Multi-word patterns in the corpus of Information and Communication Technology. Terminological bundles in the genre – ‘Textbooks in ICT’

39Terminologija | 2012 | 19 Multi-word patterns in the corpus of Information and Communication Technologia. Związki terminologiczne w gatunku – „Podręczniki z zakresu ICT” MAREK WEBER Politechnika Białostocka SŁOWA KLUCZOWE: językoznawstwo korpusowe, technologie informacyjno-komunikacyjne, wiązki leksykalne, klasyfikacja funkcjonalna wiązek leksykalnych, wiązki terminologiczne, analiza leksykalna DANE DO BADANIA, KORPUS TECHNOLOGII INFORMACYJNO-KOMUNIKACYJNYCH Dane do badania składają się z elektronicznego korpusu obejmującego szeroką dziedzinę technologii informacyjno-komunikacyjnych (ICT), czyli terminu nadrzędnego obejmującego wszystkie technologie opracowane na potrzeby przetwarzania i przesyłania danych. Teksty wybrano tak, aby reprezentowały przekrojowy obraz dziedziny ICT. Teksty podzielono na siedem kategorii, które można uznać za gatunki w obrębie dziedziny ICT: Gatunek 1: Artykuły branżowe dotyczące ICT; Gatunek 2: Artykuły naukowe dotyczące ICT; Gatunek 3: Dokumentacja techniczna aplikacji programistycznych w ICT; Gatunek 4: Dokumentacja techniczna sprzętu ICT; Gatunek 5: Podręczniki z zakresu ICT; Gatunek 6: Dokumentacja techniczna języków programowania i środowisk programistycznych; Gatunek 7: Dokumentacja techniczna technologii sieciowych. Korpus zawiera zbiór 973 tekstów liczących łącznie niemal 24 miliony słów. Wybór danych do korpusu jest jednym z najważniejszych zagadnień dla badacza, ponieważ korpus powinien być reprezentatywny dla analizowanej dziedziny użycia. Jak sugeruje Douglas Biber, liczba tekstów ma kluczowe znaczenie dla badań, w których badacz koncentruje się na tekście jako podstawowej jednostce analizy. W każdym gatunku należy uwzględnić wystarczającą liczbę tekstów, aby uwzględnić zróżnicowanie między kategoriami i autorami (Biber, 2006). 40 Marek Weber Wzorce wielowyrazowe w korpusie informatyki tabela 1. Skład  andCommunicationTechnology.Terminological  bundlesinthegenre–‘TextbooksinICT’ korpusu technologii informacyjno-komunikacyjnych gatunek Liczba tekstów Liczba tokenów (słów bieżących) Artykuły profesjonalne 391 225551 Artykuły akademickie 95 1272001 Dokumentacja techniczna 2472839 w ICT aplikacji programowych 92 Dokumentacja techniczna sprzętu ICT 100 2471772 Podręczniki 99 15315237 Dokumentacja techniczna programowania 90 1282175 języków technologii sieciowych 106 725418 i środowisk programistycznych Dokumentacja techniczna RAZEM 973 23764993 BUNDLE LEKSYKALNY: TERMIN Powtarzające się sekwencje słów, które występują razem częściej, niż można by oczekiwać przypadkowo, stanowią ważną część wypowiedzi językowej. Terminu bundle leksykalny po raz pierwszy użyli Douglas Biber, Stig Johansson, Geoffrey Leech, Susan Conrad i Edward Finegan w obecnie klasycznej publikacji Longman grammar of spoken and written English, odnosząc go do połączeń wielowyrazowych zidentyfikowanych wyłącznie na podstawie kryterium częstotliwości (Biber et al. 1999), podczas gdy Mike Scott nazywa je klastrami wyrazowymi w podręczniku aplikacji WordSmith Tools w wersji 4 (1996) oraz WordSmith Tools w wersji 5 (2010). Jedynym kryterium branym pod uwagę przy identyfikowaniu bundli leksykalnych jest ich częstotliwość. „Klastry to słowa, które są wielokrotnie znajdowane razem, w swoim wzajemnym towarzystwie, w clusters may involve semantic prosody i.e. the tendency for certain lexemes to co-occur with certain other lexemes (e.g. the tendency for cause to come sekwencji” (Scott 2010: 337). Scott wskazuje, że słowa o negatywnych skutkach, takie jak wypadek, kłopoty itp.) (Scott 2010: 337). Biber, Johansson, Leech, Conrad i Finegan definiują wiązki leksykalne jako powtarzające się wyrażenia, niezależnie od ich właściwości strukturalnych, tj. są to sekwencje form wyrazowych, które często współwystępują w dyskursie, oraz wskazują, że krótsze wiązki są często włączane do więcej niż jednej dłuższej wiązki leksykalnej (Biber et al. 1999). Zauważają również, że w większości przypadków wiązki leksykalne nie tworzą jednostek strukturalnych i większość z nich 41Terminologija | 2012 | 19 nie stanowi wyrażeń, które użytkownicy języka rozpoznaliby jako idiomy lub inne utrwalone wyrażenia leksykalne. Biber, Johansson, Leech, Conrad i Finegan ustalają następujące progi odcięcia dla sekwencji wielowyrazowych, aby mogły zostać zakwalifikowane jako wiązki leksykalne: muszą występować co najmniej 10 razy na milion słów i co najmniej w pięciu tekstach (Biber et al. 1999). Biber zauważa, że zaskakującym wynikiem podejścia opartego na częstości jest to, że wiązki leksykalne mają dwie nieoczekiwane cechy (Biber 2006: 134). Po pierwsze, większość z nich nie ma znaczenia idiomatycznego, lecz znaczenia są zwykle przejrzyste na podstawie poszczególnych form wyrazowych. Ken Hyland również wskazuje na fakt, że większość wiązek jest semantycznie przejrzysta i „formalnie regularna, dostarczając elementów budulcowych spójnego dyskursu” (Hyland 2008: 6). Po drugie, większość wiązek nie stanowi kompletnych struktur gramatycznych. Biber, Johansson, Leech, Conrad i Finegan zaobserwowali, że około 15 % wiązek leksykalnych w rozmowie tworzyło kompletne jednostki strukturalne, podczas gdy tylko około 5 % wiązek leksykalnych w prozie akademickiej można było uznać za kompletne frazy lub zdania (Biber et al. 1999: 1000). Cennym ustaleniem Bibera dotyczącym syntaktycznej natury wiązek leksykalnych jest to, że są one jednostkami leksykalnymi, które często przecinają struktury gramatyczne; mogą na przykład łączyć dwie frazy lub zdania w taki sposób, że ostatnie słowa wiązki stanowią początkowe części drugiej struktury syntaktycznej (Biber 2006: 135). Hyland podkreśla również, że wiązki leksykalne identyfikowane wyłącznie na podstawie swojej frekwencji zazwyczaj obejmują jednostki strukturalne (Hyland 2008: 6). Wiele badań korpusowych poświęcono analizie powtarzających się ciągów nieprzerwanych form wyrazowych i wykazują one, jak ważne są one w różnych typach dyskursu, a także pokazują znaczne zróżnicowanie wiązek leksykalnych w różnych gatunkach i rejestrach (np. Biber 2006; Biber, Conrad, Cortes 2004; Hyland 2008; Scott, Tribble 2006; Gozdz-Roszkowski 2011). METODOLOGIA ZASTOSOWANA W BADANIU Podjęto decyzję o skoncentrowaniu się na analizie czterowyrazowych sekwencji, ponieważ z jednej strony częstotliwość występowania sekwencji czterowyrazowych jest znacznie wyższa niż sekwencji pięciowyrazowych, a z drugiej strony często zawierają one ciągi trzywyrazowe i umożliwiają identyfikację bardziej wyraźnych wzorców i struktur niż wyrażenia trzywyrazowe. Listy czterowyrazowych sekwencji w każdym z 42 Marek Weber Wielowyrazowe wzorce w korpusie siedmiu gatunków  andCommunicationTechnology.Terminological  bundlesinthegenre–‘TextbooksinICT’ tekstów ICT wygenerowano przy użyciu programu WordSmith Tools w wersji 5.0 – pakietu oprogramowania do wyszukiwania wzorców w korpusach. W niniejszym badaniu ustalono następujące dwa punkty odcięcia: minimalną częstotliwość występowania wynoszącą 20 razy na milion słów oraz dodatkowe kryterium, zgodnie z którym dana sekwencja powinna wystąpić w co najmniej pięciu tekstach. Proces zastosowania kryteriów odcięcia wymagał przeprowadzenia odpowiednich obliczeń w każdym z siedmiu plików zawierających listę sekwencji w danym gatunku. Obliczenia opisano w następujących krokach: 1. Utworzenie dodatkowej kolumny o nazwie „Częstotliwość na milion” w arkuszu kalkulacyjnym uzyskanym z programu WordSmith Tools. 2. Wstawianie wartości słów występujących w tekście do wolnej komórki arkusza programu Excel w obrębie danej kategorii. 3. Wpisywanie do pierwszej komórki kolumny „Częstość na milion” następującej formuły: 4. Kopiowanie formuły do pozostałych komórek poprzez kliknięcie prawego dolnego rogu wypełnionej komórki i przeciągnięcie go w dół do pozostałych komórek. 5. Zaznaczanie kolumny „Liczba tekstów”. 6. Wybranie menu „Dane” i zaznaczenie pola „Sortuj i filtruj” w narzędziu sortowania. 7. Wybranie sortowania w kolejności malejącej. 8. Usunięcie wszystkich wierszy tabeli, w których wartości pola „Liczba tekstów” są niższe niż 5. 9. Zaznaczenie kolumny „Częstość na milion”. 10. Wybranie menu „Dane” i zaznaczenie pola „Sortuj i filtruj” w narzędziu sortowania. 11. Wybranie sortowania malejącego. 12. Usunięcie wszystkich wierszy tabeli, dla których wartości w polu „Częstość na milion” są niższe niż 20. Po zastosowaniu powyższych kryteriów odcięcia w korpusie znaleziono 1886 różnych wiązek. Łączna liczba wiązek zidentyfikowanych w całym zbiorze danych wyniosła 197 553. 43Terminologija | 2012 | 19 tabela 2. Rozkład wiązek leksykalnych w gatunkach ICt gatunek Łączna liczba wiązek po zastosowaniu kryteriów odcięcia Liczba różnych wiązek po zastosowaniu kryteriów odcięcia % słów w wiązkach Artykuły naukowe 1057 131 1,8 Artykuły naukowe 5548 120 1,7 Aplikacje programowe 44669 403 7,2 Sprzęt komputerowy 55296 672 8,9 Podręczniki 72483 119 1,9 Języki pro-10984 180 środowiska programistyczne 3,4 gramowania i Technologie sieciowe 7516 261 4,1 Łącznie 197553 1886 Odsetek słów bieżących w pakietach uzyskano, mnożąc liczbę wszystkich przypadków dla danego gatunku przez 4 (analizowane są pakiety czterowyrazowe), dzieląc ją przez liczbę słów bieżących w danym gatunku, a następnie mnożąc przez 100% zgodnie ze wzorem: Naszym zdaniem dwa parametry: zakres różnych pakietów oraz odsetek słów bieżących w pakietach można uznać za wskaźniki stopnia, w jakim dany gatunek ma charakter schematyczny i powtarzalny w porównaniu z innymi gatunkami. Innymi słowy, stopień formuliczności i powtarzalności gatunku można mierzyć zakresem różnych wiązek stosowanych w danym gatunku oraz odsetkiem słów tekstowych występujących w wiązkach. Gatunki ICT można podzielić na trzy grupy zgodnie z kryterium formuliczności i powtarzalności. Gatunek 3 – „dokumentacja techniczna aplikacji programowych w ICT” oraz gatunek 4 – „dokumentacja techniczna sprzętu ICT” charakteryzują się wysokim stopniem formuliczności i powtarzalności, ponieważ wykazują porównywalne wzorce, stosując największy zakres różnych wiązek (odpowiednio 403 i 672) oraz najwyższy odsetek słów tekstowych występujących w wiązkach (odpowiednio 7,2 % i 8,9 %). 44 Marek Weber Wzorce wielowyrazowe w korpusie informacji Rysunek 1:  andCommunicationTechnology.Terminological  bundlesinthegenre–‘TextbooksinICT’ Gatunki o wysokim stopniu formuliczności i powtarzalności Natomiast gatunek 1 – „artykuły fachowe w ICT”, gatunek 2 – „artykuły akademickie w ICT” oraz gatunek 5 – „podręczniki z zakresu ICT” charakteryzują się stosunkowo niskim stopniem formuliczności i powtarzalności, ponieważ stosują najmniejszy zakres różnych wiązek (odpowiednio 131, 120 i 119) oraz najniższy odsetek słów tekstowych występujących w wiązkach (1,8 %, 1,7 % i 1,9 % odpowiednio). Pozostałe dwa gatunki: gatunek 6 – „dokumentacja techniczna języków programowania i środowisk programistycznych” oraz gatunek 7 – „dokumentacja techniczna technologii sieciowych” tworzą trzecią grupę, w której wartości obu parametrów mieszczą się w środkowym zakresie (liczby różnych wiązek: odpowiednio 180 i 261; odsetek słów tekstowych występujących w wiązkach: odpowiednio 3,4 % i 4,1 %). Warto jednak pamiętać, że, jak słusznie zauważa Stanislaw Gozdz-Roszkowski, bezpośrednie porównania można bezpiecznie przeprowadzać wyłącznie między gatunkami o podobnej liczbie słów. Aby uwzględnić tę kwestię, parametr odsetka słów tekstowych występujących w wiązkach oblicza się dla każdego gatunku w taki sposób, aby odzwierciedlał liczbę słów w każdym z podkorpusów reprezentujących poszczególne gatunki (Gozdz-Roszkowski 2011: 111). KLASYFIKACJA FUNKCJONALNA BUNDLI Ramy analizy funkcjonalnej bundli uzyskanych w niniejszym korpusie opracowano na podstawie taksonomii Bibera (Biber 2006; Biber et al. 2004), Hylanda (2008) oraz Gozdz-Roszkowskiego (2011). Klasyfikacja Bibera (2006) wynikała z analizy obszernego korpusu rejestrów mówionych i pisanych, obejmującego między innymi takie typy dyskursu, jak: swobodne rozmowy, nagrania zajęć, nauczanie w klasie, konsultacje, grupy studyjne, sytuacje usługowe na terenie kampusu, podręczniki, pakiety materiałów kursowych, teksty instytucjonalne (np. katalogi uniwersyteckie, broszury). 45Terminologija | 2012 | 19 Korpus w badaniu Hylanda (2008) (liczący 3,5 miliona słów) obejmuje artykuły naukowe, rozprawy doktorskie oraz prace magisterskie z czterech dziedzin disciplines: electrical engineering and microbiology from the applied and pure sciences, and business studies and applied linguistics from the social nauki. Gozdz-Roszkowski (2011) przeanalizował korpus amerykańskiego języka prawnego zawierający ponad 5,5 miliona słów i reprezentujący siedem gatunków w obrębie amerykańskiej kultury prawnej i edukacji: artykuły akademickie, pisma procesowe, umowy, akty prawne, opinie, artykuły profesjonalne oraz podręczniki. Opierając się na wyżej wymienionych taksonomiach, bund­le leksykalne w ICT podzielono funkcjonalnie na trzy szerokie kategorie ze względu na ich znaczenie w tekstach: związane z badaniami, związane z tekstem oraz związane z uczestnikami. Bund­le zgrupowane w pierwszej kategorii pomagają autorom organizować ich działania i doświadczenia w dziedzinie ICT. Bund­le związane z tekstem są używane do wskazywania organizacji tekstu i jego znaczenia. Wreszcie wiązki skoncentrowane na uczestnikach są używane do sygnalizowania różnych postaw lub ocen i koncentrują się na autorze lub czytelniku tekstu. Rysunek 2: Funkcjonalna taksonomia wiązek leksykalnych Każda z trzech głównych kategorii funkcjonalnych wiązek leksykalnych została następnie podzielona na kilka podkategorii. Wiązki skoncentrowane na badaniach obejmują następujące podkategorie: Wiązki ilościowe (np. one of the biggest; a large number of; one of the following; the number of elements); Wiązki odnoszące się do czasu (np. at the time of; end of the year; the next few weeks; in the coming weeks); Wiązki odnoszące się do miejsca / kierunku (np. in the United States; of the main window; bottom of the window; in the status bar); 46 Marek Weber Wzorce wielowyrazowe w korpusie Wiązki proceduralne dotyczące  andCommunicationTechnology.Terminological  bundlesinthegenre–‘TextbooksinICT’ informacji – używane do opisywania różnorodnych funkcji związanych z ICT (np. the use of the; the use of a); Wiązki wskazujące temat – odnoszące się do obszaru badań (np. proceedings of the IEEE; programming languages and systems; the drop down menu; the following configuration options); Wiązki odniesień wielofunkcyjnych – wiązki, które mogą być używane jako odniesienia do czasu / miejsca / tekstu (np. the end of the; the start of the; the left of the; at the beginning of); Pakiety opisowe – określają cechy następującego rzeczownika (np. złożoność; powierzchnia; zakres; wysokość). Pakiety skoncentrowane na tekście obejmują następujące podkategorie: Pakiety rozwijające – rozwijają analizowany temat i go doprecyzowują (np. jednocześnie, a także, oznacza to, że, w tym przypadku); Pakiety przejścia – zapewniają połączenia addytywne lub kontrastowe między częściami tekstu (np. z drugiej strony, w przeciwieństwie do, oprócz, w odróżnieniu od); Pakiety ramujące atrybuty – „sytuują argumenty poprzez określanie warunków ograniczających” (Hyland 2008: 14) dla formułowania twierdzeń lub argumentów (np. w kategoriach, w kontekście, w obecności, zawartość); Pakiety warunkowe – wyrażają warunki (np. jeśli chcesz, jeśli nie, jeśli masz, jeśli masz); Pakiety wynikowe – wskazują związki logiczne między elementami w kategoriach relacji przyczynowo-skutkowych (np. abyś mógł, w wyniku, w rezultacie, jako funkcja); Pakiety znaczników struktury – służą do wskazywania innych części tekstu (np. jak pokazano na rysunku, jak omówiono w sekcji, pokazano na przykładzie, w dalszej części tego rozdziału). Pakiety skoncentrowane na uczestniku obejmują następujące podkategorie: Pakiety angażujące – zwracają się bezpośrednio do czytelników; „aktywnie zwracają się do czytelników jako uczestników rozwijającego się dyskursu” (Hyland 2008: 18) (np. do one of the, select the type of, is recommended that you, select one of the); Pakiety wyrażające stanowisko – przekazują emocje, postawy, oceny wartościujące i ewaluacje; „zapewniają ramy dla interpretacji następującej tezy” (Biber, 2006: 139) (np. it is necessary to, is no guarantee that, it is important to, it is not possible, it is possible to); tabela 3: Rozkład wiązek leksykalnych według kategorii funkcjonalnych 47Terminologija | 2012 | 19 Wiązki modalności – wyrażają, że coś jest prawdopodobne, dozwolone lub konieczne (np. must be fulfilled a, can be used to, as can be seen, in which you can, may not be displayed, may be reproduced or, must accept any interference, interference that may cause, that may cause undesired); Wiązki predykcji – wyrażają przewidywanie autora dotyczące jakiegoś przyszłego działania (np. is expected to be, you will be prompted, will be displayed in, this will open the, will be asked to). Table 3 shows the numbers of bundles belonging to the three major functional categories in each genre. Tekst wyśrodkbadawczowane y-Uczestwyśrodkowane wyśrodkowane nik-Inni Artykuły profesjonalne 45 23 13 45 Artykuły naukowe 48 35 928 Aplikacje programowe 123 55 122 83 Sprzęt komputerowy 207 51 138 187 Podręczniki 32 35 18 20 Języki programowania i 39 39 programistyczne 26 62 środowiska Technologie sieciowe 91 24 11 91 Rysunek 3: Klasyfikacja pakietów skoncentrowanych na badaniach