Where do the wild things live? Corpus method to detect anglicisms and their derivatives on Russian Internet.pdf Введение Вопросу изучения английских заимствований в разных языках посвящено множество исследований, и, надо полагать, пока языки осваивают англицизмы, их изучение будет оставаться актуальным. Так, на сегодняшний день увеличивается внимание к проблеме автоматизированного выявления английских заимствований и их производных в интернет-текстах на разных языках [1-3]. 6 Алюнина Ю.М. Где живут чудовища? Корпусный метод обнаружения англицизмов Интерес к автоматизированному обнаружению англицизмов и их производных, метафорически именуемых нами чудовищами, объясняется их активным проникновением в язык-реципиент в разных сферах коммуникации, что нередко воспринимается носителями как угроза принимающему языку. Так, в научных и научно-популярных исследованиях сегодня можно встретить мнения о том, что англицизмы есть деградация [4. Р. 38], «болезнь, разрушение и упадок» языка-реципиента («sickness, destruction, and demise» [5. Р. 34-35]), которые ведут к его «порче» и засорению [6. С. 17], «подмене понятий и потере национального самоопределения» [7]. Популярным стало мнение о необходимости и возможности заменять заимствования существующими в принимающем языке лексическими единицами: «иностранное слово можно, нужно и вовсе не трудно заменять русским» [8. С. 68]. Объективизация представления о современной тенденции к освоению английских слов языком невозможна без комплексного изучения англицизмов и их производных, для чего требуется их массовое выявление, которое закономерным образом ставит такие задачи, как: - обнаружение новейших англицизмов, не имеющих лексикографической фиксации, и определение их количества и частотности; - оптимизация процесса поиска англицизмов и их дериватов (увеличение объёмов анализируемых источников и сокращение времени на ознакомление с ними); - уменьшение влияния человеческого фактора на процесс обнаружения англицизмов и их дериватов (усталость и снижение концентрации внимания при ручном поиске иноязычных слов в больших массивах текстов). Эти и другие причины стимулируют поиск новых методов и способов 1 автоматизированного выявления слов от английских этимонов в принимающем языке. В настоящей статье на примере русского языка предлагается описание корпусного метода обнаружения англицизмов и их производных в блогах о моде с помощью корпусного менеджера Sketch Engine [11] и его инструмента Keyword. Структура настоящей статьи предполагает, во-первых, пояснение понятий англицизм и производное и способов адаптации англицизмов к русскому языку; во-вторых, описание существующих программных методов обнаружения англицизмов в Интернете (основанных на обучении нейронных сетей и применении корпусных технологий); в-третьих, описание корпусного метода обнаружения англицизмов, который ранее не применялся для поиска английских заимствований в русскоязычном Интернете, а также пояснение ключевых терминов, необходимых для понимания механизма рассматриваемого метода. 1 Здесь и далее термин этимон употребляется нами вслед за А.И. Дьяковым [9. С. 6] и Е.В. Мариновой [10. С. 213] для обозначения английского слова (box), от которого в языке-реципиенте появился англицизм (бокс). 7 Лингвистика / Linguistics Кто такие чудовища? В отечественном языкознании хрестоматийной считается дефиниция, закреплённая в Лингвистическом энциклопедическом словаре, в котором под заимствованием понимается «элемент чужого языка (слово, морфема, синтаксическая конструкция и т.п.), перенесённый из одного языка в другой в результате контактов языковых, а также сам процесс» такого перехода [12. С. 158]. Заимствования из английского языка называются англицизмами (англ. casual ^ кэжуал; англ. shopping ^ шоппинг), а слова, созданные на их основе с использованием аффиксов языка-реципиента, -производными или дериватами (кэжуальность, кэжуальщик; шопиться). В настоящей статье для обобщённого названия англицизмов и их производных будет применяться термин слова от английских этимонов. При заимствовании иноязычные слова адаптируются к принимающему языку. В русском языке выделяют четыре основные формы освоения заимствований: фонетическую, графическую, грамматическую, семантическую [13. С. 102]. Понимание этих форм освоения важно при разработке автоматизированного способа обнаружения английских заимствований в русском языке. Фонетическое освоение заимствований представляет собой изменение звуковой оболочки иноязычных слов в соответствии с произносительными нормами принимающего языка [14. С. 223] и отсутствие вариативности в их произношении, которое может быть свойственно некоторым словам даже после их вхождения в узус: англ. jeans ^ джинсы / джинцы; англ. discourse ^ дискурс / дискўрс. Графическое освоение состоит в передаче иностранного слова на письме алфавитными символами языка-реципиента [13. С. 104]. Так, заимствования в русском языке передаются с помощью кириллицы: англ. casual ^ кэжуал; англ. lookbook ^ лукбук. Неустойчивость графической формы может говорить о том, что заимствование является новым или не до конца освоенным: англ. total look ^ тотал лук, тотал-лук; англ. second-hand ^ секондхэнд, секонд-хенд. Грамматическое освоение заключается в приспособлении иноязычных лексических единиц к грамматике принимающего языка вне зависимости от наличия определённых грамматических категорий в языке-доноре [15. С. 105]. Например, от формы мн.ч. англ. boots с финалией -s в русский язык заимствована лексема бутс. Последняя в русском языке является формой ед.ч. с нулевым окончанием1, а форма мн.ч. образуется от неё с добавлением окончания -ы - бутсы. То есть в русском бут-с-ы формально представлены две формы множественного числа, одна из которых этимологически восходит к англ. boots (-с- в бутсы), а вторая является приобре- 1 Пример из газетного подкорпуса Национального корпуса русского языка (НКРЯ): Нападающий «Реала» Криштиану Роналду в четвертый раз стал обладателем приза лучшему бомбардиру европейских чемпионатов «Золотая бутса» [16]. 8 Алюнина Ю.М. Где живут чудовища? Корпусный метод обнаружения англицизмов тённой (-ы в бутсы) в результате приспособления англицизма к парадигме словоизменения в русском языке. Семантическое освоение представляет собой «процесс, в результате которого иноязычное слово входит в систему понятий заимствующего языка» [17]. Это названия понятий и объектов внеязыковой действительности, которые вошли в жизнь носителей языка-реципиента (из англ. процессор, букмекер, каршеринг и др.), а также слова, выражающие дополнительные смысловые оттенки имеющихся в принимающем языке эквивалентов (комфортный - удобный; гуглить - искать; бежевый - айвори - нюд). В контексте автоматизированного обнаружения англицизмов и их производных в интернет-текстах на русском языке наиболее значимым, с нашей точки зрения, является аспект графического освоения иноязычной лексемы, поскольку рассматриваемые далее механизмы предполагают машинное распознавание слов от английских этимонов по их формальному признаку - графической форме. Таким признаком является, как правило, нетипичное для языка-реципиента сочетание графем в лексической единице, которое отличает новое заимствование (оверсайз) или его дериват (оверсайзный1, оверсайзность2) от исконных слов принимающего языка или давно освоенных заимствований, приспособившихся к парадигме словоизменения языка-реципиента (свитер, шорты, пуловер, кардиган). В некоторых случаях на графическую адаптацию большое влияние оказывает фонетическое приспособление нового слова к произносительной норме в принимающем языке. Если в произношении прослеживается вариативность, то и на письме она может сохраняться в виде нестабильности графической формы, повторяющей фонологическую оболочку лексемы (англ. loafers ^ лоферы, лоуферы). Тем не менее общность лексического значения таких вариантов слов, а также общность обозначаемых ими денотатов свидетельствуют о том, что перед нами одна и та же лексическая единица. Понимание правил грамматического приспособления слов от английских этимонов, в особенности к правилам русского словоизменения, необходимо при ручной проверке результатов их автоматизированного поиска. Эта необходимость связана с тем, что некоторые механизмы автоматизированного обнаружения слов от английских этимонов не предполагают их лемматизации (например, механизм лемматизации отсутствует в менеджере корпусов AntConc [19]): частотность словоформ ошибочно вычисляется как частотность отдельных лемм (лукбук, лукбуке, лукбуках и др.), что приводит к неверному определению количества и частотности заимствований. 1 Так вот, чтобы добиться этого трендового эффекта в аутфите, нам вполне подойдут и обычные оверсайзные рубашки в клетку виши [18] (здесь и далее в примерах выделения наши. - Ю.А.). 2 Я даже не могу толком конкретизировать модель, но отличительными чертами мастхэва являются растянутость, видимая оверсайзность и вот эти непонятные принты «как в детстве» [18]. 9 Лингвистика / Linguistics Возможная сложность машинной лемматизации таких лексических единиц объясняется их нетипичным сочетанием графем. Понимание правил семантической адаптации английских заимствований и их производных тоже необходимо при ручной проверке результатов автоматизированного поиска новых слов для исключения ошибочной омонимии, которая может сказаться на частотности англицизма. Например, лексема лук, заимствованная от англ. look в значении внешность, внешний вид, является омонимом слову лук, которое употребляется в русском языке в значении овощ, и слову лук, которое употребляется в значении стрелковое оружие. То есть абсолютная частотность слова лук в любом корпусе без семантической разметки будет вычислена корпусом как частотность графемы лук во всех присущих ей формах и значениях. Таким образом, в контексте проблематики автоматизированного поиска англицизмов и их производных в текстах на русском языке в центре внимания оказывается графическая адаптация слов от английских этимонов, которая сопряжена с фонетическим, грамматическим и семантическим аспектами освоения новых лексем. Понимание механизмов освоения иноязычной лексики русским языком позволяет снизить вероятность ошибочных результатов их автоматизированного поиска. При поиске англицизмов автоматизированными методами в других языках важными могут оказаться другие особенности приспособления новой лексики к языку-реципиенту. Автоматизированные методы обнаружения англицизмов и их производных в Интернете Для понимания механизмов работы автоматизированных методов выявления слов от английских этимонов в Интернете требуется краткое введение в их механику. Под автоматизированными методами в данной статье понимаются не приёмы, позволяющие полностью автоматизировать процесс выявления англицизмов и их производных в интернет-текстах, а методы, помогающие ускорить этот процесс благодаря обращению к возможностям корпусной и компьютерной лингвистики. В рамках настоящей статьи мы опишем два метода, которые уже были использованы их авторами для поиска англицизмов и их дериватов: метод, основанный на обучении нейронных сетей на материале русского языка [1-2], и метод [3] с использованием менеджера корпусов AntConc [19] для поиска англицизмов в текстах на испанском и датском языках. Хотя корпусные и компьютерные технологии на сегодняшний день имеют широкое применение в анализе естественного языка (см., например, [27, 34]), в основе предлагаемого обзора лежат лишь три публикации [1-3], поскольку в ходе анализа существующих корпусных и компьютерных методов автоматизированного поиска англицизмов были обнаружены только эти исследования. Перейдём к рассмотрению названных методов. 10 Алюнина Ю.М. Где живут чудовища? Корпусный метод обнаружения англицизмов Нейронные сети: программирование и машинное обучение. Авторы этого метода предлагают алгоритм автоматизированного поиска англицизмов и их производных, который был апробирован на материале 10 млн текстов на русском языке с сайта LiveJournal [1. Р. 34]. В результате анализа было обнаружено 4 300 слов, из которых примерно 1 150 не имело лексикографической фиксации на момент проведения исследования (2016 г.) [1. Р. 36]. Алгоритм обнаружения англицизмов и их производных в русскоязычном Интернете, использованный авторами, не предполагает предварительной ручной обработки текстов [1. Р. 32]. Метод реализуется с помощью кода, написанного на Python, и нейросети, обученной на материале словарей англицизмов и русских грамматик. В основе метода лежит гипотеза о том, что большинство англицизмов в текстах на русском языке транслитерируется, сохраняя в определённой степени фонологическую оболочку [1. Р. 32; 2. Р. 68]. Суть рассматриваемого метода состоит в следующем. С помощью кода, написанного на языке Python, были проанализированы блоговые статьи LiveJournal на русском (10 млн текстов) и на английском (10 млн текстов) языках и выявлены лексические единицы, «одинаковые» в текстах на двух языках [1. Р. 3; 2. P. 70]. Под одинаковыми авторы описываемого метода понимают слова, написанные в текстах на английском языке латиницей и встречающиеся в транслитерированном виде в текстах на русском языке на кириллице (complex - комплекс, module - модуль, bowl - боул). Правила транслитерации были прописаны в коде на основе ГОСТов [1. Р. 33]. Этим правилам была обучена нейронная сеть, которая осуществляла поиск англицизмов и их производных. В результате такого поиска сформировался список «одинаковых» слов. После обнаружения таких слов имеющиеся тексты на русском языке были исследованы для выявления в них производных от англицизмов. Этот этап анализа осуществлялся с помощью рекуррентной нейронной сети, обученной на алгоритмах CBoW и Skip-Gram правилам словообразования на материале 97 000 слов из словаря WikiDictionary [1. Р. 33]. В результате нейросеть выявила не только англицизмы (контраст, клик и др.), но и их дериваты, восходящие к общим этимонам (контрастность, кликнуть и др.). Полученный список лексических единиц нейросеть сопоставила со словами, зафиксированными в словарях англицизмов [20, 21], что позволило выявить 1 150 лексем из 4 300 обнаруженных слов, не имеющих лексикографической фиксации, но использующихся в блогах. Авторы отмечают, что достоинством их метода является обнаружение сложных слов (киберспорт от англ. cyber sport), производных от англицизмов (ретвитнуть от англ. retweet) и лексем, не зафиксированных словарями [1. Р. 36; 2. P. 70]. Основным недостатком авторы метода называют временные затраты на его реализацию. Также к недостаткам отнесено иногда неверное соотнесение английского этимона с заимствованием (клип якобы от англ. creep). Эту ошибку иллюстрируют множественные примеры, 11 Лингвистика / Linguistics обнаруженные нами после изучения списка англицизмов и их производных, опубликованного авторами на GitHub [1. Р. 36; 22]: Берлин и берлинский (якобы от англ. Berlin), Прага (якобы от англ. Prague), водка (якобы от англ. vodka), мыловарня (якобы от англ. meal), это (якобы от англ. at), балалайка (якобы от англ. balalaika). Эти слова, безусловно, не являются англицизмами. Данная ошибка означает, что ручная проверка результатов автоматизированного поиска слов от английских этимонов всё же требуется, что может стать весьма трудоёмкой работой, учитывая количество лексических единиц (в данном случае 4 300), которое необходимо проверить вручную. Рассмотрим ещё один способ выявления английских заимствований в интернет-текстах, основанный на корпусных технологиях. Корпусный метод: ключевые слова в менеджере корпуса. Один из способов автоматизированного обнаружения слов от английских этимонов связан с использованием менеджера корпусов. Менеджером корпуса называется «программа, предназначенная для управления корпусами текстов: создания корпусов, их редактирования, аннотирования, осуществления поиска в них и т.д.» («a program used to manage text corpora, i.e. to build, edit, annotate and search corpora») [23]. С помощью менеджера корпусов можно создать свой собственный корпус текстов, который отвечает методическим задачам (корпус текстов по специальности для «составления профессиональных лексических минимумов» [24. С. 44]) или исследовательским (корпус на базе сборника Карелы: модели языковой мобилизации. Сборник материалов и документов для изучения особенностей языкового регулирования в Карелии [25. Р. 52]). В рамках настоящей статьи внимание обращается на два менеджера корпусов - AntConc [19] и Sketch Engine [11], которые рассматриваются в аспекте их использования для автоматизации обнаружения слов от английских этимонов с помощью функции Keyword, позволяющей выявить ключевые слова в корпусе текстов. Ключевыми словами в корпусной лингвистике называются слова, которые «чаще встречаются в фокусном корпусе, чем в референтном корпусе» [23]. Это значит, что свойство «быть ключевым» относится не к языку вообще, а к конкретному массиву текстов, в котором ключевые слова выделяются на основании законов математической статистики [24. С. 45] и действуют при сопоставлении фокусного корпуса с референтным. Фокусным корпусом называется корпус, с которым работает исследователь, или корпус, в котором осуществляется поиск. Референтный корпус1 - это корпус, с которым сопоставляется фокусный корпус для выявления ключевых слов в последнем [23]. Помимо наиболее частотных лексических единиц, к ключевым словам также относятся лексемы, которые встречаются только в фокусном корпусе и не повторяются в референтном. Как правило, объём референтного корпуса больше, чем фокусного, или сопоставим с ним («Typically, 1 Иногда в русскоязычной научной литературе референтный корпус называется справочным или опорным [24. Р. 46]. 12 Алюнина Ю.М. Где живут чудовища? Корпусный метод обнаружения англицизмов a reference corpus is larger than or similar in size to the corpus of interest » [26. Р. 81]). Больший объём референтного корпуса позволяет ему стать «достоверным образцом того языка, на котором написан изучаемый текст» [24. С. 46], и тем самым исключить из списка ключевых слов лексические единицы, которые относятся к числу наиболее общих в языке, как лексемы новый, нравиться, люди, бытъ, а также служебные слова, местоимения и междометия. Функция Keyword «сравнивает содержание фокусного корпуса с референтным корпусом и определяет, какие слова и фразы являются значимыми для первого на основе их частотности» [27. Р. 193]. В менеджере корпуса эта функция работает на основе принципа «TF.IDF (term frequency by inverse document frequency)» [28. Р. 240], согласно которому каждому слову в документе присваивается числовое значение или вес («score» или «keyness score» [29]), вычисляемый как отношение частоты слова в фокусном корпусе к обратной частоте в референтном корпусе [26. Р. 85; 30. С. 12] по формуле, интегрированной в работу корпусного менеджера [29]: fpm focus + N Score =-----, fpm ref + N где fpm focus - относительная частотность слова (frequency per million) в фокусном (focus) корпусе; fpm ref - относительная частотность слова в референтном (ref) корпусе; N - сглаживающий коэффициент («smoothing parameter» [29]), равный единице и необходимый, чтобы избежать деления на ноль, когда рассматриваемое слово не встречается в референтном корпусе, то есть его частотность равна нулю [26. Р. 85]. Вес лексем (score), которые часто встречаются в тексте вне зависимости от его тематической или жанровой принадлежности (например, служебные слова, местоимения и др.), приближается к нулю, поскольку такие лексические единицы, как правило, не являются специфическими для определённого типа текстов [28. Р. 240]. Высокий вес слова говорит о его специфичности в референтном корпусе, то есть делает его ключевым («words displaying a higher score would be considered more specialized than those associated to a lower or even negative value» [31. Р. 91]). Для выявления ключевых слов в корпусе текстов необходимо априорное представление о том, какие лексемы могут являться в нём ключевыми [26. Р. 82], поскольку «свойство слова быть ключевым является текстуальной характеристикой» [24. С. 48]. Это значит, что лексические единицы, попавшие в список ключевых, «являются важными в тексте, так как в них отражена главная идея» [24. С. 48-49], а одним из показателей её значимости оказывается высокая частотность соответствующих лексем. Так, если фокусный корпус состоит из текстов о погоде на русском языке, а референтный корпус представляет русский язык во всём его многообразии, то скорее всего, ключевыми словами в первом будут дождь, ветер, снег, температура, облачность, солнечно, опускаться, подниматься и т.п. Также должно быть представление о предполагаемом изменении состава клю-13 Лингвистика / Linguistics чевых слов в фокусном корпусе при изменении референтного корпуса [26. Р. 82]. Например, если фокусный корпус состоит из русскоязычных текстов о погоде на Аляске, а референтный корпус включает тексты о погоде в Бразилии, то в список ключевых слов фокусного корпуса наверняка попадут лексемы снег, ветер, субарктический, снежная буря и не попадут такие единицы, как тропический ливень, жара, засуха, песчаная буря. Возможность использования функции Keyword для выявления англицизмов в корпусе текстов обусловлена тем, что они являются новыми единицами языка, которые, как правило, заимствуются для их использования в определённой сфере коммуникации. Это значит, что их частотность в рамках соответствующей сферы значительно выше, чем за её пределами. Так, если фокусный корпус состоит из текстов по экономике, содержащих английские заимствования, а тексты референтного корпуса представляют язык во всём его многообразии, то при применении функции Keyword к первому в результате поиска попадут все лексические единицы, которые не встречаются во втором корпусе или имеют в нём низкую частотность, в том числе англицизмы, например: фьючерс, депорт, консигнация, овердрафт, форфейтинг, тримминг [32. С. 68]. Единственный пример использования функции Keyword для поиска английских заимствований, обнаруженный нами в ходе изучения вопроса, представлен в тезисах конференции 2015 IEEE International Professional Communication Conference [33]. Авторы тезисов [3] кратко описывают методологию работы с бесплатным менеджером корпуса AntConc [19] для автоматизированного поиска англицизмов в текстах, взятых из финансовых блогов на датском и испанском языках. В рамках их исследования выявление англицизмов происходило в два этапа [3. Р. 3]: 1) применение функции Keyword к текстам финансовых блогов на датском языке и выявление в результатах поиска заимствований (daytrading, earnings, gearing, price и др.); 2) ручной поиск «датских» англицизмов в корпусе текстов на испанском языке для выявления одинаковых заимствований в двух языках (в дат. cash flow и в исп. cash flow от англ. cash flow). Авторы исследования не уточняют объём корпусов датского и испанского языков, с которыми они работали, не поясняют, какой корпус являлся референтным, не указывают количество обнаруженных англицизмов, но приводят скриншоты, подтверждающие работу с AntConc [3. Р. 6-7]. Наличие этих скриншотов в публикации и понимание механизма работы функции Keyword позволяет сделать вывод о том, что её использование способствует автоматизации обнаружения английских заимствований, но требует ручной проверки результатов машинного поиска. Описанный способ автоматизированного обнаружения английских заимствований с помощью функции Keyword в AntConc является более простым в исполнении, чем метод на основе обучения нейронных сетей, поскольку не требует навыков программирования, а только понимания механики работы менеджера корпусов. Однако описание процедуры использова-14 Алюнина Ю.М. Где живут чудовища? Корпусный метод обнаружения англицизмов ния данного метода, представленное авторами тезисов [3], с нашей точки зрения, является недостаточным для понимания принципов его работы: отсутствие информации о количественных параметрах фокусного и референтного корпусов, о процедуре и критериях выбора текстов для фокусного корпуса, о количестве обнаруженных англицизмов и их производных. Отсутствие этих сведений в статье не позволяет читателю сделать объективных выводов об эффективности корпусного метода выявления англицизмов. Таким образом, на настоящий момент удалось обнаружить два способа [1 3], которые позволяют автоматизировать процесс обнаружения слов от английских этимонов в принимающем языке. С нашей точки зрения, описание метода обнаружения англицизмов с использованием корпусного менеджера [3], применённого к датскому и испанскому языкам, требует уточнения. Метод с применением приёмов машинного обучения нейронных сетей, выполненный на материале русского языка, видится весьма трудозатратным и вре-мяёмким. При этом ни один их описанных методов не является полностью автоматизированным: один требует предварительного написания кода и последующего тщательного анализа результатов поиска, второй - предварительной выборки текстов и последующей ручной сортировки ключевых слов. Учитывая видимые достоинства и недостатки существующих методов автоматизированного обнаружения английских заимствований, а также с опорой на теорию языкового заимствования, в настоящей статье предлагается описание процедуры пилотного исследования для демонстрации возможностей корпусного менеджера Sketch Engine выявлять слова от английских этимонов в собственном исследовательском корпусе на русском языке. Где живут чудовища? Поиск англицизмов и их производных с помощью Sketch Engine В нашем пилотном исследовании для поиска слов от английских этимонов в русскоязычных интернет-текстах был выбран корпусный менеджер Sketch Engine [11], одним из преимуществ которого перед корпусным менеджером AntConc является наличие механизма лемматизации. В менеджере корпуса этот механизм необходим для вычисления частотности леммы, а не каждой отдельной словоформы. Чтобы осуществить автоматизированный поиск англицизмов и их производных в текстах при помощи Sketch Engine через функцию Keyword, в менеджере корпусов необходимо создать собственный корпус. Для этого существует два способа: 1) загрузка заранее подготовленных текстов, собранных вручную; 2) автоматизированный сбор текстов менеджером корпуса: - по заданным вручную ключевым словам1 (минимум трём); 1 В данном случае ключевыми словами называются слова и словосочетания, которые характеризуют определённую сферу коммуникации или тему. Например, если тре-15 Лингвистика / Linguistics - по выбранным URL-адресам (корпус генерируется из текстов, находящихся на выбранных интернет-страницах); - по сайтам (корпус генерируется из текстов, находящихся на выбранных сайтах). Второй способ называется краулингом или веб-краулингом (crawling, web crawling [26. Р. 18; 34. Р. 340]) интернет-страниц от англ. crawling -сканирование или сбор данных в Интернете [35]. В ходе создания корпуса методом краулинга из формирующегося корпуса исключаются тексты рекламы, размещённой на интернет-страницах или сайтах, тексты интерфейса (Домашняя страница, Меню, Личный кабинет и т.п.), тексты гиперссылок, а также повторяющиеся фрагменты текстов, которые иногда встречаются на разных сайтах. В нашем случае для автоматизированного обнаружения англицизмов и их производных в русском языке была использована собственная коллекция блоговых текстов о моде, собранных вручную на русскоязычной версии сайта LiveJournal [36] и загруженная в Sketch Engine в формате doc. Объём фокусного корпуса составляет 174 213 словоупотреблений (218 091 токен) и включает тексты шести блогеров [18, 37-41], написанных в 2014-2018 гг. В Sketch Engine наш исследовательский корпус получил название RuFashBlog. В качестве референтного корпуса был использован существующий на Sketch Engine корпус ruTenTen 2011 (14 553 856 113 словоупотреблений -18 280 486 876 токенов), созданный разработчиками Sketch Engine методом краулинга интернет-страниц. Объём референтного корпуса значительно превышает объём фокусного корпуса, что отвечает одному из требований выбора сопоставляемых корпусов для вычленения ключевых слов [26. Р. 81]. Источником текстов в сопоставляемых корпусах служит Интернет. Фокусный корпус является тематическим, поскольку его тексты посвящены моде, а референтный корпус представляет общеразговорный язык («general language corpus»1), так как в него вошли тексты, не ограниченные с точки зрения принадлежности к определённой теме или сфере коммуникации. Поскольку корпус RuFashBlog содержит тексты о моде, ожидается, что ключевыми словами в нём будут лексические единицы, являющиеся номинациями предметов одежды (юбка, платье, блузка), обуви (туфли, сапоги), аксессуаров (сумка, шляпа), материалов (замша, замшевый, шёлк, шёлковый) и др. на русском языке. Также ожидается, что среди этих лексем будут английские заимствования и их производные, которые являются либо высокочастотными в текстах о моде (например, наиболее распространённые названия предметов одежды, как свитер, кардиган и джинсы), либо но-буется составить корпус текстов о кулинарии, ключевыми словами могут быть еда, кулинария, рецепт. 1 «A general language corpus is a sample of language taken from a very large population - in the case of a general corpus the population consists of all of the language that people produce during a certain period of time» [26. Р. 15]. 16 Алюнина Ю.М. Где живут чудовища? Корпусный метод обнаружения англицизмов выми номинациями в области моды и потому употребляются преимущественно в данной сфере коммуникации, редко встречаясь в языке повседневного общения (аутфит, лоферы, оверсайз, слипоны, тотал-лук и др.). После создания корпуса RuFashBlog к нему была применена функция Keyword, которая в Sketch Engine по умолчанию формирует список из 1 000 ключевых слов в фокусном корпусе, сопоставляя его с референтным. Количество единиц в списке ключевых слов можно регулировать вручную, но в рамках настоящего пилотного исследования мы не пользовались этой возможностью. На рис. 1 представлена первая из двадцати страница результатов поиска после применения функции Keyword к RuFashBlog. © KEYWORDS RuFashBlog SINGLE-WORDS v' MULTI-WORD TERMS reference corpus: Russian Web 2011 (гиТепТепП) Get more space (+) СО * О ©Ра - © * щ Word Score7 Word Score ■ Word Score1 Word Score7 ѳ hyperlink 10,802.6 колготки 192.4 - аутфитах 152.3 - пуховик 126.9 «• аутфит 370.7 ••• будничный 187.6 миди 148.9 - стритстайла 124.7 - о кэжуал 349.0 ••• гардероб 185.1 - джинсы 146.6 ••• макси 121.8 - аутфиты 266.6 аутфита 184.1 «• ботфорт 143.2 •« тіи 121.5 ••• • - тренч 241.1 принт 182.2 - денима 141.8 - бретелька 118.8 ” жакет 239,8 клатч 181.5 - юбка 136.4 - оверсайз 114.6 «• mango 215.2 ••• босоножка 178.4 ••• рюш 136.3 ••• колье 112.5 ••• инстаграм 211.8 *** gucci 178.0 крой 133.9 *** джинсовая 109.5 •** аутфитов 211.8 *•• принтов 175.9 «•■ zara 132.1 ••• бомбер 109.3 - аутфите 211.7 принтом 170.1 ботильоны 129.6 трендов 108.4 ••• кардиган 210.9 кардиганы 161.7 акцентный 129.5 - свитер 107.8 1= инстаграме 198.1 ••• блуза 156.4 - а-кроя 129.4 - принты 197.1 *•• balenciaga 153.9 ••• деним 127 7 ... N= 6= Rows per page: SO ▼ 1-50 of 1,000 1 /20 > >1 Рис. 1. Скриншот первой страницы результатов поиска ключевых слов в RuFashBlog В полученных результатах внимание привлекают три особенности: Во-первых, согласно приведённому изображению (рис. 1), самым частотным словом в RuFashBlog является hyperlink (10 802,61), что связано с технической особенностью распознавания токенов корпусным менеджером: если к слову привязана скрытая гиперссылка, то она распознаётся как отдельный токен hyperlink. Это значит, что перед загрузкой собственноручно собранной коллекции текстов в Sketch Engine необходимо удалить из текстов все скрытые гиперссылки. Это можно сделать одномоментно во всём документе, применив к нему специальное сочетание клавиш, напри- 1 Здесь и далее числовое значение, приводимое нами рядом с лексической единицей, означает её вес (score) в RuFashBlog, на основании значения которого в Sketch Engine формируется список ключевых слов. Как показано на рис. 1, в Sketch Engine десятичные доли отделяются точками, а тысячи - запятыми. В настоящей статье написание чисел адаптировано к системе, принятой в России, то есть в качестве десятичного разделителя используется запятая (1,5 -одна целая пять десятых), а в качестве разделителя для групп разрядов (тысячи, десятки тысяч и т.д.) - пробел (1 000 - одна тысяча). 17 Лингвистика / Linguistics мер Ctrl+Shift+F9 (на разных устройствах сочетание клавиш для удаления скрытых гиперссылок может отличаться). Такая особенность неверного или нежелательного распознавания знака корпусом создаёт эффект, называемый в корпусной лингвистике шумом (от англ. noise) ([42] см. разд. Лексико-грамматический поиск). Во-вторых, в результатах поиска (см. рис. 1) присутствуют нелеммати-зированные словоформы (аутфит, аутфиты, аутфитов, аутфите, аутфита; инстаграм, инстаграме и др.), которых не должно быть, потому что Sketch Engine поддерживает автоматическую лемматизацию. Наличие словоформ в нашем списке ключевых слов объясняется тем, что большинство их них - англицизмы и их производные, т.е. лексические единицы, новые для русского языка. Сочетание графем в этих лексических единицах является нетипичным для русского слова, поэтому практически каждая иноязычная словоформа ошибочно распознаётся как самостоятельная лексема. То есть в данном случае в список из 1 000 ключевых слов входят не только слова, но и словоформы. Аналогичная сложность в лемматизации характерна для сложных слов, не являющихся англицизмами. В RuFashBlog это, например, словоформы платье-ночнушку (14,7), платья-ночнушки (14,7) и юбка-карандаш (22,0), юбками-карандаш (14,7), юбками-платьями (14,7), юбки-карандаш (23,5), юбкой-карандаш (14,5), которые распознаются как самостоятельные леммы. Такие слова попали в список ключевых, поскольку в общеразговорном языке, представленном в нашем случае референтным корпусом RuTenTen 2011, они практически не встречаются. В-третьих, в списке ключевых слов (см. рис. 1) обнаруживаются лексемы, написанные на латинице: mango (215,2), gucci (178,0), balenciaga (153,9), zara (132,1), miu (121,5). Появление этих лексических единиц в списке ключевых тоже объясняется высокой частотностью наименований брендов в блогах о моде в сравнении с их частотностью в общеразговорном языке и их нетипичным для русского языка сочетанием графем - они написаны латиницей, а не кириллицей. Таким образом, первая из перечисленных особенностей создаёт шум в результатах поиска, вторая и третья, помимо создания шума, свидетельствуют о необходимости ручной проверки результатов поиска для выявления искомых англицизмов и их производных. Ручная проверка первой страницы (рис. 1) ключевых слов позволяет увидеть, что в список искомых англицизмов в сфере моды и их производных попало 16 из 331 лексем на русском языке: аутфит (от англ. outfit), бомбер (от англ. bomber), деним (от англ. denim), джинсы, джинсовая (от англ. jeans), кардиган (от англ. cardigan), клатч (от англ. clutch), кэжуал (от англ. casual), макси (от англ. maxi), миди (от англ. midi), оверсайз (от англ. oversize), принт (от англ. print), свитер (от англ. sweater), стритстайл (от англ. street style), тренд (от англ. trend), тренч (от англ. 1 В данном случае имеются в виду 33 лексемы на первой странице результатов поиска, а не 50 ключевых слов и словоформ, которые представлены на рис. 1. 18 Алюнина Ю.М. Где живут чудовища? Корпусный метод обнаружения англицизмов trench). То есть практически половина ключевых лексем на первой странице поиска являются англицизмами и их дериватами. Как было сказано ранее, в Sketch Engine список ключевых слов по умолчанию формируется из 1 000 единиц, что усложняет их ручную проверку и сортировку на сайте менеджера корпусов. Для ускорения и частичной автоматизации ручной проверки дальнейшую работу по обнаружению англицизмов и их производных необходимо выполнять в Excel, скачав сформировавшийся список ключевых слов в соответствующем формате (эта возможность предусмотрена Sketch Engine). Для выявления англицизмов в сфере моды и их производных в списке ключевых слов в Excel требуется выполнить следующий алгоритм действий: 1. Применить функцию Таблица к списку ключевых слов с их числовыми значениями для удобства синхронизированной сортировки строк. 2. Отсортировать строки в алфавитном порядке, в результате чего верхние строки будут заняты словами или словоформами, написанными латиницей, что позволит единовременно их исключить из списка ключевых слов. В нашем случае было исключено 229 слов, написанных латиницей (adidas, armani, asos, chanel, chloe, cors, dutti, fendi, kari, kenzo, lakbi, lamoda, moschino, prada, valentino, wildberries, zara и др.). 3. Исключить слова и словоформы, которые не отвечают цели поиска. В нашем случае такими единицами стали: - англицизмы и их производные, которые не относятся к сфере моды (кликабельный, лайфхак, лого, экспресс-пост, экспресс-текст и др.); - слова и словоформы, которые относятся к сфере моды, но не являются англицизмами и их производными (балетками, балетки, балеток, бант, воротник, вязаный, капюшон и др.); - слова, не имеющие отношения к сфере моды (как-будто, любимчик, любительница, цейлонский и др.); - просторечия и сленгизмы (адски, ботан, капец, крайняк и др.); - имена собственные и их производные (инстаграм, инста и др.; Ай-платов - фамилия дизайнера; Винтур - фамилия главного редактора американского издания журнала Vogue; Честейн - фамилия актрисы Джессики Честейн). После исключения нерелевантных слов и словоформ из результатов поиска в нашем списке осталось 250 слов (джинсовый, тренч, шоппер) и словоформ (джинсовая, джинсовой, джинсовую; тренча, тренчами, тренчей; шопп

Скачать электронную версию публикации