerințe precise privind dimensiunea unui corpus; acesta ar trebui însă să conțină cât mai multe documente posibil, deoarece, cu cât este mai mare, cu atât concluziile privind utilizarea terminologiei în domeniu sunt mai fiabile (Cabré, Montané, Nazar 2012: 4). Ținând seama de toate aceste aspecte, au fost compilate corpusurile actelor juridice ale UE în limbile engleză, franceză și lituaniană. Actele juridice au fost descărcate din Jurnalul Oficial al Uniunii Europene, o sursă online cu acces gratuit. Au fost colectate 101 acte juridice privind aspecte financiare ale UE, adoptate în perioada 2014–2017. Documentele au fost convertite în text simplu și aliniate pentru extragerea termenilor și analiza acestora. Pentru compilarea corpusurilor, alinierea textelor și extragerea datelor necesare din acestea au fost utilizate trei programe: AntConc (2014), AntPConc (2017), create și certificate de Laurence Anthony, și NOVA Text Aligner (2014). AntConc este un set de instrumente multiplatformă gratuit, destinat cercetării lingvistice bazate pe corpusuri și învățării bazate pe date, în timp ce AntPConc este destinat creării unui corpus paralel în mai multe limbi. Ambele programe îi permit cercetătorului să gestioneze un volum mare de date și să efectueze o analiză lingvistică multilingvă cuprinzătoare. Instrumentele puse la dispoziția utilizatorilor de programul AntConc sunt următoarele: Word list, Collocates, Clusters, Keywords, Concordance, Concordance plot, File view tool. În cercetarea de față au fost utilizate patru instrumente ale programului AntConc: • Wordlist a permis determinarea celor mai frecvente cuvinte din corpusuri; • Collocates a permis determinarea colocărilor dominante ale cuvântului „risk” și măsurarea gradului de atracție sintagmatică a acestora față de cuvântul „risk”; • Clusters a permis identificarea celor mai dominante termeni multilexicali care includ cuvântul „risk” ca substantiv-centru; • Concordances au furnizat o gamă largă de exemple care ilustrează utilizarea termenilor în texte. Captura de ecran a programului AntConc este prezentată în Figura 1. 92 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Figura 1. Programul AntConc Înainte de compilarea unui corpus paralel, textele descărcate în cele trei limbi au fost aliniate manual cu ajutorul programului NOVA Text Aligner. După alinierea textelor, a fost alcătuit un corpus paralel folosind programul AntPConc (vezi Figura 2). Figura 2. Programul AntPConc Terminologija | 2018 | 25 93 Programul AntPConc a permis afișarea simultană a exemplelor din cele trei limbi: se putea face clic pe o propoziție aleasă pentru a vedea echivalentele în celelalte limbi. Programul a permis, de asemenea, distingerea cuvintelor-cheie și a colocărilor lor din stânga sau din dreapta, prin utilizarea unor culori diferite. Totuși, nu era posibilă vizualizarea documentului din care fusese extras exemplul. Folosind corpusul paralel, au fost extrase echivalentele franceze și lituaniene ale celor 70 de termeni englezești. 4. ANALIZA CORPUSULUI ȘI EXTRAGEREA TERMENILOR CU AJUTORUL INSTRUMENTELOR PROGRAMELOR AntConc ȘI AntPConc 4.1. Stabilirea celor mai frecvente cuvinte din corpusuri Pentru a determina cele mai frecvente cuvinte din corpusul documentelor financiare, a fost utilizat instrumentul Word list al programului AntConc. Acesta a furnizat frecvențele cuvintelor din corpusurile englez, francez și lituanian, ceea ce a permis compararea frecvenței cuvintelor în limbile investigate și alcătuirea unei liste trilingve a celor mai frecvente 10 cuvinte (vezi Tabelul 1). Word list a furnizat, de asemenea, informații despre numărul de ocurențe și forme lexicale din corpusuri și a oferit acces la contextul în care au fost folosiți termenii (vezi Tabelul 1). Tabelul 1. Cele mai frecvente 10 cuvinte din corpusuri EN (corpus: 802 933 ocurențe, 9333 forme lexicale) | FR (corpus: 940 655 ocurențe, 12365 forme lexicale) | LT (corpus: 639 279 ocurențe, 24727 forme lexicale) 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 (corpus 802 933 word tokens, 9333 word types) FR (corpus 940 655 word tokens, 12365 word types) LT (corpus 639 279, 24727 word types) 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) Rezultatele acestei analize arată că cele mai frecvente cuvinte din corpusurile tuturor celor trei limbi cercetate sunt „risk” și „credit”, în timp ce cuvântul „market” ocupă locul al treilea în listele de frecvență. Toate cele trei cuvinte, în special „risk” și „credit”, apar adesea împreună în documentele financiare. Acest lucru s-ar putea explica prin relația semantică strânsă dintre cuvinte: este de la sine înțeles că orice tranzacție monetară implică un pericol; cu alte cuvinte, „credit” generează „risk”. Numărul gramatical cel mai frecvent al cuvintelor este singularul, deși în limbile cercetate se folosește și pluralul. În lituaniană, o limbă sintetică cu un sistem flexionar bogat, cuvintele sunt folosite în cazuri gramaticale diferite, cel mai frecvent fiind genitivul singular. Rezultatele analizei permit să afirmăm că termenii „risk”, „credit” și „market” trebuie considerate unități lexicale care desemnează conceptele fundamentale ale domeniului financiar. Cuvântul „risk”, cel mai frecvent în corpusuri, a fost ales pentru extragerea și analiza ulterioară a termenilor. Întrucât obiectul cercetării îl constituie termenii englezești polilexicali care includ cuvântul-cheie selectat (cuvântul „risk”) și echivalentele lor în franceză și lituaniană, etapele următoare ale extragerii termenilor au fost organizate astfel: identificarea colocărilor dominante ale cuvântului englezesc „risk”; extragerea sintagmelor nominale în care cuvântul „risk” este Terminologija | 2018 | 25 95 substantivul-nucleu; selectarea sintagmelor cu valoare terminologică și identificarea echivalentelor lor franceze și lituaniene. 4.2. Identificarea colocatelor cuvântului „risk” în corpusul englezesc În a doua etapă a extragerii termenilor, au fost identificate colocările dominante ale cuvântului „risk” în corpusul englezesc. Acest obiectiv a fost urmărit cu ajutorul instrumentului AntConc Collocates. Instrumentul a furnizat colocatele din stânga și din dreapta cuvântului-cheie selectat și a permis analiza modelelor nesevențiale din limbi. Instrumentul a furnizat frecvențele totale ale colocatelor, precum și frecvențele acestora în stânga și în dreapta cuvântului „risk”. De asemenea, a furnizat valorile măsurilor statistice (scorurile informației mutuale (MI)), care indicau gradul de atracție sintagmatică dintre cuvântul-cheie și colocatele sale. Rezultatele analizei colocative sunt prezentate în Tabelul 2, care oferă date exhaustive despre colocatele cu cele mai mari scoruri MI (primele 10). Tabelul 2. TOP 10 colocate ale cuvântului „risk” în corpusul englezesc Frecvență totală | Frecvență (stânga) | Frecvență (dreapta) | Scor MI 1. diluare | 51 | 37 | 14 | 8.1 2. atenuare | 100 | 9 | 91 | 8.01 3. ponderi | 65 | 4 | 61 | 7.7 4. sistemic | 120 | 119 | 1 | 7.7 5. profil | 87 | 1 | 86 | 7.48 6. scăzut | 68 | 62 | 6 | 7.2 7. atribuit | 127 | 95 | 32 | 6.89 8. expunere | 491 | 71 | 420 | 6.4 9. specific | 177 | 148 | 29 | 6.3 10. operațional | 129 | 114 | 15 | 5.99 Rezultatele dezvăluie contextul lexical cel mai apropiat al cuvântului „risk” în limba engleză și permit să se prefigureze nucleul dominant de două cuvinte al termenilor polilexicali care includ cuvântul „risk” din corpusul cercetat. 96 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian 4.3. Extragerea sintagmelor nominale care includ cuvântul „risk” ca substantiv-centru în corpusul englez Analiza ulterioară a corpusului și extragerea termenilor s-au concentrat asupra colocărilor cu o anumită structură formală – sintagmele nominale care includ cuvântul „risk” ca substantiv-centru. Acestea au fost extrase din corpusul englez folosind instrumentele Clusters și Concordance. Instrumentul Clusters a permis căutarea grupurilor (combinațiilor de cuvinte) care includ cuvântul „risk” împreună cu colocările sale din stânga și din dreapta. Acesta a permis selectarea lungimii minime și maxime (numărul de cuvinte) a grupurilor și a frecvenței minime a grupurilor afișate. Grupurile ordonate puteau fi afișate fie în funcție de frecvență, fie în funcție de numărul fișierelor din corpusuri în care apăreau. Pentru extragerea sintagmelor nominale care includ cuvântul „risk” ca substantiv-centru au fost stabiliți următorii parametri: dimensiunea grupului de la 2 la 5, sortarea după frecvență. Trebuia selectată și poziția cuvântului-cheie: mai întâi au fost ordonate grupurile cu cuvântul-cheie în dreapta, iar apoi cele cu acesta în stânga. Pentru parametrul „search keyword on right”, instrumentul a afișat 4814 ocurențe ale grupurilor și 181 de tipuri de grupuri; pentru parametrul „search keyword on left”, 4284 de ocurențe ale grupurilor și 137 de tipuri de grupuri. Din listele de grupuri afișate, sintagmele nominale care includ cuvântul „risk” ca substantiv-centru au fost extrase manual. Contextul lor extins a fost analizat cu ajutorul instrumentului Concordance, care a permis stabilirea limitelor sintagmelor nominale și identificarea sintagmelor nominale care includ atât colocările din stânga, cât și pe cele din dreapta ale cuvântului „risk”. Tabelul 3 prezintă cele mai frecvente sintagme nominale. Tabelul 3. TOP 20 de sintagme nominale care includ cuvântul „risk” ca substantiv-centru Sintagme nominale („risk” în dreapta) Frecvență Sintagme nominale („risk” în stânga) Frecvență 1. risc de credit 471 1. risc de levier excesiv 18 2. risc sistemic 113 2. risc al instrumentului de datorie 12 3. risc operațional 102 3. risc de pierdere 12 4. risc de lichiditate 97 4. risc de reținere a capacității 10 Terminologija | 2018 | 25 97 Sintagme nominale („risk” în dreapta) | Frecvență | Sintagme nominale („risk” în stânga) | Frecvență 5. risc specific | 86 | 5. risc pentru terți | 8 6. risc de piață | 76 | 6. risc aferent creanței achiziționate | 7 7. risc de credit al contrapărții | 41 | 7. risc de modificare a prețului | 7 8. risc de diluare | 33 | 8. risc de întrerupere | 6 9. risc de rată a dobânzii | 32 | 9. risc pentru stabilitatea financiară | 2 10. risc de afaceri | 26 | 10. riscul unui împrumutat | 2 Rezultatele arată că sintagmele nominale care includ cuvântul „risc” în poziția cea mai din dreapta sunt mult mai frecvente decât sintagmele nominale care includ cuvântul „risc” în poziția cea mai din stânga. În corpus au fost găsite doar câteva exemple de sintagme nominale care includ atât colocate la stânga, cât și la dreapta ale cuvântului „risc”: riscul de credit al tranzacțiilor răscumpărate, riscul de credit al poziției de securitizare, riscul de credit pentru terți. Pentru cercetarea ulterioară a fost întocmită o listă cu primele 70 de sintagme nominale englezești care includ cuvântul „risc” ca substantiv-nucleu. În listă au fost incluse doar sintagmele nominale cu valoare terminologică (care denotă concepte abstracte din domeniul financiar). În analiza ulterioară, acestea sunt numite termeni polilexicali. 4.4. Stabilirea echivalentelor franceze și lituaniene ale termenilor englezești selectați În etapa finală a extragerii termenilor, au fost stabilite echivalentele franceze și lituaniene ale termenilor englezești selectați. Acest obiectiv a fost urmărit cu ajutorul programului AntPConc, dezvoltat pentru analiza corpusurilor paralele. Corpusurile celor trei limbi investigate au fost încărcate în program. Pe măsură ce termenii englezești selectați erau căutați în corpusul englezesc, programul afișa segmentele paralele din textele franceze și lituaniene, permițând astfel selectarea manuală a echivalentelor necesare. În total, au fost stabilite 70 de echivalente franceze și 70 de echivalente lituaniene ale termenilor englezești selectați. Tabelul 4 prezintă primii 10 termeni englezești și echivalentele lor franceze și lituaniene. Rezultatele acestei analize au evidențiat diferențele formale dintre termenii din limbile investigate, care sunt examinate și discutate mai jos. 98 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tabelul 4. TOP 10 termeni în limba engleză și echivalentele lor în franceză și lituaniană EN FR LT riscul de credit risque de crédit kredito rizika riscul sistemic risque systémique sisteminė rizika riscul operațional risque opérationnel operacinė rizika riscul de lichiditate risque de liquidité likvidumo rizika riscul specific risque spécifique specifinė rizika riscul de piață risque de marché rinkos rizika riscul de credit al contrapărții risque de crédit de contrepartie sandorio šalies kredito rizika riscul de diluare risque de dilution gautinų sumų rizika riscul ratei dobânzii risque de taux d’intérêt palūkanų normos rizika riscul de afaceri risque économique verslo rizika 5. ANALIZA STRUCTURII FORMALE A TERMENILOR EXTRASE Termenii extrași au fost analizați în continuare folosind principiile analizei coligaționale, cu scopul de a evidenția modelele structurale formale ale terminologiei în diferite limbi. Constituenții termenilor aparțin celor două categorii principale: substantivul-nucleu „risk” și modificatorii săi. În funcție de poziția modificatorilor, au fost stabilite două tipare de modificare – modificarea prenominală (în care modificatorii precedă substantivul-nucleu) și modificarea postnominală (în care modificatorii urmează substantivul-nucleu). În lista TOP 70 a termenilor selectați pentru analiza statistică nu au fost incluși termeni care să conțină atât modificatori prenominali, cât și postnominali. Analiza s-a concentrat asupra următoarelor aspecte ale formării termenilor: numărul de constituenți ai termenilor, tiparele de modificare și structurile sintactice (poziția și clasele gramaticale ale modificatorilor) ale termenilor. Tabelele 5 și 6 prezintă rezultatele sintetizate ale analizei. Rezultatele prezentate în tabele arată că termenii au tipare de modificare diferite în limbile investigate. Analiza cantitativă Terminologija | 2018 | 25 99 a modificării a fost efectuată pentru a identifica tiparele de modificare dominante în limbile investigate; rezultatele acesteia sunt prezentate în Diagrama 1. Tabelul 5. Structurile sintactice ale tiparelor de modificare prenominală ale termenilor Structuri sintactice EN FR LT N + „risk” 19 termeni, de exemplu: credit risk, concentration risk, liquidity risk, business risk. – 18 termeni, de exemplu: skolininiko rizika, sandorių rizika, saugojimo rizika. A + „risk” 18 termeni, de exemplu: entrepreneurial risk, internal risk, potential risk. – 17 termeni, de exemplu: sisteminė rizika, operacinė rizika, investicinė rizika N + N + „risk” 3 termeni: risc de credit și de lichiditate, risc de rată a dobânzii, risc de credit al contrapărții – 9 termeni, de exemplu: risc de credit de o zi, risc de rată a dobânzii, risc de contraparte A + N + „risk” 12 termeni, de exemplu: risc de credit semnificativ, risc de credit specific, risc valutar. – 9 termeni, de exemplu: risc de credit redus, risc de credit specific, risc al creanțelor A/Num + N + + N + „risk” 1 termen: risc minim de credit și de piață – 12 termeni, de exemplu: risc minim de credit și de piață, risc de lichiditate overnight, risc de credit overnight A + A + N + + „risk” 4 termeni, de exemplu: risc de credit specific și general, risc de credit intraday și overnight, risc de lichiditate intraday și overnight – 5 termeni, de exemplu: risc de decizii eronate specifice, risc al creanțelor achiziționate, risc de credit general și specific 100 Oksana Smirnova Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Tabelul 6. Structurile sintactice ale tiparelor de modificare postnominală ale termenilor Structuri sintactice EN FR LT „risk” + PP 13 termeni, de exemplu: risk of the institution, risk to financial system, risk of loss 22 de termeni, de exemplu: risque de crédit, risque de concentration, risque de modèle – „risk” + A – 20 de termeni, de exemplu: risque intrajournalier, risque interne, risque spécifique – „risk” + A + PP – 4 termeni, de exemplu: risque spécifique de corrélation, risque significatif de corrélation, risque générale de corrélation – „risk” + PP + A – 15 termeni, de exemplu: risque de crédit spécifique risque de crédit quotidien, risque sur matière première – „risk” + PP + A + + PP – 9 termeni, de exemplu: risque de crédit intrajournalier à 24h, risque de liquidité intrajournalier à 24h – Diagrama 1. Tiparele de modificare ale termenilor Terminologija | 2018 | 25 1 0 1 Rezultatele arată că modificarea prenominală predomină în limbile engleză și lituaniană, în timp ce modificarea postnominală este caracteristică limbii franceze. În franceză nu au fost găsiți termeni cu tipar de modificare prenominală, iar în lituaniană nu au fost identificați termeni cu tipare de modificare postnominală. Numai termenii englezești aparțin ambelor tipuri, deși numărul termenilor cu modificatori postnominali este destul de mic. Toți termenii investigați includ unul sau mai mulți modificatori — substantive, adjective sau sintagme prepoziționale — care ocupă poziții diferite în unitățile terminologice. Rezultatele analizei arată că modificatorii predominanți ai termenilor englezești și lituanieni sunt substantivele și adjectivele, în timp ce în termenii francezi cuvântul ‘risk’ este modificat în principal de sintagme prepoziționale. Termenii care includ 3 sau mai multe cuvinte pot fi clasificați în continuare în funcție de nivelurile de modificare (termeni care includ modificatori ce modifică substantivul-nucleu și termeni care includ modificatori ce modifică alți modificatori), dar, din cauza spațiului limitat, această analiză nu este prezentată în acest articol. Constatările sintetizate în tabele arată, de asemenea, că termenii diferă prin numărul de constituenți. Analiza cantitativă a lungimii termenilor a fost efectuată pentru a stabili numărul predominant de constituenți ai termenilor în limbile investigate; rezultatele sale sunt prezentate în Diagrama 2. Diagrama evidențiază două tendințe principale. În primul rând, creatorii de termeni ai UE respectă cerința fundamentală a economiei limbii (concizia termenilor): termenii din două cuvinte predomină în toate cele trei limbi. În al doilea rând, numai câțiva termeni englezești și francezi au mai mult de 2–3 cuvinte, în timp ce în Diagrama 2. Numărul constituenților termenilor 102 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian Termenii lituanieni care includ 4 sau mai multe cuvinte constituie o parte semnificativă a datelor selectate (17 din 70). Tendința de predominare a termenilor din două cuvinte coincide cu tendințele constatate de alți cercetători în terminologie. Cercetarea privind extragerea și definirea automată a terminologiei din domeniul educației și științei, realizată de Agnė Bielinskienė et al., a arătat că majoritatea termenilor lituanieni din acest domeniu sunt termeni din două cuvinte: aceștia au reprezentat peste două treimi din termenii selectați dintre candidații terminologici extrași automat dintr-un corpus specializat (Bielinskienė et al. 2015: 62). Cercetarea contrastivă a terminologiei dreptului constituțional realizată de Liudmila Mockienė a evidențiat aceeași tendință în trei limbi diferite. În actele juridice de natură constituțională investigate, redactate în engleză, rusă și lituaniană, majoritatea termenilor polilexicali extrași erau alcătuiți din doi constituenți: aceștia reprezentau 78.5% dintre termenii polilexicali englezești, 62% dintre cei rusești și 74.5% dintre cei lituanieni (Mockienė 2016: 43–45). Așadar, creatorii de termeni din diferite domenii și limbi tind să respecte același principiu al economiei limbii și al ușurinței de utilizare. 6. C O N C L U Z I I Programele AntCont, utilizat pentru analiza corpusurilor monolingve, și AntPConc, utilizat pentru analiza corpusurilor paralele, au permis extragerea termenilor polilexicali englezești, francezi și lituanieni care includ cuvântul ‘risk’ ca substantiv-nucleu, din corpusurile specializate de documente ale UE din domeniul financiar, alcătuite în scopurile cercetării. Extragerea s-a desfășurat în următoarele etape: • extragerea cuvintelor-cheie din corpusurile englezesc, francez și lituanian (cuvinte cu potențială relevanță terminologică, caracteristice domeniului reprezentat de corpusuri) și selectarea celui mai frecvent cuvânt-cheie (cuvântul ‘risk’) pentru analiza ulterioară; • extragerea colocărilor cuvântului ‘risk’ și a sintagmelor nominale care includ cuvântul ‘risk’ ca substantiv-nucleu, împreună cu colocările sale din stânga și/sau din dreapta, din corpusul englezesc; • selectarea unităților lexicale cu valoare terminologică din lista sintagmelor nominale extrase; • stabilirea echivalentelor franceze și lituaniene ale termenilor englezești selectați în corpusul paralel engleză-franceză-lituaniană. Terminologija | 2018 | 25 1 0 3 Metodologia aplicată s-a dovedit adecvată pentru extragerea eficientă a terminologiei din corpusuri multilingve, care poate fi utilizată la dezvoltarea/actualizarea bazelor de termeni sau la analiza științifică a termenilor. Analiza structurii formale a termenilor extrași a evidențiat câteva tendințe majore de formare a termenilor în limbile investigate: • modificarea prenominală este predominantă în limbile engleză și lituaniană, în timp ce modificarea postnominală este caracteristică limbii franceze; • modificatorii predominanți ai termenilor englezești și lituanieni sunt substantivele și adjectivele, în timp ce în termenii francezi cuvântul „risk” este modificat în principal de sintagme prepoziționale; • tipul de termen predominant în funcție de numărul de constituenți este cel al termenilor din două cuvinte – aceștia reprezintă cel mai mare număr de termeni în listele TOP 70 în engleză, franceză și lituaniană; aceasta arată că dezvoltatorii de termeni ai UE respectă cerința principală a economiei limbii (concizia termenilor); • doar câțiva termeni englezești și francezi au mai mult de 2–3 cuvinte, în timp ce în lista TOP 70 lituaniană termenii care includ 4 sau mai multe cuvinte constituie o parte semnificativă a datelor selectate (17 din 70). Rezultatele analizei structurii formale dezvăluie tendințe de formare a termenilor în limbile investigate și furnizează informații terminologice care ar putea fi utile dezvoltatorilor de termeni și traducătorilor. Modelele sintactice stabilite în cadrul cercetării pot fi utilizate pentru dezvoltarea unor metode lingvistice automate de extragere a termenilor, fără cuvinte-cheie prestabilite. 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