Úvod do kvantitativní
lingvistiky
ZS 2022
Opakování 1
• vyhodnoťte vztah mezi frekvencí slova a jeho délkou
• použijte korelační koeficient
• zaznamenejte postup
• dají se předpokládat rozdíly mezi typem textu a tímto vztahem?
• Statskingdom
Opakování 2
• vyhodnoťte vztah mezi perfektivitou a mono/ditranzitivitou slovesa
• hypotéza: perfektivní slovesa by se měla častěji realizovat jako
ditranzitivní než monotranzitivní
• https://www.socscistatistics.com/tests/chisquare/
PDT ditrnas. monotrans. % ditrans
doporučit perf. 31 23
doporučovat imperf. 18 38
poskytnout perf. 28 23
poskytovat imperf. 21 37
Kvantitativní analýza textů
• proč má smysl analyzovat texty?
• jak má smysl analyzovat texy?
• po textech jako jednotkách?
• agregace textů → korpusy?
Kvantitativní analýza textů
• proč má smysl analyzovat texty?
• jak má smysl analyzovat texy?
• po textech jako jednotkách?
• agregace textů → korpusy?
• záleží na cíli analýzy!
Kvantitativní analýza textů
• porovnávání jednotlivých textů / skupin textů
• analýza jazykových zákonů / mechanismů
Porovnávání jednotlivých textů / skupin textů
• individuální texty
• autorství
• žánrová analýza
• stylistika / stylometrie
Analýza jazykových zákonů / mechanismů
• Law of Brevity
• Menzerath-Altmann Law
• Heaps Law
Text vs. korpus
• Čech, R., Kosek, P., Mačutek, J., Navrátilová, O. (2020). Proč (někdy)
nemíchat texty aneb Text jako výchozí jednotka lingvistické analýzy.
Naše řeč, 103, 24-36.
What do we model?
● langue
● competence
--------------------------------------------------
● language behaviour
What do we model?
● L-LB-M-L approach
langue
language behaviour
model
● LB-M approach
language behaviour
model
What do we model?
● L-LB-M-L approach
langue
language behaviour
model
----------------------------------------------------------------
CORPUS
● LB-M approach
language behaviour
model
What do we model?
● L-LB-M-L approach
langue
language behaviour
model
----------------------------------------------------------------
CORPUS
● LB-M approach
language behaviour
model
----------------------------------------------------------------
CORPUS or/and TEXT
Language behavior model
● inductive approach
○ regularities, correlations etc.
○ generalisations
○ description
■ corpus driven
Language behavior model
● inductive approach
○ regularities, correlations etc.
○ generalisations
○ description
■ corpus driven
● deductive approach
○ theoretical assumptions
○ theory
■ Zipf (least effort principle)
■ synergetic linguistics
○ model of mechanism
■ language behaviour
Language behavior model
● inductive approach
○ regularities, correlations etc.
○ generalisations
○ description
■ corpus driven
● corpus
● deductive approach
○ theoretical assumptions
○ theory
■ Zipf (least effort principle)
■ synergetic linguistics
○ model of mechanism
■ language behaviour
● text (corpus)
τ = 0.50
p-value = 0.006
τ = 0.19
p-value = 0.06
Case study no. 1 - genre analysis
● M. Kubát
○ K. Čapek
○ analysis of particular methods
○ text as a basic unit
● D. Lukeš’s review
○ genre analysis = text should be aggregated
Case study no. 1 - genre analysis
● M. Nogolová
● the goal
○ Are there differences between “text” and “corpus” approaches?
○ How (if so) do particular methods differ with regard to both approaches?
● analyzed units
○ chapters
○ books
○ corpus ot particular genre
Case study no. 2 - word order of enclitics vs. full
valency
● hypothesis
○ The higher the full valency of the predicate, the lower the probability of the
occurrence of the enclitic after the initial phrase of the clause.
● Old Testament
○ Genesis (Gen), Isaiah (Is), Job (Job), Ecclesiastes (Ecc)
● New Testament
○ Gospel of St. Matthew (Mt), Gospel of St. Luke (Lk), Acts (Act), and Revelation
(Rev)
Case study no. 3 - the Menzerath-Altmann law
● word - syllable - sound
● 5 texts
○ Gottwald 1949
○ Havel 1999
○ V. Cvrček: Za ještě tvrdší kodifikační diktát? (Naše řeč, 2006, s. 26-29)
○ K. J. Erben: Zlatý kolovrat
○ 10 years child: Já a první žárovka
vše
dohromady
Gottwald Havel Cvrček Erben žákovský
text
a 2.63 2.62 2.59 2.55 2.64 2.57
b 0.04 0.12 0.13 0.25 -0.15 0.05
c -0.04 -0.07 -0.07 -0.1 0.01 -0.04
R2 0.99 0.95 0.91 0.93 0.94 0.95
All texts together
V. Cvrček: Za ještě tvrdší kodifikační diktát?
K. J. Erbena: Zlatý kolovrat
Já a první žárovka
Case study no. 4 - distribution of word lengths
● K. Pelegrinová
● word length measured in syllables
● 15 texts of 3 genres
All texts together
hyper-Poisson distribution
a = 1.46
b = 0.18
C = 0.012
a b C
journalis
m
1.703 0.339 0.005
scientific 1.904 0.335 0.012
fiction 0.982 0.068 0.008
Scientific
Opakování 3
• intuice → budou delší slova a větší rozptyl u Ortenovy básně, nebo u
Škvoreckého povídky?
• spočítejte
Tematická analýza textu
• jak na ni?
Tematická analýza textu
• frekvence?
Tematická analýza textu
• analýza klíčových slov
• analýza tematických slov