Formulaicity in Turkish: Evidence from the Turkish National Corpus

Abstract

Formulaic sequences are the most frequently occurred forms in a language. Identification of formulaic sequences in language is useful for a wide range of areas including linguistics, second language learning, natural language processing, etc. To identify formulaic sequences in a language, the most preferred method is to use a corpus, which may be formed from written texts or tape-recorded conversations in the language, and count the frequencies of sequences in the corpus. Then, most frequently occurring sequences are examined to find formulas. Numerous studies have been made to identify formulas for several languages like English. There exists only few studies about formulaicity in Turkish and most of these studies focus on identifying formulas in the forms of multi word units. Turkish, however, is an agglutinating language having a rich and complex morphology, therefore formulaic sequences in affixation should be discovered. Only very limited studies about formulaicity in affixation of Turkish exist in the literature. In this study, we try to discover formulaic sequences in affixation of Turkish by counting frequent suffix n-grams in written and spoken Turkish by using the Turkish National Corpus, which is a balanced, large scale, and general-purpose corpus for contemporary Turkish. We list the most frequent suffix combinations not only for verbs but also for all lexical categories like noun, adjective, verb, and adverb for both written and spoken corpora from Turkish National Corpus, and discuss similarities and differences in affixation in written and spoken usage of Turkish. We observe that, we prefer shorter suffix sequences in spoken Turkish than in written Turkish, and as the length of the suffix n-grams increase, we use different formulaic sequences in written and spoken Turkish.

Keywords

• Frequent suffix n-grams,written Turkish,spoken Turkish,Turkish National Corpus

Türkçe'de Kalıp Anlatımlar: Türkçe Ulusal Derlemi'nden Görünümler

Abstract

Kalıp anlatımlar yada sabit ifade dizileri (formüller) bir dilde en sık gözlenen biçimlerden oluşur. Dildeki formüllerin belirlenmesi; dilbilimi, yabancı dil öğrenimi, doğal dil işleme gibi pek çok alan için faydalıdır. Bir dildeki sabit ifade dizilerini belirleyebilmek için en çok tercih edilen yöntem bir derlem kullanmak ve derlemdeki dizilerin sayısını belirlemektir. Türkçe’deki formüller ile ilgili az sayıda çalışma bulunmaktadır. Bu çalışmada, Tükçe’de eklerde yer alan formül dizilerini Türkçe Ulusal Derlemi’ni kullanarak, yazılı ve sözlü Türkçe’de en sık görülen n’li biçimbirim dizilerinin sayısal dağılımını ortaya çıkarmaya çalışmaktayız. Tüm sözcük kategorileri için en sık ek kombinasyonları listelenmektedir. Sözlü Türkçe’de yazılı Türkçe’ye göre daha kısa ek dizilerinin tercih edildiği, n’li biçimbirim dizilerinin uzunlukları arttıkça yazılı ve sözlü Türkçe’de farklı formül dizilerinin kullanıldığı görülmektedir.

Keywords

• Sık n’li biçimbirim dizileri,yazılı Türkçe,sözlü Türkçe, Türkçe Ulusal Derlemi

References

1. Aksan, Y., Aksan, M., Koltuksuz, A., Sezer, T., Mersinli, Ü., Demirhan, U. U., Yılmazer, H., Kurtoğlu, Ö., Atasoy, G., Öz, S., & Yıldız, İ.,Construction of the Turkish National Corpus (TNC),3223-3227,N. Calzolari, K. Choukri, T. Declerck,İstanbul,English,İstanbul,Proceedings of the 12th International Conference on Language Resources and Evaluation (LREC),Electronic