АНГЛОМОВНА ТЕРМІНОЛОГІЯ ШТУЧНОГО ІНТЕЛЕКТУ В КОНТЕКСТІ ІНШИХ ТЕРМІНОСИСТЕМ (досвід лінгвостатистичного аналізу)




  • скачать файл:
Название:
АНГЛОМОВНА ТЕРМІНОЛОГІЯ ШТУЧНОГО ІНТЕЛЕКТУ В КОНТЕКСТІ ІНШИХ ТЕРМІНОСИСТЕМ (досвід лінгвостатистичного аналізу)
Альтернативное Название: Англоязычная терминология ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В КОНТЕКСТЕ ДРУГИХ терминосистем (опыт лингвостатистичного анализа)
Тип: Автореферат
Краткое содержание:

Розділ 1. ,,Теоретичні та методологічні засади дослідження”.
У вітчизняному та зарубіжному термінознавстві дослідження можна поділити на два напрями: роботи загальнотеоретичного характеру (Б.М.Головін, С.В.Гриньов, І.С.Квітко, Т.Р.Кияк, Т.Chung, H.Felber) та описи окремих термінологічних об’єднань (П.В.Войко, О.В.Константінова, З.Б.Куделько, Г.Б.Фогель та ін.). У той же час, поставлена в цій праці мета у доступних нам роботах не визначалася.


Слід зазначити, що в основі нашого дослідження лежить низка теоретичних положень, часто дискусійних (розуміння наукового терміна, стратифікація термінологічної лексики наукового тексту тощо), яким уже була присвячена не одна праця. Дослідники переважно по-різному розуміють поняття ,,термін”. Існує два підходи щодо визначення терміна: структурно-субстанційний та функціональний. Прихильники структурно-субстанційного підходу розглядають термін як особливе слово, яке протиставляється за своєю семантичною
і граматичною структурою загальновживаному (Д.С.Лотте, Т.Л.Канделакі). Прихильниками функціонального підходу було доведено, що термін – це функція, тип вживання лексичної одиниці, а не особливий тип лексичної одиниці (Б.М.Головін, В.М.Лейчик, Т.Р.Кияк, Е.Ф.Скороходько). У дослідженні ми дотримувались концепції про функціональну природу терміна. Е.Ф.Скороходько розуміє термін як слово чи усталене словосполучення, яке виражає спеціальне поняття науки, техніки або іншої галузі людської діяльності та має дефініцію, яка розкриває ті ознаки цього поняття, що є релевантними саме для тієї галузі.
Це визначення терміна вважатимемо найбільш адекватним, тому що воно:
а) охоплює найважливіші ознаки терміна, такі, як наявність дефініції, його системність, обмежена сфера вживання; б) робить акцент на характері дефініції, адже саме дефініція включає термін у відповідну термінологічну систему;
в) поширюється також на загальнонаукову термінологію. Виходячи з цих характеристик, надалі спиратимемося на цю дефініцію.


У вітчизняному і зарубіжному термінознавстві існують протилежні погляди на поняття ,,термінологія” та ,,терміносистема”: а) ці терміни вважаються синонімічними (К.Я.Авербух; Е.Ф.Скороходько); б) терміни ,,термінологія”
і ,,терміносистема” – не синонімічні (В.М.Лейчик). При першому із зазначених підходів терміносистема – це термінологія, у якій експліцитно представлені її системні властивості (К.Я.Авербух). Терміни ,,термінологія” і ,,терміносистема” виступають у визначенні К.Я.Авербуха як гіперонім та гіпонім. В.М.Лейчик дещо по-іншому розуміє ці поняття. Відмінність між термінологіями та терміносистемами, на його думку, полягає у способі їх утворення. Відповідно до цього підходу, термінології утворюються стихійно, у міру накопичення знань. Терміносистеми свідомо конструюються після того, як сформувалася теорія. Говорячи про термінологію, дослідники розрізняють: а) науку про терміни (термінознавство); б) фахову лексику в складі всіх слів певної мови (наприклад, термінологія німецької мови); в) спеціальну лексику, що обслуговує певну галузь науки чи техніки (А.С.Д’яков, Т.Р.Кияк, З.Б.Куделько). Проте крім цих значень
у термін ,,термінологія” вкладають додатково різні смислові відтінки: всю сукупність термінів, незалежно від того, чи упорядкована вона, чи ні. За ознакою упорядкованості термінологія мови поділяється на упорядковану (стандартизовану) та на стихійну (Е.Ф.Скороходько). Термінології, не тільки стандартизованій, але й стихійній, як і лексиці в цілому, притаманна системність. Між термінами існують різноманітні відношення – семантичні, етимологічні, словотворчі тощо. Тому будь-яку термінологію можна назвати термінологічною системою. У працях термінологів часто неявно під терміносистемою розуміють систему упорядкованих термінів.
Таким чином, по суті, термінологія
і термінологічна система (терміносистема) – синоніми. Синонімічність термінів ,,термінологія” і ,,термінологічна система” (,,терміносистема”) підтверджується тим, що навіть у нормативних документах вищого рівня (стандартах на терміни
й визначення), які репрезентують упорядковані термінології, вживається виключно назва термінологія. Ми дотримуємося позиції, що терміни ,,термінологія” і ,,терміносистема” синонімічні.


Існують різні погляди і на стратифікацію лексичної складової наукового тексту. Розбіжності стосуються, головним чином, статусу загальнонаукової лексики. Одні дослідники виділяють її як окрему категорію, поряд із термінологічною та загальнолітературною лексикою (М.М.Глушко), інші зараховують її до специфічного шару термінології (С.В.Шепітько). Ми поділяємо погляд С.В.Шепітько і в цій роботі обмежуємося аналізом термінологічної лексики й розрізняємо три категорії термінів, які функціонують у науковому тексті: інтрагалузеві терміни, які належать галузі знання, представником якої
є відповідний текст, екстрагалузеві терміни, які належать суміжній галузі знання, і загальнонаукові терміни.


Упродовж останніх десятиріч активізувалися спроби розв’язати проблему ідентифікації термінів у тексті. Ці спроби зумовлені необхідністю вироблення методів автоматичного розпізнавання термінів у тексті для систем штучного інтелекту. Ці методи вписуються в рамки двох основних підходів: статистичного (Т.Chung, U.Kiyotaka) та лінгвістичного (P.Drouin, M.Hong). Характерним для першого підходу є метод Т.Чанг, яка пропонує ідентифікувати терміни, порівнюючи частоту слова в текстах різного характеру й різного змісту. Недоліком чисто статистичних методів автоматичного розпізнавання термінів
у текстах є те, що сама по собі частота не може слугувати критерієм розмежування термінів і нетермінів. Автори лінгвістичних методів автоматичного розпізнавання термінів у текстах аналізують належність компонентів лексичної одиниці до тих чи інших частин мови (P.Drouin, M.Hong), використовують лексичні функції теорії ,,значення-текст” (B.Orliac), ідентифікують термін за його мовним оточенням
у тексті (H.Fulford). Усі спроби автоматизувати розпізнавання термінів у тексті можна вважати успішними лише частково. Ефективність подібних методів невелика. Ідентифікуються не більше 70% термінів тексту (H.Nakagawa). Це не дивує, адже автори методів автоматичного розпізнавання термінів у тексті вимушені шукати вихід у створенні чисто формальних, кількісних методик. Але мова, наукова у тому числі, не є формальною системою. Тому формальних ознак, які б дозволили чітко розрізняти термін від нетерміна, не існує. Ознаки, які фігурують у визначеннях терміна (до того ж, здебільшого неузгоджених, часто суперечливих), теж не можуть слугувати критеріями термінологічності. Можна погодитися з думкою С.В.Гриньова, Е.Ф.Скороходька, що взагалі не існує чіткої межі між терміном і нетерміном. Е.Ф.Скороходько вважає некоректним саму постановку питання типу ,,Це термін чи нетермін?” і наполягає на тому, що натомість слід говорити про ступінь термінологічності.


Відсутність чіткого критерію визначення термінологічності й неможливість його формулювання на сучасній стадії розвитку термінознавства залишають єдиний шлях відбору фахової лексики з текстів: комплексну методику ідентифікації термінів у науковому тексті. Ця методика спирається, передусім,
на аналіз контексту. Враховуються безпосередня чи опосередкована наявність дефініції, структура мовної одиниці, її сполучуваність з іншими одиницями
у межах досліджуваного тексту, можливість переосмислення компонентів.


Розділ 2. ,,Міжкатегоріальні зіставлення спеціальних та неспеціальних термінів у англомовних наукових текстах зі штучного інтелекту”. Кожний науковий текст, крім термінів, що позначають реалії відповідної галузі (інтрагалузевих термінів), містить екстрагалузеві терміни, а також загальнонаукові терміни. Не є винятком тексти зі штучного інтелекту. Інтрагалузеві терміни
в обстежених текстах становлять 74,6% (1118 одиниць). Характер інтрагалузевих термінів ілюструють такі приклади: digital image scene, edge detection (розпізнавання образів); data mining (видобування знань); concept-tree clustering (доведення теорем). Тексти зі штучного інтелекту містять терміни статистики, наприклад: correlation coefficient, integral square error; математики, наприклад: cluster analysis, Euclidean metric; обчислювальної техніки та інформатики, наприклад: on-line system, relational database; мовознавства, наприклад: antonymy relation, discourse structure; загальнонаукові терміни, наприклад: degree, dimension. Екстрагалузеві терміни у текстах зі штучного інтелекту складають, за нашими підрахунками, 8,4% (126 одиниць); загальнонаукові – 17,0% (255 одиниць) від загальної кількості термінологічних одиниць, а за кількістю терміновживань, відповідно, 11,9% та 31,6%. Таким чином, частка неспеціальних термінів
у наукових текстах зі штучного інтелекту значна. Проте бракує досліджень, присвячених з’ясуванню специфіки цих структурних і термінотвірних моделей термінів цих категорій.


Англомовна термінологія, як і більшість сучасних термінологічних систем, складається з лексичних одиниць двох типів: одно- та багатокомпонентних термінів (за компонент приймаємо кореневу морфему). До останніх належать
як складні слова і словосполучення, так і одиниці з невизначеним чи
перехідним статусом (Д.І.Квеселевич; Е.Ф.Скороходько). Кількість компонентів терміна називатимемо його довжиною. Серед досліджених термінів, які функціонують у текстах зі штучного інтелекту виявилося 395 однокомпонентних
і 1104 багатокомпонентних одиниць (які налічують дві й більше кореневі морфеми), що становить 26% і
74% відповідно. Це характеризує загальну тенденцію сучасного термінотворення, яка полягає у використанні складних синтаксичних одиниць. С.В.Гриньов стверджує, що 60–95% термінів в сучасних європейських мовах – це багатокомпонентні одиниці. Проте частка багатокомпонентних одиниць серед термінів різних категорій суттєво відрізняється. Якщо серед інтрагалузевих термінів 88% – багатокомпонентні одиниці, то серед екстрагалузевих їх 63%, а серед загальнонаукових – лише 8%.
У середньому інтрагалузевий термін налічує 2,275, екстрагалузевий – 1,817, загальнонауковий – 1,075 компонентів. Різниця – статистично значуща: в усіх випадках імовірність помилки практично дорівнює нулеві, довірчі інтервали не перетинаються. Найбільша довжина інтрагалузевого терміна – 6 компонентів, екстрагалузевого – 4, загальнонаукового – 3 компоненти.
Результати дослідження надають можливість зробити висновок про те, що існує зв’язок між довжиною та категорією терміна. У середньому структурно найскладнішими виявилися інтрагалузеві терміни, найпростішими – загальнонаукові. Якщо прийняти середню довжину загальнонаукового терміна за одиницю, то співвідношення за цим параметром між інтрагалузевими, екстрагалузевими та загальнонауковими термінами, які функціонують у текстах зі штучного інтелекту, можна представити як 2,12 : 1,69 : 1,00.


Наша вибірка серед термінів, які функціонують у англомовних наукових текстах зі штучного інтелекту, налічує 395 однокомпонентних одиниць:
111 інтрагалузевих, 47 екстрагалузевих, 237 загальнонаукових. Практична неможливість передати всі поняття штучного інтелекту за допомогою однокомпонентних термінів веде до утворення структурно складніших одиниць – термінів-композитів та словосполучень. До найважливіших характеристик багатокомпонентних термінів належать частиномовна модель та термінотвірний тип терміна. Багатокомпонентні терміни, які функціонують у текстах зі штучного інтелекту, описуються 54 частиномовними моделями. Із цієї кількості
52 припадають на інтрагалузеві терміни, 11 – на екстрагалузеві й лише 5 – на загальнонаукові. Спільними для всіх трьох категорій термінів є три моделі, де

N – іменник, А – прикметник: NN, AN, ANN. Серед інтрагалузевих термінів продуктивними є такі моделі: NN, AN, NNN, ANN, NAN, ANNN. Майже половина багатокомпонентних термінів належить до моделі NN. Домінування утворень цього типу пояснюється, з одного боку, тенденцією до лаконічності та спрощення мовних форм, з іншого – широким діапазоном семантичних відношень, які здатна передавати конструкція NN. Перш за все, це об’єктні, суб’єктні, інструментальні відношення. У текстах галузі штучного інтелекту часто йдеться про ситуацію дії та про її окремі складники – об’єкт, інструмент чи результат дії, наприклад: chaining algorithm, character classification, data analysis.


Афікс несе певну інформацію про семантику терміна, незалежно від того, чи брав він участь у процесі термінотворення, чи ні. Тому була підрахована також частота фінальних суфіксів одно- та багатокомпонентних одиниць у структурі термінів штучного інтелекту. В останніх враховувався фінальний суфікс ядерного компонента. Так, у терміні error-tolerant graph isomorphism detection брався до уваги лише суфікс ‑ion. За критерієм хі-квадрат фіксується зв’язок між фінальними суфіксами та категорією термінів. Сила зв’язку (V Кремера) дорівнює 0,325.


За способом творення серед інтрагалузевих термінів штучного інтелекту домінують складні слова, серед екстрагалузевих – складні слова та словосполучення (різниця частот цих одиниць статистично не суттєва). Натомість загальнонаукові терміни, переважно однокомпонентні, – це частіше афіксальні утворення. Стосовно цієї ознаки термінів так само простежується зв’язок між категорією терміна і його термінотвірним типом. Сила зв’язку середня: V Кремера дорівнює 0,546. Таким чином, можна констатувати, що як за структурними, так
і за термінотвірними ознаками одиниці трьох розглянутих категорій – інтрагалузевих, екстрагалузевих та загальнонаукових термінів – суттєво відрізняються. Перша відмінність стосується структурної складності термінів. Найскладніші (й найдовші) в середньому інтрагалузеві терміни, найпростіші
(й найкоротші) – загальнонаукові. Цю відмінність можна інтерпретувати як таку, що віддзеркалює загальні лінгвістичні закони, зокрема закон економії мовленнєвих зусиль. Інтрагалузеві терміни охоплюють діапазон мовних засобів, що номінують увесь спектр наукових понять штучного інтелекту. Як у кожній науці, більшість останніх – складні вузькоспеціальні поняття. Терміни, що виражають складні наукові поняття (за класифікацією Е.Ф.Скороходька, ,,інформативні маркери”), мають, відповідно, складну семантичну структуру. Враховуючи тенденцію термінів до повнозначності (максимального віддзеркалення суттєвих ознак поняття) це неминуче призводить до ускладнення морфологічної та/чи синтаксичної структури мовної одиниці. З іншого боку, ці терміни функціонують переважно в текстах однієї галузі і мають меншу частоту вживання. Тому відносно громіздкі інформативні маркери менше відкидаються мовою. Екстрагалузеві терміни – це терміни наукових дисциплін, які використовуються в текстах різних галузей. Звідси випливає, що це такі спеціальні терміни, які виражають поняття більш-менш широкої сфери функціонування, тобто певні базові поняття (за класифікацією Е.Ф.Скороходька, ,,індикативні маркери”). Частота їхнього вживання більша, порівняно з інформативними маркерами та інтрагалузевими термінами в цілому. Отже, вони повинні більшою мірою підлягати дії закону економії, краще відповідати прагматичним вимогам лаконічності, структурної повноти, що й демонструє наше дослідження. Загальнонаукові терміни мають найширшу сферу функціонування. Тому вони найкоротші та найчастотніші.


Друга відмінність стосується різноманітності мовних форм. Кількість частиномовних моделей, реалізованих в інтрагалузевих, екстрагалузевих та загальнонаукових термінах, які функціонують у текстах зі штучного інтелекту, виражається співвідношенням 10,4 : 2,2 : 1. Імовірно, це корелює з довжиною термінів різних категорій. Терміни різних категорій істотно відрізняються й за продуктивністю частиномовних моделей. Із двох найпродуктивніших моделей – NN та AN – серед інтрагалузевих термінів домінує перша, а серед загальнонаукових – друга. Серед екстрагалузевих термінів різниця продуктивності цих моделей статистично не значуща. Домінування утворень типу NN серед інтрагалузевих термінів пояснюється тенденцією до лаконічності та спрощення мовних форм і широким діапазоном семантичних відношень, що їх здатна передавати ця конструкція. Використання моделі NN, безумовно, відповідає потребам мовця, тут – автора наукового твору. Але її переваги, зокрема її ,,поліреляційність”, мають також негативні наслідки. Якщо словосполучення типу AN найчастіше виражає певне відношення експліцитно, то модель NN – імпліцитно (пор. паралельні форми decomposition of graphs / graph decomposition, beveled cut / bevel cut). Звідси – реляційна розмитість цих форм. Термін decomposition algorithm може означати як алгоритм, що здійснює декомпозицію, так і алгоритм, який здійснює якусь іншу операцію шляхом декомпозиції (виступаючи у цьому значенні як скорочена форма decomposition based algorithm). Таким чином, читачу доводиться докладати додаткові розумові зусилля на дешифрування смислу таких виразів. Якщо стосовно інтрагалузевих термінів це певною мірою компенсується фаховими знаннями читача, то екстрагалузеві терміни типу NN несуть загрозу хибного розуміння. Істотно різниться й продуктивність різних способів термінотворення. За цим параметром співвідношення кількості інтрагалузевих, екстрагалузевих та загальнонаукових термінів таке: а) основоскладання – 52,91 : 3,18 : 1; б) синтаксичне термінотворення – 63,00 : 6,83 : 1; в) морфологічне (афіксальне) термінотворення – 0,26 : 0,13 : 1; г) семантичне термінотворення – 1,22 : 0,34 : 1. Деякі з відмінностей (пов’язаних, наприклад, зі структурною складністю терміна, поширеністю чисто іменникових утворень типу NN, NNN тощо) можна інтерпретувати як такі, що віддзеркалюють загальні лінгвістичні закони або особливості англійської мови.


Розділ 3. ,,Міжгалузеві зіставлення спеціальних та неспеціальних термінів у англомовних наукових текстах різних галузей”. Для з’ясування, що
є спільного й відмінного між термінами, які функціонують у наукових англомовних текстах зі штучного інтелекту й текстах інших наукових галузей, розглядатимемо окремо інтрагалузеві, екстрагалузеві та загальнонаукові терміни.
Довжина інтрагалузевих термінів у чотирьох досліджених термінологіях становить у середньому 2,381 компонента, за галузями: штучний інтелект – 2,275, аерокосмічні технології – 2,728, матеріалознавство – 2,248, фінансово-економічна справа – 2,262. У трьох випадках (штучний інтелект, матеріалознавство, фінансово-економічна справа) різниця неістотна. Проте аерокосмічні терміни демонструють більшу, порівняно з трьома іншими галузями, довжину. В усіх чотирьох термінологіях розподіл термінів має багато спільного. Близько половини термінів припадає на двокомпонентні одиниці, чверть – на трикомпонентні, приблизно 10% – на однокомпонентні терміни. З поміж чотирьох термінологій дещо вирізняється за розподілом аерокосмічна. У ній відносно менше одно- та двокомпонентних одиниць, натомість більше довших термінів. Крім того, це єдина термінологія, в якій ми зареєстрували семи- та восьмикомпонентні одиниці, наприклад: augmented frequency-dependent pressurе coupled combustion response. Однак слід констатувати, що тенденції розподілу залишаються незмінними. Таким чином, враховуючи, що чотири досліджені терміносистеми належать до різних
за характером галузей знання,
можна зробити висновок, що розподіл термінів
за довжиною – це одна з термінологічних універсалій.


Ураховуючи, що в сучасних термінологіях багатокомпонентні одиниці становлять до 80-90% термінів, увага до їхньої структури видається правомірною. Обстежені інтрагалузеві терміни належать до 149 різних частиномовних моделей. Найбільш різноманітними у цьому відношенні є аерокосмічні терміни: вони побудовані за 104 моделями (70% від загальної кількості моделей).
Інші дисципліни використовують меншу кількість моделей: у штучному інтелекті – 52 (35%), матеріалознавстві – 50 (34%), фінансово-економічній галузі – 56 (38%). Частково це пояснюється тим, що в аерокосмічній термінології кількість трикомпонентних, шестикомпонентних одиниць суттєво перевищує кількість таких термінів у інших галузях. Імовірно, що кількість моделей корелює
з кількістю термінів. Крім того, серед аерокосмічних термінів є
семи-восьмикомпонентні одиниці, відсутні в інших термінологіях. Статистично значуща різниця кількості термінів однієї моделі в різних термінологіях, тобто її різна продуктивність, дозволяє висунути припущення, що саме в цьому й полягає відмінність між дослідженими термінологіями. Для додаткової перевірки цієї гіпотези використано критерій ,,хі-квадрат”. Попарне зіставлення продуктивних моделей за цим критерієм так само показало, що зв’язок між галуззю та частиномовною моделлю існує. В усіх випадках різниця продуктивності статистично значуща: у парах ,,штучний інтелект :: аерокосмічна технологія” та ,,штучний інтелект :: фінансово-економічна справа” імовірність помилки не перевищує 0,00000. В парі ,,штучний інтелект :: матеріалознавство” – 0,02446. Одна з головних вимог до зіставного аналізу термінології – уніфікація опису порівнюваних об’єктів, оскільки важливо максимально зменшити вплив суб’єктивних чинників. Семантичні характеристики не мають формального вираження. Проте семантичну категорію терміна певною мірою віддзеркалює
фінальний суфікс. З цією метою виділено три групи суфіксів. До першої ввійшли суфікси, пов’язані із ситуацією дії, які формують назви дії, а також суб’єкта, об’єкта, інструмента, результату дії, наприклад: -er, -ing, -ion, -ment, -or, -tor. Друга охоплює суфікси зі значенням властивості, якості: -ance, -ness, -ity, ‑ty, третя надає абстрактного значення, наприклад: ‑age, -cy, -ics, -ism, -ity, -ure, ‑tude. Це найтиповіші значення, наприклад: laser welding, acquisition, measurement, actuator, air compressor; base metal resistance, salience, robustness, velocity; strong semantic linkage, dominant frequency, structural dynamics, graph isomorphism, nominal geometric magnitude. Виявилося, що існує зв’язок між галуззю науки й кількістю термінів, оформлених суфіксами різних груп. Кількість інтрагалузевих термінів, що стосуються дії, у термінології штучного інтелекту істотно перевищує кількість термінів у інших галузях: 79% від загальної кількості термінів із фінальним суфіксом, у той час як у решті термінологій налічується 64% таких термінів. Натомість кількість термінів на позначення якостей, властивостей, ознак
у термінології штучного інтелекту істотно менша, ніж у термінологіях матеріалознавства й фінансово-економічній: 13% проти 21-22%. Кількість таких термінів в аерокосмічній термінології (15%) відрізняється не істотно. Так само термінологія штучного інтелекту містить істотно менше термінів з абстрактним значенням, ніж решта термінологій: 8% проти 13-21%. Перевірка за критерієм
,,хі квадрат” показує, що існує зв’язок між галузевою належністю терміна та його семантичною категорією (встановленою за структурним фінальним суфіксом). Сила зв’язку невелика: V Кремера дорівнює 0,120. Виявлену залежність можна пояснити характером
референтного субстрату. Штучний інтелект спрямований на створення систем, які імітують людську діяльність.


Найчисленнішими в усіх чотирьох термінологіях, як і можна було чекати, враховуючи попередні результати, виявилися складні слова й словосполучення. На ці два типи одиниць припадає у кожній галузі від 77 до 86% інтрагалузевих термінів. У той же час питома вага термінів цих двох типів у різних термінологіях неоднакова. Частка складних слів у термінології штучного інтелекту перевищує аналогічний показник в усіх інших терміносистемах, за винятком матеріалознавства. Натомість частка словосполучень у термінології штучного інтелекту більша, ніж у термінології матеріалознавства. Загалом зв’язок між термінотвірним типом та галузевою належністю терміна існує. Сила зв’язку
(V Кремера) дорівнює 0,169. В усіх чотирьох термінологіях найбільша
кількість складних слів побудована поєднанням двох, трьох чи чотирьох іменникових основ. За частиномовною моделлю NN у термінології штучного інтелекту створено 440 термінів (75,60% від кількості складних слів у цій терміносистемі), в аерокосмічній – 295 (60,57%), у матеріалознавчій –
479 (73,47%), у фінансово-економічній (274%). За моделлю NNN, відповідно,
110 (18,90%), 144 (29,57%), 131 (20,09%), 76 (20,21%), а за моделлю NNNN
12 (2,06%), 20 (4,11%), 22 (3,37%), 11 (2.93%) термінів. Загальна кількість частиномовних моделей термінів-словосполучень – 87. З них термінології штучного інтелекту належить 40, аерокосмічній – 53, матеріалознавчій термінології – 29, фінансово-економічній – 45. Спільними для чотирьох термінологій є тринадцять моделей, де Ad – прислівник, P1 – дієприкметник теперішнього часу, P2 – дієприкметник минулого часу, Prep – прийменник, наприклад: AN, ANN, AAN, ANNN, NAN, P1N, NPrepN, P2N, AdAN, AANN, NANN, N’sN, ANANN.


Серед трансформів (Е.Ф.Скороходько), або семантичних дериватів, у всіх досліджених термінологіях наявні як кореневі слова, так і афіксальні утворення, тобто одиниці, які приєднали суфікс чи префікс на стадії утворення побутового чи загальнолітературного слова. До першої групи в термінології штучного інтелекту належать 48 термінів (78,69% від загальної кількості трансформів у цій термінології), в аерокосмічній – 37 (86,05%), у матеріалознавчій – 58 (90,63%),
у фінансово-економічній – 12 (75,00%). Різниця статистично незначуща, можливо, через малу кількість трансформів. Як і в термінології штучного інтелекту, найчастіше спостерігається звуження значення, наприклад: flap ‘закрилок’.


Джерелом екстрагалузевих термінів у текстах різних галузей є низка наукових дисциплін. Головними донорами виступають біологія,
інформатика, математика, машинобудування, механіка, статистика, фізика, хімія. У текстах зі штучного інтелекту, на відміну від інших галузей, домінують
терміни математики, статистики, інформатики. Три найчастотніших екстрагалузевих терміни тут є представниками математики: set ‘множина’
(180 входжень, або 18,44% від загальної кількості вживань суміжних термінів), vertex ‘вершина графа’ (частота 111, або 11,37%), node ‘вузол графа’ (85, або 8,71%). У текстах з аерокосмічних технологій домінують терміни фізики та математики, з матеріалознавства – статистики, математики та машинобудування,
у текстах з фінансово-економічної справи – статистичні терміни та терміни машинобудування. Екстрагалузеві терміни, виявлені в текстах чотирьох галузей, представляють усі термінотвірні типи, за винятком абревіатур, присутніх лише
в текстах зі штучного інтелекту. Відмінності між термінотвірними типами екстрагалузевих термінів у різних галузях полягають у кількісному співвідношенні.
Таким чином, як за складом, так і за деякими структурними
і термінотвірними характеристиками екстрагалузеві терміни у текстах різних наукових галузей мають суттєві відмінності. Очевидно, що і тут ці відмінності також обумовлені специфікою концептуального і когнітивного наповнення текстів. Розподіл загальнонаукових термінів за частотою в текстах різних галузей виявляє істотні розбіжності. Наприклад, якщо в текстах зі штучного інтелекту термін model має найвищий – перший – ранг, тобто є найчастотнішим (131 вживання, 5% від уживань усіх термінів цієї категорії), у текстах
інших галузей його ранг значно менший і становить 10,5 в термінології авіакосмічних технологій, 54 у матеріалознавстві, 29,5 у фінансово-економічній справі. У текстах із штучного інтелекту акцент робиться на теоретичне моделювання ментальних процесів, в аерокосмічних технологіях домінують методи розрахунків складних конструкцій, у матеріалознавстві – експериментальні дослідження фізичних матеріалів, у фінансово-економічній галузі значна увага приділяється часовим вимірам.


За результатами кластерного аналізу термінологій найближчою до термінології штучного інтелекту виявилася термінологія матеріалознавства. Близькість цих двох термінологій одна до одної випливає також із їхніх загальних описів. Спільні ознаки цих двох термінологій: а) кількість частиномовних моделей у кожній термінології (52 та 50), статистично значуща різниця між ними відсутня; б) існує зв’язок між галуззю та частиномовною моделлю. Розрізнювальні ознаки: а) номенклатура частиномовних моделей: є середньопродуктивні моделі, наявні лише в одній із двох термінологічних систем; б) різна продуктивність частиномовних моделей у цих двох термінологіях.


Чотири досліджувані термінології відрізняються одна від одної
не лише конкретними значеннями продуктивності частиномовних
моделей, а й співвідношеннями цих величин. Інакше кажучи, ,,паспортом” термінології, який віддзеркалює її специфічність, слугує розподіл термінів
за відповідною ознакою. Такий паспорт назвемо профілем термінології.
Профіль – це розподіл термінів за значеннями певної ознаки, тобто опис, який подає кількість термінів, які відповідають кожному значенню ознаки. Відмінності між термінологіями різних наукових дисциплін зумовлюються, перш за все, позамовними чинниками, пов’язаними зі специфікою предметної галузі, яка обслуговується відповідною дисципліною, концептуальним апаратом цієї дисципліни. У зв’язку з цим пропонується поняття референтного субстрату наукового тексту. Референтний субстрат визначається кількома чинниками: характером об’єктів, методів дослідження в науковій галузі, ступенем математизації науки.


 


ВИСНОВКИ


У результаті дослідження структурних і термінотвірних характеристик термінів установлено, що існують чіткі відмінності між цими характеристиками термінів усіх трьох категорій, які одночасно функціонують у науковому тексті: інтрагалузевих, екстрагалузевих та загальнонаукових. Найскладнішими за структурними і термінотвірними характеристиками є інтрагалузеві терміни, найпростішими – загальнонаукові. Це виявляється і в кількості їхніх структурних компонентів, і в різноманітності мовних форм, зокрема в різноманітності частиномовних моделей.


Основна відмінність між структурними і термінотвірними характеристиками інтрагалузевих термінів різних наукових дисциплін полягає, передусім,
не в наявності якихось рис, притаманних одним термінологіям і відсутніх в інших, а в кількісних співвідношеннях частот мовних форм чи продуктивності термінотвірних моделей, присутніх в усіх термінологіях. Саме в сукупності таких співвідношень і полягає відмінність між термінологіями окремих галузей чи окремих категорій. У зв’язку з цим запропоновано поняття термінологічного профілю, який може слугувати своєрідним паспортом термінології.


У дослідженні встановлено, що відмінності між термінологіями різних наукових дисциплін зумовлюються, перш за все, позамовними чинниками, пов’язаними зі специфікою предметної галузі, яка обслуговується відповідною дисципліною, концептуальним апаратом цієї дисципліни. У зв’язку з цим запропоновано поняття референтного субстрату наукового тексту.


У роботі було визначено ступінь подібності між чотирма досліджуваними термінологіями. Англомовна термінологія матеріалознавста та обробки металу
є найближчою до термінології штучного інтелекту.


 


Проблеми вивчення структурних і термінотвірних характеристик терміна мають перспективи подальших досліджень. Перспективним вважається розширення рамок дослідження за рахунок порівняння вище згаданих характеристик термінів, які функціонують у текстах різних жанрів і належать до однієї галузі знання (наприклад, до галузі аерокосмічних технологій).

Заказать выполнение авторской работы:

Поля, отмеченные * обязательны для заполнения:


Заказчик:


ПОИСК ДИССЕРТАЦИИ, АВТОРЕФЕРАТА ИЛИ СТАТЬИ


Доставка любой диссертации из России и Украины


ПОСЛЕДНИЕ СТАТЬИ И АВТОРЕФЕРАТЫ

МИШУНЕНКОВА ОЛЬГА ВЛАДИМИРОВНА Взаимосвязь теоретической и практической подготовки бакалавров по направлению «Туризм и рекреация» в Республике Польша»
Ржевский Валентин Сергеевич Комплексное применение низкочастотного переменного электростатического поля и широкополосной электромагнитной терапии в реабилитации больных с гнойно-воспалительными заболеваниями челюстно-лицевой области
Орехов Генрих Васильевич НАУЧНОЕ ОБОСНОВАНИЕ И ТЕХНИЧЕСКОЕ ИСПОЛЬЗОВАНИЕ ЭФФЕКТА ВЗАИМОДЕЙСТВИЯ КОАКСИАЛЬНЫХ ЦИРКУЛЯЦИОННЫХ ТЕЧЕНИЙ
СОЛЯНИК Анатолий Иванович МЕТОДОЛОГИЯ И ПРИНЦИПЫ УПРАВЛЕНИЯ ПРОЦЕССАМИ САНАТОРНО-КУРОРТНОЙ РЕАБИЛИТАЦИИ НА ОСНОВЕ СИСТЕМЫ МЕНЕДЖМЕНТА КАЧЕСТВА
Антонова Александра Сергеевна СОРБЦИОННЫЕ И КООРДИНАЦИОННЫЕ ПРОЦЕССЫ ОБРАЗОВАНИЯ КОМПЛЕКСОНАТОВ ДВУХЗАРЯДНЫХ ИОНОВ МЕТАЛЛОВ В РАСТВОРЕ И НА ПОВЕРХНОСТИ ГИДРОКСИДОВ ЖЕЛЕЗА(Ш), АЛЮМИНИЯ(Ш) И МАРГАНЦА(ІУ)