Tvrzení chrámu 5 (asociace)

(aneb čeština jako obranný val) V diskusi rozvířené lednovým útokem na Charlie Hebdo jsem zaslechl jeden zajímavý názor na nízkou oblibu České Republiky mezi nově příchozími žadateli o azyl.

Díky tomu, že mluvíme jedním z nejobtížnějších jazyků v Evropě, uprchlíci raději volí země s nějakou jednodušší řečí. Nevím, zda to autor myslel vážně - je jasné, že rozhodnutí o emigraci tam či onam podléhá i jiným kritériím než je obtížnost jazyka - ale v každém případě je to poetická představa. Zachmuřená Pramatka Čeština obchází šumavskými hvozdy a plíživé hordy přivandrovalců mlátí po hlavě nepravidelnými slovesy a shodou podmětu s přísudkem.

Ale vážně: ve srovnání s velkými světovými jazyky je naše mateřština téměř nedobytný hrad. Ruku na srdce - i my, rodilí mluvčí, občas při zteči narazíme čelem do trámu. A nejen když dumáme, zda bychom si do jablka sváru kousli či kousnuli a nebo zda naši básníci iluze ztrácí či ztrácejí. Kdo nikdy neudělal hrubku, nechť hodí Pravidly. A pro přespolní to platí dvojnásob. Kdysi jsem jednoho krajánka z Texasu učil česky a po této zkušenosti musím říci, že bych raději dyslektickému Eskymákovi vysvětlil základy diferenciálního počtu.

Nejenže se každý cizinec musí prosekat džunglí skloňovacích vzorů a časovacích tříd, ale musí se popasovat s dokonavostí, sem tam překousnout nějaký ten přechodník a nenechat se rozhodit poměrně volným slovosledem. A když to zvládne, může začít trénovat významový rozdíl mezi "syrovým" a "surovým" a taky mezi "tlustým" a "tučným" a při té příležitosti si rozmyslet, proč je pečeně libová, cvičenec hubený, ale frajer může být obojí. Hned v dalším kole si může zašpekulovat, proč jsou "mraky" hovorovou jednotkou množství, "houby" vyjádřením letmého zamítnutí a "kosa" ztělesněním mrazu. Ale opravdové dno zoufalství ho čeká při jazykovém rozboru namlouvání. To se takhle jednomu začnou "zapalovat lýtka" a když mu nějaká galánka "padne do oka", tak se do ní "zabouchne" a rozhodne se ji "sbalit" - po čase se s ní "zahodí" a galánka ho následně "utáhne na vařený nudli". Tak, a teď si tu větu, milý cizinče, přelož doslova a hloubej.

Ne, není to žádná procházka růžovým sadem ten náš jazyk vezdejší. Ale na mě nedejte. Poslechněte si, co o tom říká opravdový cizinec.

Norský novinář Terje Englund kdysi napsal knihu "The Czechs in a Nutshell", což je jakýsi manuál české kultury a reality pro cizince chystající se na delší pobyt v Česku. V kapitole věnované češtině Englund píše (str. 80):

"Let's start with the unambiguous verdict: Czech is the Rolls-Royce of the Slavonic languages, and a star player in the Indo-European linguistic league. Czech is so rich, precise and, unfortunately, also complicated that a foreigner trying to learn the language may be driven to suicide. Either because he or she never manages to learn it, or because of the utter depression that follows when the foreigner realizes how primitive his or her own mother tongue is."

Tato pasáž by se dala převést do češtiny zhruba takto:

"Začněme jednoznačným verdiktem: čeština je Rolls Royce mezi slovanskými jazyky a hvězdný hráč indoevropské lingvistické ligy. Čeština je tak bohatá, přesná a - bohužel - také komplikovaná, že cizinec, který se jí snaží naučit může být dohnán až k sebevraždě. Buď proto, že se nikdy nebude schopen jí naučit a nebo pro naprostou depresi, která bude následovat, když si uvědomí jak primitivní jeho vlastní mateřský jazyk je."

Pokud si tento královský klenot budeme chránit, tak on bude na oplátku chránit nás. Ne snad doslova s čakanem v ruce, ale spíš obrazně. Bude chránit náš duchovní prostor a naše kulturní dědictví. Ráj srdce, který hluboko v sobě pronášíme Labyrintem světa.

Datová pitva u Moháče (29. srpna 1526)

V dnešní pitvě si zahrajeme variantu dětské asociační hry. Určitě si na ni vzpomenete - paní učitelka řekne slovo, třeba rákosí, a žák vyhrkne první věc, která ho napadne (obvykle žabička). Hrát ji budeme tak, že si nejprve označíme všechny blogy, které obsahují nějaké slovo (nebo skupinu příbuzných slov) - takovým blogům budu říkat vzorek - a pak se podíváme jaká slova se v tomto vzorku vyskytují častěji než ve zbytku blogosféry. Budeme tedy lovit slova, která blogeři v souvislosti s danou slovní "návnadou" (která vzorek definuje) používají nejčastěji. Například pokud bychom zkoumali blogy obsahující slovo "banka", dalo by se očekávat, že v nich poměrně často nalezneme slova jako "úrok", "peníze" a nebo "dluží".

To poměrně budu kvantifikovat tak, že si spočítám četnost daného slova ve vzorku, pak četnost ve všech blozích a podíl těchto dvou čísel použiju k ohodnocení. Čím bude pro dané slovo tento podíl větší, tím bude to slovo pro vybraný vzorek blogů charakterističtější. V níže uvedených tabulkách Vám pro každý vzorek ukážu 20 nejcharakterističtějších slov (z analýzy jsem vyházel pouze slova s velmi nízkou nebo velmi vysokou frekvencí).

Pro vzorek bychom samozřejmě mohli použít i nějaké jiné kritérium - třeba všechny blogy publikované v určitém týdnu (dostali bychom tak trendující témata) a nebo všechny blogy publikované určitým autorem (tím bychom dostali autorské charakteristiky). K takovým hrátkám se možná vrátím někdy v budoucnosti.

Jako obvykle budou všechny frekvence (četnosti) uvedeny v setinách procent. Nalevo od slova najdete již zmíněné četnosti slova v daném vzorku (vzorek), ve všech blozích (vše) a samozřejmě především podíl těchto dvou veličin, podle kterého jsou slova seřazena. Je-li tento podíl řekněme 6.53, znamená to, že slovo se ve vzorku vyskytuje 6.53x častěji než v běžném textu (a bacha, používám desetinnou tečku!).

Napravo od slova najdete údaje o karmě. Nejprve průměrná karma v blozích našeho vzorku, které dané slovo obsahují (karmaS), pak v blozích které toto slovo neobsahují (karmaBez) a nakonec normalizovaný rozdíl těchto dvou čísel. Tam kde je tento rozdíl výrazně kladný, vyjadřují čtenáři svou libost nad nálezem slova ve vzorku (taková slova jsem obarvil modře), tam kde je rozdíl záporný, čtenáři naopak vyjadřují svou nelibost (a taková slova jsem obarvil červeně). Jinými slovy - modrá slova mají ve vzorku relativně vyšší karmu, zatímco červená ji mají menší.

(slova uvádím v tom tvaru v jakém byla nalezena - tedy nepřevádím je na základní tvar)

A hrátky začneme s osobami některých známých politiků. Takže tady jsou slova, která blogeři vyhrknou, když se řekne...

Vzorek: Sobotka

podíl	vše	vzorek	slovo	karmaS	karmaBez	rozdíl
19.842	0.016	0.316	fiskálního	27.543	23.189	+0.043
15.301	0.069	1.049	premiérovi	24.022	23.188	+0.009
13.924	0.029	0.400	lustračního	20.254	23.267	-0.035
13.657	0.021	0.283	respektovaný	14.673	23.252	-0.113
12.901	0.018	0.233	valorizace	20.324	23.242	-0.033
12.532	0.013	0.167	preferencích	23.161	23.229	-0.001
12.452	0.041	0.516	koaličních	20.776	23.292	-0.029
12.308	0.015	0.183	rozkrade	30.906	23.172	+0.072
12.226	0.022	0.266	neslušný	26.693	23.219	+0.035
12.050	0.014	0.167	řečnického	29.581	23.188	+0.061
11.749	0.034	0.400	eurokomisaře	15.928	23.350	-0.094
10.965	0.021	0.233	ministerské	17.740	23.294	-0.068
10.770	0.017	0.183	jmenováním	19.558	23.262	-0.043
10.342	0.055	0.566	schodek	28.247	23.140	+0.050
9.894	0.020	0.200	podpoříme	26.703	23.209	+0.035
9.765	0.082	0.799	lidovci	21.271	23.304	-0.023
9.573	0.019	0.183	sněmovních	20.476	23.254	-0.032
9.449	0.033	0.316	odboráři	25.069	23.213	+0.019
9.399	0.021	0.200	kostlivce	21.212	23.239	-0.023
9.215	0.018	0.167	sanace	24.954	23.217	+0.018

Vzorek: Babiš

podíl	vše	vzorek	slovo	karmaS	karmaBez	rozdíl
18.047	0.020	0.355	audity	27.074	20.601	+0.068
15.898	0.022	0.355	biopaliv	24.502	20.637	+0.043
15.292	0.070	1.065	lustrační	19.505	20.704	-0.015
15.262	0.011	0.170	mandatorních	23.188	20.656	+0.029
14.709	0.037	0.539	celníků	25.984	20.640	+0.057
14.423	0.027	0.383	topka	21.307	20.665	+0.008
14.097	0.019	0.270	nevolte	18.947	20.683	-0.022
14.043	0.052	0.724	osvědčení	19.777	20.691	-0.011
13.355	0.013	0.170	schodkem	28.258	20.612	+0.078
13.355	0.012	0.156	etablovaných	21.710	20.668	+0.012
13.355	0.016	0.213	estébáky	23.321	20.644	+0.030
12.820	0.013	0.170	preferencích	22.429	20.661	+0.021
12.774	0.012	0.156	statutárních	19.877	20.678	-0.010
12.600	0.837	10.548	financí	21.213	20.406	+0.010
12.401	0.015	0.185	řepka	24.080	20.655	+0.038
11.871	0.014	0.170	koblihu	23.158	20.662	+0.028
11.613	0.012	0.142	developery	10.338	20.708	-0.167
11.574	0.016	0.185	magistrátní	18.785	20.677	-0.024
11.447	0.019	0.213	únikům	21.556	20.666	+0.011
11.129	0.013	0.142	makají	24.749	20.641	+0.045

Vzorek: Zeman

podíl	vše	vzorek	slovo	karmaS	karmaBez	rozdíl
13.889	0.016	0.229	sprosťáky	26.389	23.262	+0.031
13.728	0.012	0.168	kundí	35.872	23.235	+0.107
11.673	0.040	0.465	hovorech	28.921	23.152	+0.055
11.618	0.011	0.130	rektorů	22.575	23.311	-0.008
11.373	0.028	0.320	prezidentův	25.040	23.276	+0.018
11.348	0.023	0.259	korunovačních	24.558	23.287	+0.013
10.764	0.011	0.114	vyznamenaných	23.795	23.304	+0.005
10.575	0.020	0.214	aeronet	29.018	23.271	+0.055
10.393	0.015	0.160	zemanovci	23.528	23.305	+0.002
10.296	0.024	0.252	klenotů	23.763	23.300	+0.005
9.936	0.014	0.137	křupan	34.578	23.237	+0.098
9.568	0.022	0.214	inkluze	22.955	23.309	-0.004
9.568	0.016	0.153	dalajlámu	30.491	23.255	+0.067
9.568	0.032	0.305	bonmoty	24.481	23.284	+0.013
9.329	0.011	0.099	prognostik	27.193	23.284	+0.039
9.259	0.016	0.153	vulgárním	25.998	23.284	+0.028
9.133	0.023	0.214	lumpáren	26.373	23.267	+0.031
8.865	0.018	0.160	neandrtálci	29.296	23.272	+0.057
8.832	0.014	0.122	tibetskou	26.535	23.290	+0.033
8.611	0.013	0.114	krtečka	19.733	23.327	-0.042

Vzorek: Kalousek

podíl	vše	vzorek	slovo	karmaS	karmaBez	rozdíl
41.367	0.012	0.484	fízla	25.907	24.720	+0.012
32.973	0.012	0.403	imunitního	23.804	24.758	-0.010
31.803	0.016	0.524	sprosťáky	27.104	24.666	+0.024
25.854	0.023	0.605	lumpáren	25.117	24.731	+0.004
24.648	0.011	0.262	mlátička	25.309	24.737	+0.006
23.421	0.018	0.423	podivností	26.149	24.707	+0.014
20.476	0.027	0.544	topka	22.524	24.802	-0.024
20.418	0.014	0.282	křupan	38.121	24.593	+0.108
19.892	0.032	0.645	demografický	28.313	24.597	+0.035
18.960	0.011	0.202	vepřů	27.305	24.719	+0.025
17.637	0.023	0.403	vyženou	29.729	24.617	+0.047
16.432	0.016	0.262	kmotrům	19.232	24.836	-0.064
15.800	0.013	0.202	íčka	13.635	24.773	-0.145
15.557	0.021	0.322	respektovaný	8.395	24.786	-0.247
14.798	0.022	0.322	neslušný	18.580	24.761	-0.071
13.543	0.015	0.202	rozkrade	31.411	24.678	+0.060
13.189	0.037	0.484	celníků	28.140	24.728	+0.032
12.640	0.038	0.484	hulvát	33.935	24.485	+0.081
12.640	0.018	0.222	pultíku	32.526	24.657	+0.069
12.232	0.016	0.202	vnitro	24.554	24.747	-0.002

A protože velkou pozornost na sebe v poslední době strhlo soužití různých kultur, přidám ještě čtyřlístek náboženství. Mimochodem, všimněte si, že i tento vcelku jednoduchý algoritmus dokáže rychle a hlavně automaticky vytipovat slova, která se k danému tématu (zde třeba náboženství) váží. Trochu vychytanější verze tohoto procesu se používá například při návrhu a implementaci různých expertních systémů a algoritmů z oblasti automatické extrakce vědomostí (knowledge extraction).

(seřazeno podle počtu věřících)

Vzorek: křesťané, křesťanství

podíl	vše	vzorek	slovo	karmaS	karmaBez	rozdíl
10.960	0.026	0.285	křižáci	19.144	19.098	+0.001
10.133	0.020	0.205	evangelií	14.081	19.166	-0.076
10.133	0.019	0.189	antinatalismus	6.075	19.110	-0.259
9.795	0.016	0.156	pohané	17.608	19.117	-0.021
9.289	0.019	0.178	potopě	12.285	19.154	-0.109
9.152	0.016	0.151	čarodějnictví	27.136	19.024	+0.088
8.685	0.019	0.162	biskupové	17.945	19.111	-0.016
8.643	0.018	0.156	misijní	15.777	19.125	-0.048
8.444	0.029	0.242	koncilu	16.374	19.134	-0.039
8.408	0.025	0.210	cizoložství	22.002	19.061	+0.036
8.345	0.018	0.151	ukřižován	11.591	19.181	-0.123
8.302	0.044	0.366	judaismus	17.871	19.126	-0.017
8.266	0.020	0.167	teologické	21.178	19.067	+0.026
8.233	0.017	0.140	katolickým	22.281	19.064	+0.039
8.156	0.022	0.178	náboženstvími	20.346	19.081	+0.016
8.077	0.037	0.296	kreacionisté	12.741	19.128	-0.100
8.054	0.021	0.167	proroky	16.885	19.118	-0.031
7.881	0.024	0.189	mučedníků	19.168	19.097	+0.001
7.769	0.016	0.124	protestantské	18.569	19.103	-0.007
7.665	0.041	0.318	apoštol	13.788	19.193	-0.082

Vzorek: muslimové, islám

podíl	vše	vzorek	slovo	karmaS	karmaBez	rozdíl
9.642	0.028	0.272	islamofob	31.422	24.272	+0.064
8.897	0.019	0.166	nemuslimy	32.319	24.281	+0.071
8.559	0.081	0.696	džihád	26.599	24.284	+0.023
8.469	0.018	0.149	šaríja	28.514	24.333	+0.040
8.405	0.030	0.255	imám	24.934	24.362	+0.006
8.384	0.021	0.178	chalífátu	22.011	24.400	-0.026
8.201	0.020	0.161	bezvěrce	26.114	24.348	+0.018
8.133	0.029	0.233	neislámské	30.217	24.288	+0.054
7.985	0.041	0.331	zahalování	26.129	24.339	+0.018
7.985	0.028	0.225	tauhídu	29.995	24.307	+0.052
7.985	0.023	0.183	nevěřícími	27.260	24.334	+0.028
7.985	0.019	0.149	antinatalismus	6.075	24.382	-0.301
7.985	0.018	0.140	multikulturalistů	30.640	24.320	+0.057
7.848	0.093	0.730	mešit	28.306	24.177	+0.039
7.818	0.026	0.199	ramadán	23.837	24.375	-0.006
7.757	0.019	0.144	sunnitský	20.489	24.405	-0.044
7.672	0.054	0.416	kamenování	33.383	24.180	+0.080
7.632	0.036	0.276	odpadlictví	28.341	24.315	+0.038
7.599	0.077	0.586	umírnění	29.402	24.212	+0.048
7.586	0.021	0.161	xenofobové	31.503	24.295	+0.065

Vzorek: buddhisté, buddhismus

podíl	vše	vzorek	slovo	karmaS	karmaBez	rozdíl
52.190	0.042	2.192	dalajláma	21.233	19.026	+0.027
46.723	0.036	1.664	vibrací	12.167	19.268	-0.113
34.807	0.036	1.258	tibetské	23.811	18.879	+0.058
33.685	0.018	0.609	perské	13.290	19.251	-0.092
29.796	0.022	0.649	mimozemské	9.145	19.262	-0.178
28.048	0.026	0.731	signálu	8.510	19.216	-0.193
23.330	0.019	0.446	šakti	3.960	19.238	-0.329
20.093	0.030	0.609	chrámů	13.937	19.458	-0.083
18.599	0.041	0.771	zahalování	23.646	18.984	+0.055
18.233	0.036	0.649	světlu	7.295	19.280	-0.225
17.353	0.023	0.406	vodopádu	8.250	19.380	-0.201
15.797	0.031	0.487	sekta	24.970	18.961	+0.068
15.582	0.026	0.406	božstva	15.058	19.330	-0.062
14.139	0.043	0.609	částice	11.113	19.283	-0.134
13.957	0.049	0.690	jednotného	15.190	19.184	-0.058
13.164	0.031	0.406	mniši	13.794	19.437	-0.085
13.108	0.124	1.623	civilizací	21.736	19.020	+0.033
12.953	0.060	0.771	dimenze	12.415	19.230	-0.108
12.494	0.117	1.461	očkování	13.280	19.193	-0.091
11.959	0.044	0.528	šátků	25.502	19.008	+0.073

Vzorek: židé, židovství

podíl	vše	vzorek	slovo	karmaS	karmaBez	rozdíl
12.384	0.026	0.316	sionismus	17.824	21.155	-0.043
12.170	0.031	0.375	knesset	16.583	21.117	-0.060
11.676	0.019	0.217	synagog	22.564	21.085	+0.017
11.165	0.032	0.362	rabín	20.513	21.121	-0.007
10.889	0.062	0.671	antisemitismu	24.004	20.966	+0.034
10.664	0.019	0.204	transporty	26.225	21.036	+0.055
9.877	0.045	0.441	palestinského	23.548	21.038	+0.028
9.757	0.018	0.171	chrámová	17.646	21.140	-0.045
9.569	0.035	0.336	holokaustu	20.582	21.121	-0.006
9.381	0.035	0.329	izraelští	21.744	21.092	+0.008
9.288	0.019	0.178	potopě	12.173	21.172	-0.135
8.492	0.019	0.158	apartheid	17.738	21.132	-0.044
8.485	0.029	0.244	proroků	17.299	21.180	-0.050
8.359	0.021	0.178	osad	20.190	21.122	-0.011
8.049	0.021	0.171	nářků	21.708	21.102	+0.007
8.038	0.030	0.244	mesiáše	11.745	21.211	-0.144
7.912	0.019	0.151	zaslíbené	10.228	21.221	-0.175
7.853	0.044	0.342	koncentračního	22.492	21.073	+0.016
7.590	0.016	0.125	vysídlení	25.314	21.065	+0.046
7.578	0.036	0.270	pogromy	17.269	21.183	-0.051

Závěrem ještě jednou zdůrazňuji, že výše uvedené je vypočteno z blogů za poslední rok. Je to tedy souhrn subjektivních pohledů a s objektivní realitou to nemusí mít nic společného.