Colocare - Collocation

În lingvistica corpusului , o colocare este o serie de cuvinte sau termeni care apar mai des decât s-ar fi așteptat întâmplător. În frazeologie , o colocație este un tip de frază compozițională , ceea ce înseamnă că poate fi înțeleasă din cuvintele care o compun. Acest lucru contrastează cu un idiom , în care sensul întregului nu poate fi dedus din părțile sale și poate fi complet fără legătură.

Un exemplu de colocație frazeologică, așa cum este propus de Michael Halliday , este expresia ceai puternic . Deși același sens ar putea fi transmis de ceaiul puternic aproximativ echivalent , această expresie este considerată excesivă și incomodă de vorbitorii de engleză. În schimb, o expresie corespunzătoare în tehnologie, computer puternic, este preferată în locul computerului puternic .

Există aproximativ șase tipuri principale de colocații: adjectiv + substantiv, substantiv + substantiv (cum ar fi substantivele colective ), verb + substantiv, adverb + adjectiv, verbe + frază prepozițională ( verbe frazale ) și verb + adverb.

Extracția colocației este o tehnică de calcul care găsește colocații într-un document sau corpus, utilizând diferite elemente de lingvistică de calcul asemănătoare minării datelor .

Definiție extinsă

Colocațiile sunt expresii parțial sau complet fixe care se stabilesc prin utilizarea repetată dependentă de context. Termeni precum „clar de cristal”, „management mediu”, „familie nucleară” și „chirurgie cosmetică” sunt exemple de perechi de cuvinte colocate.

Colocările pot fi într-o relație sintactică (cum ar fi verb-obiect : „face” și „decizie”), relație lexicală (cum ar fi antonimia ) sau nu pot fi în nici o relație lingvistic definită. Cunoașterea colocațiilor este vitală pentru utilizarea competentă a unui limbaj: o propoziție corectă din punct de vedere gramatical se va remarca ca fiind incomodă dacă preferințele colocaționale sunt încălcate. Acest lucru face din colocare un domeniu interesant pentru predarea limbilor străine.

Lingviștii corpusului specifică un cuvânt cheie în context ( KWIC ) și identifică cuvintele care le înconjoară imediat. Acest lucru oferă o idee despre modul în care sunt folosite cuvintele.

Prelucrarea colocațiilor implică o serie de parametri, dintre care cel mai important este măsura asocierii , care evaluează dacă coincidența este pur întâmplătoare sau semnificativă statistic . Datorită naturii non-aleatorii a limbajului, majoritatea colocațiilor sunt clasificate ca semnificative, iar scorurile asociației sunt pur și simplu folosite pentru a clasifica rezultatele. Măsurile de asociere utilizate în mod obișnuit includ informații reciproce , scoruri t și probabilitatea jurnalului .

În loc să selecteze o singură definiție, Gledhill propune că colocarea implică cel puțin trei perspective diferite: (i) co-apariție, o viziune statistică, care vede colocarea ca apariție recurentă într-un text al unui nod și colocarea acestuia, (ii) construcție , care vede colocarea fie ca o corelație între un lexem și un model lexical-gramatical, fie ca o relație între o bază și partenerii săi colocativi și (iii) expresie, o viziune pragmatică a colocării ca unitate convențională de expresie, indiferent de formă . Aceste perspective diferite contrastează cu modul obișnuit de prezentare a colocării în studiile frazeologice. În mod tradițional, colocarea este explicată în termeni din toate cele trei perspective simultan, într-un continuum:

„Combinație gratuită” ↔ „Colocare legată” ↔ „Frozen Idiom”

În dicționare

În 1933, Harold Palmer e Al doilea raport intermediar privind limba engleză colocații a subliniat importanța collocation ca o cheie pentru producerea de limbaj natural-sondare, pentru oricine învățarea unei limbi străine . Astfel, începând cu anii 1940, informațiile despre combinațiile recurente de cuvinte au devenit o caracteristică standard a dicționarelor monolingvului pentru elevi . Pe măsură ce aceste dicționare au devenit „mai puțin centrate pe cuvinte și mai centrate pe fraze”, s-a acordat mai multă atenție colocării. Această tendință a fost susținută, de la începutul secolului al XXI-lea, de disponibilitatea corpurilor de text mari și a software-ului inteligent de interogare a corpusului , făcând posibilă furnizarea unui cont mai sistematic al colocării în dicționare. Folosind aceste instrumente, dicționarele precum Macmillan English Dictionary și Longman Dictionary of Contemporary English au inclus cutii sau panouri cu liste de colocații frecvente.

Există, de asemenea, o serie de dicționare specializate dedicate descrierii colocărilor frecvente într-o limbă. Acestea includ (pentru spaniolă) Redes: Diccionario combinatorio del español contemporaneo (2004), (pentru franceză) Le Robert: Dictionnaire des combinaisons de mots (2007) și (pentru engleză) LTP Dictionary of Selected Collocations (1997) și Macmillan Dicționar de colocații (2010).

Colocare semnificativă statistic

Testul t al studentului poate fi utilizat pentru a determina dacă apariția unei colocări într-un corpus este semnificativă statistic. Pentru un bigram , să fie probabilitatea necondiționată de apariție a unui corpus cu dimensiune și să fie probabilitatea necondiționată de apariție a corpului. Apoi, scorul t pentru bigram este calculat ca: $w_{1}w_{2}$ $P(w_{1})={\frac {\#w_{1}}{N}}$ $w_{1}$ $N$ $P(w_{2})={\frac {\#w_{2}}{N}}$ $w_{2}$ $w_{1}w_{2}$

t={\frac {{\bar {x}}-\mu }{\sqrt {\frac {s^{2}}{N}}}},

în cazul în care este media eșantionului apariției , este numărul de apariții ale , este probabilitatea de sub-nul ipoteza că și apar independent în text, și este proba varianței. Cu un test mare , testul t este echivalent cu un test z . ${\bar {x}}={\frac {\#w_{i}w_{j}}{N}}$ $w_{1}w_{2}$ $\#w_{1}w_{2}$ $w_{1}w_{2}$ $\mu =P(w_{i})P(w_{j})$ $w_{1}w_{2}$ $w_{1}$ $w_{2}$ $s^{2}={\bar {x}}(1-{\bar {x}})\approx {\bar {x}}$ $N$