Stylistika III
ZS 2024
Stylistika
• "In this sense, analysing style means looking systematically at
the formal features of a text and determining their functional
significance for the interpretation of the text in question"
(Jeffries & McIntyre 2010, p. 1)
Aktualizace (foregrounding)
• „záměrná odchylka od standardního užití jazykových výrazových
prostředků“
(Krčmová, 2017)
Aktualizace (foregrounding)
• „záměrná odchylka od standardního užití jazykových výrazových
prostředků“
• pro analýzu potřebujeme
• data, která vykazují vlastnosti standardního užití
• např. referenční korpus, hodnocení uživatelů
• analyzovaný jev v textu
• srovnáváme vlastnosti analyzovaného jevu v textu a v referenčních
datech
Aktualizace (foregrounding)
• „záměrná odchylka od standardního užití jazykových výrazových
prostředků“
• pro analýzu potřebujeme
• data, která vykazují vlastnosti standardního užití
• např. referenční korpus, hodnocení uživatelů
• analyzovaný jev v textu
• srovnáváme vlastnosti analyzovaného jevu v textu a v referenčních
datech
Aktualizace (foregrounding)
• „záměrná odchylka od standardního užití jazykových výrazových
prostředků“
• pro analýzu potřebujeme
• data, která vykazují vlastnosti standardního užití
• např. referenční korpus, hodnocení uživatelů
• analyzovaný jev v textu
• srovnáváme vlastnosti analyzovaného jevu v textu a v referenčních
datech
Vlastnosti textu vs. referenční data
• text: N = 5000 slov; fjenž = 10; ipm = 2000
• SYN2020: N ≈ 100000 slov; fjenž = 15 673; ipm = 128,65
Klíčovost (keyness)
• jazykový jev, který se v daném textu vyskytuje statisticky
významně častěji než v referenčním korpusu
• jevy: slovní tvar, lemma, fráze, slovní druh, syntaktická funkce…
Statistická významnost
Statistické testy významnosti
• hypotéza (Greis 2009, s. 11)
• tvrzení, které se týká více než jednoho jevu či případu;
• má alespoň implicitně strukturu podmínkového souvětí, tj. „jestliže…,
pak…“, případně „čím…, tím…“
• např. čím je slovo frekventovanější, tím je kratší
• je falzifikovatelné (tj. vyvratitelné) prostřednictvím experimentu, který
dovoluje rozhodnout, zda predikce formulovaná prostřednictvím hypotézy
je vyvrácena, či ne
• (vyhodnocení se většinou experimentu pomocí statistických testů
Statistické testy významnosti
• postulují se dvě hypotézy
• nulová hypotéza:
tvrzení, které obvykle deklaruje “žádný rozdíl”, tj. nalezený rozdíl je dán
variabilitou dat, náhodou
• (např. mince není falešná; frekvence daného slova se v daných textech/korpusech
neliší)
Statistické testy významnosti
• postulují se dvě hypotézy
• nulová hypotéza:
tvrzení, které obvykle deklaruje “žádný rozdíl”, tj. nalezený rozdíl je dán
variabilitou dat, náhodou
• (např. mince není falešná; frekvence daného slova se v daných textech/korpusech
neliší)
• alternativní hypotéza:
situace, kdy nulová hypotéza neplatí, tj. mezi proměnnými se
předpokládá závislost; důležité je přitom nějaké teoretické zdůvodnění
Statistické testy významnosti
• testuje se platnost H0
• hladina významnosti
• pravděpodobnost, že se zamítne nulová hypotéza, ačkoliv ona platí
• obvykle 5 % (0,05) nebo 1 % (0,01)
• p-hodnota (p-value)
• konvence
• chyba 1. typu (neadekvátní zamítnutí H0, odpovídá hladině významnosti)
• chyba 2. typu (neadekvátní nezamítnutí H0)
Statistické testy významnosti
• testuje se platnost H0
• zamítnutí H0 neznamená, že H1 platí
Statistické testy významnosti
• testuje se platnost H0
• zamítnutí H0 neznamená, že H1 platí
• zamítnutí H0 znamená, že existuje určitá/vysoká
pravděpodobnost toho, že naměřený rozdíl není možné
vysvětlit vlivem náhody
• H1 se nikdy nepotvrzuje (confirmation), vždy se jedná o vyvracení
(rejection) H0
Statistické testy významnosti
• hod mincí (100x)
• 50x panna a 50x orel → podvádí se?
Statistické testy významnosti
• hod mincí (100x)
• 50x panna a 50x orel → podvádí se?
• 52x panna a 48x orel → podvádí se?
Statistické testy významnosti
• hod mincí (100x)
• 50x panna a 50x orel → podvádí se?
• 52x panna a 48x orel → podvádí se?
• 98x panna, 2x orel → podvádí se?
Statistické testy významnosti
• hod mincí (100x)
• 50x panna a 50x orel → podvádí se?
• 52x panna a 48x orel → podvádí se?
• 98x panna, 2x orel → podvádí se?
• 59x panna, 41 orel → podvádí se?
Statistické testy významnosti
• hod mincí (100x)
• 50x panna a 50x orel → podvádí se?
• 52x panna a 48x orel → podvádí se?
• 98x panna, 2x orel → podvádí se?
• 59x panna, 41 orel → podvádí se?
• 60x panna, 40 orel → podvádí se?
• …
Statistické testy významnosti
• pokud padne panna 61x, tak je větší než 95% pravděpodobnost, že
jeden z hráčů podvádí
• jinými slovy: pravděpodobnost, že budeme neoprávněně tvrdit, že
jeden z hráčů nepodvádí, je menší než 5%
Klíčovost (keyness)
• vyhodnocení → statistické testy, skóre
Klíčovost (keyness)
• vyhodnocení → statistické testy, skóre
• např. log-likelihood (LL)
𝐿𝐿 = 2 𝑓𝑠𝑙𝑜𝑣𝑜_𝑡𝑒𝑥𝑡 ∙ 𝑙𝑜𝑔
𝑓𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
+ 𝑓𝑠𝑙𝑜𝑣𝑜_𝑘𝑜𝑟𝑝𝑢𝑠 ∙ 𝑙𝑜𝑔
𝑓𝑠𝑙𝑜𝑣𝑜_𝑘𝑜𝑟𝑝𝑢𝑠
𝑓(𝑜) 𝑠𝑙𝑜𝑣𝑜_𝑘𝑜𝑟𝑝𝑢𝑠
• více viz McIntyre & Walker (2019, p. 154ff) Brezina (2018, p. 83ff)
Analýza klíčových slov (lemmat)
nejfrekventovanější slova
Klaus (2006) f
život 8
rok 7
volba 7
politika 6
země 6
evropský 5
občan 5
přát 5
velký 5
člověk 5
min. frekvence slova v textu = 3
Analýza klíčových slov (lemmat)
nejfrekventovanější slova klíčová slova
Klaus (2006) f Klaus (2006) f fSYN2010 log likelihood
život 8 volba 7 23 529 36,41
rok 7 politika 6 18 866 31,99
volba 7 spoluobčan 3 717 31,29
politika 6 občan 5 14 679 27,33
země 6 přát 5 16 608 26,13
evropský 5 vážený 3 2 373 24,15
občan 5 život 8 92 237 23,00
přát 5 evropský 5 34 290 19,17
velký 5 volit 3 5 757 18,89
člověk 5 odpovědnost 3 6 066 18,59
min. frekvence slova v textu = 3
Analýza klíčových slov (lemmat)
nejfrekventovanější slova klíčová slova
Klaus (2006) f Klaus (2006) f fSYN2010 log likelihood
život 8 volba 7 23 529 36,41
rok 7 politika 6 18 866 31,99
volba 7 spoluobčan 3 717 31,29
politika 6 občan 5 14 679 27,33
země 6 přát 5 16 608 26,13
evropský 5 vážený 3 2 373 24,15
občan 5 život 8 92 237 23,00
přát 5 evropský 5 34 290 19,17
velký 5 volit 3 5 757 18,89
člověk 5 odpovědnost 3 6 066 18,59
min. frekvence slova v textu = 3
Analýza klíčových slov (lemmat)
nejfrekventovanější slova klíčová slova
Klaus (2006) f Klaus (2006) f fSYN2010 log likelihood
život 8 volba 7 23 529 36,41
rok 7 politika 6 18 866 31,99
volba 7 spoluobčan 3 717 31,29
politika 6 občan 5 14 679 27,33
země 6 přát 5 16 608 26,13
evropský 5 vážený 3 2 373 24,15
občan 5 život 8 92 237 23,00
přát 5 evropský 5 34 290 19,17
velký 5 volit 3 5 757 18,89
člověk 5 odpovědnost 3 6 066 18,59
min. frekvence slova v textu = 3
Log-likelihood (LL)
𝐿𝐿 = 2 𝑓𝑠𝑙𝑜𝑣𝑜_𝑡𝑒𝑥𝑡 ∙ 𝑙𝑜𝑔
𝑓𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
+ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
∙ 𝑙𝑜𝑔
𝑓𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
𝑓(𝑜) 𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
=
𝑁𝑡𝑒𝑥𝑡 ∙ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
+ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
𝑁𝑡𝑒𝑥𝑡 + 𝑁𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑘𝑜𝑟𝑝𝑢𝑠
=
𝑁𝑟𝑒𝑓. 𝑡𝑒𝑥𝑡 ∙ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
+ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
𝑁𝑡𝑒𝑥𝑡 + 𝑁𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
Vlastnosti textu vs. referenční data
• text: N = 5000 slov; fjenž = 10; ipm = 2000
• SYN2020: N = 100000 slov; fjenž = 15 673; ipm = 128,65
Log-likelihood (LL)
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
=
𝑁𝑡𝑒𝑥𝑡 ∙ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
+ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
𝑁𝑡𝑒𝑥𝑡 + 𝑁𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
=
5000(10 + 15673)
100000000 + 5000
= 0.784
Log-likelihood (LL)
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
=
𝑁𝑡𝑒𝑥𝑡 ∙ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
+ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
𝑁𝑡𝑒𝑥𝑡 + 𝑁𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
=
5000(10 + 15673)
100000000 + 5000
= 0.784
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑘𝑜𝑟𝑝𝑢𝑠
=
𝑁 𝑟𝑒𝑓. 𝑡𝑒𝑥𝑡∙ 𝑓 𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
+𝑓 𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
𝑁𝑡𝑒𝑥𝑡+𝑁 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
=
100000000(10+15673)
100000000+5000
= 15682.22
Log-likelihood (LL)
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
= 0.784
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑘𝑜𝑟𝑝𝑢𝑠
= 15682.22
𝐿𝐿 = 2 𝑓𝑠𝑙𝑜𝑣𝑜_𝑡𝑒𝑥𝑡 ∙ 𝑙𝑜𝑔
𝑓𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
𝑓 𝑜 𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
+ 𝑓𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
∙ 𝑙𝑜𝑔
𝑓𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
𝑓(𝑜) 𝑠𝑙𝑜𝑣𝑜 𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠
=
= 2 10 ∙ 𝑙𝑜𝑔
10
0.784
+ 15673 ∙ 𝑙𝑜𝑔
15673
15682.22
= 2 10 ∙ log 12.75 + 15673 ∙ log 0.999 =
= 2 10 ∙ 2.55 + 15673 ∙ (−0.00059 ) = 2 25.5 − 9.21 = 2 ∙ 16.29 = 32.57
Log-likelihood (LL)
McIntyre & Walker (2019, p. 158)
Klíčovost (keyness)
• postup
• prostřednictvím statistického testu se vyberou klíčová slova
• difference index (DIN) (https://wiki.korpus.cz/doku.php/manualy:kwords?s[]=din)
• DIN v intervalu <-100; 100>
• hodnota -100 znamená, že daný jev se ve zkoumaném textu nevyskytuje, je pouze v referenčním
korpusu (slovo tedy není ve zkoumaném textu prominentní)
• hodnota 0 znamená, že daný jev má zhruba stejnou relativní frekvenci ve zkoumaném textu i v
referenčním korpusu (slovo tedy není ve zkoumaném textu prominentní)
• hodnota 100 značí, že slovo se vyskytuje pouze ve zkoumaném textu (může se tedy jednat o velmi
prominentní slovo
DIN
𝐷𝐼𝑁 = 100
10
5000
−
15673
100000000
10
5000
+
15673
100000000
= 100
0.002 − 0.000157
0.002 + 0.000157
=
= 100
0.001883
0.002157
= 100 ∙ 0.8544 = 85.44
Klíčovost (keyness)
• aplikace KWords
• https://kwords.korpus.cz/
• https://wiki.korpus.cz/doku.php/manualy:kwords
Aktualizace (foregrounding) - příklad analýzy
• statistika a její interpretace
• ne vše, co je statisticky významné, musí být projevem aktualizace
• „That said, it is important to note that while statistical significance and effect size are indicators of what
Baker (2006) terms saliency, they are not necessarily indicators of foregrounding (Mukařovsky [1932] 1964;
Shklovsky [1917] 1965; van Peer 1986; see also McIntyre and Price 2018a for a summary).“
(McIntyre & Walker, 2010, p. 164)
Domácí úkol na 16. 10. 2024
• vypočítejte hodnotu Log-likelihood a DIN z následujících hodnot
• počet slov v textu: 𝑁𝑡𝑒𝑥𝑡 = 2836
• počet slov v referenčním korpusu: 𝑁𝑟𝑒𝑓. 𝑘𝑜𝑟𝑝𝑢𝑠 = 100031037
• frekvence slova v textu: 𝑓𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
= 14
• frekvence slova v referenčním korpusu: 𝑓𝑠𝑙𝑜𝑣𝑜 𝑡𝑒𝑥𝑡
= 10204