Zásady spracovania slovníka kolokácií slovenského jazyka - vronk.net

Získavanie dátVýskum a opis takýchto charakteristických a jedinečných jazykových vzťahov je dlho predmetomzáujmu lingvistov, lexikografov a didaktikov. Problematika kolokácií je v súčasnosti nielen jednouz hlavných tém lexikografie, ale je aj najrozpracúvanejším teoretickým pojmom v korpusovejlingvistike. Súčasný búrlivý kvantitatívny a kvalitatívny rozvoj korpusovej lingvisitky, t. j.významný nárast množstva digitalizovaných textov v korpusoch, rôzne spôsoby ich značkovania aexistencia silných matematicko-štatistických nástrojov na vyhľadávanie a vyhodnocovanie dát,otvárajú celkom nové možnosti skúmania a opisu tohto jazykového fenoménu.Za najvýraznejší vývojový trend v korpusovej linvistike možno označiť práve rozvoj metód anástrojov na odhaľovanie kookurenčných vzťahov slov, ich kolokability a kompatibility.Zložitosť skúmanej problematiky vyplýva z ťažko diferencovateľnej množiny kolokácií na škáleod jednoduchého, hoci bežného a textovo vysoko frekventovaného susedstva dvoch (bigramov),resp. troch (trigramov) a viac slov bez zjavných väzieb, resp. dôvodov obmedzeného výberu medzinimi (napr. stúpiť do blata ale vstúpiť do miestnosti alebo nastúpiť do auta), až po kolokácie, ktoréz hľadiska frekvenčnej distribúcie nemusia byť štatisticky signifikantné, ale tvoria jeden štruktúrnyalebo aj významový celok. Aj keď frekvencia a ustálenosť spolu v zásade súvisia, treba podľa násnamiesto predstáv o možnosti určovania „rankingu“ kolokácií na istej škále vychádzať skôr zmodelu istej kontinuálnej radiálnej štruktúry slov a ich kolokátov ako difúznej a splývavejmnožiny prvkov, kde sa centrum a periféria menia v závislosti od toho, či vychádzame zkvantitatívneho hľadiska (spoluvýskyt, resp. frekvenčná distribúcia prvkov), alebo kvalitatívnehohľadiska (významová celostnosť kombinácie slov). Zdanlivo paradoxne potom možno ako ustálenúkolokáciu vnímať tak zriedkavé spojenie slov s obmedzenou distribúciou jej prvkov, ktoré sasamotné vyskytujú zriedkavo, ale aj vysokofrekventované spoluvýskyty vysokofrekventovanýchslov. Medzi týmito dvoma extrémami existuje prakticky nedefinovateľná množinanajrozmanitejších distribučných vzťahov prvkov s viac alebo menej diferencovanou frekvenciou.Táto skutočnosť má vplyv na to, že všetky štatistické miery, ktoré vychádzajú v zásade zpredpokladov očakávaného a skutočného spoluvýskytu prvkov v istej množine, dávajú vždyrozdielne výsledky a identifikujú difúzne podmnožiny prvkov s rozdielnymi preferenciami. Nadruhej strane sťažuje identifikáciu kolokácií v texte skutočnosť, že prvky ustálenej kolokácienemusia stáť nevyhnutne pri sebe, ale v rôznej vzdialenosti a často aj v rôznom poradí. Týka sa tonajmä idiomatických kolokácií. Nedostatkom stochastických metód, ktoré štatisticky vyhodnocujúpravdepodobnosti výskytu prvkov, je aj to, že získané miery neposkytujú informáciu o type vzťahumedzi dvomi prvkami, ktoré tvoria kookurenčnú dvojicu (porov. Heyer, Quasthoff, Wittig 2006,248n). To sťažuje ich okamžité využitie napr. pre lexikografiu, pretože informácie trebapreverovať v súvislých syntagmatických úsekoch textu, napr. v konkordančných zoznamoch.Optimalizaciu vyhľadávania signifikantných kookurencií potom možno dosiahnuť pomocouhybridných operácií. Kombinácie výsledkov z rôznych mier sa cielene dopĺňajú pomocounegatívnych alebo pozitívnych lexikálnych (paradigmatických) filtrov (pre globálny kontexslova/slovného tvaru sa stanovia prípustné alebo neprípustné prvky v množine kolokačnejparadigmy) alebo kombinatorických (syntagmatických) filtrov (pre globálny kontext sa stanoviaprípustné resp. neprípustné morfo-syntaktické kategórie, ako sú slovnodruhové kategórie alebozáväzná syntakticka štruktúru a jej interval).Najracionálnejšiou cestou, ako ukážeme ďalej, sa javí kombinovaná metóda skúmaniafrekvenčnej distribúcie viacčlennej syntagmatickej štruktúry so zadefinovanými filtrami, a totak pre samotnú bázu, ako aj pre kolokáty.7