Stylistika IV
ZS 2024
Obsah
• kolokace
• literatura
• McIntyre and Walker. 2019. Corpus Stylistics. (164nn)
Aktualizace a její projevy
• dominance vybraných lexémů
Aktualizace a její projevy
• dominance vybraných lexémů
• slova nestojí izolovaně
Aktualizace a její projevy
• dominance vybraných lexémů
• slova nestojí izolovaně kolokace
Kolokace
• srov. KOLOKACE v NESČ
• https://www.czechency.org/slovnik/KOLOKACE
• Wikipedia
• https://en.wikipedia.org/wiki/Collocation
Kolokace
• srov. KOLOKACE v NESČ
• https://www.czechency.org/slovnik/KOLOKACE
• ustálené
• neustálené
• projev aktualizace?
Kolokace
• srov. KOLOKACE v NESČ
• https://www.czechency.org/slovnik/KOLOKACE
• ustálené
• neustálené
• projev aktualizace?
• ubíjet
Kolokace
• srov. KOLOKACE v NESČ
• https://www.czechency.org/slovnik/KOLOKACE
• ustálené
• neustálené
• projev aktualizace?
• ubíjet
• ubíjel mě stále novými kolokacemi
Kolokace
• jak poznat „sílu“, resp. „(ne)ustálenost“ kolokací?
Kolokace
• jak poznat „sílu“, resp. „(ne)ustálenost“ kolokací?
• východiskem frekvence
Měření kolokability
• prostá frekvence
• porovnání s očekávanou náhodnou frekvencí
• asociační míry
Prostá frekvence
• lemma: Ostrava
• L1 kolokace R1 kolokace
lemma f
1 v 2170
2 z 444
3 do 321
4 Baník 224
5 a 219
6 of 141
7 moravský 135
8 město 111
9 ArcelorMittal 83
10 centrum 74
lemma f
1 a 503
2 být 279
3 se 189
4 v 145
5 na 89
6 mít 64
7 i 52
8 do 51
9 s 50
10 nebo 34
Kolokace
• prosté frekvence v jistém smyslu zavádějící:
Kolokace
• prosté frekvence v jistém smyslu zavádějící:
• frekvence jevů ze stejného souboru (100 mil. korpus)
• AB = 1000 výskytů
• CD = 1000 výskytů
• EF = 10 000 výskytů
Která kolokace je nejsilnější?
1. AB = 1000 výskytů
2. CD = 1000 výskytů
3. EF = 10 000 výskytů
• A_samost. = 10 000
• B_samost. = 10 000
• C_samost. = 1 000 000
• D_samost. = 1 000 000
• E_samost. = 1 000 000
• F_samost. = 1 000 000
Která kolokace je nejsilnější?
1. AB = 1000 výskytů
2. CD = 1000 výskytů
3. EF = 10 000 výskytů
A: 10 % ze všech jeho výskytů s B
• A_samost. = 10 000
• B_samost. = 10 000
• C_samost. = 1 000 000
• D_samost. = 1 000 000
• E_samost. = 1 000 000
• F_samost. = 1 000 000
Která kolokace je nejsilnější?
1. AB = 1000 výskytů
2. CD = 1000 výskytů
3. EF = 10 000 výskytů
A: 10 % ze všech jeho výskytů s B
C: 0.1 % ze všech jeho výskytů s D
• A_samost. = 10 000
• B_samost. = 10 000
• C_samost. = 1 000 000
• D_samost. = 1 000 000
• E_samost. = 1 000 000
• F_samost. = 1 000 000
Která kolokace je nejsilnější?
1. AB = 1000 výskytů
2. CD = 1000 výskytů
3. EF = 10 000 výskytů
A: 10 % ze všech jeho výskytů s B
C: 0.1 % ze všech jeho výskytů s D
E: 1 % ze všech jeho výskytů s F
• A_samost. = 10 000
• B_samost. = 10 000
• C_samost. = 1 000 000
• D_samost. = 1 000 000
• E_samost. = 1 000 000
• F_samost. = 1 000 000
Kolokace
• Ostrava = 7 372
• v = 2 298 086
• Baník = 2 105
• a = 3 130 431
• ArcelorMittal = 174
lemma f
1 v 2170
2 z 444
3 do 321
4 Baník 224
5 a 219
6 of 141
7 moravský 135
8 město 111
9 ArcelorMittal 83
10 centrum 74
Porovnání s očekávanou náhodnou frekvencí
• očekávané frekvence (fo)
𝑓𝑜 =
𝑓𝑛 ∙ 𝑓𝑘
𝑁
fn ... frekvence daného slova
fk ... frekvence kolokátu
N ... počet slov v korpusu
Porovnání s očekávanou náhodnou frekvencí
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓𝑣
100000000
=
7372 ∙ 2298086
100000000
= 169,41 lemma f
1 v 2170
2 z 444
3 do 321
4 Baník 224
5 a 219
6 of 141
7 moravský 135
8 město 111
9 ArcelorMittal 83
10 centrum 74
Porovnání s očekávanou náhodnou frekvencí
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓𝑣
100000000
=
7372 ∙ 2298086
100000000
= 169,41
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓 𝐵𝑎𝑛𝑖𝑘
100000000
=
7372 ∙2105
100000000
= 0,16
lemma f
1 v 2170
2 z 444
3 do 321
4 Baník 224
5 a 219
6 of 141
7 moravský 135
8 město 111
9 ArcelorMittal 83
10 centrum 74
Porovnání s očekávanou náhodnou frekvencí
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓𝑣
100000000
=
7372 ∙ 2298086
100000000
= 169,41
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓 𝐵𝑎𝑛𝑖𝑘
100000000
=
7372 ∙2105
100000000
= 0,16
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓𝑎
100000000
=
7372 ∙3130431
100000000
= 230,78
lemma f
1 v 2170
2 z 444
3 do 321
4 Baník 224
5 a 219
6 of 141
7 moravský 135
8 město 111
9 ArcelorMittal 83
10 centrum 74
Porovnání s očekávanou náhodnou frekvencí
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓𝑣
100000000
=
7372 ∙ 2298086
100000000
= 169,41
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓 𝐵𝑎𝑛𝑖𝑘
100000000
=
7372 ∙2105
100000000
= 0,16
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓𝑎
100000000
=
7372 ∙3130431
100000000
= 230,78
𝑓𝑜 =
𝑓 𝑂𝑠𝑡𝑟𝑎𝑣𝑎∙𝑓 𝐴𝑟𝑐𝑒𝑙𝑜𝑟𝑀𝑖𝑡𝑡𝑎𝑙
100000000
=
7372 ∙174
100000000
= 0,01
lemma f
1 v 2170
2 z 444
3 do 321
4 Baník 224
5 a 219
6 of 141
7 moravský 135
8 město 111
9 ArcelorMittal 83
10 centrum 74
Kolokace
• asociační míry
• NESČ
• https://www.czechency.org/slovnik/ASOCIA%C4%8CN%C3%8D%20M%C3%8DRA
• Český národní korpus
• https://wiki.korpus.cz/doku.php/pojmy:asociacni_miry
Kolokace
• asociační míry
• matematické postupy používané pro vyhledání kolokací v korpusu
• většinou vycházejí ze statistického testování hypotéz
Kolokace
• asociační míry
• matematické postupy používané pro vyhledání kolokací v korpusu
• většinou vycházejí ze statistického testování hypotéz
• záporné hodnoty asociačních měr vykazují negativní asociace, tj.
vzájemné „odpuzování“
Kolokace
• asociační míry
• matematické postupy používané pro vyhledání kolokací v korpusu
• většinou vycházejí ze statistického testování hypotéz
• záporné hodnoty asociačních měr vykazují negativní asociace, tj.
vzájemné „odpuzování“
• různé způsoby měření
• MI-score
• T-score
• MIt-score
• Dice & logDice
• Log likelihood
• Min. sensitivity
• Chi-kvadrát
• z-score
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
• f(xy) pro frekvenci spojení xy
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
• f(xy) pro frekvenci spojení xy
• N pro velikost korpusu (počet
tokenů)
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
• f(xy) pro frekvenci spojení xy
• N pro velikost korpusu (počet
tokenů)
N = 100 000 000
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
• f(xy) pro frekvenci spojení xy
• N pro velikost korpusu (počet
tokenů)
N = 100 000 000
f(dobrý) = 116 272
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
• f(xy) pro frekvenci spojení xy
• N pro velikost korpusu (počet
tokenů)
N = 100 000 000
f(dobrý) = 116 272
f(den) = 111 733
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
• f(xy) pro frekvenci spojení xy
• N pro velikost korpusu (počet
tokenů)
N = 100 000 000
f(dobrý) = 116 272
f(den) = 111 733
f(dobrý den) = 1 626
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
• f(xy) pro frekvenci spojení xy
• N pro velikost korpusu (počet
tokenů)
N = 100 000 000
f(dobrý) = 116 272
f(den) = 111 733
f(dobrý den) = 1 626
f(dobrý) = 116 272
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
• f(xy) pro frekvenci spojení xy
• N pro velikost korpusu (počet
tokenů)
N = 100 000 000
f(dobrý) = 116 272
f(den) = 111 733
f(dobrý den) = 1 626
f(dobrý) = 116 272
f(jitro) = 446
Výpočet asociačních měr
• f(x), f(y) pro frekvenci slov x a y
• f(xy) pro frekvenci spojení xy
• N pro velikost korpusu (počet
tokenů)
N = 100 000 000
f(dobrý) = 116 272
f(den) = 111 733
f(dobrý den) = 1 626
f(dobrý) = 116 272
f(jitro) = 446
f(dobrý jitro) = 111
MI-score
𝑀𝐼 = 𝑙𝑜𝑔2
𝑝(𝑥𝑦)
𝑝 𝑥 𝑝(𝑦)
= 𝑙𝑜𝑔2
𝑁𝑓(𝑥𝑦)
𝑓 𝑥 𝑓(𝑦)
𝑀𝐼 𝑑𝑜𝑏𝑟ý 𝑑𝑒𝑛 = 𝑙𝑜𝑔2
100 000 000 ∙ 1626
116 272 ∙ 111 733
= 3,65
𝑀𝐼 𝑑𝑜𝑏𝑟é 𝑗𝑖𝑡𝑟𝑜 = 𝑙𝑜𝑔2
100 000 000 ∙ 111
116 272 ∙ 446
= 7,74
T-score
𝑇(𝑥𝑦) =
𝑓 𝑥𝑦 −
𝑓 𝑥 𝑓(𝑦)
𝑁
𝑓(𝑥𝑦)
𝑇 𝑑𝑜𝑏𝑟ý 𝑑𝑒𝑛 =
1626 −
116 272 ∙ 111 733
100 000 000
1626
= 37,1
𝑇 𝑑𝑜𝑏𝑟é 𝑗𝑖𝑡𝑟𝑜 =
111 −
116 272 ∙ 446
100 000 000
111
= 10,49
Kolokační grafy