Stylistika VII
ZS 2024
Obsah
• klasifikace na základě nejfrekventovanějších slov
• literatura
• Plechač. P. (2020). Jak určit autora textu. Vesmír, 99, s. 210-211)
• https://vesmir.cz/cz/casopis/archiv-casopisu/2020/cislo-4/jak-urcit-autora-
textu.html
Frekvenční struktura textu
J. Škvorecký: Eva byla nahá
Frekvenční struktura textu
Nejfrekventovanější slova
Škvorecký: Eva byla
nahá
pořadí slovo f
1 a 481
2 se 369
3 na 264
4 v 234
5 jsem 161
6 s 122
7 z 110
8 američan 108
9 to 104
10 řekl 98
11 ale 94
12 do 91
13 že 89
14 řekla 87
15 dívka 67
Nejfrekventovanější slova
Škvorecký: Eva byla
nahá
pořadí slovo f
1 a 481
2 se 369
3 na 264
4 v 234
5 jsem 161
6 s 122
7 z 110
8 američan 108
9 to 104
10 řekl 98
11 ale 94
12 do 91
13 že 89
14 řekla 87
15 dívka 67
Nejfrekventovanější slova
Škvorecký: Eva byla
nahá
pořadí slovo f
1 a 481
2 se 369
3 na 264
4 v 234
5 jsem 161
6 s 122
7 z 110
8 američan 108
9 to 104
10 řekl 98
11 ale 94
12 do 91
13 že 89
14 řekla 87
15 dívka 67
Hrabal:
Perlička na dně
pořadí slovo f
1 a 2239
2 se 1203
3 to 1037
4 na 879
5 ale 514
6 tak 504
7 do 467
8 si 459
9 jsem 456
10 v 446
11 že 440
12 je 432
13 já 363
14 když 296
15 jak 283
Hašek:
Osudy…I.
pořadí slovo f
1 a 7045
2 se 6061
3 na 3927
4 že 3469
5 to 3075
6 v 2585
7 je 1801
8 do 1749
9 s 1667
10 si 1534
11 když 1387
12 z 1375
13 tak 1308
14 jsem 1286
15 švejk 1188
Nejfrekventovanější slova
Škvorecký: Eva byla
nahá
pořadí slovo f_rel
1 a 0.037
2 se 0.028
3 na 0.020
4 v 0.018
5 jsem 0.012
6 s 0.009
7 z 0.008
8 američan 0.008
9 to 0.008
10 řekl 0.007
11 ale 0.007
12 do 0.007
13 že 0.007
14 řekla 0.007
15 dívka 0.005
Hrabal:
Perlička na dně
pořadí slovo f_rel
1 a 0.054
2 se 0.029
3 to 0.025
4 na 0.021
5 ale 0.012
6 tak 0.012
7 do 0.011
8 si 0.011
9 jsem 0.011
10 v 0.011
11 že 0.011
12 je 0.010
13 já 0.009
14 když 0.007
15 jak 0.007
Hašek:
Osudy…I.
pořadí slovo f_rel
1 a 0.035
2 se 0.030
3 na 0.020
4 že 0.017
5 to 0.015
6 v 0.013
7 je 0.009
8 do 0.009
9 s 0.008
10 si 0.008
11 když 0.007
12 z 0.007
13 tak 0.007
14 jsem 0.006
15 švejk 0.006
Nejfrekventovanější slova
Škvorecký: Eva byla
nahá
pořadí slovo f_rel
1 a 0.037
2 se 0.028
3 na 0.020
4 v 0.018
5 jsem 0.012
6 s 0.009
7 z 0.008
8 američan 0.008
9 to 0.008
10 řekl 0.007
11 ale 0.007
12 do 0.007
13 že 0.007
14 řekla 0.007
15 dívka 0.005
Hrabal:
Perlička na dně
pořadí slovo f_rel
1 a 0.054
2 se 0.029
3 to 0.025
4 na 0.021
5 ale 0.012
6 tak 0.012
7 do 0.011
8 si 0.011
9 jsem 0.011
10 v 0.011
11 že 0.011
12 je 0.010
13 já 0.009
14 když 0.007
15 jak 0.007
Hašek:
Osudy…I.
pořadí slovo f_rel
1 a 0.035
2 se 0.030
3 na 0.020
4 že 0.017
5 to 0.015
6 v 0.013
7 je 0.009
8 do 0.009
9 s 0.008
10 si 0.008
11 když 0.007
12 z 0.007
13 tak 0.007
14 jsem 0.006
15 švejk 0.006
Nejfrekventovanější slova
Škvorecký: Eva byla
nahá
pořadí slovo f_rel
1 a 0.037
2 se 0.028
3 na 0.020
4 v 0.018
5 jsem 0.012
6 s 0.009
7 z 0.008
8 američan 0.008
9 to 0.008
10 řekl 0.007
11 ale 0.007
12 do 0.007
13 že 0.007
14 řekla 0.007
15 dívka 0.005
Hrabal:
Perlička na dně
pořadí slovo f_rel
1 a 0.054
2 se 0.029
3 to 0.025
4 na 0.021
5 ale 0.012
6 tak 0.012
7 do 0.011
8 si 0.011
9 jsem 0.011
10 v 0.011
11 že 0.011
12 je 0.010
13 já 0.009
14 když 0.007
15 jak 0.007
Hašek:
Osudy…I.
pořadí slovo f_rel
1 a 0.035
2 se 0.030
3 na 0.020
4 že 0.017
5 to 0.015
6 v 0.013
7 je 0.009
8 do 0.009
9 s 0.008
10 si 0.008
11 když 0.007
12 z 0.007
13 tak 0.007
14 jsem 0.006
15 švejk 0.006
Nejfrekventovanější slova
Plechač (2020)
Nejfrekventovanější slova
Plechač (2020)
Nejfrekventovanější slova
• nezávislost na tématu
• aproximace gramatiky (viz níže)
Měření – Burrowsova delta
• relativní frekvence daného počtu nejfrekventovanějších slov
• výpočet z-skóre
• pro každou dvojici textů se pro každé slovo (z daného počtu
nejfrekventovanějších slov) vypočítá rozdíl hodnot z-skóre
• tyto vzdálenosti se sečtou
• aplikuje se shluková analýza
Modelový příklad
• text A a text B
• vypočet na základě pouze dvou nejfrekventovanějších slov
• jedná se jen o modelový příklad, obvykle se pracuje se stovkami slov
a na délka textu
text A 56 32 800
text B 27 90 900
Modelový příklad
• relativní frekvence (v %)
𝑓𝑟𝑒𝑙 𝑡𝑒𝑥𝑡 𝐴 𝑎 =
𝑓(𝑎)
𝑁(𝑡𝑒𝑥𝑡 𝐴)
100 =
56
800
100 = 0.07 ∙ 100 = 7
a na délka textu
text A 56 32 800
text B 27 90 900
Modelový příklad
• relativní frekvence (v %)
𝑓𝑟𝑒𝑙 𝑡𝑒𝑥𝑡 𝐴 𝑎 =
𝑓(𝑎)
𝑁(𝑡𝑒𝑥𝑡 𝐴)
100 =
56
800
100 = 0.07 ∙ 100 = 7
𝑓𝑟𝑒𝑙 𝑡𝑒𝑥𝑡 𝐵 𝑎 =
𝑓(𝑎)
𝑁(𝑡𝑒𝑥𝑡 𝐵)
100 =
27
900
100 = 0.03 ∙ 100 = 3
𝑓𝑟𝑒𝑙 𝑡𝑒𝑥𝑡 𝐵 𝑛𝑎 =
𝑓(𝑛𝑎)
𝑁(𝑡𝑒𝑥𝑡 𝐵)
100 =
32
800
100 = 0.04 ∙ 100 = 4
𝑓𝑟𝑒𝑙 𝑡𝑒𝑥𝑡 𝐴 𝑛𝑎 =
𝑓(𝑛𝑎)
𝑁(𝑡𝑒𝑥𝑡 𝐵)
100 =
90
900
100 = 0.1 ∙ 100 = 10
Modelový příklad
• z-skóre
• rozdíl mezi
relativní frekvencí daného slova v textu a
průměrnou relativní frekvencí daného slova ve vzorku sestaveného z
analyzovaných textů vydělený
směrodatnou odchylkou
Modelový příklad
• z-skóre
• rozdíl mezi
relativní frekvencí daného slova v textu a
průměrnou relativní frekvencí daného slova ve vzorku sestaveného z
analyzovaných textů vydělený
směrodatnou odchylkou
• v tomto modelovém případu si představme, že máme více textů, ze kterých
jsme spočítali průměrnou relativní frekvenci a směrodatnou odchylku
Variabilita dat – rozptyl & směrodatná
odchylka
• rozptyl
• střední hodnota kvadrátů odchylek od střední hodnoty
𝜎2
=
1
𝑁
෍
𝑖=1
𝑁
𝑥𝑖 − ҧ𝑥 2
=
𝑥1 − ҧ𝑥 2 + 𝑥2 − ҧ𝑥 2+. . . + 𝑥 𝑁 − ҧ𝑥 2
𝑁 − 1
Variabilita dat – rozptyl & směrodatná
odchylka
{2,2,3,3,4,5} průměr = 3,17
𝜎2
=
2 − 3,17 2
+ 2 − 3,17 2
+ 3 − 3,17 2
+ 3 − 3,17 2
6 − 1
+
+
4 − 3,17 2
+ 5 − 3,17 2
=
=
1,3689 + 1,3689 + 0,0289 + 0,0289 + 0,6889 + 3,3489
5
=
6,8334
5
=
= 1,367
Variabilita dat – směrodatná odchylka
směrodatná odchylka
{2,2,3,3,4,5} průměr = 3,17
𝜎 =
1
𝑁 − 1
෍
𝑖=1
𝑁
𝑥𝑖 − ҧ𝑥 2 = 1,169
Variabilita dat – směrodatná odchylka
{2,2,3,3,4,5} průměr = 3,17 SD =1,17
{2,2,3,3,4,20} průměr = 5,67 SD = 7,06
{5,5,6,6,6,6} průměr = 5,67 SD = 0,52
Variabilita dat – směrodatná odchylka
{2,2,3,3,4,5} průměr = 3,17 SD = 1,17
{2,2,3,3,4,20} průměr = 5,67 SD = 7,06
{5,5,6,6,6,6} průměr = 5,67 SD = 0,52
Modelový příklad
• průměrné relativní frekvence
ҧ𝑓 𝑎 = 2, ഥ𝑓 𝑛𝑎 = 2
• směrodatné odchylky
σ 𝑎 = 1, σ 𝑛𝑎 = 2
Modelový příklad
• z-skóre
𝑧 =
𝑟𝑒𝑙. 𝑓𝑟𝑒𝑘. 𝑠𝑙𝑜𝑣𝑎 − 𝑝𝑟ů𝑚ě𝑟𝑛á 𝑟𝑒𝑙. 𝑓𝑟𝑒𝑘𝑣. 𝑠𝑙𝑜𝑣𝑎 𝑣𝑒 𝑣𝑧𝑜𝑟𝑘𝑢
𝑠𝑚ě𝑟𝑜𝑑𝑎𝑡𝑛á 𝑜𝑑𝑐ℎ𝑦𝑙𝑘𝑎 𝑠𝑙𝑜𝑣𝑎
Modelový příklad
• z-skóre
𝑧 𝑡𝑒𝑥𝑡 𝐴 𝑎 =
𝑓𝑟𝑒𝑙 𝑡𝑒𝑥𝑡 𝐴 𝑎 − ҧ𝑓 𝑎
σ 𝑎
=
7 − 2
1
= 5
Modelový příklad
• z-skóre
𝑧 𝑡𝑒𝑥𝑡 𝐴 𝑎 =
𝑓𝑟𝑒𝑙 𝑡𝑒𝑥𝑡 𝐴 𝑎 − ҧ𝑓 𝑎
σ 𝑎
=
7 − 2
1
= 5
𝑧 𝑡𝑒𝑥𝑡 𝐵 𝑎 =
3 − 2
1
= 1
𝑧 𝑡𝑒𝑥𝑡 𝐴 𝑛𝑎 =
4 − 2
2
= 1
𝑧 𝑡𝑒𝑥𝑡 𝐵 𝑛𝑎 =
10 − 2
1
= 4
Modelový příklad
• Delta vzdálenost mezi texty
𝛥(𝑡𝑒𝑥𝑡𝐴,𝑡𝑒𝑥𝑡𝐵) =
1
𝑁
෍
𝑖=1
𝑁
𝑧𝑖(𝑡𝑒𝑥𝑡𝐴) − 𝑧𝑖(𝑡𝑒𝑥𝑡𝐵)
N…počet analyzovaných slov i
Modelový příklad
• Delta vzdálenost mezi texty
𝛥(𝑡𝑒𝑥𝑡𝐴,𝑡𝑒𝑥𝑡𝐵) =
1
𝑁
෍
𝑖=1
𝑁
𝑧𝑖(𝑡𝑒𝑥𝑡𝐴) − 𝑧𝑖(𝑡𝑒𝑥𝑡𝐵)
𝛥(𝑡𝑒𝑥𝑡𝐴,𝑡𝑒𝑥𝑡𝐵) =
𝑧 𝑎(𝑡𝑒𝑥𝑡𝐴) − 𝑧 𝑎(𝑡𝑒𝑥𝑡𝐵) + 𝑧 𝑛𝑎(𝑡𝑒𝑥𝑡𝐴) − 𝑧 𝑛𝑎(𝑡𝑒𝑥𝑡𝐵)
2
=
=
5 − 1 + |1 − 4|
2
=
7
2
= 3.5
Vzdálenost mezi texty
∆(𝐴𝐵)=
1
𝑛
෍
𝑖=1
𝑛
𝐴𝑖 − 𝜇𝑖
𝜎𝑖
−
𝐵𝑖 − 𝜇𝑖
𝜎𝑖
n … the number of MFW
A, B … texts for the comparison
Ai … the relative frequency of a given word in the text A
Bi … the relative frequency of a given word in the text B
𝜇i … the average relative frequency of a given word in sample
𝜎i … the standard deviation of the relative frequency of a given word
Vzdálenost mezi texty
Nini (2023)
Vzdálenost mezi texty
Nini (2023)
Shluková analýza
https://towardsdatascience.com/hierarchical-clustering-explained-e59b13846da8
Shluková analýza
https://towardsdatascience.com/hierarchical-clustering-explained-e59b13846da8
Shluková analýza
Plechač (2020)
Prezidentské projevy
• Kubát, M., Mačutek, J., Čech, R. (2021). Communists spoke
differently. An analysis of Czechoslovak and Czech annual
presidential speeches. Digital Scholarship in the Humanities, 36,
138-152.
• presedential speeches: 1935–2018
• 100 MFW, culling = 60 %
Bible svatováclavská & comments
• Kosek, P., Čech, R. (2018). Stylové aspekty Bible svatováclavské –
stylometrická analýza. In Zand, G., Newerkla, S.M. (eds.).
Jezuitská kultura v českých zemích / Jesuitische Kultur in den
böhmischen Ländern. Host, 195-209.
Bible svatováclavská & comments
• New Testament
• Konstanc → Šteyer
• Old Testament
• Šteyer → Barner
• Job – divide
• „[…] (domníváme se, že by se stylistickým rozdílem textu dalo
zjistit, odkud překládal už jen Šteyer) […]“ Vintr (1997)
Bible svatováclavská & comments
• comments
• Šteyer: New Testament + Genesis
• Barner: Old Testament
Bible svatováclavská & comments
• translation
• sacred text
• editing
Bible svatováclavská & comments
• New Testament
• Mt, Lk, Sk, Zj
• Old Testament
• Gn, Jb, Iz, Sir
• 100 MFW
• culling = 0
Jak to, že to funguje?
• Nini, s. 32
Stylo
• Eder, M., Rybicki, J., & Kestemont, M. (2016). Stylometry with R: a
package for computational text analysis. The R Journal, 8(1).
Stylo