Лингвистические и стилистические особенности текстов научного стиля английского языка

“The passives give writers the option of an impersonal style, which can be very useful in contexts where it is irrelevant to state who actually carried out an action” [Crystal 1995:225].

Однако подход к использованию пассивного залога в английской научной прозе неоднозначный.Adrian Wallwork, например, советует приводить результаты предыдущих исследований других авторов, используя активный залог и называя имя автора. В противном случае читателю будет неясно, чьи именно мысли излагает автор данной статьи: свои собственные иди других авторов. Если вместо имени автора приведены лишь ссылки на его работы, читатель только из библиографического списка cможет узнать, кому именно принадлежат данные мысли:

“Use the names of authors preferably within the main sentence and use the active form. The problem with only using the reference without the name of the author, is that the reader is forced to check to see in the bibliography whether the reference refers to you or to another author”.

Во избежание неточностей Adrian Wallwork рекомендует использовать сочетания с our, после которых может употребляться пассивный залог или безличное предложение:

“One good way to avoid possible misunderstanding is to use expressions such as as our results show, in our work, in our study” [Wallwork 2012:70].

Частотное распределение частей речи в научном тексте отличается от того, которое наблюдается в нейтральном или разговорном стиле: увеличивается процентное содержание имен, уменьшается содержание глаголов в личной форме, совсем отсутствуют междометия.

Такая безличная манера изложения не исключает, однако, возможности выражения личного мнения автора, хотя бы в скрытой форме. В научном стиле существуют некоторые способы такого выражения автором своего мнения. К ним, например, относится так называемое хеджирование, то есть смягчение ответа, уклонение от прямого ответа. Различные приемы такого уклонения позволяют автору показать свои личные чувства, отношение к происходящему, высказать оценочные суждения, построенные на разной степени уверенности в происходящем, делать прогнозы и т.д. не очень открыто. Мнение ученого может быть выражено с помощью грамматических и лексических приемов (за счет выбора структур и слов, означающих оценочные суждения).

Лексико-грамматические средства, используемые при хеджировании, можно представить таким образом:

модальные и относящиеся к ним глаголы, выражающие:

* вероятность/разрешение/способность (can, could, may, might):

Specifically, we are asking for all sets of observations that could feasibly belong to a path.? В частности, мы анализируем всю совокупность наблюдений, которые могли бы относиться к какой-либо траектории.

* необходимость / долженствование (must, should, had better, have to, ought to):

In general this problem suffers from a combinatorial explosion in the number of potential tracks that must be evaluated.? Основная сложность решения данной проблемы заключается в стремительном росте числа вариантов потенциальных трасс, подлежащих оценке.

* предсказание/ волю (will, would, shall):

If a series of observations lie along a line, then their
lines in parameter space will intersect at a common point.? Если серия наблюдений лежит вдоль линии, тогда соответствующие им линии в параметрическом пространстве будут пересекаться в одной точке.

2) наречия, выражающие:

* определенность (actually, certainly, in fact);

* вероятность (apparently, perhaps, possibly);

* отношение (amazingly, interestingly, surprisingly);

* стиль/ подход (according to, generally, typically);

* частоту действия (always, often, sometimes, usually);

3) указатели множества (all, most, many, some, certain):

We then introduce an exact multiple kd-tree algorithm for tractably finding all of the linkages.? Также предлагается точный алгоритм с использованием множественных k-d деревьев для несложного обнаружения всех объединений отметок.

4) сложные предложения (безличные с инфинитивными конструкциями и придаточными с that с использованием:

* глаголов, выражающих отношение (seem, tend, look like, appear to be, think,);

* прилагательных, выражающих отношение (certain, clear, likely, essential), например:

It is important to develop… It may be possible to obtain ...

* существительных, выражающих отношение (conclusion, fact, observation, assumption)[Поспелова 2012: 10-11].

Необходимо отдельно выделить структурные особенности научных текстов. Чрезвычайно строгим в стиле научной прозы является деление речи на отдельные части - абзацы. Каждый абзац стремится продолжить мысль предыдущего абзаца, часто непосредственно вытекает из него и имеет связующие элементы. [Гальперин 1958: 426] Каждый абзац начинается с ключевого предложения, излагающего основную мысль. Для усиления логической связи между предложениями употребляются такие специальные устойчивые выражения, как to sum up, as we have seen, so far we have been considering. Той же цели могут служить и наречия finally, again, thus. Например:

Thus we wish to filter the ?Kk=1 Nk possible tuples down to just those tuples that could be feasible tracks.? Таким образом, мы желаем отфильтровать произведение из Nk возможных серий наблюдений с тем, чтобы уменьшить число совокупностей наблюдений, которые могут быть потенциальными трассами.

Каждый абзац представляет собой более или менее законченную единицу высказывания, где легко можно выделить основную мысль. Связи между элементами внутри предложения, между предложениями внутри абзацев и абзацами внутри глав выражены эксплицитно, что ведет к обилию и разнообразию союзов и союзных слов: that, and that, than, if, as, or, nor... Например:

If the grid is too loose then coincidental occurrences can accumulate and cause false alarms.? Если сетка неплотная (слишком грубая), тогда данные могут совпадать и вызывать ложные тревоги.

Для научного текста характерны двойные союзы: not merely... but also, whether... or, both... and, as... as... [Арнольд 2002: 279]. Например:

At each time step k we observe Nk points from both the underlying set of tracks and noise.? В каждый момент времени k мы получаем Nk точек как из основного множества отметок трасс, так и из отметок, обусловленных влиянием шумов.

Для научного стиля характерно выделение главного, основного из массы сообщаемых фактов. Это достигается рядом синтаксических приемов, в которых принцип сочинения и подчинения предложений совпадает с требованиями логики, т. е. главная мысль содержится в главном предложении, подчиненная мысль -- в придаточном. Дополнительные соображения, не имеющие непосредственного отношения к данному высказыванию, появляются в виде вводных замечаний и предложений, часто выделяемых знаком тире. Форма изложения в стиле научной прозы не несет дополнительных функций воздействия на читателя. Она лишь средство придать ясность изложению. Вот почему редактирование научной прозы, в основном, сводится к уточнению значений слов и словосочетаний и характера связи между отдельными частями высказывания.

Система синтаксической союзной связи весьма своеобразно использовалась в ранние периоды развития этого стиля, в периоды общего становления системы функциональных стилей английского литературного языка. Желание автора научных трактатов выявить взаимосвязь, взаимозависимость и взаимообусловленность фактов, с которыми им приходилось иметь дело, приводило их иногда к неумеренному пользованию средствами союзной связи, что в конечном итоге, влекло за собой длинные абзацы [Гальперин 1958: 426]. На сегодняшний день, однако, существует тенденция к упрощению письменной речи, что, в частности, отражено в книге «Handbook of technical writing». Авторы советуют не использовать сложные предложения для выражения сложных идей, так как это затрудняет понимание читателем:

“Use uncomplicated sentences to state complex ideas. If readers have
to cope with a complicated sentence in addition to a complex idea, they
are likely to become confused. Just as simpler sentences make complex
ideas more digestible, a complex sentence construction makes a series
of simple ideas more smooth and less choppy”[Gerald J. Alred 2010:502 ].

В данной главе подробно проанализирован лексический состав английской научной речи. Выделено три слоя лексики научного языка, а также выявлена общая черта научных текстов? терминологичность. Раскрыто понятие термина и терминологии, приведена классификация терминов.

Рассмотрены грамматические особенности текстов научного стиля, в частности проанализирована синтаксическая структура научных текстов.

На некоторых примерах продемонстрированы стилистические особенности, которые характеризуют английский научный текст.

научный английский стиль лингвистический

Заключение

Исследование, проведенное в данной курсовой работе, ставило целью изучение лингвистических и стилистических особенностей текстов научного стиля, что потребовало решения ряда задач. Все поставленные задачи были решены, была достигнута цель исследования, и на основе данных исследования можно сформулировать следующие выводы.

Единственная функция научного стиля - интеллектуально-коммуникативная, так как научный стиль характерен для текстов, предназначенных для сообщения точных сведений из какой-либо специальной области и для закрепления процесса познания. Именно этим обстоятельство и определяется характер особенностей научного стиля в английском языке.

Характерными чертами стиля английской научной прозы являются логическое, последовательное и связанное изложение материала, абстрактность, стремление авторов к точности, сжатости, однозначности при сохранении информационной насыщенности материала. Для научного стиля характерно стремление к точному употреблению терминов, отказу от косвенных, описательных обозначений объектов, широкому использованию штампов специальной лексики. Все описанные черты научного стиля были найдены в научной статье «Fast and Robust Track Initiation Using Multiple Trees» и подробно проанализированы.

Разновидность научного стиля и жанр научного текста незначительно влияют на отбор языковых средств и построение научного произведения, так как черты научного текста универсальны и используются в любом тексте такого рода.

Специфической чертой научной прозы является лексикоцентричность. В лексике научной речи выделяют три слоя: общая (неспециальная), общенаучная и терминологическая лексика. Общенаучная лексика включает интернациональные слова, значение и употребление которых в русском и английском языках может не совпадать. Это иногда приводит к трудностям понимания и ошибкам при переводе, так как словарные описания ограничиваются в основном раскрытием семантики слов в общенародном использовании. Поэтому этот слой лексики нуждается в более подробном изучении.

Термины однозначны и независимы от контекста, однако часто имеет место межнаучная терминологическая омонимия, когда один и тот же термин может входить в различные терминологии языка. Характерной чертой научной лексики является также образование неологизмов, так как в науке постоянно появляются новые понятия. Эти лексические особенности вызывают трудности при переводе научных текстов, поэтому требуют подробного изучения.

Грамматические особенности английского научного стиля находят отражение в широком использовании параллельных конструкций и вводных слов. Это объясняется требованием логичности такого рода текстов. В синтаксической структуре научных текстов преобладают сложноподчиненные предложения. Распространены постпозитивные или препозитивные определения, что способствует синтаксической компрессии. Тенденцией в написании научных работ на английском языке является отказ от номинализации и использование глаголов для более точного выражения смысла.

Стилистические особенности английской научной прозы включают использование авторского «we», безличных форм и пассивного залога. Это подчеркивает участие в работе большого коллектива ученых и вовлекает читателей в процесс рассуждения и доказательства. Однако на примере статьи «Fast and Robust Track Initiation Using Multiple Trees» видно, что количество безличных предложений и предложений с пассивными конструкциями в тексте невелико. В то время как авторское «we» встречается очень часто. Поэтому изучение современных тенденций в области стилистики английской научной прозы представляется чрезвычайно актуальным.

Результаты проведенного исследования свидетельствуют о том, что язык английской научной прозы постепенно изменяется с развитием науки. Появляются неологизмы, синтаксическая структура упрощается. Это говорит о необходимости дальнейшего подробного изучения особенностей стиля английской научной прозы.

Список литературы

1. Алексеева, И. С. Профессиональный тренинг переводчика: Учебное пособие по устному и письменному переводу для переводчиков и преподавателей/ И. С. Алексеева.- СПб.: Издательство «Союз», 2001.- 288 с.

2. Арнольд, И. В. Стилистика. Современный английский язык: Учебник для вузов/И. В. Арнольд.- 4-е изд., испр. и доп.- М.: Флинта: Наука, 2002.- 384 с.

3. Арнольд, И. В. Основы научных исследований в лингвистике: Учебное пособие. - М.: Высш. шк., 1991. - 140 с.

4. Ахманова, О.С. Словарь лингвистических терминов.? М.: Советская энциклопедия, 1966.? 94 с.

5. Гальперин, И. Р. Очерки по стилистике английского языка.- М.: Издательство литературы на иностранных языках, 1958.-459с.

6. Гореликова, С.Н. Природа термина и некоторые особенности терминообразования в английском языке // Вестник ОГУ.- 2002.- №6.- С. 129-136.

7. Кузнец, М. Д. Стилистика английского языка [Текст]: пособие для студентов педагогических институтов/ М. Д. Кузнец, Ю. М. Скребнёв.- Л.: ГУПИМП РСФСР Ленинградское отделение, 1960.- 176 с.

8. Лотте, Д.С. Вопросы заимствования и упорядочения иноязычных терминов и терминоэлементов.? М.: Наука, 1982.? 152 с.

9. Мультитран, Электронный словарь [Электронный ресурс]/ www.multitran.ru.

10. Научно-технический перевод. Английский язык: Учеб. пособие /С.М. Айзенкоп, Л.В. Багдасарова, Н.С. Васина и др.? Ростов н/Д: «Феникс», 2003.? 352 с.

11. Оксфордский Русско-Английский словарь / под ред. Маркуса Вилера. М.: Баркалая и К, 1994. - 913с.

12. Поспелова, Г. Б. Характеристики научного стиля в английском языке // Иностранные языки: теория и практика.- 2012.- №2.- С. 8-14.

13. Разинкина, Н.М. Развитие языка английской научной литературы.?М.: Наука, 1978.? 212 с.

14. Рябцева, Н.К. Научная речь на английском языке. Руководство по научному изложению. Словарь оборотов и сочетаемости общенаучной лексики: Новый словарь-справочник активного типа (на английском языке).? М.: Флинта: Наука,1999.?600 с.

15. Смолович, С.Ф. Атрибутивные словосочетания в английском языке и их перевод на русский язык [WWW document]. URL http://www.sworld.com.ua/konfer35/626.pdf.

16. Стилистический энциклопедический словарь русского языка/ под. ред. М. Н. Кожиной.- 2-е изд., испр. и доп.- М.: Флинта: Наука, 2006.- 696 с.

17. Теория и практика английской научной речи/ Г.И. Ахманова, О.И. Богомолова, Е.В. Брагина и др./ под ред. М.М. Глушко.? М.: Издательство Московского университета, 1987.? 240 с.

18. Хомутова, Т.Н. Язык для специальных целей(LSP): Лингвистический аспект// Известия Российского государственного педагогического университета им. А.И.Герцена.? 2008.? №71.? С. 96?106.

19. Хлыстова ,А.В. Научный стиль. О несостоявшейся предзащите [WWW document] //Язык и текст langpsy.ru. 2014. №1. URL: http:// langpsy.ru/journal/2014/1/Nurmuhhmetov.phtml

20. ABBYY Lingvo 13.0 Multilingual Electronic Dictionary for PC and Pocket PC [Электронный ресурс] / CD-ROM, 2009.

21. Alred, G. J. Handbook of technical writing/ G.J. Alred, Ch.T. Brusaw, W.E. Oliu.? 9th ed.? St. Martin's Press, 2008.? 624 p.

22. Cargill, M. Writing scientific research articles: strategy and steps/ M. Cargill, P. O'Connor.? Wiley-Blackwell, 2009.? 184 p.

23. Crystal, D. The Cambridge Encyclopedia of the English Language.? Cambridge University Press, 1995.? 490 p.

24. Glasman-Deal, Н. Science research writing for non-native speakers of English.? London: Imperial College Press, 2010.? 272 p.

25. Kubica, J. Fast and robust track initiation using multiple trees [WWW document].URL http: // www.cs.cmu.edu/~jkubica/papers/kubica_tr0462.pdf.

26. Wallwork, A. English for research: usage, style, and grammar.? Springer, 2012.? 268 p.

Приложение

Fast and robust track initiation using multiple trees

Abstract

In this paper we examine a fundamental problem in many tracking tasks: track initiation (also called linkage). This problem consists of taking sets of point observations from different time steps and linking together those observations that fit a desired model without any previous track estimates. In general this problem suffers from a combinatorial explosion in the number of potential tracks that must be evaluated.

We introduce a new methodology for track initiation that exhaustively considers all possible linkages. We then introduce an exact multiple kd-tree algorithm for tractably finding all of the linkages. We compare this approach to an adapted version of multiple hypothesis tracking using spatial data structures and show how the use of multiple trees can provide a significant benefit.

Introduction

The fundamental task in tracking is to determine which observations at different time steps correspond to the same underlying object. The linkage or track initiation problem consists of making these determinations without any previous track estimates. Figure 1illustrates the computational problem that we are trying to solve. Observations from five equally spaced time steps are shown on a single image with observations from different time steps represented as different shapes. The goal is to take the raw data (Figure 1.A) and find sets of observations that correspond to the desired motion model (Figure 1.B). The difficulty arises from the combinatorics of such a search.

Figure 1: The linkage problem is to find one point at each time step such that the points fit the model for a candidate track. Points from each of the five different time steps are shown as different shapes (square > circle > triangle > diamond > plus). Two linear linkages are shown (B) and a third is left as an exercise for the reader.

This is an important problem in such fields as target tracking and computer vision, but our primary motivating example in this paper is the asteroid linkage problem. Here we wish to determine which observed objects correspond to the same true underlying object from a series of visual observations of the night sky. These linkages can then be used to determine tentative orbits, attribute the observations to a known orbit, and assess the potential risk of an asteroid. The use of new observation techniques and equipment has increased the scope and accuracy of this problem, providing the potential to track hundreds of thousands of asteroids. The next generation of sky surveys, such as PanSTARRS or LSST, are designed to provide vast amounts of observational data that can be used to search for potentially hazardous asteroids. Further, these surveys have the potential to allow us to detect and track fainter objects. However, these improvements greatly increase the combinatorics of the problem reinforcing the need for tractable algorithms.

Below we introduce a new methodology for track initiation. Instead of treating track initiation as a sequential decision problem, we exhaustively consider all possible linkages. Thus we provide an exact algorithm for linkages. We then introduce a multiple tree algorithm for tractably finding the linkages. We compare this approach to an adapted version of multiple hypothesis tracking using spatial data structures and show how the use of multiple trees can provide a significant benefit.

Problem Definition

The track initiation problem consists of taking sets of observations from different time steps and linking together those observations that fit a desired model without initial estimates of the track parameters. Figure 2 shows a simple one dimensional example with five time steps and a linear model. The sets of linked observations are shown as open circles with their linear models as dashed lines.

Figure 2: A set of one dimensional observations linked together by linear tracks. The white circles are the observations that correspond to the linear tracks (dashed lines).

Formally the linkage problem can be phrased as a filtering problem. At each time step k we observe Nk points from both the underlying set of tracks and noise. Given a set of observations at K distinct time steps, we want to return all tuples of observations such that:
1. the tuple contains exactly one observation per time step, and
2. it is possible for a single track to exist that passes within given thresholds of each observation.

Thus we wish to filter the ?Kk=1 Nk possible tuples down to just those tuples that could be feasible tracks.

The observations consist of real-valued coordinates in D dimensional space, with xi indicating the ith observation. These coordinates are the dependent variables of the track. We use ti to indicate the independent variable of the ith observation. Although in many of the applications below ti will correspond to the time of the observation, it can be used to represent any independent variable.

The second condition specifies a constraint on the observations' fit to the underlying model. A tuple of observations (xI1 , ··· , xIK) is valid only if there exists a track g such that:

дL[d] ? xIi[d] ? g(tIi)[d] ? дH[d] ?d, i (1)

Equation 1 states that a track g is feasible for a tuple of observations if it falls within some bounds [g(tIi)[d]+ дL[d], g(tIi)[d]+ дH[d]] of each observation xIi in each dimension d. The thresholds дL and дH provide upper lower bounds on the fit. Figure 3 shows an example of a feasible triplet using linear tracks and one feasible track for these points. The track is allowed to pass anywhere within the error bars around each point.

Figure 3: Three points that are compatible for linear tracks.

The above definition of feasibility is compatible with a range of statistical noise models. For example, we can define an arbitrary observation noise model for the points on a track and set the thresholds in each dimension to be the 95% confidence interval for the noise in this dimension. Figure 4 shows an example of this. Further, we can vary дL and дH to account for systematic or time varying errors.

Figure 4: An arbitrary probability distribution and the resulting bounds. The circle denotes the observed location and the upper and lower bars indicate the acceptable locations for the track.

In contrast to the flexibility for noise models, it should be noted that the above criteria does not allow for a concept known as process noise. This means that we assume the track always follows the model. For example, a linear track model cannot account for changes in velocity. This is briefly discussed in Section 8.

Our discussion below focuses on two major types of tracks: linear and quadratic. The quadratic track is simply a quadric function of time:

g(t) = a · t2 + b · t+ c (2)

and can be used to describe physical motions of objects undergoing constant acceleration. The linear track is a linear function of time:

g(t) = b · t + c (3)

and can be used to describe the physical motion of objects traveling at a constant velocity. In addition, the linear model can be used for such queries as finding lines or edges described by the observations. While much of our discussion and techniques presented below will also apply to other track models, we restrict the discussion to the linear and quadratic models to keep the discussion simple and consistent.

Previous Work

There are a variety of different approaches to the problem of track initiation. Below we briefly discuss some of the more common ones. These approaches differ from our own in several important ways. First, we are asking a different type of query. Specifically, we are asking for all sets of observations that could feasibly belong to a path. Second, we provide an exact algorithm for answering this query.

Sequential Track Initiation

One common approach to track initiation is sequential track initiation [Blackman and Popoli, 1999]. The unassociated points are treated as new tracks and projected to the later time steps where they are associated with other points to form longer tracks. There are many variations to this type of approach. One common and often successful variation is a very simple form of multiple hypothesis tracking. When a tentative track matches multiple observations at a given time step, multiple hypothesizes (tentative tracks) are formed and the decision is delayed to a later time step. This process is illustrated in Figure 5. The single point matches three other points at the second time step. These points are used to create three hypothesized tracks. This process continues to the third and fourth time step with “bad” hypotheses being pruned away.

In order to reduce the number of candidate neighbors examined gating is used. As shown in Figure 6, neighbors are first filtered by whether they fall within a window or gate around the track's predicted position. This approach has also been used in conjunction with kd-tree structures to quickly retrieve the candidate observations near the predicted position of a track [Uhlmann, 1992, Uhlmann, 2001 ].

There are several potential disadvantages of this type of approach that arise from the sequential nature of the search itself. It does not use evidence from later time steps to aid early decisions. Early “good pairs” may be easily pruned using a lack of further points along the track. Further, this approach has the potential of being thrown off by noise early in the track. Multiple hypothesis tracking attempts to mitigate this problem by allowing multiple tentative tracks, but introduces another problem, the possibility of a high branching factor causing a significant computational load.

Figure 5: A multiple hypothesis tracker starts from a tentative track (A) and sequentially checks the later time steps. If multiple points fit a candidate track then several hypothesis are created (B) and (C).

Figure 6: Gating can be used to ignore points that could not be part of the current track. The predicted position of the track is shown as an X and the points that fall within the gate are shaded.

It should be noted that sequential track initiation has the advantage that it can be applied to multiple tracks simultaneously. This gives this approach the ability to discount observations that are “obviously” members of other tracks.

Figure 7: Early noise in a track can significantly throw-off predicted positions. The true points are shown as open circles and the observed points are shown as shaded circles.

Parameter Space Methods

Another approach to the problem of track initiation is to search for tracks in parameter space. One popular algorithm is the Hough transform [Hough, 1959]. The idea behind these approaches is that for many simple models, individual observations correspond to simple regions or curves in parameter space. An example with a linear model is shown in Figure 8. The points are shown in Figure 8.A and their corresponding lines in parameter space in Figure 8.B. If a series of observations lie along a line, then their lines in parameter space will intersect at a common point. The Hough transform looks for lines by using grid-based counts of the number of lines that go through a particular region of parameter space (Figure 8.C and 8.D).

There are several major downsides to the parameter space approach. First, maintaining and querying the parameter space representation can be expensive in terms of both computation and memory. There are many possible intersections to check and storing occurrences in a grid structure may require significant amounts of space. Secondly, the level of discretization of parameter space can drastically affect the accuracy of the algorithm.

Figure 8.

If the grid is too tight then a small amount of noise can cause intersections to spread out over several bins and be missed. If the grid is too loose then coincidental occurrences can accumulate and cause false alarms. Although the false alarms can be filtered out in post-processing, this step further increases the computational cost.

Размещено на Allbest.ru