CC BY
42
Кочетова Л. А. Исследование аксиологических доминант в жанре пресс-релиза на основе методов автоматического извлечения ключевых слов корпуса текстов / Л. А. Кочетова, В. В. Попов // Научный диалог. — 2019. — № 6. — С. 32—49. — DOI: 10.24224/2227-12952019-6-32-49.
Kochetova, L. A., Popov, V. V. (2019). Research of Axiological Dominants in Press Release Genre based on Automatic Extraction of Key Words from Corpus. Nauchnyi dialog, 6: 32-49. DOI: 10.24224/2227-1295-2019-6-32-49. (In Russ.).
WEB OF <JC I E RI H J MWTL^'o,^
LIBRARY.
УДК 811.161.142:316.752+004.4412:659.4 DOI: 10.24224/2227-1295-2019-6-32-49
Исследование аксиологических доминант в жанре пресс-релиза на основе методов автоматического извлечения ключевых слов корпуса текстов1
© Кочетова Лариса Анатольевна (2019), orcid.org/0000-0002-5278-7373, SPIN-code 5806-7213, Researcher ID H-8598-2015, Scopus Author ID 56712699400, доктор филологических наук, профессор, кафедра английской филологии, ФГАОУ ВО «Волгоградский государственный университет» (Волгоград, Россия), [email protected]. © Попов Владимир Валентинович (2019), orcid.org/0000-0003-0419-2874, SPIN-code 4310-7945, Researcher ID В-4758-2018, кандидат физико-математических наук, доцент, кафедра компьютерных наук и экспериментальной математики, ФГАОУ ВО «Волгоградский государственный университет» (Волгоград, Россия) [email protected].
Актуальность работы обусловлена интересом к изучению дискурсивных практик методами корпусной лингвистики. Предметом анализа выступают аксиологические доминанты жанра, объективированные ключевыми словами, которые извлекаются из корпуса текстов статистическими методами. Авторы ставят целью показать специфику ценностных доминант русскоязычного жанра пресс-релиза на основе использования метода ключевых слов корпусной методологии и алгоритма, разработанного с применением языка программирования Python, основанного на мере tf-idf, которая позволяет объективно выявить лексико-семантические доминанты, объективирующие ценностные смыслы. Исследование проводилось на материале репрезентативного специализированного корпуса, собранного из текстов пресс-релизов, размещенных на официальных сайтах ведущих российских компаний в период с 2017 по 2019 годы. Установлено, что тексты пресс-релизов компаний адресованы профессиональным инвесторам, а также широкому дискурсивному сообществу. По-
1 Исследование выполнено при поддержке Российского фонда фундаментальных исследований и администрации Волгоградской области (грант РФФИ № 15-04-00134).
казано, что дискурсивные практики компаний энергетического сектора акцентируют перспективы развития, заботу об окружающей среде, значимость своей деятельности для социума в целом. Компании производственного сектора акцентируют достижения, качество и отечественное происхождение продукции. Сетевые компании ритейла ориентированы на утилитарные ценности выбора, удобства и экономии.
Ключевые слова: корпусная лингвистика; жанр; жанр «пресс-релиз»; аксиологическая доминанта; ключевые слова.
1. Введение
Автоматическая обработка текстов естественного языка, в задачи которой входит разработка и апробация алгоритмов в целях извлечения структурированной информации из больших массивов текстовых данных, является основным направлением развития компьютерной лингвистики. Обращение к методам, основанным на количественных данных, становится в последнее время отличительной характеристикой дискурсивного анализа. Основной методологией теории дискурса выступает корпусная лингвистика — область лингвистических исследований, использующая компьютерные технологии в целях статистической обработки текстов. Синергизм двух направлений, теории дискурса и корпусной лингвистики, отражает внепарадигмальный подход к методологии, в котором метод является не отражением теории, а инструментом анализа, способом достижения цели исследования и средством верификации научных гипотез.
Сопоставляя корпусно-ориентированный и дискурсивный анализ, В. Е. Чернявская указывает, что корпусные методы связываются с достижением доказательности в интерпретативных концепциях, преодолением тенденциозности и избирательности подходов [Чернявская, 2018]. На основе корпусных данных выявляются общие закономерности тематической организации текстов, строятся когнитивно-дискурсивные модели, характеризующие смысловую организацию текстов единой жанровой принадлежности [Ильинова и др., 2017; Baker, 2006; Partington, 2010], определяются дискурсивные способы конструирования социальной реальности. Активное использование корпусных технологий в анализе дискурсивных практик, осуществляющихся в текстах, позволяет актуализировать и репрезентанты аксиологических смыслов, объективно выявить социально значимую текстовую информацию, основываясь на применении количественных данных [Кочетова и др., 2019].
В поле зрения исследователей, использующих корпусные методы анализа текстового материала, как правило, попадают тексты публицистического, в том числе новостного, и художественного дискурсов. Вместе с тем интерес для лингвистики представляет также изучение жанров професси-
ональной коммуникации, порождаемых в определенных институциональных рамках и функционирующих в конкретных социальных контекстах, к числу которых относятся пресс-релизы. Количественные данные, автоматически полученные из корпусов текстов естественного языка, позволяют более полно осмыслить роль языковых структур в процессе конструирования социального пространства, раскрывая аксиологическое содержание дискурсивных практик и социальные аспекты дискурсивной репрезентации деятельности экономических субъектов, и могут быть использованы региональными институтами и средствами массовой информации в целях оптимизации коммуникативно-текстового пространства.
Объектом нашего исследования являются тексты жанра пресс-релиза, опубликованные на официальных сайтах российских компаний. Пресс-релизы, которые в типологическом аспекте относят к PR-текстам (о классификации PR-текстов см. [Кривоносов, 2002]), жанрам профессиональной коммуникации [Bhatia, 1993, 2004], используются определенным дискурсивным сообществом в конкретных социальных контекстах и направлены на достижение коммуникативных целей [Swales, 1990]. Жанру пресс-релиза свойственен ряд конвенций, которые характеризуют профессионально-ориентированные практики данного дискурсивного сообщества, направленные на достижение определенных коммуникативных целей. По выражению А. Д. Кривоносова, тексты пресс-релизов содержат «оптимизированную информацию» [Кривоносов, 2002], релевантную социальным запросам дискурсивного сообщества, являющуюся способом дискурсивного позиционирования компании в коммуникативно-текстовом пространстве и повышения ее узнаваемости и аттрактивности, что в конечном итоге способствует достижению ее главной цели — социальному одобрению своей деятельности. В содержательном аспекте жанр пресс-релиза включает «тип социальной информации, которая производится в процессе деятельности социального субъекта (фирмы, организации, персоны), распространяется по его же инициативе, отражает в оптимизированном виде значимые факты деятельности данного субъекта, предназначена для определенного сегмента общественности и служит целям формирования эффективной коммуникационной среды данного социального субъекта» [Там же, c. 14]. Как отмечает М. В. Бусыгина, «тематический центр пресс-релиза сосредоточен на компании, поэтому текст отражает ее корпоративные ценности, приверженность определенным идеалам: защита окружающей среды, социальная ответственность и пр.» [Бусыгина, 2010, c. 12].
Природа жанра определяет специфику его адресатной специализации, под которой понимается дифференцированное воздействие субъ-
екта речи на разные типы адресатов, при этом такое воздействие часто осуществляется синкретично в одном и том же высказывании [Карасик, 2018, с. 32]. Тексты пресс-релиза предназначены для представителей средств массовой информации, поскольку известно, что эта жанровая форма текстовой коммуникации составляет информационную основу для создания публичных медийных текстов различных жанров и стилей [Володина, 2007; Кривоносов, 2012]; профессионального сообщества, инвесторов, которые ориентируются на содержательно-фактуальную информацию, включающуюся в пресс-релизы в целях принятия инвестиционных решений; на массового адресата, потребителей и представителей широкой общественности, которые узнают о деятельности компании через средства массовой информации.
Цель данной статьи состоит в выявлении аксиологических доминант в корпусе текстов жанра пресс-релиза на основе анализа ключевых слов, объективированных и-граммами, которые извлекаются из корпуса при помощи компьютерного инструментария, основанного на использовании определенных алгоритмов.
Прокомментируем понимание термина ключевые слова, первоначальная методика идентификации которых в отечественной лингвистике была разработана Л. В. Мурзиным и А. С. Штерн. Критерием выделения ключевых слов текста являлась частотность, которая применялась в целях определения наиболее значимых с точки зрения содержания раздела / главы / целого текста слов и / или словосочетаний [Мурзин и др., 1991, с. 75]. В русле данной теории ключевым считается слово или словосочетание, которое несет существенную смысловую нагрузку, служит средством содержательной организации текста и частотность его употребления в тексте превышает частотность использования по данным частотного словаря [Там же, с. 74], [Воронина и др., 2009, с. 69]. В корпусной лингвистике трактовка термина ключевые слова принципиально отличается от изложенной выше, поскольку для их выделения необходимо использование рефе-ренциального корпуса, позволяющего провести сопоставительный анализ частотностей использования слов в обоих корпусах. Ключевыми считаются слова, частотность употребления которых в некотором корпусе является необычно высокой по сравнению с частотностью в референциальном корпусе текстов [Scott, 1997, с. 236]. Отметим, что наиболее близким к корпусной методологии является понимание ключевых слов, предложенное Л. В. Сахарным, который считал, что употребление ключевых слов в конкретном тексте обычно выше их лингвистической вероятности [Сахарный и др., 1984, с. 82].
В корпусной лингвистике для ключевых слов рассчитывается специальный коэффициент (Keyness), который является индикатором значимости ключевого слова как дескриптора содержания текста и рассчитывается по формуле, учитывающей частотность использования и ранг слова в сравниваемых корпусах. Значимость (p value) обозначает степень вероятности того, что данная величина является случайной [Biber et al., 2007, с. 138]. Пороговой величиной статистической значимости для ключевых слов принято считать p < 0.01, LL > 6.63. Она позволяет отсекать лексемы, частотность которых в сравниваемых корпусах носит случайный характер, свидетельствуя о проявлении языковой вариативности [Scot, 2011].
Как показывает анализ литературы, ключевые слова, извлеченные автоматическими методами, позволяют определить тематику текстов, выявить содержащиеся в них концепты [Кононова, 2015; Ульянова и др., 2017], охарактеризовать жанрово-стилистические особенности текстов исследуемого корпуса, а также проанализировать конструируемые в дискурсе социально и культурно обусловленные ценностные смыслы.
В нашей работе ключевые слова исследуемого корпуса извлекаются с помощью алгоритма, созданного в рамках реализуемого проекта, посвященного автоматической обработке русскоязычных текстов (об алгоритмах выделения ключевых слов см: [Григорьева и др., 2017]). Е. Г. Григорьева и ее коллеги представляют графовую модель текста, позволяющую вычислять частотные характеристики слов с учетом расположения пар слов в какой-либо общей части текста, например, в одном предложении. На основе данной модели разработан алгоритм определения ключевых слов текста, основанный на мере tf-idf, характеризующей частоту термов в документе и уникальность термов для данного документа, реализация которого выполнена на языке программирования Python. В результате вычислений создается матрица свойств размерности n*m, где n — количество терминов, а m — размер корпуса, то есть число документов в этом корпусе [Там же, с. 59].
Ключевые слова, установленные при помощи предлагаемого алгоритма, позволяют выявить наиболее частотные n-граммы, отражающие способы дискурсивного конструирования деятельности институционального субъекта в коммуникативно-текстовом пространстве и определяющие специфику профессиональных дискурсивных практик, формирующих аттрактивность компании для инвесторов и конструирующих ее социальную значимость в сознании представителей дискурсивного сообщества.
2. Характеристика корпуса текстов жанра «пресс-релиз»
Исследование проводилось на основе специализированного корпуса текстов пресс-релизов1, являющегося эмпирической базой исследования. Он состоит из трех параллельных корпусов, включающих тексты жанра, опубликованные в период с 2017 по 2018 годы и размещенные на официальных сайтах известных российских компаний. Созданный корпус содержит отобранные методом сплошной выборки рекламные тексты, размещенные на официальных сайтах дилеров в период с 2017 по 2019 годы, включает 197 497 слов и содержит 733 текста, средний размер которых варьируется в пределах 19,69 до 414,89 слов. Структура корпуса образована тремя подкорпусами текстов: подкорпус текстов, размещенных ведущими компаниями энергетического сектора (далее — ЭК), включает 347 текстов общим объемом 92 397 слов; подкорпус текстов, размещенных ведущими производственными компаниями, содержит 106 текстов (83 632 слова) (далее — ПК); подкорпус текстов, размещенных крупнейшими компаниями розничной торговли (далее — РК) — 27 текстов из 21 468 слов (табл. 1).
Таблица 1
Структура корпуса текстов жанра «пресс-релиз»
Корпус Кол-во слов Кол-во Среднее кол-во
в корпусе текстов слов в тексте
Компании энергетического сектора 92,397 347 266,27
«Газпромнефть» 1,9471 58 335,7
«Лукойл» 34,756 197 176,42
«Роснефть» 38,170 92 414,89
Компании производственного 83,632 280 298,68
сектора
«Черкизово» 33,681 100 367,57
«Мираторг» 41,964 160 280,66
«Русагро» 1,752 20 19,69
Компании розничной торговли 21,468 106 202,52
«Магнит» 16,395 85 192,88
X5 Retail Group 2,009 8 251,12
«Лента» 3064 13 235,69
Всего 197,497 733 269,43
1 Используемый в исследовании корпус текстов пресс-релизов отечественных компаний создавался в 2017—2018 годах студентами 3-го курса направления подготовки «Фундаментальная и прикладная лингвистика» Волгоградского государственного университета в рамках производственной практики.
Как видно из таблицы 1, репрезентация корпоративного сектора в коммуникативно-дискурсивном пространстве представлена неравномерно, так как количество текстов пресс-релизов, размещенных компаниями за один и тот же промежуток времени, значительно варьируется. Некоторые компании публикуют пространные пресс-релизы, но делают это достаточно редко. Другие, напротив, размещают значительное количество коротких по объему текстов. Среднее количество слов на один текст в подкорпусе ЭК составляет 266,27, в то время как в подкорпусе ПК это значение — 298,68 слов, а в подкорпусе РК — 202,52 слова.
3. Методика выявления ключевых слов с использованием программных средств
В ходе исследования с помощью компьютерной программы были идентифицированы ключевые слова для каждого из трех анализируемых под-корпусов, то есть были определены лексические единицы, отличающиеся необычно высокой частотностью (уникальностью). Выявление ключевых слов корпусов позволяет определить рекуррентные для данного типа дискурсивной практики смысловые модели, которые невозможно определить традиционными методами [Scot, 1997]. Анализ ключевых слов позволяет выявить лексемы, отражающие ценностные доминанты, провести их семантическую категоризацию и на основе сравнительного анализа определить ценностную специфику текстов, отражающую стратегии позиционирования компании на рынке и в социуме.
Алгоритм определения ключевых слов, используемый в данной работе, основан на мере tf-idf и позволяет выделить приблизительно 40 лексических единиц с наибольшей мерой tf-idf, а из них — 20 слов, которые чаще других употребляются в данном тексте. Каждое слово анализируемого документа приводится к лемме, и из этих лемм формируется словарь DICT. Далее определяется tf-idf — мера каждого слова из словаря DICT — и формируется список List1, состоящий не менее чем из 80 слов с наибольшей мерой tf-idf. С этой целью находится такое наибольшее число Fr, что не менее 80 слов из словаря DICT имеют меру tf-idf, большую или равную Fr. Все эти слова включаются в список List1. Из списка List1 формируется список List2, содержащий не менее 40 слов, которые чаще всего встречаются в данном документе. Для каждого слова w из списка List2 находится величина deg(w), которая равна числу предложений в анализируемом тексте, содержащим слово w и какое-либо другое слово w' из списка List2. Эти слова и принимаются за ключевые слова рассматриваемого документа.
3. Пресс-релизы компаний разных видов: различия в ключевых сочетаниях
Полученные с применением вышеописанного алгоритма данные для каждого из исследуемых подкорпусов сведены в таблицы, представленные ниже. Выбор лексических единиц в текстах жанра отражает дискурсивные практики, свойственные конкретным дискурсивным сообществам. Анализ списка ключевых слов показывает, что тексты пресс-релизов компаний включают общеупотребительные лексемы, бизнес-термины и технические термины. Вместе с тем в процентном отношении данные типы лексических единиц распределяются в трех подкорпусах неравномерно, что свидетельствует о различиях в дискурсивных практиках компаний. Так, в подкорпусе текстов ЭК лексические единицы распределяются следующим образом: большую часть ключевых слов составляет бизнес терминология 42,5 %, технические термины насчитывают 22,5 %, общеупотребительная лексика — 17,5 %. В подкорпусе текстов ПК: общеупотребительная лексика и бизнес-термины распределяются приблизительно одинаково — 40 % и 32,5 % соответственно, технические термины составляют 22 %. В подкорпусе текстов РК доминирует общеупотребительная лексика — 55 %, бизнес-термины составляют 35 %, технические термины — всего 7,5 %. Характер лексических единиц и их количественные подсчеты свидетельствуют об ориентации дискурсивных практик институциональных субъектов на различные группы адресатов, что находит отражение в системе аксиологических характеристик исследуемых подкорпусов.
Рассмотрим ключевые слова и связанные с ними ценностные признаки, репрезентированные в текстах жанра каждого из подкорпусов. Тексты пресс-релизов энергетических компаний (табл. 2) часто используют автореференцию, репрезентируемую ключевыми словами, которые являются именами собственными — «Роснефть», «Лукойл», «Газпром», — что отражает их ориентацию на представителей средств массовой информации, использующих материал пресс-релизов для создания собственных медийных сообщений. Дискурсивная практика жанра предполагает использование лексических единиц, предназначенных для профессионального сообщества инвесторов. Анализ списка ключевых слов показывает, что тексты пресс-релизов энергетических компаний включают в себя лексические единицы добыча, год, объем, результат, рост, реализация, миллиард, акцентирующие положительные результаты деятельности компаний; в список ключевых слов также попадают лексемы программа, проект, разработка, строительство, новый, развитие, семантика которых ориентиро-
Таблица 2
Список ключевых сочетаний, извлеченных из корпуса текстов пресс-релизов энергетических компаний, с указанием меры tf-idf и абсолютной частотности употребления (АЧ)
Компании сырьевого сектора
Ранг Ключевое словосочетание Т^ АЧ
1 месторождение 0.02180 498
2 добыча 0.02176 497
3 нефть 0.01900 833
4 компания 0.01683 266
5 год 0.01450 994
6 роснефть 0.01379 630
7 лукойл 0.01252 858
8 проект 0.00424 653
9 скважина 0.00276 197
10 углеводород 0.00372 183
11 нефтепродукт 0.00354 181
12 также 0.0024 493
13 газпром 0.0037 475
14 развитие 0.00751 413
15 бурение 0.00218 122
16 реализация 0.01592 361
17 один 0.00336 349
18 который 0.00407 344
19 работа 0.00211 342
20 соглашение 0.00461 316
21 квартал 0.00451 206
22 сотрудничество 0.00445 305
23 российский 0.00443 304
24 миллиард 0.00432 296
25 рамка 0.00414 284
26 газовый 0.00407 93
27 директор 0.00402 276
28 новый 0.00395 249
29 область 0.00380 256
30 составить 0.00363 249
31 рост 0.00353 242
32 Россия 0.00350 240
Продолжение табл. 2
Компании сырьевого сектора
Ранг Ключевое словосочетание Т^ АЧ
33 результат 0.00322 221
34 объем 0.00316 217
35 строительство 0.00303 208
36 программа 0.00275 189
37 международный 0.00267 183
38 предприятие 0.00266 221
39 совместный 0.00259 178
40 экологический 0.00218 194
вана на будущее и акцентирует перспективы развития компаний, оцениваемые в положительном ключе. В целом ЭК конструируются в дискурсе как крупные экономические субъекты, ориентированные на международный рынок, и как активные участники общественно значимых мероприятий на региональном уровне (международный, соглашение, совместный, сотрудничество, подписать), что позволяет конструировать дискурсивный образ социально значимой компании, которая вносит вклад в социально-экономическое развитие региона. Использование данных лексем свидетельствует о том, что адресатом текстов пресс-релизов выступает широкое сообщество. Присутствие в списке ключевых слов лексемы экологический отражает тот факт, что в дискурсивных практиках компании апеллируют к общезначимым человеческим ценностям, акцентируя заботу об окружающей среде. Это свидетельствует о стремлении институциональных корпоративных субъектов получить социальное одобрение своей деятельности со стороны общества.
Как показывают ключевые слова подкорпуса текстов производственных компаний (табл. 3), в дискурсивных практиках самопрезентации данных корпоративных субъектов автореферентные стратегии используются реже, исключение составляет только компания «Мираторг». Ключевые слова являются наименованиями производимой продукции (свинина, индейка, говядина), они в большей степени акцентируют достигнутые результаты, поскольку список включает количественные лексемы миллиард, тысяча, рубль, тонна, год. В дискурсивной практике конструируется значимость компаний для национальной экономики, акцентируется ориентация на отечественного потребителя, высокое качество производимой продукции.
Таблица 3
Список ключевых сочетаний, извлеченных из корпуса текстов пресс-релизов производственных компаний, с указанием меры tf-idf и абсолютной частотности употребления (АЧ)
Компании пищевой промышленности
Ранг Ключевое словосочетание Т^ АЧ
1 мираторг 0.02557 755
2 год 0.02056 1238
3 компания 0.01375 828
4 говядина 0.01166 234
5 производство 0.01093 658
6 ферма 0.01016 204
7 мясной 0.00927 372
8 группа 0.00927 558
9 продукция 0.00893 538
10 область 0.00888 535
11 рубль 0.00817 492
11 свинина 0.00767 154
12 мясо 0.00765 307
13 Россия 0.00752 453
14 тонна 0.00689 415
15 миллиард 0.00639 385
16 тысяча 0.00636 383
17 крупный 0.00623 375
18 проект 0.00564 340
19 индейка 0.00558 112
20 квартал 0.00535 215
21 более 0.00501 302
22 новый 0.00475 286
23 мясоперерабатывающий 0.00468 94
24 мощность 0.00466 187
25 один 0.00455 274
26 предприятие 0.00423 255
27 производитель 0.00417 251
28 качество 0.00355 214
29 рынок 0.00348 210
30 полуфабрикат 0.00314 126
31 рост 0.00310 187
Продолжение табл. 3
Компании пищевой промышленности
Ранг Ключевое словосочетание Т^ АЧ
32 высококачественный 0.00294 118
33 свиноводство 0.00289 58
34 растениеводство 0.00274 55
35 увеличить 0.00270 163
36 продукт 0.00265 160
37 показатель 0.00264 159
38 агрохолдинг 0.00264 146
39 развитие 0.00257 155
40 комплекс 0.00257 155
Ключевые слова подкорпуса текстов пресс-релизов компаний розничной торговли (табл. 4) показывают, что специфической характеристикой дискурсивных практик в этом сегменте является информация, ориентированная на потребителя. В аксиологическом плане пресс-релизы сетевых компаний ритейлеров отражают утилитарные ценности, актуализирующие выбор, качество, удобство и экономию для покупателей. Ключевые слова передают фактуальную информацию об адресах вновь открытых магазинов, проведении акций и предоставлении скидок.
Таблица 4
Список ключевых сочетаний, извлеченных из корпуса текстов пресс-релизов компаний розничной торговли, с указанием меры tf-idf и абсолютной частотности употребления (АЧ)
Компании розничной торговли
Ранг Ключевое словосочетание Т^ АЧ
1 магнит 0.07266 1267
2 магазин 0.01730 973
3 компания 0.01398 587
4 касса 0.01254 243
5 сеть 0.01239 743
6 торговый 0.01203 689
7 товар 0.01002 624
8 продукция 0.00965 470
9 розничный 0.00951 598
Продолжение табл. 4
Компании розничной торговли
Ранг Ключевое словосочетание Т^ АЧ
10 гипермаркет 0.00865 353
11 насчитывать 0.00713 215
12 покупатель 0.00699 434
13 один 0.00699 391
14 быть 0.00612 286
15 новый 0.00576 318
16 посетитель 0.00569 329
17 более 0.00562 347
18 год 0.00533 221
19 парковка 0.00497 86
20 ассортимент 0.00425 336
21 акция 0.00425 211
22 формат 0.00418 269
23 Россия 0.00403 180
24 семейный 0.00396 284
25 скидка 0.00389 50
26 крупный 0.00360 176
27 производитель 0.00353 202
28 продукт 0.00331 279
29 вместительный 0.00324 60
30 работа 0.00324 118
31 покупка 0.00302 208
32 открыть 0.00288 217
33 самообслуживание 0.00281 72
34 большой 0.00273 139
35 позиция 0.00259 249
36 адрес 0.00266 37
37 необходимый 0.00245 118
38 собственный 0.00245 78
39 открытие 0.00223 40
40 повседневный 0.00216 75
4. Выводы
Таким образом, при помощи автоматической обработки текстов получены необходимые структурированные данные из больших объемов тек-
стовой информации для дальнейшего использования в производственных целях. Как показывает анализ, предложенный алгоритм извлечения ключевых слов позволяет надежно объективировать аксиологическую специфику дискурсивных практик корпоративной коммуникации методами компьютерной лингвистики. Сопоставительный анализ ключевых слов, полученных на основе разработанного алгоритма, обнаруживает уникальные для дискурсивной репрезентации различных компаний лексемы, отражающие различные коммуникативные способы осуществления дискурсивных практик, и позволяет сделать выводы о позиционировании корпоративных субъектов в коммуникативно-текстовом, экономическом и социальном пространствах, определить специфику адресатной специализации текстов.
Литература
1. Бусыгина М. В. Жанровые и функционально-семантические характеристики пресс-релиза в современном медиадискурсе : автореферат диссертации ... кандидата филологических наук : 10.02.19 / М. В. Бусыгина. — Волгоград, 2010. — 19 с.
2. Володина С. В. PR-текст в системе дискурсивных взаимодействий / С. В. Володина // Вестник Московского университета. Серия 10 : Журналистика. — 2007. — № 5. — С. 28—33.
3. Воронина И. Е. Алгоритмы определения семантической близости ключевых слов по их окружению в тексте / И. Е. Воронина, А. А. Кретов, И. В. Попова // Вестник Воронежского государственного университета. Серия «Системный анализ и информационные технологии». — 2010. — № 1. — С. 148—153.
4. Григорьева Е. Г. Алгоритм выделения ключевых слов на основе графовой модели лингвистического корпуса / Е. Г. Григорьева, В. А. Клячин Ю. В. Помель-ников, В. В. Попов // Вестник Волгоградского государственного университета. Серия 2 : Языкознание. — 2017. — Т. 16. — № 2. — С. 58—67.
5. Ильинова Е. Ю. Динамика репрезентации процессуальной составляющей спортивного события в диахроническом корпусе / Е. Ю. Ильинова. Л. А. Кочето-ва // Вестник Волгоградского государственного университета. Серия 2 : Языкознание. — 2017. — Т. 16. — № 2. — С. 47—57.
6. Карасик В. И. Адресатная специализация в публичном политическом дискурсе // В. И. Карасик // Вестник РУДН. Серия : теория языка, семиотика, семантика. — 2018. — Т. 9. — № 1. — С. 32—49.
7. Кононова И. В. Корпусные данные в описании структуры лингвокуль-турных концептов / И. В. Кононова // Когнитивные исследования языка. Выпуск XXII : Язык и сознание в междисциплинарной парадигме исследований : материалы Международного конгресса по когнитивной лингвистике. 30 сентября — 2 октября 2015 г. / ответственный редактор выпуска Т. А. Клепикова. — Москва : Ин-т языкознания ; Тамбов : Тамбовский гос. ун-т им. Г. Р. Державина, 2015. — С. 547—549.
8. Кочетова Л. А. Когнитивно-корпусный подход к анализу конструирования ценностных смыслов в рекламном дискурсе / Л. А. Кочетова, И. В. Кононова // Вопросы когнитивной лингвистики. — 2019. — № 2. — С. 65—74.
9. Кривоносов А. Д. PR-текст как инструмент публичных коммуникаций : автореферат диссертации ... доктора филологических наук : 10.01.10 / А. Д. Кривоносов. — Санкт-Петербург, 2002. — 42 с.
10. Мурзин Л. Н. Текст и его восприятие / Л. Н. Мурзин, А. С. Штерн. — Свердловск : Издательство Уральского университета, 1991. — 169 с.
11. Сахарный Л. В. Набор ключевых слов как текст / Л. В. Сахарный, С. А. Си-ротко-Сибирский, А. С. Штерн // Психолого-педагогические и лингвистические проблемы исследования текста. — Пермь : [б. и.], 1984. — С. 81—83.
12. Светлов А. В. Автоматизация процесса получения лингвистической информации : современные возможности / А. В. Светлов, А. С. Комендантов // Вестник Волгоградского государственного университета. Серия 2 : Языкознание. — 2017. — Т. 16. — № 2. — С. 39—46.
13. Ульянова У. А. Ключевые слова в тексте «Missing Manual» : проблемы выявления / У. А. Ульянова, Л. А. Петроченко // Вестник Волгоградского государственного университета. Серия 2 : Языкознание. — 2017. — Т. 16. — № 2. — С. 68—81.
14. Чернявская В. Е. Дискурсивный анализ и корпусные методы : необходимое доказательное звено? Объяснительные возможности качественных и количественных подходов / В. Е. Чернявская // Вопросы когнитивной лингвистики. — 2018. — № 2. — С. 31—37.
15. Baker P. Using Corpora in Discourse Analysis / P. Baker. — London & New York : Continuum, 2006. — 198 р.
16. BiberD. Corpus Linguistics : Investigating Language structure and Use / D. Biber, S. Conrad, R. Reppen. — Cambridge University Press, 1998. — 311 p.
17. Bhatia V. Analysing Genre : Language Use in Professional Settings / V. Bha-tia. — Harlow : Longman, 1993. — 453 р.
18. Bhatia V. Worlds of Written Discourse / V. Bhatia. — London : Continuum, 2004. — 248 р.
19. Partington A. Modern diachronic corpus-assisted discourse studies on UK newspapers : an overview of the project / A. Partington // Corpora. — 2010. — Vol. 5. Iss. 2. — Pp. 83—108.
20. ScottM. PC analysis of key words — and key key words / M. Scott // System. — 1997. — Vol. 25. Iss. 2. — Pp. 233—245.
21. Scott M. WordSmith Tools Manual [Electronic resource] / M. Scott. — Liverpool : Lexical Analysis Software Ltd. 2015. — Version 6. — Access mode : http://lexi-cally.net/downloads/version6/wordsmith6.pdf.
22. Stubbs M. Three concepts of keywords / M. Stubbs // Keyness in Texts / M. Bondi, M. Scott (eds.). — Amsterdam : John Benjamins, 2010. — Pp. 21—42.
23. Swales J. M. Genre Analysis. English in Academic and Research Settings / J. M. Swales. — Cambridge : Cambridge University Press, 1990. — 274 р.
Research of Axiological Dominants in Press Release Genre based on Automatic Extraction of Key Words from Corpus1
© Larisa A. Kochetova (2019), orcid.org/0000-0002-5278-7373, SPIN-code 5806-7213, Researcher ID H-8598-2015, Scopus Author ID 56712699400, Doctor of Philology, Department of English Philology, Volgograd State University (Volgograd, Russia), [email protected]. © Vladimir V. Popov (2019), orcid.org/0000-0003-0419-2874, SPIN-code 4310-7945, Researcher ID В-4758-2018, PhD in physical and mathematical sciences, associate professor, Department of Computer Science and Experimental Mathematics, Volgograd State University (Volgograd, Russia), [email protected].
The relevance of the work is determined by the interest in the study of discursive practices by corpus linguistics methods. The subject of the analysis is the axiological dominants of a genre that are objectified by key words, extracted from the corpus by statistical methods. The authors aim to show the specificity of the value dominants of the Russian-language genre of press release based on the use of the keyword method of the corpus methodology and an algorithm developed using the programming language Python, based on the measure tf-idf, which allows to objectively identify lexical and semantic dominants that represent value meanings. The study was conducted on the material of a representative specialized corpus, that combine texts of press releases posted on the official websites of major Russian companies between 2017 and 2019. Based on the analysis of lexical choices, it is established that the texts of press releases of the companies are addressed to professional investors, as well as to a wide discursive community. It is shown that the discursive practices of energy sector companies emphasize the prospects of development, care for the environment, the importance of their activities for society in general. Companies in the manufacturing sector emphasize the achievements and highlight quality and domestic origin of products. Retail network companies are focused on utilitarian values of choice, convenience and economy.
Key words: corpus linguistics; genre; genre of "press release"; axiological dominant; key words.
References
Baker, P. (2006). Using Corpora in Discourse Analysis. London & New York: Continuum.
Biber, D., Conrad, S., Reppen, R. (1998). Corpus Linguistics: Investigating Language
structure and Use. Cambridge University Press. Bhatia, V. (1993). Analysing Genre: Language Use in Professional Settings. Harlow: Longman.
Bhatia, V. (2004). Worlds of Written Discourse. London: Continuum. Busygina, M. V. (2010). Zhanrovyye i funktsionalno-semanticheskiye kharakteristiki press-reliza v sovremennom mediadiskurse: avtoreferat dissertatsii... kandi-data filologicheskikh nauk. Volgograd. (In Russ.). Chernyavskaya, V. E. (2018). Diskursivnyy analiz i korpusnyye metody: neobkhodi-moye dokazatelnoye zveno? Obyasnitelnyye vozmozhnosti kachestvennykh
1 The study is supported by the Russian Foundation for Basic Research and Volgograd region administration (grant RFBR No. 15-04-00134).
1 kolichestvennykh podkhodov. Voprosy kognitivnoy lingvistiki, 2: 31—37. (In Russ.).
Grigoryeva, E. G, Klyachin, V. A., Pomelnikov, Yu. V., Popov, V. V. (2017). Algoritm vydeleniya klyuchevykh slov na osnove grafovoy modeli lingvisticheskogo korpusa. Vestnik Volgogradskogo gosudarstvennogo universiteta, 2: Ya-zykoznaniye, 16 (2): 58—67. (In Russ.).
Ilinova, E. Yu, Kochetova, L. A. (2017). Dinamika reprezentatsii protsessualnoy sos-tavlyayushchey sportivnogo sobytiya v diakhronicheskom korpuse. Vestnik Volgogradskogo gosudarstvennogo universiteta, 2: Yazykoznaniye, 16 (2): 47—57. (In Russ.).
Karasik, V. I. (2018). Adresatnaya spetsializatsiya v publichnom politicheskom diskurse.
VestnikRUDN. Seriya: teoriyayazyka, semiotika, semantika, 9 (1): 32—49. (In Russ.).
Kochetova, L. A., Kononova, I. V. (2019). Kognitivno-korpusnyy podkhod k analizu konstruirovaniya tsennostnykh smyslov v reklamnom diskurse. Voprosy kognitivnoy lingvistiki, 2: 65—74. (In Russ.).
Kononova, I. V. (2015). Korpusnyye dannyye v opisanii struktury lingvokulturnykh kont-septov. In: Klepikova, T. A. (ed.). Kognitivnyye issledovaniyayazyka, XXII: Yazyk i soznaniye v mezhdistsiplinarnoy paradigme issledovaniy: materialy Mezhdunarodnogo kongressa po kognitivnoy lingvistike. 30 sentyabrya —
2 oktyabrya 2015 g. / otvetstvennyy redaktor vypusk. Moskva: In-t yazykoz-naniya; Tambov: Tambovskiy gos. un-t im. G. R. Derzhavina. 547—549. (In Russ.).
Krivonosov, A. D. (2002). PR-tekst kak instrument publichnykh kommunikatsiy: av-toreferat dissertatsii ... doktora filologicheskikh nauk. Sankt-Peterburg. (In Russ.).
Murzin, L. N., Shtern, A. S. (1991). Tekst i yego vospriyatiye. Sverdlovsk: Izdatelstvo Uralskogo universiteta. (In Russ.).
Partington, A. (2010). Modern diachronic corpus-assisted discourse studies on UK newspapers: an overview of the project. Corpora, 5 (2): 83—108.
Sakharnyy, L. V., Sirotko-Sibirskiy, S. A., Shtern, A. S. (1984). Nabor klyuchevykh slov kak tekst. In: Psikhologo-pedagogicheskiye i lingvisticheskiye problemy issledovaniya teksta. Perm: [b. i.]. 81—83. (In Russ.).
Scott, M. (1997). PC analysis of key words — and key key words. System, 25 (2): 233— 245.
Scott, M. (2015). WordSmith Tools Manual, 6. Liverpool: Lexical Analysis Software Ltd. Available at: http://lexically.net/downloads/version6/wordsmith6.pdf.
Stubbs, M. (2010). Three concepts of keywords. In: Bondi, M., Scott, M. (eds.). Keyness in Texts. Amsterdam: John Benjamins. 21—42.
Svetlov, A. V., Komendantov, A. S. (2017). Avtomatizatsiya protsessa polucheniya lingvisticheskoy informatsii: sovremennyye vozmozhnosti. Vestnik Volgo-gradskogo gosudarstvennogo universiteta, 2: Yazykoznaniye, 16 (2): 39— 46. (In Russ.).
Swales, J. M. (1990). Genre Analysis. English in Academic and Research Settings. Cambridge: Cambridge University Press.
Ulyanova, U. A., Petrochenko, L. A. (2017). Klyuchevyye slova v tekste «Missing Manual»: problemy vyyavleniya. Vestnik Volgogradskogo gosudarstvennogo universiteta, 2: Yazykoznaniye, 16 (2): 68—81. (In Russ.).
Volodina, S. V. (2007). PR-tekst v sisteme diskursivnykh vzaimodeystviy. Vestnik Mos-kovskogo universiteta, 10: Zhurnalistika, 5: 28—33. (In Russ.).
Voronina, I. E., Kretov, A. A., Popova, I. V. (2010). Algoritmy opredeleniya semantiches-koy blizosti klyuchevykh slov po ikh okruzheniyu v tekste. Vestnik Vorone-zhskogo gosudarstvennogo universiteta. Seriya «Sistemnyy analiz i infor-matsionnyye tekhnologii», 1: 148—153. (In Russ.).
