kurz:vyhodnoceni_dotazu - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== 3. lekce: Položili jsme dotaz. Jak ho vyhodnotit? ======

V první lekci tohoto průvodce pro práci s korpusy jsme se naučili pokládat jednoduchý typ dotazu, v druhé lekci jsme si ukázali různé [[zobrazeni_dotazu#moznosti_zobrazeni|možnosti zobrazení výsledků]], především doplňkových informací o zdrojovém textu. Nyní se zaměříme zejména na to, jak zobrazená data co nejefektivněji vyhodnotit pomocí funkcí **[[manualy:kontext:frekvence|Frekvence]]** a **[[manualy:kontext:konkordance#trideni|Konkordance → Třídění]]**.

===== Frekvence =====

Funkce frekvenční distribuce, zkráceně nazývaná **Frekvence**, poskytuje přehled o frekvenci jevů v rámci vyhledaného dotazu – především pomáhá spočítat, kolik je těch či oněch slovních tvarů, lemmat nebo tagů, případně kolik je výskytů vyhledaného lemmatu či slovního tvaru v různých typech textů. Na rozdíl od konkordance, která zobrazuje [[pojmy:token|tokeny]], frekvenční distribuce slouží k zjištění frekvencí [[pojmy:typ|typů]].

Vedle rychlých voleb – slovní tvary (bez ohledu na velikost písmen), dokumenty, typy textů apod. – nabízí funkce **Frekvence** i široce nastavitelnou volbu **Vlastní**. Ta umožňuje vytvářet frekvenční seznamy pozičních atributů (tzv. **Běžná** frekvenční distribuce), seznamy strukturních atributů (**Podle typů textu**) a seznamy kombinující dva atributy (tomuto typu se zde věnovat nebudeme, je ale popsán v [[manualy:kontext:frekvence#zavislost_dvou_atributu|manuálu]]).

==== Frekvenční distribuce slovních tvarů ====

Zkusme si nejprve společně vyhledat frekvenci jednotlivých pádových forem [[pojmy:lemma|lemmatu]] //noha//, a to v korpusu [[cnk:syn2020|SYN2020]]. Celkem se tu nachází 32 535 výskytů tohoto lemmatu (za předpokladu, že jsme zvolili lemma za výchozí atribut). V menu vybereme volbu **Frekvence → Slovní tvary**, načež se nám ukážou všechny doložené pádové formy. Celkový počet různých tvarů ([[pojmy:typ|typů]]) je zobrazen za slovem **Celkem** v horní části výsledné tabulky, v tomto případě 12 tvarů.

[{{:kurz:frekv_slovnitvary.png?direct&364|Frekvenční distribuce slovních tvarů (s [[pojmy:case-sensitive|rozlišováním velikosti]] )}}] 

Z výsledné tabulky se dá leccos snadno vyčíst, např. kolikrát se slovo //noha// realizuje v "neživotném" tvaru //nohami//. Zajímá-li vás, zda a jak se liší užití tvarů //nohama// a //nohami//, stačí prokliknout přes modře zvýrazněné <fc #4169e1>p</fc> vlevo od vybraného tvaru (<fc #4169e1>p</fc> značí pozitivní [[manualy:kontext:filtr|filtr]] dané konkordance, <fc #4169e1>n</fc> je filtr negativní a zobrazil by všechny tvary **kromě** vybraného). 

Pohled na 95 konkordančních řádků tvaru //nohami//, k nimž se takto dostanete, ukazuje, že většinou se skutečně jedná o nohy od nábytku (stůl, židle), nezanedbatelný počet výskytů sice odkazuje i k životným subjektům, ale v porovnání s četností (kodifikovaného) tvaru //nohama// (4817) je to minimum. A naopak, jistě bychom našli i [[https://www.korpus.cz/kontext/view?maincorp=syn2020&viewmode=kwic&pagesize=100&attrs=word%2Clemma%2Ctag&attr_vmode=mouseover&base_viewattr=word&refs=%3Ddoc.title&q=~bAgKu66oiAsu|nejeden tvar]] //nohama// v souvislosti s nábytkem.

<WRAP round important 50%>
Pozor, je třeba počítat s pádovou homonymií: např. nejfrekventovanější tvar //nohy// může být jak forma genitivu singuláru, tak nominativu či akuzativu plurálu (a jak se ukáže níže, i ještě jednoho okrajového pádu -- tipnete si jakého?).
</WRAP>

Jak tyto pádové formy odlišit? Samozřejmě lze vyfiltrovanou konkordanci podrobit manuální analýze, ale ruku na srdce, chtělo by se vám ručně procházet přes 13 tisíc řádků? U takto velkého objemu dat je však lepší spolehnout se na automatickou [[pojmy:morfologicka_analyza|morfologickou analýzu]] (a skousnout určitou míru chybovosti, pohybující se aktuálně kolem 4 %). Stejně jako si můžeme nechat korpusovým manažerem sečíst totožné tvary, není problém aplikovat početní operace i na jiné atributy, např. //[[pojmy:tag|tag]]//, který nám konkrétní pádové formy -- i ty homonymní -- odliší.

[{{:kurz:frekvdistribtag.png?direct&450| Výběr vlastního atributu pro frekvenční distribuci }}]

Výsledný soupis vypadá trochu divočeji než ten předchozí, ale s pomocí [[seznamy:tagy#popis_jednotlivych_pozic_znacky|nápovědy]] se v něm po chvilce zorientujete. Relevantní je tu 4. a 5. pozice, označující číslo a pád; vidíme tedy, že akuzativ plurálu (P4) je nejčastější, na čtvrtém řádku je zaznamenán nominativ plurálu (P1) a konečně poslední homonymní tvar -- genitiv singuláru (S2) -- nacházíme na sedmém řádku.

{{:kurz:frekvdistribtag2.png?direct&300|}}

Podobně bychom mohli z prvního frekvenčního seznamu výše pozitivně vyfiltrovat tvar //nohy// a na ten pak znovu aplikovat funkci Frekvenční distribuce, tentokrát přes atribut **tag** -- dostali bychom takovýto výsledek:

{{:kurz:frekvdistribtag3.png?direct|}}

(Poslední tři položky mohou být právě případy chybné strojové anotace, ale nemusí tomu tak být, např. všechny tři tvary vokativu plurálu jsou označkovány správně.)

==== Frekvenční distribuce slovních druhů v okolí KWICu ====

Adjektiva //proslulý// a //věhlasný// jsou si významově blízká. V textu se však chovají odlišně, a to mj. tím, jak často jsou adverbiálně modifikovaná. Do jaké míry se v tomto ohledu liší a kterými adverbii jsou obě adjektiva rozvíjena, zjistíme pomocí frekvenční distribuce slovních druhů na pozici bezprostředně předcházející [[pojmy:KWIC|KWICu]]. Vyhledáme postupně obě zkoumaná lemmata v SYN2020. Na výsledek (523krát //věhlasný//, 2652krát pro //proslulý//) uplatníme frekvenční distribuci. V menu vybereme **Frekvence → Vlastní** Jako atribut zadáme **[[pojmy:pos|pos]]** (part-of-speech, slovní druh), pozici změníme na **1L** (první pozice vlevo od KWIC, tedy ta, na které se předpokládá výskyt adverbií rozvíjejících adjektiva).


[{{:kurz:frekvdistr_tag1l.png?direct&500| Zadání frekvenční distribuce na první pozici vlevo vedle KWICu }}]

<WRAP clear/>

Ve výsledné tabulce zjistíme, že slovu //proslulý// předcházejí nejčastěji právě adverbia ([[seznamy:tagy#pozice_1_-_slovni_druh|označovaná zkratkou D]]), kdežto slovu //věhlasný// obvykle substantiva (N), a adverbia jsou dokonce až na sedmém místě tabulky. Kromě samotného pořadí je jistě zajímavé i zjištění, v kolika procentech případů jsou tato lemmata adverbiálně modifikována: adjektivu //proslulý// předchází adverbium ve 25 % případů v porovnání s 8 % případů u //věhlasný//.


<WRAP round tip 50%>
Porovnávání absolutní frekvence může velmi často být zavádějící, spolehlivější a výhodnější je spočítat procentuální zastoupení jevů nebo relativní frekvence.
</WRAP>

[{{:kurz:frekvdistagyvehlasne.png?direct&400|Frekvenční distribuce první předcházející pozice lemmatu //věhlasný//}}]
[{{:kurz:frekvdistagyprosluly.png?direct&400|Frekvenční distribuce první předcházející pozice lemmatu //proslulý//}}]

Ve výsledné tabulce můžeme kliknutím na modře zvýrazněné <fc #6495ed>p</fc> (pozitivní filtr) zjistit, která konkrétní adverbia dané lemma rozvíjejí – zobrazí se totiž všechny konkordanční řádky, kde vybranému adjektivu bezprostředně předchází adverbium. Seznam adverbií spolu s jejich frekvencemi získáme opětovným použitím frekvenční distribuce: v menu vybereme **Frekvence → Vlastní**, jako atribut zadáme **lemma**, pozici upravíme na **1L**. Zjistíme tak, že s adjektivem //proslulý// se nejčastěji pojí adverbia //nechvalně//, //světově// a //neblaze//, kdežto slovo //věhlasný// je rozvíjeno zcela odlišným typem adverbií, např. //tak//, //také//, //málo// nebo //už//.

==== Vliv typu textu na jazyk ====

Pomocí frekvenční distribuce můžeme zkoumat mimo jiné vliv toho, o jaký text se jedná. Vyhledejme výplňkové slovo //vlastně// tentokrát např. v korpusu [[cnk:syn2015|SYN2015]] (výchozí atribut: **Lemma**) a porovnáme jeho frekvenční distribuci v různých [[pojmy:txtype|textových typech]] s výskyty v mluvené češtině.

Po zobrazení konkordance z menu vybereme **Frekvence → Typy textů**, a protože jednotlivé textové typy a žánry nejsou zastoupeny stejným objemem textů, kliknutím na **i.p.m.** seřadíme výsledky podle relativní frekvence. 

Nejvyšší relativní frekvenci (479 i.p.m.) najdeme u dramat, nejnižší (12 i.p.m.) u administrativních textů. Divadelní hry (txtype SCR: drama) jako druh psaného textu, který má nejblíže mluvenému jazyku, přímo vybízejí ke srovnání s korpusy řady ORAL, které obsahují neformální a nepřipravený mluvený jazyk. Zadáme tedy stejný dotaz, tentokrát do korpusu [[cnk:oral|ORAL v1]].

Výsledky shrnuje následující tabulka:

^ Textový typ ^ relativní frekvence ([[pojmy:ipm|i.p.m.]]) ^
| SCR: drama |  479 |
| NOV: próza |  367 |
| SCI: odborná literatura |  163 |
| VER: poezie |  139 |
| ADM: administrativa |  12 |
| ORAL v1 (//vlastně// + //vlasně//((Pod lemmatem //vlastně// se skrývá i redukovaná výslovnostní podoba //vlasně//. Oba tvary jsou, jak patrno z **Frekvence → Slovní tvary**, zastoupeny víceméně vyrovnaně.))) |  1363 |

Nízká frekvence //vlastně// v administrativě a odborné literatuře je pochopitelná, tyto texty se snaží být stručné a přitom exaktní. Mluvený jazyk, který divadelní hry (ale oproti poezii třeba i próza, především v přímé řeči) napodobují, naopak jistou redundanci (kterou //vlastně// signalizuje) přímo vyžaduje.

==== Frekvenční distribuce charakteristik mluvčích ====

Jednotlivé charakteristiky mluvčích v mluvených korpusech (např. [[pojmy:atributy_strukturni#strukturni_atributy_korpusu_rady_oral|věk, pohlaví, vzdělání, oblast]]) si navolíte prostřednictvím volby **Frekvence → Vlastní → Podle typů textu**. Podobný výstup poskytuje i rychlá volba **Frekvence → Typy textů**, kterou aplikujete na konkordanci v mluveném korpusu řady Oral.

[{{:kurz:vlastne_oral_frekdis.png?direct&500|Frekvenční distribuce sociolingvistických proměnných }}]

<WRAP clear/>

===== Třídění řádků =====

Kvalitativní analýza konkordančních řádků může těžit z funkce **Třídění**, která je k dispozici v menu pod položkou **Konkordance**. Tuto funkci lze využít, dáváme-li přednost ruční kvalitativní analýze před analýzou frekvenční (viz první část této lekce věnovaná frekvenční distribuci).

Třídit řádky má smysl jen v případě, že celá konkordance není příliš rozsáhlá -- je tedy rozumné pracovat s [[kurz:vytvareni_vzorku|náhodnými vzorky]], tj. s určitým zpracovatelným počtem náhodně vybraných řádků. Náhodný vzorek vytvoříme po zadání dotazu v menu **Konkordance → Vzorek**, kde si zadáme požadovaný rozsah vzorku. Doporučujeme vybírat spíše menší vzorky (defaultně nastavených je 250), které jsou ještě přehledné. Problematice vytváření náhodných vzorků se detailně věnuje [[kurz:vytvareni_vzorku|samostatný článek]].

Jakmile máme připravený náhodný vzorek, můžeme v něm řádky abecedně seřadit, a to buď podle prvního znaku KWICu, nebo podle levého či pravého kontextu. Chceme například pomocí kvalitativní analýzy zjistit, s jakými slovy se obvykle pojí adjektivum //červený//. V menu vybereme položku **Konkordance → Třídění**. Pokud nás zajímá pravý kontext, kde se budou pravděpodobně vyskytovat mj. substantiva rozvíjená slovem //červený//, zvolíme atribut **word** nebo **lemma**, klíč třídění **Pravý kontext** a počet tokenů k třídění **1** (to znamená, že abecedně řadit se bude jen jediné slovo vpravo od KWICu).

Kvalitativní analýzou zjistíme, že po adjektivu //červený// skutečně v textu nejčastěji následují substantiva, např. //víno//, //kříž//, //barva//, //řepa// či //karta//. Podobnou kvalitativní analýzou levého kontextu (klíč třídění změníme na **Levý kontext**) dospějeme k tomu, že adjektivum //červený// může být rozvíjeno adverbii jako //jasně// či //temně//, adjektivy //velký// či //malý// nebo slovesy //být//, //mít// aj.


===== Uložení výsledků analýzy =====

Kromě uložení výsledku dotazu (tedy samotných konkordančních řádků) můžeme ukládat i výsledky analýz, především frekvenční a [[manualy:kontext:kolokace|kolokační]] seznamy. Ve výsledné tabulce (pokud data otevíráme v tabulkovém editoru) můžeme dále třídit, promazávat či jinak upravovat řádky podle svých představ a výzkumných záměrů. 

V korpusu SYN2020 najděte nejčastější pravostranná doplnění k výše zmíněnému adjektivu //červený//. V nabídce **Frekvence → Vlastní** zvolte atribut: lemma, zaškrtnout //Nerozlišovat velikost//, pozice: ''1R''. V horní části výsledné tabulky vidíme, že takových lemmat je téměř 2700. Řekněme, že nás ale zajímají jen takové kolokáty, která se v daném korpusu vyskytují alespoň padesátkrát. Při ukládání zvolte položku **Uložit → Vlastní**, jež umožní omezit počet exportovaných řádků (shodou okolností jich bude přesně padesát, tj. zadáme od 1 do 50, na řádku 51 je slovo, které je v daném korpusu pouze 47krát, což snadno zjistíte přesunem na následující stránku soupisu). Zvolte formát XLSX a data uložte. V okně, které se automaticky zobrazí, stačí už jen zvolit, zda chcete soubor otevřít ve formátu Excel (pozor, v tom případě není zatím uložený!), nebo ho rovnou uložit mezi své soubory.

===== Vyzkoušejte si na závěr =====

<WRAP round help 60%>
  - Vytvořte frekvenční distribuci všech předložek bezprostředně předcházejících lemmatu //vědomí// v korpusu SYN2020.
  - Jak se liší výskyt slova //vole// v mluvě mužů a žen? Opřete se o frekvenční distribuce v korpusech řady ORAL.

Výsledky najdete jako vždy v [[reseni_ukolu#lekce_3|Řešení úkolů]].
</WRAP>

A nyní už odvážně do [[regularni_vyrazy|následující lekce]], v níž se seznámíme s regulárními výrazy.

----
<WRAP center round box 49%>
[[manualy:kontext:index|Manuál rozhraní KonText]] • [[cnk:uvod|Korpusy ČNK]] • [[zaciname|Jak začít pracovat s ČNK]] • [[pojmy:prehled_pojmu|Přehled pojmů korpusové lingvistiky]] • [[uvod#zaklady_prace_s_korpusem_v_7_lekcich|Kurz práce s korpusem v 7 lekcích]] • [[prvni_dotaz|1. lekce]] • [[zobrazeni_dotazu|2. lekce]] • [[regularni_vyrazy|4. lekce]] </WRAP>
Historie: • nkjp • diakorp • klaus • czesl-sgt-basic • skript2012_znacky • skript2012-prepis • strukturni_atributy_mluvene • schola2010 • vespa_cz • zasady_pro_prepis_vyucovacich_hodin