Kontrola české gramatiky (český grammar checker)

Kontrola české gramatiky (český grammar checker)1 Vladimír Petkevič ABSTRACT: A Grammar Checker for Czech. The paper presents a detailed description of the linguistic software system Kontrola české gramatiky (Grammar Checker for Czech) that checks grammatical, orthographic and stylistic correctness of a text written in Czech, highlights the errors encountered and offers a user corrections of the errors committed. The Grammar checker for Czech has been integrated in the Microsoft Word software product within the system Microsoft Office™ version 2003 (since 2005) and subsequently 2007, 2010 and 2013. The paper focuses on the history of the project, presents ideas on which the Checker is based, describes how the Checker can be utilized including interactive error corrections, presents a detailed description of the errors detected and an algorithm of the Checker’s processing an input text. It is not only external aspects of the grammar checking system that are depicted, i.e. how the Checker presents itself to the user and how the user should use it, but also the whole conceptual basis of the system: what components it consists of and how they cooperate. The core of the Checker is constituted by formalized grammatical (especially syntactic), orthographic and stylistic rules detecting mainly grammatical and also some orthographic a stylistic errors in Czech texts. The rules use primarily the results of automatic part-of-speech and morphological analysis and morphological disambiguation of Czech texts and also morphological synthesis. An error is conceived of as a violation of the grammar and orthography of contemporary standard written Czech, the grammar being expressed by the rule-based system. The Checker deals with errors of spelling only in special grammatically motivated cases and in those cases where the people usually make mistakes; a full-fledged spell checker had already been integrated in the Microsoft Office package before the emergence of the Checker and a new one was not needed. In the conclusion, the success rate of the Checker is briefly compared to the Grammaticon system, a survey of positive and negative aspects of the Checker is presented and future directions of its potential further development are shown. KLÍČOVÁ SLOVA / KEY WORDS: formalizovaná gramatická pravidla, formalizovaná pravopisná pravidla, formalizovaná stylistická pravidla, gramatická chyba, kontrola české gramatiky, lingvistický softwarový systém, morfologická analýza, morfologická disambiguace, morfologická syntéza, pravopisná chyba, stylistická chyba formalized grammatical rules, formalized orthographic rules, formalized stylistic rules, grammar checker for Czech, grammatical errors, linguistic software system, morphological analysis, morphological disambiguation, morphological synthesis, spelling errors, stylistic errors 1 Tento příspěvek vychází s finanční podporou Programu rozvoje vědních oblastí na Univerzitě Karlově v Praze, č. P11, s názvem Český národní korpus, řešeného na Filozofické fa kultě Univerzity Karlovy v Praze. Autor děkuje za veškeré připomínky Tomáši Jelínkovi, Pavlu Květoňovi, Karlu Palovi a Pavlu Straňákovi. VLADIMÍR PETKEVIČ 49 0. ÚVOD Jednu z užitečných aplikací počítačové lingvistiky představují programy prověřující formální (ortografickou) a gramatickou správnost vstupního psaného textu podle pravidel platných v daném jazyce, například češtině, angličtině, francouzštině. Hlavními softwarovými systémy náležícími do této kategorie jsou: — systémy pro kontrolu pravopisu (angl. spell(ing) checking, program se nazývá spell(ing) checker), — systémy pro kontrolu gramatické správnosti (grammar checking, program se nazývá grammar checker). Vyvinout program pro jednoduchou kontrolu pravopisu, který by měl odhalit neexistující slova v daném jazyce, je z lingvistického hlediska poměrně snadné: stačí mít k dispozici (i) soupis všech existujících slovních tvarů příslušného jazyka a efektivně jej uspořádat (je však třeba mít na paměti, že slovní zásoba každého jazyka se mění!) a (ii) tokenizační program (tokenizér), který dokáže rozdělit vstupní text na jednotlivé tokeny včetně interpunkčních znamének. Kontrola pravopisu však může být podstatně ambicióznější. Místo pouhého soupisu platných slovních tvarů je možné použít morfologického analyzátoru používajícího slovní kořeny/kmeny a morfologická paradigmata (zejména pro flektivní jazyky, mezi něž čeština patří) a upravit takový analyzátor pro účely kontroly pravopisu. Kontrola může při své činnosti zkoumat také okolí zkoumaného slova a přitom nejen hlásit nesprávně zapsaná slova, ale také upozorňovat na lokální gramatické chyby dané negramatickými souvýskyty slov, která však sama v jazyce existují; obecně se takovým souvýskytům n slov říká negramatické n-gramy, nebo častěji negativní (gramatické) n-gramy, nejčastěji jsou to dvojice (bigramy) či trojice (trigramy), např. do střeše. Kontrola pravopisu se však nemusí spokojit s pouhým upozorněním na chybné slovo či slovní spojení: může navíc iniciativně navrhovat vhodnou opravu. Tak si počíná např. stochastický spell checker, který popisují Richter et al. (2012). Ten navrhuje opravu chybného slova na základě stochasticky vyhodnoceného kontextu, a blíží se tak kontrole gramatiky. Ze softwarového hlediska je v každém případě nezbytné, aby spell checker byl natolik rychlý, jak to odpovídá lingvisticky relativně nenáročné úloze (v porovnání s netriviální prověrkou gramatičnosti textu): jakmile se uživateli objeví na obrazovce stránka textu, měl by program prakticky okamžitě zvýraznit chybné slovní tvary a nabídnout je k opravě, případně navrhnout, jak chybu opravit. Prověřovat gramatickou správnost je úkol výrazně obtížnější, a to jak z hlediska lingvistického, tak softwarového. Toto tvrzení se pokusíme doložit v tomto článku, který se této problematice podrobně věnuje. Pro češtinu existuje několik programů pro kontrolu pravopisu a — pokud je nám známo — dva systémy určené výhradně pro prověrku české gramatiky: — Kontrola české gramatiky vyvinutá v Ústavu pro jazyk český AV ČR, v. v. i., — systém Grammaticon vyvinutý brněnskou společností Lingea. 50 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 V tomto článku se budeme zabývat pouze systémem Kontrola české gramatiky (dále téměř vždy jen Kontrola), jen v závěru jej srovnáme se systémem Grammaticon. Kontrola bude popsána v těchto oddílech: 1. (pre)historie vzniku Kontroly české gramatiky, kolektiv jejích autorů; 2. metodologická východiska a zásady, na nichž je Kontrola české gramatiky založena; 3. používání Kontroly české gramatiky; 4. sledované gramatické, pravopisné, stylistické a formální chyby; 5. algoritmus zpracování vstupního textu; 6. úspěšnost Kontroly české gramatiky, srovnání se systémem Grammaticon; 7.shrnutí pozitivních a negativních rysů Kontroly české gramatiky; 8. možnosti dalšího rozvoje Kontroly české gramatiky. 1. (PRE)HISTORIE VZNIKU KONTROLY ČESKÉ GRAMATIKY A KOLEKTIV JEJÍCH AUTORŮ Kontrola české gramatiky byla vyvinuta pro editor Microsoft Word a integrována do systému Microsoft OfficeTM (v dalším textu nebudeme značku TM u společnosti Microsoft ani u jejích produktů nadále uvádět). Brněnská společnost Lingea vyvinula krátce po roce 2000 pro Microsoft Office program pro kontrolu pravopisu a usilovala o získání zakázky i na kontrolu (korektor) české gramatiky: hodlala uspět se svým systémem Grammaticon. Kontrakt se společností Microsoft však nebyl uzavřen, a tak se společnost Microsoft obrátila na Ústav pro jazyk český AV ČR, v. v. i., (dále ÚJČ AV ČR) a výsledkem byla smlouva obou subjektů. ÚJČ AV ČR najal na vývoj Kontroly externí spolupracovníky, kteří ji vyvíjeli od roku 2004 do května roku 2005. První verzi Kontroly dodal ÚJČ AV ČR společnosti Microsoft v podobě zakódovaného binárního souboru s definicí gramatických, pravopisných a stylistických pravidel a softwarovou knihovnou (DLL) pro jejich interpretaci a poté maďarská společnost Morphologics implementovala rozhraní mezi DLL a systémem Microsoft Office 2003. V tomto systému Kontrola funguje v editoru Microsoft Word, mimo něj ji nelze používat. Kontrola gramatiky byla v tomto systému v provozu od 1. července 2005, a kdo systém Microsoft Office 2003 v té době vlastnil, mohl si Kontrolu stáhnout z internetu zdarma jako rozšíření funkčních možností Microsoft Office 2003. Po první verzi Kontroly následovala v roce 2007 verze druhá, která je už začleněna do dalších verzí systému Microsoft Office: do verze 2007, 2010 a 2013. Uživatel tak má k dispozici dva systémy gramatické kontroly textu psaného v editoru Microsoft Word, které jsou naprosto nezávislé — spell checker firmy Lingea, — Kontrolu české gramatiky a oba kontrolní systémy může zapínat nezávisle na sobě. Autory Kontroly jsou pracovníci těchto institucí (s výjimkou níže uvedené maďarské společnosti uvádíme současné instituce autorů k 18. 5. 2014, nikoli instituce v době vzniku Kontroly): — Ústav pro jazyk český AV ČR, v. v. i. (ÚJČ AV ČR), — Ústav teoretické a komputační lingvistiky FF UK v Praze (ÚTKL FF UK v Praze), VLADIMÍR PETKEVIČ 51 — Ústav formální a aplikované lingvistiky MFF UK v Praze (ÚFAL MFF UK v Praze), — IBM Česká Republika, — maďarská firma Morphologics. Níže uvádíme konkrétní autory spolu s náplní jejich práce na Kontrole (tituly autorů jsou dnešní): doc. RNDr. Karel Oliva, Dr., (ÚJČ AV ČR): institucionální podpora, styk se společností Microsoft, koncepce systému; RNDr. Pavel Květoň, Ph.D., (IBM Česká republika): koncepce systému, tvorba softwaru na podporu pravidel automatické morfologické disambiguace češtiny a pravidel pro kontrolu gramatiky, pravopisu a stylistiky; Mgr. Tomáš Jelínek, Ph.D., (ÚTKL FF UK v Praze): koncepce systému, vývoj lingvistických pravidel; doc. RNDr. Vladimír Petkevič, CSc., (ÚTKL FF UK v Praze): koncepce systému, vývoj lingvistických pravidel; RNDr. Milena Hnátková, CSc., (ÚTKL FF UK v Praze): správa morfologického slovníku češtiny, vytváření, správa a implementace slovních spojení; prof. RNDr. Jan Hajič, Ph.D., (ÚFAL MFF UK v Praze): vytvoření morfologického slovníku češtiny a morfologické analýzy češtiny; Maďarská firma Morphologics: implementace rozhraní mezi softwarovou knihovnou (DLL) a systémem Microsoft Office. Kontrolu důkladně testovali: doc. RNDr. Vladislav Kuboň, Ph.D., (ÚFAL MFF UK v Praze); doc. PhDr. Karel Pala, CSc., (Centrum zpracování přirozeného jazyka, Fakulta informatiky Masarykovy univerzity), který navíc mimo testování Kontroly provedl její srovnání se systémem Grammaticon. 2. METODOLOGICKÁ VÝCHODISKA A ZÁSADY, NA NICHŽ JE KONTROLA ČESKÉ GRAMATIKY ZALOŽENA Kontrola vychází z preskriptivní gramatiky a pravopisu spisovné češtiny (srov. MČ2; MČ3; PMČ; Havránek — Jedlička, 1981; Šmilauer, 1966; 1972; Pravidla českého pravopisu, 1993), v malé míře se zabývá i problematikou stylu. Snaží se v textu nalézt gramatické a pravopisné chyby, přičemž chyba je definována jako prohřešek vůči této gramatice a pravopisu. Například ve větě (1) Přes obtíže, které vyvolává, je jeho řešení ve filosofickému oblasti jasné a přesvědčivé. je dativní slovní tvar filosofickému gramaticky nesprávný, protože nevyhovuje ani akuzativní, ani lokálové rekci předložky ve. Takovéto chyby má Kontrola uživateli hlásit a pokud možno navrhnout uživateli náležitou opravu. Uveďme ještě jiný příklad: (2) Kdyby demokracie užívala prostředky základně neslučitelné se mravními požadavky, pracovala by na své autodestrukci. Ve větě (2) má předložka se vokalizovanou podobu, ač těsně za ní stojí slovní tvar, který vyžaduje užít výhradně podoby nevokalizované, tj. s. Je to tedy zjevná chyba a Kontrola by i v tomto případě měla tuto skutečnost ohlásit a navrhnout příslušnou opravu. 52 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 Kontrola se tedy zaměřuje hlavně na zjevné gramatické chyby a snaží se jemně oddělovat zrno (= gramaticky, pravopisně, příp. stylisticky správné věty) od plev (= gramaticky, pravopisně, příp. stylisticky nesprávné věty). To je ovšem obecně problematické, neboť existuje řada případů, kdy není jasné, zda jde o chybu, nebo ne. V takových případech (podrobněji níže) si Kontrola počíná spíše opatrně a permisivně: buď chybu vůbec neohlásí, nebo na její možnost upozorní, aniž by navrhovala nějakou opravu. Kontrola se snaží pokrýt co nejvíce gramatických i pravopisných jevů v češtině, nehlásí však uživateli chyby v pravopisu jednotlivých slovních řetězců, pokud nejsou způsobeny gramatikou, čili např. nehlásí řetězce znaků, jež v češtině neexistují (to činí kontrola českého pravopisu, tedy spell checker společnosti Lingea; viz výše), i když je vnitřně samozřejmě odhalí v procesu morfologické analýzy dané věty (celý proces a algoritmus zpracování je podrobně popsán v oddílu 5 níže). Pokud se ovšem ve větě objeví slovní tvar, který v češtině neexistuje, zásadně to ztěžuje správnou činnost Kontroly: nachází-li se takové slovo mezi dvěma slovy spjatými nějakým gramatickým vztahem, nedokáže Kontrola takový vztah náležitě rozpoznat. Vypne-li si tedy uživatel funkci spell checkingu při práci s textem v programu Microsoft Word a objeví-li se v nějaké větě úsek slov obsahující neznámé slovo, nic se uživateli — alespoň co se týká tohoto úseku — neohlásí. Kontrola se tedy plně uplatní, když ve zkoumaném větném úseku rozpozná všechny slovní tvary. Aby tedy uživatel plně využil možností, jež Kontrola nabízí, měl by nejprve opravit všechny řetězce písmen, které v češtině neexistují, tedy většinou překlepy. Kontrola tak téměř veškerou kontrolu jednotlivých slov realizovanou nezávisle na kontextu přenechává spell checkeru společnosti Lingea a sama se zaměřuje na gramatické, formální (pravopisné) a v menší míře stylistické vztahy mezi existujícími českými slovy. Z povahy věci je tedy zřejmé, že její úkol je mnohem obtížnější než úkol spell checkeru, neboť se v co největší míře snaží postihnout syntagmatiku češtiny. Vzhledem k požadavkům zadavatele, tj. společnosti Microsoft, volí Kontrola v poměru k chybám velmi konzervativní, opatrnický přístup. Hlásí uživateli jen vyložené chyby, a snaží se tak co nejméně hlásit chyby domnělé, konfigurace, jež sice mohou být chybné, ale nemusí. Není-li si jista, raději „mlčí“, nebo případně oznámí uživateli, že danou konstrukci/větu lze interpretovat různým způsobem. Na druhé straně je však nedobré, když mlčí a nehlásí chyby tam, kde vskutku jsou: hranice tu bývá velmi úzká. Dovolíme si tu obraznou formulaci: Kontrola musí se ctí a bez úhony proplout mezi dvěma obludami v Messinské úžině: Skyllou, která Kontrolu nutí vidět všude chyby, tj. hlásit je i tam, kde nejsou, a Charybdou, jež Kontrole vnucuje shovívavou permisivitu. Stejně jako je Charybda méně nebezpečná než Skylla, je rovněž přehlédnutí chyby menším prohřeškem než hlášení chyby v gramaticky správné konstrukci: hlásit domnělé chyby (angl. false flags) v gramaticky správných větách je totiž to nejhorší, co se Kontrole může stát.2 2 Lze si ovšem představit, že opatrnost při přístupu k možným chybám by se dala parametrizovat: uživatel (typicky profesionální pracovník s jazykem) by si sám mohl určit, jaký přístup ke zkoumanému textu by měla Kontrola zvolit. Nemusel by třeba nutně preferovat přílišnou opatrnost, chtěl by naopak, aby Kontrola byla k textu přísnější a podezíravější a aby více riskovala, přičemž by mu nevadilo, že občas ohlásí chybu tam, kde není. Za tuto poznámku autor děkuje recenzentovi. VLADIMÍR PETKEVIČ 53 Dalším úskalím jsou konstrukce, které sice jsou sensu stricto gramatické, ale vzhledem k záměru autora textu gramaticky nesprávné: autor textu napsal z hlediska své intence gramaticky nesprávnou větu, ta je však ve skutečnosti (z jiných důvodů) gramatická; chyba, jíž se dopustil, tak může vést k odlišné, správné interpretaci. Například napíše-li uživatel větu (3) Ženy viděli. bude se třeba podivovat nad tím, že Kontrola nerozpozná ani tak jasnou chybu, jakou je chyba ve shodě přísudku s podmětem (podle něho je tu frapantní neshoda ve jmenném rodě!); takovou chybu je přece snadné odhalit, když se obě slova nacházejí těsně vedle sebe! Uživatel si však neuvědomí, že věta má jiný význam, než jaký uživatel chtěl světu sdělit, totiž (3a) Ženy(Apl) viděli. kde ženy jsou akuzativním předmětem přísudkového slovesného tvaru viděli, nikoli jeho podmětem (tj. je-li podmět lexikálně nevyjádřen). Z tohoto příkladu je zřejmé, že Kontrola se řídí gramatickými pravidly platnými pro češtinu, v uvedeném příkladu např. jedním z několika pravidel o shodě přísudku s podmětem. Tato pravidla ve formalizované podobě tvoří jádro Kontroly. Jako další příklad uveďme větu: (4) *Pak od jí s smutkem v duší odešel. V této větě jsou hned tři chyby: (a) bezprostředně po předložce od nesmí stát osobní zájmeno začínající na j (správně od ní) (to platí až na speciální případy adjektivní skupiny zanořené do předložkové skupiny řízené předložkou, zde od); (b) předložka s není před slovem začínajícím na s (smutkem) vokalizována (správně se smutkem); a konečně (c) tvar duší je po předložce v nesprávný, neboť tato předložka vyžaduje jméno v akuzativu nebo lokálu (zde správně duši). Kontrola obsahující náležitě formalizovaná pravidla pro zachycení chyb typu (a)–(c) uživatele na tyto chyby upozorní a navrhne mu vhodné opravy věty, např.: (4a) Pak od ní se smutkem v duši odešel. Všechny sledované gramatické, pravopisné a stylistické chyby jsou podrobně rozebrány v oddíle 4. 3. POUŽÍVÁNÍ KONTROLY ČESKÉ GRAMATIKY Velmi stručně nyní popíšeme, jak může uživatel s Kontrolou pracovat, a také představíme různé styly/mody Kontroly. Kontrola české gramatiky je podobně jako spell checker společnosti Lingea zabudována jako jeden z modulů do systému Microsoft 54 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 Office. Kontrola prověřuje text zapsaný v editoru Microsoft Word a hlásí zeleným vlnovkovitým podtržením chybných či podezřelých míst v textu na celé obrazovce prohřešky proti české gramatice/pravopisu/stylu. Kontrola se po spuštění editoru Word aktivuje takto: Nástroje → Jazyk → Nastavit jazyk → Čeština + nezaškrtnout volbu Neprovádět kontrolu pravopisu ani gramatiky Kliknutím pravým tlačítkem myši na zeleně podtržený úsek lze zjistit podrobnosti o hlášené chybě, případně nastavit parametry, jež chce uživatel sledovat. Kontrola obecně nehlásí chyby v pravopisu jednotlivých slovních tvarů (činí tak jen v některých zvláštních případech na základě kontextu) — to je úkol souběžného a nezávisle fungujícího spell checkeru, který hlásí chyby červeným vlnovkovitým podtržením. U chybné věty Kontrola co nejpřesněji označí chybné či podezřelé místo, a klikne-li následně na toto místo uživatel pravým tlačítkem myši, pak Kontrola: — Slovně popíše chybu. — Většinou navrhne opravu. Souhlasí-li uživatel s návrhem Kontroly, stačí na příslušný návrh kliknout a oprava se ihned provede. Pokud uživatel text nějak opraví — ať už podle návrhu Kontroly, nebo jinak —, danou větu Kontrola opět prověří a při nalezení další chyby opět podtrhne chybný úsek. Když uživatel klikne na zeleně podtržený úsek, objeví se mu spolu s doporučením, jak chybu opravit, i volba Gramatika. Když na ni klikne, objeví se okno s podezřelým úsekem textu, přičemž v záhlaví okna je uveden obecný typ chyby (např. Chyba ve shodě přísudku s podmětem). Okno obsahuje i doporučení opravy a také nabídku podrobnějšího vysvětlení chyby (klikne-li se na volbu Vysvětlit). Mimoto se objeví i volba Možnosti. Klikne-li na ni uživatel, objeví se vpravo nové okno s podoknem Styl dokumentu, v němž si uživatel může vybrat jeden ze tří psacích stylů/ modů: — Gramatika — provede se kontrola gramatiky, — Gramatika+Styl — provede se kontrola gramatiky i stylu, — Vlastní — provede se kontrola jevů definovaných uživatelem. Volba Nastavení, jež se uživateli také nabídne, mu po rozkliknutí umožní zjistit, jaké jevy Kontrola v závislosti na příslušném modu prověřuje. Celkem Kontrola umožňuje sledovat jevy / chybové kategorie, jež jsou podrobně popsány v oddílu 4, a standardně je také uživateli u obou prvních modů nabízí. Uživatel si navíc může u každého z modů sám zvolit jen ty kategorie, které chce sledovat. VLADIMÍR PETKEVIČ 55 4. SLEDOVANÉ GRAMATICKÉ, PRAVOPISNÉ, STYLISTICKÉ A FORMÁLNÍ CHYBY Kontrola české gramatiky sleduje tyto tři kategorie chyb: — chyby gramatické a pravopisné, — chyby stylistické, — chyby formální. Zatím jsme se zmiňovali jen o chybách gramatických, pravopisných a stylistických, na konci tohoto oddílu popíšeme i chyby, jež nazýváme formální (lze je ovšem zařadit mezi (počítačově) pravopisné). Podrobně nyní popíšeme chyby, jež Kontrola sleduje. 4.1 CHYBY GRAMATICKÉ A PRAVOPISNÉ V modu Gramatika a Gramatika+styl Kontrola umožňuje odhalovat následující gramatické a pravopisné chyby: — chyba ve jmenné skupině (shoda aj.), — chyba týkající se sloves, — chyba ve shodě u slovesa (ve shodě komponent víceslovného slovesného přísudku), — chyba ve shodě přísudku s podmětem, — pravděpodobná chyba ve shodě přísudku s podmětem, — chyba týkající se zájmen, — chybný slovosled, — chyba ve valenci — obligatornost, pád (jen ve velmi omezené míře), — chyba ve vokalizaci předložek, — chyba v použití předložek (zejména pádová rekce), — chybějící nebo přebývající čárka ve větě, — chyba ve tvarech slova: některé překlepy, opakování téže formy, spřežky…, — ostatní chyby. Následuje charakteristika jednotlivých typů sledovaných chyb. 4.1.1 CHYBA VE JMENNÉ SKUPINĚ Do této skupiny chyb patří zejména chyby: — ve shodě komponent jmenné skupiny: rozvíjející syntakticky adjektivní přívlastky se musí shodovat se svým řídícím jménem ve jmenném rodě, čísle a pádě, jinak jde o chybu. — v atrakci: odhaluje se naopak chybná přítomnost shody (i tvarové, nejen morfologické). 56 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 Uveďme některé příklady porušení pravidla o shodě komponent jmenné skupiny: (5) *V otci, který se po letech vrátil domů, ušlechtilém, báječnému, mimořádném člověku, viděl mladý virtuos svůj vzor. Adjektivum báječnému v dativu figuruje v přístavkové lokálové jmenné skupině ušlechtilém, báječnému, mimořádném člověku, což je zjevně gramatická chyba, neboť je porušeno pravidlo o shodě řídícího jména člověku s jeho adjektivními přívlastky v pádě. Kontrola navrhne opravit báječnému na báječném. Uveďme ještě další typický příklad z této kategorie chyb: (6) *Naši nový kolegové koupili dobrou vodu. Jelikož výchozí gramatikou Kontroly je gramatika spisovné češtiny, je slovo nový odhaleno jako chybné (jakožto atribut se neshoduje se svým řídícím substantivem kolegové v čísle) a je navržena náležitá oprava (nový → noví). V textech se občas vyskytují také chyby v atrakci, kdy je nějaký tvar v chybném pádě, neboť tento pád negramaticky atrahoval od jiného slova: (7) *Američané v řadě případech dokázali svou vstřícnost. (8) *Pozice odborů je ve většině zemích historicky zakořeněná. Kurzívou zvýrazněná slova jsou chybně v lokálu, neboť atrahují svůj lokálový tvar od předchozího slova řadě, resp. většině, které je ovšem náležitě v lokálu. Kontrola nabídne uživateli opravu v podobě správných genitivních tvarů případů, resp. zemí. (9) *Domy kupců se nacházely poblíž velkých náměstích. V této větě je tvar náměstích chybně v lokálu; jde patrně o chybnou tvarovou atrakci koncovky adjektiva velkých v Gpl. Kontrola chybu odhalí, neboť před tvarem náměstích není ve větě předložka s lokálovou rekcí, a nabídne náležitou opravu: náměstí. Poznamenejme, že větu lze samozřejmě opravit i jinak, než jak nabízí Kontrola, např. na (9a) Domy kupců se nacházely na velkých náměstích. čili ponechat jmennou skupinu velkých náměstích beze změny a doporučit náhradu jiného slova; zde by se předložka poblíž nahradila předložkou na. Ve svých doporučeních Kontrola nabízí co nejkonzervativnější opravu, zpravidla morfologickou, tj. jiný tvar téhož lexému. 4.1.2 CHYBA TÝKAJÍCÍ SE SLOVES Do této skupiny chyb spadají především chyby při tvoření kondicionálu (včetně spojek aby, kdyby) v souvislosti s příklonnými reflexivy se a si a tvary slovesa být. Dále se VLADIMÍR PETKEVIČ 63 (37a) Bylo mi opravdu Valentina líto. Další pravidlo o příklonkách praví, že příklonka nemůže ve spisovné češtině stát na začátku věty/klauze, srov.: (38) *Jsem ti neřekl, že nemám čas. (39) *Byste to měli vědět. Zde Kontrola uživatele upozorní na chybný slovosled, není však natolik iniciativní, aby neohroženě navrhla opravu. Je-li Kontrole předložena gramatická věta, v níž se příklonky nacházejí v gramatickém kanonickém pořadí, Kontrola chybu správně nehlásí (obligatorní a fakultativní příklonky jsou níže vyznačeny kurzívou): (40) Opravdu doporučil Petrovi vrátit ho Lídě. (41) Myslím, že vážně měl chuť tě co nejdřív vyhodit. (42) Poslal jsem vám ho. (43) Poslal vám ho. 4.1.8 CHYBA VE VALENCI Problematika valence je nesmírně složitá a do Kontroly byly valenční zřetele vyjádřené pravidly zahrnuty jen velmi výběrově. Právě v této oblasti jsou ovšem skryty velké možnosti, jak Kontrolu výrazně zlepšit a dále rozvíjet, a to zvláště v jemném rozpoznávání slovesných, adjektivních, substantivních a adverbiálních obligatorních doplnění v náležitém pádě, příp. stupni. Například Kontrola by měla upozornit uživatele na chybu ve valenci ve větě (44) *Všiml si tu dívku. kde objektové doplnění slovesného lexému musí být v češtině (na rozdíl třeba od slovenštiny) v genitivu; zatím zde však Kontrola chybu nehlásí. Nicméně některé typy valence alespoň částečně zpracovány jsou. Vychází se přitom například z následujících netriviálních faktů. (a) Ve větě s jedním určitým slovesem majícím ve svém rámci jediné doplnění s nepředložkovou akuzativní valencí může stát pouze jeden nepředložkový akuzativ ve funkci předmětu. Případné ostatní slovní tvary v akuzativu mají nutně jinou funkci: jsou řídícími prvky akuzativní předložkové skupiny, nebo jsou časovými či měrovými substantivy (chvíli, hodiny, kilometr…), příp. figurují ve frazémech (ruku v ruce). Pokud tyto funkce akuzativních tvarů Kontrola „ve svých úvahách“ bezpečně vyloučí, může uživateli pomoci. Například u věty (45a) *Tu dívku pokládal schopnou kandidátku. kde patrně vypadla předložka za před slovem schopnou, Kontrola ohlásí chybu ve valenci a upozorní uživatele na problematickou dvojici substantiv v akuzativu: dívku a kandidátku, 64 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 protože sloveso pokládat nemůže být rozvito dvěma akuzativními předměty a jinou větněčlenskou funkci tato slova ve větě (45a) mít nemohou. Předložíme-li však Kontrole větu (45b) Tu dívku pokládal dlouhou chvíli za schopnou kandidátku. správně nic nehlásí, jelikož ve větě odhalí časové substantivum chvíli. (b) Významnou oblastí povrchové valence je problematika reflexiv se a si a jejich vlastnosti, a to zejména pro vliv, který má jejich přítomnost na syntaktické okolí. Kontrola využívá mj. toho, že je-li v klauzi reflexivní sloveso či adjektivum typu se, není v klauzi předmětné doplnění tohoto slovesa/adjektiva v akuzativu. Toto tvrzení neplatí bezvýhradně, neboť existuje nečetná množina slovesných lexémů reflexiv tantum typu se, která vyžadují svůj přímý předmět v akuzativu (učit se fyziku, pomodlit se pět zdrávasů). Pokud však v klauzi není sloveso z této skupiny, Kontrola se může s úspěchem uplatnit, jako je tomu např. u věty (46) *Usmál se tu dívku. kde nejspíše vypadla předložka na za reflexivem se. Kontrola si klade otázku, k jakému základovému slovu se reflexivum váže, a zjistí, že jediným kandidátem tu je slovesný tvar usmál. Jelikož tento lexém nemůže mít akuzativní předmět, což Kontrola dobře ví, neboť má k dispozici výše zmíněný soupis reflexiv tantum typu se, hlásí chybu (ovšem po prověření, zda dívku nemůže být časové či měrové substantivum). Zato u věty (47) Dověděl se tu nepříjemnou zprávu. chybu nehlásí, protože sloveso reflexivum tantum dovědět se má akuzativní předmět ve svém rámci. Je-li ve větě sloveso reflexivum tantum typu se, které nemá ve svém rámci akuzativní předmět, a zároveň je v ní jiné sloveso, které akuzativní předmět ve svém rámci má, Kontrola správně nic nehlásí, jako třeba u věty: (48) Snažil se přečíst novou zprávu. Chybu však hlásí u chybné věty (48a) *Snažil se novou zprávu. kde další sloveso mimo snažit se schází. Kontrola si mimo uvedené, jen zčásti zpracované oblasti všímá i dalších vybraných jevů, jako například (c1) a (c2): (c1) Syntaktická nekompatibilita slovesného rodu a genitivu. Jde o konstrukce typu: (49) *Oběda je uvařen. (50) *Měst bylo obnoveno. VLADIMÍR PETKEVIČ 65 (c2) Dva nominativy v klauzi. Tato problematika je obecně velmi složitá: Kontrola se snaží hlásit nesprávnou přítomnost dvou nominativních podmětů v klauzi: (51) *Chlapec hledá dívka. (52) *Dívka jde pomalu dívka. Takovýchto chyb se uživatel vskutku může dopustit, u věty (52) například tak, že chce přesunout slovo dívka na začátek věty, přitom však slovo nepřesune, nýbrž zkopíruje. Kontrola musí ovšem rozpoznat, že nominativy jsou skutečně formami vyjadřujícími podmět, nikoli nějakou jinou větněčlenskou funkci, srov. gramaticky zcela správnou větu: (53) Alena si prý říká prezidentka světa. Dlužno dodat, že v oblasti valence toho zbývá ještě mnoho vykonat, zvláště v podrobném zpracování základních pádových valencí. Výše uvedené úvahy alespoň naznačily směr, jakým by se rozvoj Kontroly v oblasti zpracování valence mohl ubírat. 4.1.9 CHYBA VE VOKALIZACI PŘEDLOŽEK Při psaní textu se může snadno přihodit, že pisatel správně napíše nevokalizovanou předložku bezprostředně následovanou slovem, které nevokalizovanou podobu předložky buď vyžaduje, nebo připouští, a pak v průběhu úprav textu slovo po předložce změní na jiné slovo, které naopak vyžaduje vokalizovanou podobu předložky. Tento problém se týká těchto jedenácti předložek: bez/beze, k/ke/ku, nad/nade, od/ode, pod/ pode, před/přede, přes/přese, s/se, skrz/skrze, v/ve, z/ze. Pisatel například původně napsal (54a) Se starými lidmi se odmítal bavit. a poté pozměnil tvar starými na postaršími, přičemž nezměnil podobu předložky: (54b) *Se postaršími lidmi se odmítal bavit. V tomto případě Kontrola hlídá správnou podobu předložky a navrhuje její náležitý tvar, totiž s před slovy nezačínajícími na sykavku a na specifické souhláskové shluky. Podobně se pisatel může dopustit chyby opačné: správně nejprve napíše nevokalizovanou podobu předložky bezprostředně následovanou slovem, které nevokalizovanou podobu předložky buď vyžaduje, nebo připouští, a pak slovo po předložce změní na jiné slovo, které naopak vyžaduje vokalizovanou podobu předložky. Například původně správně napsal (55a) S postaršími lidmi se odmítal bavit. a poté pozměnil tvar postaršími na starými: (55b) *S starými lidmi se odmítal bavit. 66 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 Kontrola zde ohlásí chybu v podobě předložky s a navrhne uživateli její vokalizovanou podobu se. U výše uvedených předložek se také prověřuje vokalizovaná/nevokalizovaná podoba předložky v postavení těsně před zájmenným tvarem mě/mne, např.: (56) *Odešel od mě znechucen. Není-li předložka v tomto postavení vokalizována, Kontrola hlásí chybu. 4.1.10 CHYBA V POUŽITÍ PŘEDLOŽEK U předložek Kontrola sleduje hlavně chyby v pádové rekci, kdy po předložce nenásleduje jméno v pádě, který předložka vyžaduje. Následující příklady jsou charakteristické: (57) *Přijeli poslové ze zprávou. (58) *Neřekl jsi mi, z čím mám počítat. (59) *Nad vám i visí pohroma. (60) *Za mně se neschová nikdo. (61) *Myslel si, ze se mu to nepovede. V češtině ovšem může ve speciálním a dost výjimečném případě stát těsně po předložce vnořená adjektivní skupina, v níž na řídícím adjektivu Adj závisí syntaktické substantivum SyntSubst1, které mu slovosledně předchází a nesplňuje rekční požadavek předložky, neboť s ní syntakticky nesouvisí. Adj však typicky rozvíjí jiné substantivum, SyntSubst2, jako jeho shodný přívlastek, přičemž právě pád syntaktického substantiva SyntSubst2 je určen předložkovou rekcí. Takový případ nastává např. v takovýchto větách (62) Z vámi připraveného dokumentu jsem to nevyčetl. kde Kontrola chybu nehlásí, což je správné: vámi těsně po předložce z je tu SyntSubst1 v instrumentálu, které závisí na Adj připraveného, a toto Adj v genitivu atributivně rozvíjí slovní tvar dokumentu (= SyntSubst2) rovněž v genitivu, přičemž až tento tvar, nikoli tvar vámi, splňuje genitivní rekční požadavek předložky z. Na tomto příkladu ukazujeme, že Kontrola je založena na hlubších, nikoli jen prvoplánových syntaktických úvahách. Do této skupiny chyb jsou zahrnuta i opomenutí potenciálně lokálové předložky (o, na, po, při, v) před jménem v lokálu (63) [O] *těch lidech nikdo nemluvil. a dále chyby tohoto typu: předložka před nominativem, vokativem, slovesným tvarem, spojkou; absence tvaru, který předložka vyžaduje v náležitém pádě; více než dvě předložky za sebou a další. VLADIMÍR PETKEVIČ 67 4.1.11 CHYBĚJÍCÍ NEBO PŘEBÝVAJÍCÍ ČáRKA VE VĚTĚ Tento druh chyby se v textech vyskytuje snad nejčastěji, lidé totiž většinou neznají dost složitá pravidla o kladení čárek v češtině. Častěji se stává, že v textu je čárka spíše opomenuta, než že by přebývala, a to zvláště mezi klauzemi. Následují typické příklady hrubých pravopisných chyb (64) *Dneska jsem první který půjde spát. (65) *Hlupák jsi kam zase jdeš? (66) *Nebylo příliš jasné proč nás odvážejí z Prahy. (67) *Nevěděli jsme však kam nás vezou. kde čárka schází mezi slovy zvýrazněnými kurzívou. Kontrola mimo oznámení chyby nabídne, kam čárku umístit. Méně je na první pohled zřejmé, kam čárku umístit, předchází-li vedlejší věta větu hlavní, jako třeba ve větě: (68) Že se opravdu mýlí mu nedocházelo. Kontrola pokyne uživateli, aby věnoval pozornost oběma slovesům, jelikož v téže klauzi nemůže být více než jedno finitní sloveso (včetně l-ových participií); gramaticky správný víceslovný predikát, jako je třeba 1. a 2. osoba minulého času, Kontrolu samozřejmě nepřekvapí. Jakmile uživatel umístí čárku mezi obě slovesa, je Kontrola spokojena. Kontrola je tedy bohužel uspokojena i v případě, že uživatel umístí čárku za slovo mu, neboť se nepozastaví nad negramatickým dativním doplněním slovesa mýlit se. Odhalit tuto negramatičnost by znamenalo, že Kontrola by musela pořádně „umět“ valenci. Pravidla o nepřípustnosti dvou finitních sloves v téže klauzi Kontrola velmi úspěšně využívá a dva finitní slovesné tvary interpretuje jako opomenutou čárku, musí si ovšem být jista, že oba tvary jsou vskutku slovesné (rozhodování Kontroly se problematizuje v případě homonymie některého ze slovesných tvarů). Pisatelé chybují i v kladení čárek v těsné blízkosti spojek, jak je vidět z následujících příkladů: (69) *Franta tam přišel a, když uviděl Marii, zase odešel. (70) *A, protože byl dobrý, věnoval mi svůj čas. (71) *Franta tam přišel, ale, když uviděl Marii, zase odešel. Kontrola zde uživateli oznámí chybu a doporučí čárku umístit před spojku. Pisatel někdy změní slovosled a nepřesune přitom pomocné sloveso, nýbrž ho zkopíruje, takže v klauzi se pak týž pomocný tvar nachází dvakrát: (72) Opravdu jsem ti nechtěl jsem ublížit. 68 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 Při průzkumu této věty Kontrola vyzve uživatele, aby se věnoval oběma výskytům tvaru jsem. Rozdíl v hlášeních chyby ve větě (72) a ve větě (15), poprvé uvedené v oddílu 4.1.2, (15) Protože přijal korunu bez dalších podmínek je evidentně hloupý. spočívá v absenci homonymie ve větě (72) (u věty (15) obsahující homonymní slovní tvar je se hlásí „Chyba týkající se sloves“). Kontrola ve speciálních případech hlídá i shodu dvou koordinovaných slovesných predikátů v osobě, např. ve větě: (73) *Našel jsem klíč, který ležel pod rohožkou a otevřel jsem dveře. V této větě má vztažná klauze podmět který a jeho přísudek je ve 3. osobě (ležel). V klauzi otevřel jsem dveře není podmětem který, neboť nevyjádřený podmět je v 1. osobě. Z toho ovšem vyplývá, že tato klauze není součástí vztažné klauze, a že se tedy nekoordinuje s klauzí který ležel pod rohožkou. Proto Kontrola hlásí chybu v kladení čárky a navrhne doplnit čárku za slovo rohožkou. Pravidlo se bohužel neuplatní na nesprávnou větu (74) *Vrátil se ještě pro kolegu, který zpanikařil a oheň mu zatarasil cestu. jež je podobně jako věta (73) také chybná, neboť buď má být za slovem zpanikařil čárka, nebo se před slovo oheň má doplnit jemuž a zároveň odstranit mu. Kontrola zde nic nehlásí: buď si neuvědomí, že oheň je podmětem v klauzi oheň mu zatarasil cestu, nebo slovo oheň sice identifikuje jako podmět, ale pak nezpracuje případ dvou odlišných podmětů v úseku který zpanikařil a oheň mu zatarasil cestu: jedním podmětem je který odkazující na kolegu, druhým pak oheň. Negramatičnost koordinované konstrukce spočívá v tom, že v české vztažné větě tvořené koordinací není (až snad na výjimky) možné, aby jeden z podmětů byl vyjádřen vztažným zájmenem a druhý substantivem za nepřítomnosti dalšího vztažného zájmena (nutno doplnit: a jemuž oheň… nebo případně: a jehož oheň, aby věta byla alespoň gramatická). 4.1.12 CHYBA VE TVARECH SLOVA: NĚKTERÉ PŘEKLEPY, OPAKOVáNÍ TÉŽE FORMY, SPŘEŽKY… Do této skupiny chyb odhalovaných Kontrolou patří pravopisné chyby v některých obtížných slovech, v nichž se často chybuje (soupis takových slov, jež má Kontrola k dispozici, ale zdaleka není vyčerpávající), Kontrola zde ovšem v žádném případě nenahrazuje obyčejný spell checker, který by upozorňoval na každý překlep. Uveďme několik skupin typických chyb, které Kontrola odhaluje, přičemž chyba je buď absolutní, tj. nezávislá na kontextu, nebo relativní, tj. dané slovo je chybné pouze v daném kontextu. VLADIMÍR PETKEVIČ 69 (a) Chyba v užívání spojovníku: (75) *Lepra nebo-li malomocenství sužuje dodnes asi tři milióny lidí. (76) *Jest-li na mě počkáte, něco vám ukážu. Má být samozřejmě neboli, resp. jestli. Častěji je chyba způsobena homofonií: uživatel nesprávně napíše homofonní slovo. Kontrola tu upozorňuje na slova, která v češtině sice existují, ale v daném kontextu jsou nesprávně užita. Takových typů je více, uveďme jen některé klasické školské typy s příklady: (b) Chyba v psaní s/z: (77a) *nucená/státní zpráva, (77b) *zpravit náladu, (78) *shlédnutí představení, (79) *vojenský sběh. (c) Chyba v psaní i/y: (80) *větrný výr, (81a) *vískat radostí, (81b) *výskala mu vlasy, (82) *v Břeclavy, (83) *Firma vytypuje vhodné kandidáty. (d) Chyba v psaní ú/ů: (84a) *Žloutky ušleháme s citrónovou kúrou. (84b) *pomerančová/zemská kúra, (84c) *odtučňovací kůra. (e) Chyba v psaní jednoho či dvou n: (85) *cenou remízu, (86a) *obranou linii, (86b) *obraný val, (87) *ochranou známku, (88) *ranná tvorba, (89) *stará pana, (90) *varhaním koncertem, (91) *jeskyních maleb, (92) *veřejně činí. 70 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 (f) Chybné psaní slov cenně, rodinně, sezónně, příčinně apod. po předložce: (93a) *K záchranně tonoucích lidí nedošlo. (g) Chyba v psaní účelových adjektiv. Často se chybuje v užívání účelových adjektiv, která si pisatelé zhusta pletou s dějovými: (94) *Koupil balící papír. (95) *Stála tam kropící konev. (96) *Nepoužil čistícího prostředku. (97) *Máme doma dva honící psy. (h) Chyby při rozpoznávání pomocí OCR4 u naskenovaných dokumentů. Některé specifické chyby vznikají zvláště při rozpoznávání naskenovaných dokumentů pomocí OCR; při jejich prověrce se Kontrola uplatní velmi dobře: (98) *Dozvěděl jsem se, ze Martin slib splnil. (99) *Potřebuju něco pro zahřáti. (100) *Neuznáváme to rozhodnuti. (101) *Byli to ti, na než měl spadeno. Jak vidno, často se nesprávně zpracovává diakritika, jež je zdrojem podivných chyb, ty však Kontrola často s úspěchem odhalí. 4.1.13 NĚKTERÉ JINÉ CHYBY Do této zbytkové skupiny patří například absence čárky ve větě s vokativní nominální skupinou (102) *Zavři už konečně dveře Jardo! kde mezi slovy dveře a Jardo schází čárka. 4.2 CHYBY STYLISTICKÉ Mezi nemnohé stylistické jevy, které Kontrola sleduje a jejichž sledování se dá zapnout v modu Gramatika+Styl, patří: — nadbytečná slova, — ostatní stylové chyby (hlášené jako Stylová chyba). 4 Optical Character Recognition. VLADIMÍR PETKEVIČ 71 Uveďme některé charakteristické příklady: (a) Nadbytečné formy: (103) Udělal to bez toho, aniž by se začervenal. (104) Koupil jsem to proto, protože jsem chtěl. (b) Nespisovné slovesné tvary: (105) *Kolegové ti to poví. (106) *Oni ví, oni tu pečínku sní. Za stylovou chybu se považuje i opisný komparativ, tedy spojení více, méně + pozitiv/kom parativ adjektiva či adverbia. Je tu však nutno dát pozor na homonymii adverbia více s číslovkou více: (107) *Přiběhli více rychleji. Zde Kontrola správně hlásí (přinejmenším) stylistický nedostatek, v následující gramaticky zcela správné větě však bohužel hlásí chybu také (je to typický false flag): (108) Měli více lépe propracovaných řešení. Ve větě (108) je totiž slova více užito ve významu číslovky (více … řešení), nikoli jako (nesprávné) formy opisného stupňování komparativu lépe. Některá složitá adjektiva, hlavně kompozita, se mohou stupňovat opisně a chybu ve stupňování pak Kontrola nehlásí: (109) Odboj byl více protisrbský. 4.3 CHYBY FORMáLNÍ Kontrola sleduje i některé ryze formální pravopisné jevy týkající se zkratek, interpunkčních pravidel, ba dokonce počtu mezer za sebou, a také ohlašuje příliš dlouhou větu (= delší než tři sta slov), na jejíž zpracování v první verzi Kontroly (v Microsoft Office 2003) rezignuje, ve verzích dalších však takové věty zpracovává. Uživatel může po Kontrole chtít, aby sledovala tyto formální pravopisné jevy: — hromadění interpunkce, — malé písmeno na začátku věty, — chybějící mezera, — přebývající mezera kolem interpunkce, — hromadění mezer, — přípony u čísel, — chyba v psaní zkratek, 72 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 — spojovník a rozdělovník,5 — příliš dlouhá věta (delší než 300 slov). Popíšeme nyní velmi stručně jednotlivé formálně-pravopisné chyby, jež Kontrola hlásí. 4.3.1 HROMADĚNÍ INTERPUNKCE Hromadění interpunkce je chyba, kterou Kontrola signalizuje, odhalí-li nepravopisnou konfiguraci více interpunkčních znamének v těsném sledu, například dvě čárky za sebou: (110) *To nijak,, nesouvisí s tím, jak to dělají. 4.3.2 MALÉ PÍSMENO NA ZAČáTKU VĚTY Díky dobré větné segmentaci Kontrola ve valné většině případů správně rozpozná, že věta začíná malým písmenem: (111) Přešel k jinému tématu. týkalo se nových obilovin. 4.3.3 CHYBĚJÍCÍ MEZERA Za čárkou a středníkem se píše mezera, takže věta (112) je psána chybně, neboť čárka a že nejsou odděleny mezerou: (112) *Je tedy vidět,že chyb se nedopouštějí jen staří mazáci.6 4.3.4 PŘEBÝVAJÍCÍ MEZERA KOLEM INTERPUNKCE Naopak před interpunkční znaménko, přesněji čárku, tečku, dvojtečku, středník, vykřičník, otazník, se mezera neklade: (113) *Vše se řítí k jakémusi poslednímu , osudnému a stále bližšímu okamžiku. (114) *Má zvláštní pohled na svou práci : podstata, tj. chemické složení farmak ho nezajímá. 5 Tak je nesprávně uvedeno v současné verzi Kontroly, správně má být: Spojovník a pomlčka (podobně dále). 6 Existuje však užití čárky v jiném významu, totiž ve významu počáteční jednoduché uvozovky, zvláště v textu, v němž se dále vyskytuje koncová jednoduchá uvozovka ‘: „Proto se také termínu labyrint začalo používat ve významu ,bludiště‘.“ Za toto upozornění děkuje autor recenzentovi. VLADIMÍR PETKEVIČ 79 Pravidlo vypadá takto: Rule Protoze { /* Komentář: GC pravidlo pro chybějící čárky (a špatně — odděleně psané — formy) u spojení proto že, proto aby, pro to že… */ ErrorPriority 74; ITEM SentenceStart; SEQUENCE OF lower form!= „že“; /* Poznámka: „Že“ je vyloučeno kvůli typu věty: „Říkal, že ho to mrzí, proto že za námi také přišel.“ */ ITEM Comma; ItemProto = ITEM lower form == „proto“; ItemZe = ITEM lower form == „že“; Error Report „Spojky proto a že je v této větě třeba psát dohromady (protože) nebo je oddělit čárkou.“; SUGGEST DELETION OF ItemProto; SUGGEST WORDFORM „protože“ ON ItemZe; }; // konec pravidla Protoze Mimo vysvětlující komentáře a poznámky pro autora pravidel (nikoli pro uživatele Kontroly) obsahuje pravidlo: (i) prioritu (zde 74) a (ii) popis posloupnosti slov zkoumaného úseku: — formální počátek věty, — posloupnost slovních tvarů, v níž se nenachází slovo že, — čárku, — slovo proto následované slovem že, — ohlášení chyby (Error Report), které se uživateli objeví, bude-li chtít chybu podrobněji vysvětlit (tlačítko Vysvětlit), — návrh opravy: odstranění slova proto, — nahrazení slova že slovem protože. 80 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 Obecně systém umožňuje nahradit (případně prázdný) řetězec slov jiným (případně prázdným) řetězcem slov. V uvedeném příkladu dochází k náhradě proto že → protože což je náhrada velmi jednoduchá. Je-li ve větě například chybná předložková rekce (120) *Udělal to pro naší potěchu. navrhne příslušné GC pravidlo opravu: naší → naši. Systém tedy využívá nejen morfologické analýzy zkoumaného textu: z analýzy se dozví lemma tvaru naší, tj. náš, a jelikož navrhuje akuzativní tvar po předložce pro, musí tento tvar také zkonstruovat. Ze znalosti lemmatu a nutnosti nabídnout akuzativní tvar tohoto lemmatu syntetizuje tvar naši. V tomto kroku své činnosti používá tedy Kontrola ve svých pravidlech morfologickou syntézu. Uveďme nyní ještě jedno ne úplně triviální pravidlo, jež upozorňuje uživatele na chybnou atrakci typu: (121) Čirou náhodou pracujete v obchodním zastoupením firmy IBM. Pravidlo se nazývá AtrLocInsSgGC, je typu Typ: Chyba ve jmenné skupině [„Gramatika“,“Gramatika+Styl“] a vypadá takto (mezi znaky /* a */ jsou opět komentáře): rule AtrLocInsSgGC { /* lokálová předložka není uspokojena */ ErrorPriority 90; predl = ITEM (IsSafe Preposition and Not Instrumental) and (Possible Locative); vycpavka = SEQUENCE OF (((IsSafe AdjectiveSynt) and (Possible ((Masculine or Neuter) and Locative and Singular))) or (IsSafe Adverb or Particle)); synadj = ITEM (IsSafe AdjectiveSynt) and (Possible (Masculine or Neuter) and Locative and Singular); SEQUENCE OF IsSafe Adverb; VLADIMÍR PETKEVIČ 81 subs = ITEM IsSafe Noun and ((Instrumental and Singular) or (Dative and Plural)); POST-SENTENCE ITEM MustNotBe AdjectiveVerbal; /* vylučuje případy jako „na prvním místem pohrdajícího závodníka“ */ Error Report „Po předložce vyžadující šestý pád musí být podstatné jméno v šestém pádě.“; Suggest Tag {case = Loc, number = Sg} ON subs; }; // konec pravidla Toto pravidlo se zabývá slovem označeným jako subs: je to potenciálně homonymní substantivní tvar v Isg nebo Dpl. Tento tvar je tedy slovnědruhově nehomonymní substantivum, které je navíc v Isg nebo Dpl, přičemž „nebo“ není vylučovací, tvar tedy může mít obě interpretace (uvedený tvar má tyto vlastnosti buď již po fázi morfologické analýzy, nebo se k nim dospělo procesem disambiguace). Po stanovení vysoké priority (90) následuje popis celkového kontextu, přičemž pořadí jednotlivých elementů odráží slovosled (skupin) slov: — predl je slovnědruhově jednoznačná (tj. nehomonymní) předložka, která nemá instrumentálovou valenci a může mít valenci lokálovou, — vycpavka představuje (případně prázdnou) posloupnost syntaktických adjektiv, která mohou být v maskulinu či v neutru a v Lsg, a/nebo adverbií nebo částic; do této posloupnosti mohou patřit slova patřící ke všem těmto třem slovním druhům, — synadj je nehomonymní syntaktické adjektivum, které může být v maskulinu či neutru a zároveň v Lsg, — poté následuje (případně prázdná) posloupnost adverbií (SEQUENCE OF IsSafe Adverb), — subs je zmíněný chybný tvar, který je třeba opravit — a konečně následuje buď konec věty, anebo tvar, který určitě není slovesným adjektivem (komentář uvádí důvod takovéto specifikace). — Poté následuje chybové hlášení (Error Report), které obdrží uživatel: Po předložce vyžadující šestý pád musí být podstatné jméno v šestém pádě. Je tedy vymezen kontext, v němž je tvaru subs užito chybně, a zbývá navrhnout uživateli opravu Suggest Tag {case = Loc, number = Sg} ON subs což je příkaz znamenající: udělej z tvaru identifikovaného identifikátorem subs, který je v Isg nebo Dpl, tvar Lsg. Kontrola zde z chybného tvaru nejprve vnitřně vytvoří jeho lemma a poté morfologickou syntézou vytvoří jeho tvar v Lsg. Jakmile Kontrola ohlásí uživateli chybu, čeká na zásah uživatele. Uživatel zasáhne do celého procesu tím, že opraví příslušné místo ve větě (může ovšem také chybu 82 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 ignorovat a tím celé zpracování dané věty končí a Kontrola přechází ke zpracování další věty). Po uživatelově opravě Kontrola prověřuje opravený text. Pokud Kontrola nezjistí v prověřované větě gramatickou, pravopisnou ani stylistickou chybu, sama mlčky přechází ke zpracování další věty. GC pravidla obsahují celočíselnou prioritu (v rozsahu 1–100), která vystihuje závažnost a specifičnost chyby a příslušného pravidla, které ji odhaluje. Priorita přichází ke slovu, když je ve vstupní větě víc chyb, a Kontrola hlásí chyby podle závažnosti a specifičnosti: na nejzávažnější či nejspecifičtější chybu upozorní uživatele nejdříve. Je-li v prověřované větě chyb víc, mohou nastat dva případy: (a) v případě, že kontexty, v nichž došlo k chybám, jsou disjunktní, tj. textově se nepřekrývají, hlásí se více chyb najednou (pro každý takový kontext jen chyba s nejvyšší prioritou); (b)pokud se kontexty překrývají, hlásí se pro takové kontexty pouze jediná chyba — ta s nejvyšší prioritou. V obou případech se tedy nehlásí chyby s nižšími prioritami pro daný chybový kontext nebo pro skupinu překrývajících se chybových kontextů. Po uživatelově opravě je věta kompletně prověřena znovu. V důsledku opravy chyby se mohou zároveň opravit i dosud nehlášené chyby s nižší prioritou (systém o nich věděl, ale neohlásil je). Kontrola je tedy ctižádostivá: chce nalézt všechny chyby ve větě, a tak se opakovaně aktivuje, dokud věta není správně opravena, nebo dokud uživatel nepřejde na větu další. Upozorněme nyní na rozdíl mezi morfologickou disambiguací a Kontrolou české gramatiky; ten je dán jejich odlišnými cíli a úkoly: — Disambiguace chová apriorní důvěru ke správnosti textu: bezelstně předpokládá, že věta je správná, a odstraňuje (v daném kontextu) nesprávné značky. Pokud je věta gramaticky či pravopisně nesprávná, snaží se zpracovat co nejvíce jejích správných úseků a nehlásí žádné chyby. Spouští se dávkově, tj. nekomunikuje interaktivně s uživatelem. — Kontrola je naopak ke správnosti textu spíše nedůvěřivá: vyhledává chyby, označuje chybná místa, hlásí chyby a navrhuje jejich opravy, ale teprve po důkladné prověrce kontextu celé věty (aby nehlásila chyby ve správných větách). Při hlášení chyby předpokládá interakci s uživatelem a jeho intervence. Gramatika, která řídí Kontrolu, je vyjádřena, jak už bylo řečeno, jako velmi složitý systém kontextových pravidel implementovaných jako počítačové programy psané ve speciálním jazyce LanGr: v tomto programovacím jazyce jsou psána jak disambiguační pravidla, tak GC pravidla. Disambiguačních pravidel bylo v době vytváření druhé verze Kontroly pro Microsoft Office 2007 celkem cca 2200, GC pravidel 820. Softwarová implementace obou podsystémů pravidel zaručuje, že Kontrola zpracuje vstupní text na obrazovce velmi rychle, neboť uživatel nemůže čekat na prověření textu déle než pár vteřin. Uvážíme-li celý složitý proces zpracování od segmentace a tokenizace vstupního textu, přes morfologickou analýzu až po disambiguační pravidla a GC pravidla (přičemž převážná většina pravidel se na danou větu uplatňuje mnohokrát v cyklu), je vysoká rychlost systému velmi náročný požadavek, který však Kontrola splňuje. Poznamenejme ještě, že při zpracování textu se neuplatňují statistické metody. VLADIMÍR PETKEVIČ 83 Jak bylo řečeno, ústřední součástí Kontroly jsou především GC pravidla a také pravidla disambiguační. Neprovádí se tedy syntaktická analýza (parsing), nevytvářejí se tak žádné syntaktické struktury ani na výstupu, ani vnitřně. Veškerá gramatika, především syntax, se vyvozuje na úrovni slovních druhů a morfologie a vyvozená syntaktická pravidla se pak formálně implementují. Parser spolu s formální gramatikou obsahující pravidla je úkol mnohem složitější, nicméně někteří badatelé používají plnohodnotné parsery i na prověrku gramatické správnosti textu. Tak si počínají např. Jakubíček et al. (2010), kteří se mimo jiné snaží stanovit správné a chybné postavení interpunkčních znamének na základě činnosti chart-parseru synt. 6. ÚSPĚŠNOST KONTROLY ČESKÉ GRAMATIKY, SROVNÁNÍ SE SYSTÉMEM GRAMMATICON Na základě důkladného testování Kontroly české gramatiky bylo zjištěno, že Kontrola odhalí cca 30–40 % chyb v českých textech. Velmi užitečná je hlavně v odhalování absence čárek, neboť tato chyba je mezi gramotnými pisateli snad nejrozšířenější. Kontrola se „ztrácí“ při zpracování velmi dlouhých vět a také vět interpunkčně velmi členitých, tj. vět obsahujících závorky, pomlčky, mnoho čárek, zkratky končící tečkou, neznámá slova. Srovnání s Grammaticonem vyznívá pro Kontrolu lépe, a to zejména z těchto důvodů: — Kontrola dokáže zpracovat všechny hlavní typy gramatických chyb v českých textech, aniž by hlásila nepřijatelně vysoký počet chyb domnělých (false flags): tj. jen zřídkakdy neoprávněně hlásí chybu, a je tedy úspěšná zejména při zpracování gramaticky a pravopisně správného textu. Naopak Grammaticon poměrně často neoprávněně hlásí chybu (zvláště u slovesných skupin, u parazitických slov, ve jmenných skupinách, ve shodě přísudku s podmětem i ve slovosledu), viz tabulku 1 níže. — Kontrola si vede velmi dobře v odhalování chyb v kladení čárek a v tomto směru Grammaticon jasně předčí (má přibližně desetkrát vyšší úspěšnost). — Kontrola hlásí vždy jen jednu (nejzávažnější) chybu pro daný kontext (nebo pro překrývající se kontexty), Grammaticon někdy hlásí touž chybu i vysvětlení dvakrát. — Grammaticon častěji nerozpozná frapantní chybu, což se Kontrole přihodí spíše výjimečně. — Kontrola pokrývá patrně větší množství jevů (autor však toto tvrzení již nedokáže exaktně doložit). — Kontrola se mnohem méně věnuje stylu (což je z hlediska počítačového zpracování nejasná kategorie) než Grammaticon. — Hlášení Kontroly jsou výstižnější a jasnější. 84 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 Kontrola č. gramatiky Grammaticon #slov #všech chyb rozpoznané chyby domnělé chyby rozpoznané chyby domnělé chyby test1.rtf 831 108 34 4 38 78 Gctest.rtf 416 55 50 3 22 33 grchtext.rtf 1179 90 37 9 33 27 Celkem 2226 253 121 16 92 134 tabulka 1: Srovnání výsledků testování obou systémů na třech souborech: test1.rtf, Gctest.rtf a grchtext.rtf. V tabulce 1 jsou pro srovnání uvedeny výsledky testování obou systémů na třech souborech: soubory test1.rtf a Gctest.rtf obsahují vzorové věty, soubor grchtext.rtf obsahuje běžný český text. Tabulka zachycuje počet všech slov, počet všech chyb a z nich pak chyby rozpoznané oběma systémy a chyby domnělé, tj. neoprávněně hlášené (false flags). Je vidět, že z hlediska obou typů chyb je na tom Kontrola výrazně lépe (s výjimkou kategorie rozpoznaných chyb v souboru test1.rtf). Z provedených srovnávacích testů se bez rozsáhlého testování bohužel nedá hodnověrně odvodit pokrytí (recall) a především přesnost (precision) výkonu obou systémů. Hodnověrné testy by se musely provést na několika zkoumaných vzorcích vět různých typů a byly by velice pracné, zejména pak výpočet přesnosti. 7. SHRNUTÍ POZITIVNÍCH A NEGATIVNÍCH RYSŮ KONTROLY ČESKÉ GRAMATIKY V bodech nyní shrňme klady a zápory Kontroly. Kontrola má tyto kladné stránky: — Je opatrná, zřídkakdy neoprávněně hlásí chybu, je tedy úspěšná při zpracování gramaticky a pravopisně správného textu. — Jejím východiskem je jemná lingvistická analýza. — Velmi dobře dokáže odhalit jasné chyby. — Velmi dobře si vede v odhalování chyb v kladení čárek. — Pokrývá poměrně široký okruh jevů. — Její hlášení jsou srozumitelná, systém je uživatelsky přívětivý. — Rychlost zpracování prověřovaného textu je naprosto uspokojivá. — Zpracovává i ryze formální chyby (například víc mezer či interpunkčních znamének za sebou). Kontrola má ovšem i zápory: — Až na pár jevů nezachycuje valenci. — Nezpracovává záporovou shodu. — Je zmatena při prověrce strukturně i formálně (mnoho interpunkce) složitých a dlouhých vět. VLADIMÍR PETKEVIČ 85 — Občas nehlásí i vyloženou chybu. — Má rezervy ve zpracování konkrétních slovních tvarů, v nichž se často dělají chyby (např. zájmenných tvarů mě, mně). 8. MOŽNOSTI DALŠÍHO ROZVOJE KONTROLY ČESKÉ GRAMATIKY Současná podoba Kontroly české gramatiky má samozřejmě rezervy a leccos se na ní dá vylepšovat, zdokonalovat a rozvíjet. Toto vylepšování má ovšem smysl jen v případě, že společnost Microsoft projeví o další verzi Kontroly zájem. Níže naznačujeme, jakým směrem by se další rozvoj Kontroly měl ubírat především. Obecně by se Kontrola měla zlepšovat v obou parametrech: v pokrytí a přesnosti (jakkoli se tyto ukazatele zjišťují velmi namáhavě). V této souvislosti uveďme zvláště tyto požadavky: — Další vylepšování Kontroly se nyní s výhodou může opřít o dnes už mnohem kvalitnější morfologickou disambiguaci (ve srovnání s obdobím vývoje Kontroly, tj. před cca deseti lety), o větší morfologický slovník, o rozsáhlejší a lépe značkované korpusy a vůbec o pokrok v oblasti počítačového zpracování češtiny. Je však zapotřebí vyvinout ještě mnohem více disambiguačních pravidel i GC pravidel, zejména v oblasti valence všech klíčových slovních druhů: sloves, substantiv, adjektiv a adverbií. Velmi dobře zde mohou posloužit jako vhodná datová základna syntaktické stromové struktury (treebanks či parsebanks) a stále větší a lépe značkované korpusy češtiny (zvláště řady SYN). — Je vhodné zjistit, jakých chyb se uživatelé v současnosti dopouštějí nejčastěji, a přihlédnout v tomto směru ke snižující se písemné gramotnosti mluvčích češtiny, příp. k dysortografii. — Je nutné získávat od uživatelů zpětnou vazbu: co jim dnes na Kontrole nejvíc vadí, co by od ní obzvláště očekávali. 9. ZÁVĚR V tomto příspěvku byl podrobně popsán automatický počítačový systém Kontroly české gramatiky, který automaticky prověřuje vstupní český text, hledá v něm gramatické, některé pravopisné a formální chyby a v omezené míře i chyby stylistické a hlásí je uživateli, většinou spolu s iniciativním návrhem, jak chybu opravit. Systém je založen na gramatických vztazích mezi slovy — vychází z preskriptivní gramatiky a pravopisu spisovné češtiny — a sleduje tak prohřešky proti této gramatice a pravopisu. Nezabývá se obyčejnými chybami v pravopisu slov bez ohledu na kontext (obyčejnými překlepy), neplní tedy funkce spell checkeru. Gramatické, pravopisné i stylistické vztahy mezi slovy jsou implementovány v podobě kontextových syntaktických, morfologických, foneticko- -fonologických a též některých stylistických pravidel. Tato pravidla jsou dvojí povahy: pravidla disambiguační a specifická pravidla pro vlastní kontrolu gramatiky. Kontrola české gramatiky je implementována v systému Microsoft Office verze 2003, 2007, 2010 a 2013 a je v nich k dispozici od poloviny roku 2005 jako součást editoru Microsoft Word. 86 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2014 LITERATURA: Akademická pravidla českého pravopisu (1993). Praha: Academia. Český národní korpus — SYN2010 (2010). Praha: Ústav Českého národního korpusu FF UK v Praze. Dostupné z WWW: <http://www.korpus.cz>. Hajič, Jan (2000): Popis morfologických značek — poziční systém [online]. In: Marie Kopřivová — Jan Kocek (eds.), Manuál korpusového manažeru Bonito. Cit. 10. 11. 2014. Dostupné z WWW: <http://ucnk.ff.cuni.cz/ bonito/znacky.php>. Hajič, Jan (2004): Disambiguation of Rich Inflection (Computational Morphology of Czech). Praha: Karolinum. Havránek, Bohuslav — Jedlička, Alois (1981): Česká mluvnice. Praha: Státní pedagogické nakladatelství. Jakubíček, Miloš — Horák, Aleš (2010): Punctuation detection with full syntactic parsing. Research in Computing Science, Special Issue: Natural Language Processing and Its Applications, 46, s. 335–343. Jelínek, Tomáš — Petkevič, Vladimír (2011): Systém jazykového značkování současné psané češtiny. In: Vladimír Petkevič — Alexandr Rosen (eds.), Korpusová lingvistika Praha 2011: 3,Gramatika a značkování korpusů [Studie z korpusové lingvistiky, 16]. Praha: Nakladatelství Lidové noviny — Ústav českého národního korpusu FF UK v Praze, s. 154–170. Květoň, Pavel (2006): Rule-Based Morphological Disambiguation [disertační práce]. Praha: MFF UK v Praze. MČ2: Komárek, Miroslav — Kořenský, Jan — Petr, Jan — Veselková, Jarmila (eds.) (1986): Mluvnice češtiny: 2, Tvarosloví. Praha: Academia. MČ3: Daneš, František — Grepl, Miroslav — Hlavsa, Zdeněk (eds.) (1987): Mluvnice češtiny: 3, Skladba. Praha: Academia. Microsoft Officetm (2003, 2007, 2010, 2013). Pala, Karel — Rychlý, Pavel — Smrž, Pavel (2003): Text corpus with errors. In: Václav Matoušek — Pavel Mautner (eds.), Text, Speech and Dialogue: 6th International Conference, TSD 2003, České Budějovice, Czech Republic, September 8–12, 2003: Proceedings. Berlin: Springer, s. 90–97. Petkevič, Vladimír (2004): Využití pravidel pro negaci v automatickém značkování českých korpusů. In: Zdeňka Hladká — Petr Karlík (eds.), Čeština — univerzália a specifika 5: Sborník 5. mezinárodního setkání bohemistů v Brně. Praha: Nakladatelství Lidové noviny, s. 143–150. Petkevič, Vladimír (2006): Reliable morphological disambiguation of Czech: rule-based approach is necessary. In: Mária Šimková (ed.), Insight into the Slovak and Czech Corpus Linguistics. Bratislava: Veda, s. 26–44. PMČ: Karlík, Petr — Nekula, Marek — Rusínová, Zdenka (eds.) (1995): Příruční mluvnice češtiny. Praha: Nakladatelství Lidové noviny. Pravidla českého pravopisu (1993). Praha: Academia. Richter, Michal — Straňák, Pavel — Rosen, Alexandr (2012): Korektor — a system for contextual spell-checking and diacritics completion. In: Martin Kay — Christian Boitet (eds.), Proceedings of the 24th International Conference on Computational Linguistics (COLING 2012). Mumbai: The COLING 2012 Organizing Committee, s. 1–12. Šmilauer, Vladimír (1966): Novočeská skladba. Praha: Státní pedagogické nakladatelství. Šmilauer, Vladimír (1972): Nauka o českém jazyku. Praha: Státní pedagogické nakladatelství. Vladimír Petkevič | Ústav teoretické a komputační lingvistiky FF UK v Praze <[email protected]>