Gramatika a korpus II plin032

Středa: 7.30-9.00 G13

9. 3. Rozbor dú.

Efektivní vyhledávání homonym slovesných tvarů pomocí počítačových nástrojů I. (Koupil jsem si
paštiku, …)

Mějme větu, které se většina Čechů spontánně zasměje:

Koupil jsem si paštiku. Bylo na ní napsáno: zaječí. A neječí a neječí.

Proč je tato věta směšná? Inu proto, že se v ní vyskytuje jedno jediné slovo/ jeden jediný slovní
tvar, který lze číst dvěma způsoby, tedy tvarové homonymum (více Petkevič 2015).

Mluvčí zvolil jedno z možných čtení a stěžuje si na důsledek své volby.[1]

Formu, která je příznačná pro uvedené příklady jazykové komiky, můžeme gramaticky popsat:

(a)    zaječí=  sloveso 3. osoby singuláru indikativu prezentu aktiva slovesa zaječet; negované
sloveso (ne)ječet (=nevydávat výrazný zvuk) příbuzné se slovesem zaječet (=vydat výrazný zvuk).

(b)   zaječí = tvar adjektiva měkkého (zaječí=příslušející drobnému hlodavci zajíci) v několika
pádech a rodech;

Jsou podobné případy pro češtinu typické, nebo jde jen o náhodu, kolik je podobných případů?

K tomuto účelu můžeme použít jazykový korpus. Jak? Nástroj Morfio umožní vyhledat v korpusu o
rozsahu 100 milionů slovních tvarů[2] všechny tvary, které lze definovat a) na základě jejich formy
a b) na základě jejich gramatických vlastností. Slovní formulace zadání by mohla vypadat
následovně:

Chceme vyhledat dvojice (a) sloveso + (b) adjektivum takové, že pro ně platí, že jsou identické
v příslušných tvarech. V případě slovesa víme z gramatiky, že (a) slovesa, která ve 3. osobě
singuláru indikativu prezentu aktiva končí na í, jsou slovesa, která v infinitivu končí na [ieě]t.
V případě (b) adjektiva víme, že jde o měkké adjektivum, takže slovníkový tvar a řada dalších tvarů
končí na í.

Formální zadání při práci s aplikací Morfio vypadá následně:

Výsledkem hledání v korpusu je seznam 31 dvojic.

Ke každému členu dvojice můžeme kliknutím zobrazit konkordanční seznam výskytů v kontextech. Seznam
je seřazen podle frekvence (čísla v závorkách) slov v prvním sloupci. Frekvence je relevantní pro
představu o tom, zda jde o slovo v češtině obvyklé/neobvyklé. I to je zajímavá informace[3].
Zamysleme se třeba nad tím, jak bychom interpretovali syntagma ‚kajmanka supí‘?

Viděli jsme, že počítačová aplikace Morfio užívala k vyhledávání znalosti o české gramatice
(znalost slovních druhů). Ty se v korpusech češtiny nevzaly jen tak z ničeho nic. Byly do textů,
z nichž je složen korpus, dodány (v procesu automatické morfologické analýzy, tedy závisejí na
použitém morfologickém slovníku a použité metodě/metodách disambiguace).

Podívejme se nyní, jak si s případem dvojice (a) zaječí/zaječet a (b) zaječí/zaječí poradila
automatická morfologická analýza. Na obrázku vidíme konkordanční seznam tvaru zaječí spolu
s lemmaty a gramatickými tagy. První písmeno v tagu je A – adjektivum, nebo N – substantivum (název
obce) a dále V – sloveso. Vyžlucené řádky na prvním seznamu jsou případy, kdy jde o sloveso, ovšem
ve značce je chybně uvedeno, že jde o adjektivum a tudíž i lemma je chybně.

Podívejme se nyní, jak vypadají konkordance případů, které byly označkovány jako slovesa (V).

Zjistíme, že se chyby nevyskytují, nicméně konstatujeme, že jako sloveso je tvar označkován pouze
7krát, přičemž v 25 výskytech na předešlém seznamu jsme našli 6 chyb. Je tedy vidět, že
disambiguace homonymií sledovaného typu je neradostná.[4]

V případě homonym bývá dodání jednoznačné interpretace „tvrdým oříškem“ a mnohdy „kamenem úrazu“.

Sledujme problémy značkování plynoucí z prokazatelné homonymie a všímejme si možností vylepšení.

Zamysleme se, zda existují/mohou existovat v češtině další dvojice tohoto typu. Pokud ano, proč
jsme je nenašli a jak můžeme na základě pozorování korpusových dat ověřit správnost/nesprávnost
našich předpokladů?

Lingvisticky vzato je hledané slovesné lemma (.*[ieě]t) lemmatem produktivní slovesné třídy (IV.
tř. vzory prosit, trpět, sázet). Dále nám lingvistická intuice napoví, že produktivita třídy se
mimo jiné opírá o tvoření sloves od adjektiv s významem činit/stávat se takovým jako motivující
adjektivum (viz dvojice vážnět/vážní bez ohledu na doklady, které nejsou pro naši intuici nijak
průkazné).

Lingvisticky vzato nám ovšem pozorování této dvojice napoví, že bylo chybou vyhodnocovat pouze
lemmata. Proč? Inu proto, že homonymní tvar nemusí mít pouze adjektiva měkká (jako je zaječí), ale
i tvrdá, u nichž je homonymní nominativ plurálu maskulin životných (tedy vážní jakožto tvar
adjektiva vážný).

V aplikaci Morfio budeme tedy vyhodnocovat tvary a získáme 119 dvojic, přičemž vidíme, že tvrdých
adjektiv je mezi nimi podstatné množství.


Chyba: klaný, ale i kalý.

Argumenty proti uvádění adjektiv typu kalý ve slovníku.


16. 3. Dú: Analýza zadaných dvojic homonymních tvarů z hlediska disambiguace.

________________________________

[1] Mluvčí byl zklamán ve svém očekávání a my se mu smějeme. Jak to? Větě: „Koupil jsem si robot,
bylo na něm napsáno: zaječí. A neječí a neječí.“ se ovšem nesmějeme. Proč?

[2] Budeme pracovat s korpusem SYN2010 (http://wiki.korpus.cz/doku.php/cnk:syn2010).

[3] Slova s frekvencí 1 jsou velmi neobvyklá, o to mohou být pro poznání jazyka zajímavější. Např.
sledujeme-li kontext slovesa výřit: … jak se to milostně zubí! S jakou by rozkoší zatkly mi asi do
těla zuby. Hahaha to jsi ty drahoušku milý, a máš tak samoten vířit Počkej mne trochu začneme spolu
chvíli. To budou na nás výřit! …, zjistíme, že jde o slovní hříčku, neboť v bezprostředním kontextu
se nachází sloveso vířit = ‚dělat vír, rychle se krouživě pohybovat‘, zatímco sloveso výřit není
překlep, ale okazionálně utvořené sloveso napodobující kolokviální sloveso vejrat  = ‚dívat se
udiveně jako výr‘. Jde o homofonii (v češtině slova lišící se i/y a í/ý znějí stejně), která je
rovněž častým zdrojem českého humoru.

[4] Výše uvedený seznam vygenerovaný aplikací Morfio je také omezen chybami v disambiguaci, protože
pracuje na základě zadání, v němž je užito morfologické značkování (informace o slovních druzích
hledaných lemmat).