Hesaplamalı teknolojiler dilbilimsel araştırmalar için yeni olanaklar sunmuştur: dijital derlemler ve derlem analiz yazılımları, dilin en derin yapılarına ve farklı dil birimleri arasındaki ilişkilere erişimi kolaylaştırmış; ayrıca bu birimlerin farklı alanlarda ve farklı zaman dilimlerinde kullanım özelliklerini ortaya çıkarmayı mümkün kılmıştır. Bu nedenle, doğal dilin derlem tabanlı analizi günümüzde sözlükbilim, dil öğretimi, makine çevirisinin geliştirilmesi, dilbilimsel veri tabanlarının oluşturulması vb. gibi çok çeşitli dilbilim alanlarında uygulanmaktadır.
Terminoloji araştırmaları da büyük ölçüde derlem tabanlı hâle gelmiştir. Dijital derlemler, terminologların çok sayıda belgeyle çalışmasına, özel amaçlı dilin belirli özelliklerini gözlemlemesine, terimlerin gerçek kullanımı ve gelişimi hakkında bilgi toplamasına, sezgisel olarak fark edilemeyen ya da öngörülemeyen yeni terimleri belirlemesine ve çeşitli dillerdeki verilerin karşılaştırmalı analizini yapmasına olanak tanır. Derlem analiz yazılımları ve otomatik ya da yarı otomatik terim çıkarma araçları da terminoloji standardizasyonuna katkıda bulunur; örneğin, eş anlamlıların sıklık sayımı, istatistiksel olarak tercih edilen terimleri gösteren yararlı dağılımsal kanıtlar sağlayabilir (Khurshid, Rogers 1992: 36). Böylece dijital derlemler, terminologların mevcut veri tabanlarındaki terimlere ilişkin terminografik bilgileri gözden geçirmelerini ve bu bilgileri sürekli güncellemelerini mümkün kılar.
86
Oksana Smirnova Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 2
M. Teresa Cabré, M. Amor Montané ve Rogelio Nazar’a göre modern terminolojinin amacı, terminolojik değere sahip sözcüksel birimlerin biçimsel, anlamsal ve işlevsel betimlemelerini üretmenin yanı sıra bu birimlerin dil sistemindeki diğer birimlerle ilişkisini açıklamaktır. Terminoloji araştırmasının konusu, “canlı terminoloji” (uzmanlık metinlerinde doğal olarak yer alan terminoloji) ve terimlerin kullanımının en iyi derlemde örneklendirilen iletişimsel yönüdür (Cabré, Montané, Nazar 2012).
Araştırmanın amacı, konusu ve hedefleri. Araştırmanın amacı, İngilizce, Fransızca ve Litvancada baş ad olarak ‘risk’ sözcüğünü içeren finans alanındaki çok sözcüklü terimlerin derlem dilbilimi metodolojisi uygulanarak çıkarılması ve biçimsel yapılarının çözümlenmesidir.
Bu amaca ulaşmak için aşağıdaki hedefler belirlenmiştir:
1) kollokasyon-koligasyon çözümleme yöntemleri de dâhil olmak üzere, betimleyici derlem temelli terminolojinin ilkelerini incelemek;
2) üç dilde (İngilizce, Fransızca ve Litvanca) finans alanındaki AB yasal düzenlemelerinden derlemler oluşturmak ve derlem temelli araştırmaya uygun yazılımı seçmek;
3) incelenen dillerdeki derlemlerden en sık kullanılan sözcükleri çıkarmak ve ileri çözümleme için en sık kullanılan anahtar sözcüğü (isim) seçmek;
4) seçilen anahtar sözcüğün İngilizce derlemde kollokasyon çözümlemesini yapmak ve seçilen anahtar sözcüğü terimlerin anlamsal ve sözdizimsel başı olarak içeren çok sözcüklü terimleri İngilizce derlem malzemesinden çıkarmak;
5) paralel İngilizce-Fransızca-Litvanca derlemde seçilen İngilizce terimlerin Fransızca ve Litvanca karşılıklarını belirlemek;
6) seçilen çok sözcüklü terimlerin biçimsel yapılarının nicel çözümlemesini yapmak ve incelenen dillerde hangi niteleme örüntülerinin ve sözdizimsel yapıların baskın olduğunu belirlemek.
Araştırmanın verileri ve kapsamı. Araştırma amacıyla, finans alanındaki AB belgelerinden dört derlem oluşturulmuştur: üç tek dilli derlem (İngilizce, Fransızca ve Litvanca) ve bir paralel derlem (EN-FR-LT). Derlem büyüklükleri şöyledir: EN 802 933 sözcük, FR 940 655 sözcük, LT 639 279 sözcük. Toplamda 210 finansa
Terminologija | 2018 | 25
87
Page 3
‘risk’ sözcüğünün baş isim olduğu finansal terimler derlemlerden çıkarılmıştır: 70 İngilizce terim ve bunların Fransızca ve Litvanca karşılıkları. ‘risk’ sözcüğünün seçimi, bu sözcüğün seçilen AB belgelerinde en sık kullanılan sözcük olduğunu ortaya koyan derlem verilerine dayanmıştır.
2. ARAŞTIRMANIN KURAMSAL İLKELERİ
2.1. Kuralcı ve betimleyici terminoloji yönetimi
Doğal dil araştırmalarında hesaplamalı teknolojilerin gelişmesi, geleneksel terminoloji ile modern terminolojiyi açıkça birbirinden ayırmıştır. Terminologların terim kavramına, terim kaynaklarına, terimlerin standartlaştırılmasına ve diğer terminoloji konularına yönelik tutumları önemli ölçüde değişmiştir. Terminoloji araştırması ve yönetiminde iki yön belirlenmiştir: kuralcı terminoloji ve betimleyici terminoloji (Zeller 2005; Bielinskienė et al. 2015).
Kuralcı terminolojinin savunucuları, terminoloji sözlükleri, veri tabanları, onaylanmış terminoloji listeleri ve standartlaştırma ilkelerine ilişkin belgeler temelinde terminolojinin standartlaştırılmasına odaklanır. Kuralcı terminolojide terim kavramı, terimin tanımladığı kavramın alanın kavramsal hiyerarşik sistemindeki yerine ve diğer kavramlarla ilişkisine dayanır (Pearson 1998: 10; Marcinkevičienė 2000: 6). Kuralcı terminoloji ilkelerine göre, bir kavramı tanımlamak için tek bir terim kullanılmalıdır; böyle bir karşılıklılık belirsizlik olasılığını azaltır, iletişimi kolaylaştırır ve aynı zamanda bir alanın kavramsal hiyerarşik sisteminin geliştirilmesine katkıda bulunur.
Betimleyici terminologlar, terim kavramına, terimlerin tek anlamlılığına, kavramsal hiyerarşik sistemin geliştirilmesine ve standartlaştırmaya ilişkin katı tutumdan uzak dururlar. Betimleyici terminolojide, kuralcı terminolojinin aksine, terimin çözümlenmesinde bağlam hayati bir rol oynar ve terim, bağlamına bağlı bir sözlüksel birim olarak kabul edilir. Amaçları belirli ilkelere göre bir terim oluşturmak değil, terimin kullanımını ve farklı metinlerdeki biçim çeşitliliğini kaydetmek, özelliklerini açıklayarak standartlaştırılması için bir temel oluşturmaktır (Bielinskienė et al. 2015: 10–11).
Teknolojilerin gelişmesi, çeşitli türlerdeki metinlerde sunulan büyük bir bilgi akışına ve aynı zamanda bu metinlerde kullanılan terimlerin sayısının sürekli artmasına yol açmıştır. Sürekli değişen bu gerçeklikte, terminolog-
88
Oksana Smirnova
Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 4
lar artık terminolojinin hızlı gelişimini denetleyememektedir; çünkü terimler işlenebileceklerinden daha hızlı değişmektedir. Bu nedenle terminoloji yönetimi, kuralcı metodoloji yerine betimlemeye dayanan daha esnek bir yaklaşım gerektirir. Odak noktası terminolojinin standartlaştırılmasından, terminolojinin derlemlerde çözümlenmesine kaymıştır (Bielinskinė et al. 2015: 11).
Betimleyici terminoloji, uzmanlık söylemlerinde kullanılan canlı terminolojiye odaklanan ve terimlerin kullanımının iletişimsel yönünü vurgulayan Terminoloji İletişim Kuramı’nın gelişmesine yol açmıştır (Cabré, Montané, Nazar 2012). Bu kurama göre terimlerin başlıca işlevi uzmanlık bilgisini iletmektir; dolayısıyla terimler, “bilişsel bir bileşeni (kavram), dilsel bir bileşeni (terim) ve iletişimsel bir bileşeni (durum) olan üç yüzlü bir çokyüzlü” olarak kavramsallaştırılır (Cabré, Montané, Nazar 2012: 1).
İletişim kuramına dayanan terminoloji çalışmaları yalnızca standartlarla belirlenmiş ya da resmî veri tabanlarında bulunan terminolojiyle değil, aynı zamanda (ve özellikle) özel amaçlı dil metinlerinde gerçekten kullanılan terimlerle de ilgilenir. Bu nedenle iletişim kuramı “yalnızca in vitro yaklaşımı benimsemekle kalmaz, in vivo terimlerle de ilgilenir” (Cabré, Montané, Nazar 2012: 1–2). Canlı terminoloji araştırmaları, geleneksel terim tekliği kavramının (bir kavramla farklı dillerdeki belirli terimler arasında bire bir karşılık bulunması) gerçek dilde sağlam temellere dayanmadığını ortaya koyar. Değişkenlik (eşanlamlılık, belirsizlik, çevreleme, gereksiz yineleme) yalnızca genel dil birimlerinin değil, terminolojinin de bir özelliğidir; dolayısıyla kavram ve terimler “dinamik etkileşimleri içinde” incelenmelidir (Cabré, Montané, Nazar 2012: 2–3).
Terimlerin kullanımına odaklanılması, derlemleri modern terminoloji çözümlemesinin başlıca çalışma alanı hâline getirmiştir. Dijital derlemler ve derlem çözümleme yazılımları, terminologlara çok sayıda belgeden terim çıkarmalarını, belirli bir alanın terminolojisindeki en yeni değişiklikleri saptamalarını, bu terminolojinin gelişimini çözümlemelerini ve aynı alanın terimleri arasındaki kavramsal bağlantıları belirlemelerini sağlayan zengin kaynaklar ve araçlar sunmuştur. Derlemler, doğal dildeki terim kullanımına ilişkin güvenilir ve istatistiksel temelli, daha önce bütünüyle erişilemez olan bilgiler edinmeyi mümkün kılar. Bu nedenle derlem güdümlü metodoloji, terminoloji araştırması ve yönetimi için vazgeçilmez araçlar sağlayan baskın metodoloji hâline gelmiştir (Zeller 2005; Cabré, Montané, Nazar 2012; Bielinskinė et al. 2015).
Terminologija | 2018 | 25
89
Page 5
2.2. Derlem odaklı analiz ilkeleri: eşdizimsel ve eşdizimlilik yöntemleri
Derlem odaklı terim çıkarımı ve analizi, istatistiksel ve dilbilimsel yöntemler kullanılarak gerçekleştirilir. Bu araştırmada eşdizimsel ve eşdizimlilik yöntemleri uygulanmaktadır.
Eşdizimler, sözcüksel birimler arasındaki dizimsel çekimi ifade eder. Tomas Lehecka’ya (2015) göre, “eşdizim kavramı, bir dildeki her sözcüğün bazı sözcüksel bağlamları diğerlerine tercih ettiği, yani herhangi bir sözcüğün bazı sözcüklerle birlikte görülme eğiliminin diğer sözcüklerle birlikte görülme eğiliminden daha yüksek olduğu düşüncesine dayanır” (Lehecka 2015: 2). Sözcükler arasındaki çekim derecesini ölçmek için derlem verilerinin istatistiksel analizi kullanılır. Bu analizin sonuçları, sözcüklerin derlemdeki toplam sıklıkları dikkate alındığında, hangi sözcük birleşimlerinin rastlantıyla beklenenden anlamlı ölçüde daha sık birlikte göründüğünü belirlemeyi sağlar (Lehecka 2015: 2). Böylece, incelenen derlemde seçilen sözcüklerin en anlamlı eşdizimleri belirlenir.
Bu yöntem, araştırılan sözcüklerin birlikte görüldüğü sözcüklerin tüm çeşitliliğini gözlemlemeyi, baskın birlikte görülme örüntülerini belirlemeyi ve böylece sözcüklerin anlamlarını bağlamsal çevrelerine dayanarak betimlemeyi sağladığından, çoğunlukla sözcüksel birimlerin bağlamsal anlamsal analizinde kullanılır (Atkins, Rundell, Sato 2003: 340–341).
Eşdizimsel analiz, sözlükbilimciler için vazgeçilmez bir araç hâline gelmiştir; ayrıca makine çevirisi, doğal dil işleme ve diğer alanlarda hesaplamalı dilbilim amaçları doğrultusunda yaygın biçimde uygulanmaktadır (Lehecka 2015).
Eşdizimsel yöntem sıklıkla eşdizimlilik yöntemiyle birlikte kullanılır. Eşdizimlilik kavramı, bir sözcüksel birim ile dilbilgisel bir örüntü arasındaki çekimi ifade eder ve sözcüklerin belirli dilbilgisel örüntüler içinde kullanılmayı tercih edip diğer dilbilgisel örüntülerden kaçındığı düşüncesine dayanır (Sinclair 1998; Lehecka 2015). Eşdizimlilik analizi genişletilerek sözcüksel birim ile bu birimin kullanılabildiği öbek, yan cümle, cümle, metin veya söylem içindeki konumu arasındaki ilişkiyi de kapsayabilir (Hoey 2005: 49–52).
Derlem dilbilimi araştırmaları, yakın anlamlıların çoğu zaman farklı sözcüksel ve dilbilgisel bağlamlarda kullanıldığını ortaya koyduğundan, yakın anlamlıların anlamlarını incelemek için eşdizimlilik analizi eşdizimsel analizle birlikte yaygın biçimde kullanılmıştır (Lehecka 2015). Derlem dilbilimi araştırmaları
90
Oksana Smirnova Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 6
çok anlamlı sözcüklerin farklı anlamlarının bile farklı eşdizimsel ve eşdizimlilik örüntülerine sahip olabileceğini göstermiştir (Aston, Burnard 1998). Dolayısıyla eşdizimsel ve eşdizimlilik analizleri, anlambilim ile dilbilgisinin bağımsız sistemler olarak değil, birbirleriyle yakından bağlantılı sistemler olarak ele alınması gerektiğini kanıtlamıştır (Lehecka 2015). Sözcüksel birimin eşdizimsel ve eşdizimlilik tercihleri farklı alanlar ve farklı metin türleri arasında önemli ölçüde değiştiğinden, analizlerde pragmatik boyut da dikkate alınmalıdır (Butler 2004: 157; Newman, Rice 2006).
2.3. Terminoloji çıkarımı ve analizinde eşdizimsel-koligasyonel yöntemin uygulanması
Eşdizimsel-koligasyonel yöntem, çok sözcüklü terimlerin çıkarılması için de kullanılabilir; özellikle, önceden seçilmiş anahtar sözcükleri (ait olduğu alanın karakteristik özelliklerini taşıyan ve terminolojik açıdan önem taşıma potansiyeli bulunan sözcükleri) içeren terminolojinin çıkarılması için uygundur. Bu yöntem, karmaşık terimlerin mevcut basit terimlerden oluştuğu varsayımına dayanır (Nakagawa 2001).
Derlem çözümleme araçları, önceden seçilmiş anahtar sözcüklerle birlikte görülen sözcükleri çıkarır ve baskın eşdizimlerin belirlenmesini sağlar. Bu eşdizimlerin bir bölümünü, eşdizim listelerinden dilbilimsel yöntemlerle seçilmesi gereken isim öbekleri oluşturur. Seçilen isim öbekleri, derlem verilerinin daha ileri düzeyde incelenmesinde ve seçilmiş isim öbeklerinden ve muhtemel ek eşdizimlerden oluşan çok sözcüklü terimlerin çıkarılmasında kullanılır.
Bu araştırmada, çıkarılan terimler, incelenen dillerdeki terminolojinin biçimsel yapı modellerini ortaya çıkarmak ve terim oluşturma örüntülerine ilişkin karşılaştırmalı çok dilli çalışmalara katkıda bulunmak amacıyla koligasyonel analiz ilkeleri kullanılarak daha ileri düzeyde incelenmiştir (bkz. Janulevičienė, Rackevičienė 2014; Mockienė 2016).
3. DERLEMLERİN OLUŞTURULMASI VE ANALİZ YAZILIMININ SEÇİLMESİ
M. Teresa Cabré, M. Amor Montané ve Rogelio Nazar'a göre, belirli bir alana ait belgelerden oluşan bir derlem hazırlamanın üç amacı vardır. İlk olarak, terminologların alanın dil türüne aşina olması gerekir; ikinci olarak, terminoloji çıkarımı yapmak ve terimlere ilişkin istatistiksel analizler yürütmek için bir derlem gereklidir; ve
Terminologija | 2018 | 25
91
Page 7
son olarak, terimlere ilişkin anlamsal, sözdizimsel veya eşdizimsel ipuçları gibi tamamlayıcı bilgiler elde etmek için metinlerden yararlanılır (Cabré, Montané, Nazar 2012: 3–4).
Derlemin, seçilen alanı temsil eder sayılabilmesi için yeterli büyüklük ve nitelikte olması gerekir. Derlem büyüklüğü için kesin gereklilikler yoktur; ancak mümkün olduğunca çok belge içermelidir, çünkü derlem ne kadar büyük olursa alandaki terminoloji kullanımına ilişkin çıkarımlar da o kadar güvenilir olur (Cabré, Montané, Nazar 2012: 4).
Tüm bu hususlar göz önünde bulundurularak, AB'nin İngilizce, Fransızca ve Litvanca hukukî işlemlerinden oluşan derlemler hazırlanmıştır. Hukukî işlemler, çevrimiçi olarak ücretsiz erişilebilen bir kaynak olan Avrupa Birliği Resmî Gazetesi'nden indirilmiştir. AB'nin mali konularını ele alan ve 2014–2017 döneminde kabul edilen 101 hukukî işlem derlenmiştir. Belgeler düz metne dönüştürülmüş ve terimlerin çıkarılması ile analiz edilmesi amacıyla hizalanmıştır.
Metinleri derlemek, hizalamak ve gerekli verileri çıkarmak için üç program kullanılmıştır: AntConc (2014), Laurence Anthony tarafından oluşturulup sertifikalandırılan AntPConc (2017) ve NOVA Text Aligner (2014).
AntConc, derlem dilbilimi araştırmaları ve veriye dayalı öğrenme amacıyla kullanılan, birden çok platformda çalışan ücretsiz bir araç takımıdır; AntPConc ise çeşitli dillerde paralel derlem oluşturmak için tasarlanmıştır. Her iki program da araştırmacının büyük miktarda veriyi işlemesine ve kapsamlı, çok dilli dilbilimsel analiz yapmasına olanak tanır.
AntConc programının kullanıcılara sunduğu araçlar şunlardır: Word list, Collocates, Clusters, Keywords, Concordance, Concordance plot, File view tool. Bu araştırmada AntConc programının dört aracı kullanılmıştır:
• Wordlist, derlemlerdeki en sık kullanılan sözcükleri belirlemeyi sağladı;
• Eşdizimler, ‘risk’ sözcüğünün baskın eşdizimlerini belirlemeyi ve bunların ‘risk’ sözcüğüne yönelik sözdizimsel çekim derecesini ölçmeyi sağladı;
• Clusters, baş isim olarak ‘risk’ sözcüğünü içeren en baskın çok sözcüklü terimleri ortaya çıkarmayı sağladı;
• Concordances, terimlerin metinlerdeki kullanımını gösteren çok çeşitli örnekler sundu.
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 8
Şekil 1. AntConc programı
Paralel bir derlem oluşturmadan önce, indirilen üç dildeki metinler NOVA Text Aligner programının yardımıyla elle hizalanmıştır. Metinlerin hizalanmasının ardından, AntPConc programı kullanılarak paralel bir derlem oluşturulmuştur (bkz. Şekil 2).
Şekil 2. AntPConc programı
Terminologija | 2018 | 25
93
Page 9
AntPConc programı, üç dildeki örnekleri aynı anda görüntülemeyi sağladı: seçilen bir cümleye tıklanarak diğer dillerdeki karşılıkları görülebiliyordu. Program ayrıca farklı renkler kullanarak anahtar sözcükleri ve bunların sol ya da sağ eşdizimlerini ayırt etmeyi mümkün kıldı. Ancak örneğin alındığı belgeyi görüntülemek mümkün değildi. Paralel derlem kullanılarak 70 İngilizce terimin Fransızca ve Litvanca karşılıkları çıkarılmıştır.
4. AntConc ve AntPConc Programlarının Araçlarını Kullanarak Derlem Analizi ve Terim Çıkarımı
4.1. Derlemlerdeki en sık kullanılan sözcüklerin belirlenmesi
Finansal belgeler derlemindeki en sık kullanılan sözcükleri belirlemek için AntConc programının Sözcük listesi aracı kullanılmıştır. Bu araç, İngilizce, Fransızca ve Litvanca derlemlerdeki sözcük sıklığı sonuçlarını sunarak incelenen dillerdeki sözcük sıklıklarının karşılaştırılmasını ve en sık kullanılan 10 sözcükten oluşan üç dilli bir TOP 10 listesinin hazırlanmasını sağlamıştır (bkz. Tablo 1). Sözcük listesi ayrıca derlemlerde kaç sözcük tokenı ve sözcük türü bulunduğuna ilişkin bilgi sunmuş ve terimlerin kullanıldığı bağlama erişim sağlamıştır (bkz. Tablo 1).
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 10
EN (derlem 802 933 sözcük belirteci, 9333 sözcük türü) FR (derlem 940 655 sözcük belirteci, 12365 sözcük türü) LT (derlem 639 279, 24727 sözcük türü) 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)
Bu analizin bulguları, incelenen üç dilin derlemlerinde en sık kullanılan sözcüklerin ‘risk’ ve ‘credit’ olduğunu, ‘market’ sözcüğünün ise sıklık listelerinde üçüncü sırada yer aldığını göstermektedir. Her üç sözcük, özellikle de ‘risk’ ve ‘credit’ sözcükleri, finans belgelerinde sıklıkla birlikte görülmektedir. Bu durum, sözcükler arasındaki güçlü anlamsal ilişkiyle açıklanabilir: Herhangi bir para işleminin tehlike içerdiğini söylemeye gerek yoktur; başka bir deyişle, ‘credit’ ‘risk’ doğurur. Sözcüklerin en yaygın dilbilgisel sayısı tekildir; ancak incelenen dillerde çoğul biçimler de kullanılmaktadır. Zengin çekim sistemine sahip sentetik bir dil olan Litvancada bu sözcükler farklı dilbilgisel hâllerde kullanılır; bunların en yaygını tekil ilgi hâlidir.
Analiz bulguları, ‘risk’, ‘credit’ ve ‘market’ sözcüklerinin finans alanındaki temel kavramları ifade eden sözlüksel birimler olarak değerlendirilmesi gerektiğini göstermektedir. Derlemlerde en sık rastlanan ‘risk’ sözcüğü, terimlerin çıkarılması ve daha ileri analiz için seçilmiştir.
Araştırmanın konusu, seçilen anahtar sözcüğü (risk sözcüğü) içeren İngilizce çok sözcüklü terimler ve bunların Fransızca ve Litvanca karşılıkları olduğundan, terim çıkarma çalışmasının sonraki aşamaları şu şekilde düzenlenmiştir: ‘risk’ sözcüğünün baskın İngilizce eşdizimlerinin belirlenmesi; ‘risk’ sözcüğünün baş isim olduğu isim öbeklerinin çıkarılması,
Terminologija | 2018 | 25
95
Page 11
terminolojik değer taşıyan öbeklerin seçilmesi ve bunların Fransızca ve Litvanca karşılıklarının belirlenmesi.
4.2. İngilizce derlemde ‘risk’ sözcüğünün eşdizimlerinin belirlenmesi
Terim çıkarımının ikinci aşamasında, İngilizce derlemde ‘risk’ sözcüğünün baskın eşdizimleri belirlendi. Bu amaç, AntConc aracının Collocates bileşeni yardımıyla gerçekleştirildi. Bu araç, seçilen anahtar sözcüğün sol ve sağ eşdizimlerini sağladı ve dillerdeki sıralı olmayan örüntülerin analizine olanak tanıdı.
Araç, eşdizimlerin toplam sıklıklarının yanı sıra ‘risk’ sözcüğünün solunda ve sağında görülme sıklıklarını da verdi. Ayrıca anahtar sözcük ile eşdizimleri arasındaki dizimsel çekim derecesini gösteren istatistiksel ölçütlerin (karşılıklı bilgi (MI) puanları) değerlerini sundu. Eşdizim analizinin sonuçları, en yüksek MI puanlarına sahip eşdizimlere (ilk 10) ilişkin kapsamlı verilerin sunulduğu Tablo 2’de gösterilmiştir.
Tablo 2. İngilizce derlemde ‘risk’ sözcüğünün ilk 10 eşdizimi
Bulgular, İngilizcede ‘risk’ sözcüğünün en yakın sözlüksel bağlamını ortaya koymakta ve incelenen derlemde ‘risk’ sözcüğünü içeren çok sözcüklü terimlerin baskın iki sözcüklü çekirdeğini öngörmeye imkân vermektedir.
96
Oksana Smirnova
Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 12
4.3. İngilizce derlemde baş isim olarak ‘risk’ sözcüğünü içeren isim öbeklerinin çıkarılması
Daha ileri derlem analizi ve terim çıkarımı, belirli bir biçimsel yapıya sahip eşdizimlere, yani baş isim olarak ‘risk’ sözcüğünü içeren isim öbeklerine odaklanmıştır. Bunlar, Clusters ve Concordance araçları kullanılarak İngilizce derlemden çıkarılmıştır.
Clusters aracı, ‘risk’ sözcüğünü sol ve sağ eşdizimleyicileriyle birlikte içeren kümelerin (sözcük birleşimlerinin) aranmasını sağladı. Kümelerin minimum ve maksimum uzunluklarının (sözcük sayısının) yanı sıra görüntülenecek kümelerin asgari sıklığının seçilmesine olanak tanıdı. Sıralanmış kümeler, sıklıklarına ya da derlemlerde göründükleri dosya sayısına göre görüntülenebiliyordu.
Baş isim olarak ‘risk’ sözcüğünü içeren isim öbeklerini çıkarmak için şu parametreler belirlendi: küme boyutu 2 ile 5 arasında, sıralama sıklığa göre. Anahtar sözcüğün konumunun da seçilmesi gerekiyordu: önce anahtar sözcüğün sağda bulunduğu kümeler, ardından solda bulunduğu kümeler sıralandı. ‘Anahtar sözcüğü sağda ara’ parametresiyle araç 4814 küme tokeni ve 181 küme türü görüntülerken, ‘anahtar sözcüğü solda ara’ parametresiyle 4284 küme tokeni ve 137 küme türü görüntülendi.
Görüntülenen küme listelerinden, baş isim olarak ‘risk’ sözcüğünü içeren isim öbekleri elle çıkarıldı. Bu öbeklerin daha geniş bağlamı, isim öbeklerinin sınırlarını ve ‘risk’ sözcüğünün hem sol hem de sağ eşdizimleyicilerini içeren isim öbeklerini belirlemeyi sağlayan Concordance aracı kullanılarak analiz edildi. Tablo 3 en sık görülen isim öbeklerini sunmaktadır.
Tablo 3. Baş isim olarak ‘risk’ sözcüğünü içeren en sık 20 isim öbeği
İsim öbekleri (‘risk’ sağda)
Sıklık.
İsim öbekleri (‘risk’ solda)
Sıklık.
1. kredi riski
471
1. aşırı kaldıraç riski
18
2. sistemik risk
113
2. borçlanma aracı riski
12
3. operasyonel risk
102
3. zarar riski
12
4. likidite riski
97
4. kapasite kısıtlaması riski
10
Terminologija | 2018 | 25
97
Page 13
İsim öbekleri (‘risk’ sağda) | Sıklık | İsim öbekleri (‘risk’ solda) | Sıklık 5. özgül risk | 86 | 5. üçüncü taraflara yönelik risk | 8 6. piyasa riski | 76 | 6. satın alınan alacağa ilişkin risk | 7 7. karşı taraf kredi riski | 41 | 7. fiyat değişikliği riski | 7 8. seyrelme riski | 33 | 8. kesinti riski | 6 9. faiz oranı riski | 32 | 9. finansal istikrara yönelik risk | 2 10. işletme riski | 26 | 10. borçlu riski | 2
Sonuçlar, en sağ konumda ‘risk’ sözcüğünü içeren isim öbeklerinin, en sol konumda ‘risk’ sözcüğünü içeren isim öbeklerinden çok daha sık olduğunu göstermektedir. Derlemde, ‘risk’ sözcüğünün hem sol hem de sağ eşdizim öğelerini içeren isim öbeklerinin yalnızca bazı örnekleri bulunmuştur: geri satın alınan işlemlerin kredi riski, menkul kıymetleştirme pozisyonunun kredi riski, üçüncü taraflara yönelik kredi riski.
İleri araştırmalar için baş isim olarak ‘risk’ sözcüğünü içeren EN SIK 70 İngilizce isim öbeğinin listesi oluşturulmuştur. Listeye yalnızca terminolojik değere sahip olan (finans alanındaki soyut kavramları ifade eden) isim öbekleri alınmıştır. İleri analizlerde bunlar çok sözcüklü terimler olarak adlandırılmaktadır.
4.4. Seçilen İngilizce terimlerin Fransızca ve Litvanca karşılıklarının belirlenmesi
Terim çıkarımının son aşamasında, seçilen İngilizce terimlerin Fransızca ve Litvanca karşılıkları belirlendi. Bu amaçla, paralel derlemleri analiz etmek üzere geliştirilmiş AntPConc yazılımı kullanıldı. İncelenen üç dilin derlemleri programa yüklendi. Seçilen İngilizce terimler İngilizce derlemde arandığında program, Fransızca ve Litvanca metinlerin paralel dizgelerini görüntüledi ve böylece gerekli karşılıkların elle seçilmesini sağladı. Seçilen İngilizce terimlerin toplam 70 Fransızca ve 70 Litvanca karşılığı belirlendi. Tablo 4, EN SIK 10 İngilizce terimi ve bunların Fransızca ve Litvanca karşılıklarını sunmaktadır.
Bu analizin bulguları, incelenen dillerdeki terimlerin biçimsel farklılıklarını ortaya koymuştur; bu farklılıklar aşağıda incelenip tartışılmaktadır.
98 Oksana Smirnova | Sigita Rackevičienė Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 14
Tablo 4. İlk 10 İngilizce terim ve bunların Fransızca ve Litvanca karşılıkları
EN FR LT kredi riskikredi riskikredi riski sistemik risk sistemik risksistemik riskoperasyonel riskoperasyonel riskoperasyonel risklikidite riskilikidite riskilikidite riskispesifik riskspesifik riskspesifik riskpiyasa riskipiyasa riskipiyasa riskikarşı taraf kredi riskikarşı taraf kredi riskikarşı taraf kredi riskiseyrelme riskiseyrelme riskialacak riskifaiz oranı riskifaiz oranı riskifaiz oranı riskiiş riskiekonomik riskiş riski
5. ÇIKARILAN TERİMLERİN BİÇİMSEL YAPI ANALİZİ
Çıkarılan terimler, farklı dillerdeki terminolojinin biçimsel yapı modellerini ortaya çıkarmak amacıyla kolligasyon analizi ilkeleri kullanılarak daha ayrıntılı biçimde incelenmiştir.
Terimlerin bileşenleri iki ana kategoriden oluşur: baş isim ‘risk’ ve onun niteleyicileri. Niteleyicilerin konumlarına göre iki niteleme örüntüsü belirlenmiştir: önek isimsel niteleme (niteleyicilerin baş isimden önce yer aldığı) ve son ek isimsel niteleme (niteleyicilerin baş isimden sonra yer aldığı). İstatistiksel analiz için seçilen terimlerin ilk 70 listesine hem önek isimsel hem de son ek isimsel niteleyiciler içeren hiçbir terim dahil edilmemiştir.
Analiz, terimlerin oluşumuna ilişkin şu yönlere odaklanmıştır: terimlerin bileşen sayısı, niteleme örüntüleri ve terimlerin sözdizimsel yapıları (niteleyicilerin konumu ve sözcük türleri). Tablo 5 ve 6, analizin özetlenmiş bulgularını sunmaktadır.
Tablolarda sunulan bulgular, terimlerin incelenen dillerde farklı niteleme örüntülerine sahip olduğunu göstermektedir. Nicel
4 terim, örneğin: risque spécifique de corrélation, risque significatif de corrélation, risque générale de corrélation
–
‘risk’ + PP + A
–
15 terim, örneğin: risque de crédit spécifique risque de crédit quotidien, risque sur matière première
–
‘risk’ + PP + A + + PP
–
9 terim, örneğin: risque de crédit intrajournalier à 24h, risque de liquidité intrajournalier à 24h
–
Şekil 1. Terimlerin niteleme örüntüleri
Terminologija | 2018 | 25 1 0 1
Page 17
Sonuçlar, İngilizce ve Litvanca dillerinde ad öncesi nitelemenin baskın olduğunu, Fransızcada ise ad sonrası nitelemenin karakteristik olduğunu göstermektedir. Fransızcada ad öncesi niteleme örüntüsüne sahip hiçbir terim bulunmamış, Litvancada ise ad sonrası niteleme örüntülerine sahip hiçbir terim saptanmamıştır. Her iki türde de yalnızca İngilizce terimler görülmüştür; ancak ad sonrası niteleyicilere sahip terimlerin sayısı oldukça azdır.
İncelenen tüm terimler, terim birimlerinde farklı konumlarda yer alan isim, sıfat veya edat öbeklerinden oluşan bir ya da birkaç niteleyici içerir. Analiz sonuçları, İngilizce ve Litvanca terimlerde baskın niteleyicilerin isimler ve sıfatlar olduğunu, Fransızca terimlerde ise ‘risk’ sözcüğünün çoğunlukla edat öbekleriyle nitelendiğini ortaya koymaktadır. Üç veya daha fazla sözcük içeren terimler, niteleme düzeylerine göre (baş ismi niteleyen niteleyiciler içeren terimler ve başka niteleyicileri niteleyen niteleyiciler içeren terimler) ayrıca sınıflandırılabilir; ancak alan sınırlaması nedeniyle bu analiz makalede sunulmamıştır.
Tablolarda özetlenen bulgular, terimlerin bileşen sayısı bakımından da farklılık gösterdiğini ortaya koymaktadır. Terim uzunluğunun nicel analizi, incelenen dillerde baskın terim bileşeni sayısını belirlemek amacıyla yapılmış; sonuçları Diyagram 2’de sunulmuştur.
Diyagram iki temel eğilimi ortaya koymaktadır. İlk olarak, AB terim geliştiricileri dil ekonomisinin temel gerekliliğine (terimlerin kısalığına) uymaktadır: üç dilin tümünde iki sözcüklü terimler yaygındır. İkinci olarak, İngilizce ve Fransızca terimlerin yalnızca birkaçı 2–3 sözcükten fazlasını içerirken
Diyagram 2. Terim bileşenlerinin sayısı
102
Oksana Smirnova | Sigita Rackevičienė
Corpus-Driven Analysis of Multi-Word Terms Including the Word ‘Risk’ in English, French and Lithuanian
Page 18
4 veya daha fazla sözcük içeren Litvanca terimler, seçilen verilerin önemli bir bölümünü oluşturmaktadır (70 terimden 17’si).
İki sözcüklü terimlerin yaygınlığı eğilimi, diğer terminoloji araştırmacılarının belirlediği eğilimlerle örtüşmektedir. Agnė Bielinskienė ve diğerlerinin eğitim ve bilim terminolojisinin otomatik çıkarımı ve tanımlanması üzerine yaptığı araştırma, bu alandaki Litvanca terimlerin çoğunun iki sözcüklü terimler olduğunu ortaya koymuştur: özel amaçlı bir derlemden otomatik olarak çıkarılan terim adayları arasından seçilen terimlerin üçte ikisinden fazlasını oluşturmuşlardır (Bielinskienė et al. 2015: 62). Liudmila Mockienė’nin anayasa hukuku terminolojisi üzerine yaptığı karşılaştırmalı araştırma, üç farklı dilde de aynı eğilimi ortaya koymuştur. İncelenen İngilizce, Rusça ve Litvanca anayasal nitelikteki hukuk metinlerinde çıkarılan çok sözcüklü terimlerin çoğu iki bileşenden oluşmuştur: İngilizce çok sözcüklü terimlerin%78,5’ini, Rusça çok sözcüklü terimlerin%62’sini ve Litvanca çok sözcüklü terimlerin%74,5’ini oluşturmuşlardır (Mockienė 2016: 43–45). Dolayısıyla farklı alanlarda ve farklı dillerde terim geliştirenler, dil ekonomisi ve kullanıcı dostu olma ilkesine bağlı kalma eğilimindedir.
6. S O N U Ç L A R
Tek dilli derlem çözümlemesinde kullanılan AntCont yazılımı ve paralel derlem çözümlemesinde kullanılan AntPConc, araştırma amacıyla derlenen AB finans alanı belgelerine ait uzmanlık derlemlerinden, baş isim olarak ‘risk’ sözcüğünü içeren İngilizce, Fransızca ve Litvanca çok sözcüklü terimlerin çıkarılmasını sağlamıştır. Çıkarım şu aşamalarda gerçekleştirilmiştir:
• İngilizce, Fransızca ve Litvanca derlemlerin anahtar sözcüklerinin (derlemlerin temsil ettiği alana özgü, terminolojik açıdan önem taşıması olası sözcüklerin) çıkarılması ve daha ileri analiz için en sık kullanılan anahtar sözcüğün (‘risk’ sözcüğünün) seçilmesi;
• ‘risk’ sözcüğünün eşdizimlerinin ve İngilizce derlemden, baş isim olarak ‘risk’ sözcüğünü içeren, sol ve/veya sağ eşdizim öğelerine sahip isim öbeklerinin çıkarılması;
• Çıkarılan isim öbekleri listesinden terminolojik değere sahip sözlüksel birimlerin seçilmesi;
• Seçilen İngilizce terimlerin Fransızca ve Litvanca karşılıklarının İngilizce-Fransızca-Litvanca paralel derleminde belirlenmesi.
Terminologija | 2018 | 25
1 0 3
Page 19
Uygulanan metodolojinin, terim tabanlarının geliştirilmesi/güncellenmesi veya terimlerin bilimsel analizi için kullanılabilecek terminolojinin çok dilli biçimde etkili bir şekilde çıkarılmasına uygun olduğu kanıtlanmıştır.
Çıkarılan terimlerin biçimsel yapı analizi, incelenen dillerdeki başlıca terim oluşturma eğilimlerini ortaya koymuştur:
• İngilizce ve Litvanca dillerinde öne gelen niteleme baskınken, Fransızcada art gelen niteleme karakteristiktir;
• İngilizce ve Litvanca terimlerin baskın niteleyicileri isimler ve sıfatlarken, Fransızca terimlerde ‘risk’ sözcüğü çoğunlukla edat öbekleriyle nitelenir;
• Öge sayısına göre en yaygın terim türü iki sözcüklü terimlerdir; bunlar İngilizce, Fransızca ve Litvanca TOP 70 listelerindeki terimlerin en büyük bölümünü oluşturur. Bu durum, AB terim geliştiricilerinin dil ekonomisinin temel gerekliliğine (terimlerin kısa olmasına) uyduğunu gösterir;
• İngilizce ve Fransızca terimlerin yalnızca birkaçı 2–3 sözcükten uzundur; Litvanca TOP 70 listesindeyse 4 veya daha fazla sözcük içeren terimler seçilen verilerin önemli bir bölümünü oluşturur (70 terimin 17’si).
Biçimsel yapı analizinin bulguları, incelenen dillerdeki terim oluşturma eğilimlerini ortaya koymakta ve terim geliştiricileriyle çevirmenler için yararlı olabilecek terminolojik bilgiler sunmaktadır. Araştırmada belirlenen sözdizimsel örüntüler, önceden seçilmiş herhangi bir anahtar sözcük olmaksızın otomatik terim çıkarımına yönelik dilbilimsel yöntemlerin geliştirilmesinde kullanılabilir.
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
Page 20
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
Page 21
• žodžio rizika kolokacijų ir daiktavardinių junginių su pagrindiniu dėmeniu rizika ir jo kairiaisiais bei dešiniaisiais kolokatais nustatymas angliškame tekstyne;
• 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
