Víceslovné jednotky typické pro české akademické texty

ČASOPIS PRO MODERNÍ FILOLOGII 103, 2021, Č.2, S. 228–243 Víceslovné jednotky typické pro české akademické texty1 Dominika Kováříková (Praha)— Oleg Kovářík (Praha)— Lucie Lukešová (Praha) Dominika Kováříková— Oleg Kovářík— Lucie Lukešová MULTI-WORD UNITS IN CZECH ACADEMIC TEXTS This paper introduces Akalex, anew online tool created to support vocabulary research into Czech academic texts. The Akalex database includes close on 60 000 n-grams— candidates for typical academic words or multiword units— and it can be readily searched and filtered according to several criteria. The n-grams were extracted from the SYN2015 corpus of written contemporary Czech, based on their prominent frequency in academic texts and shared occurrence in many different academic disciplines, distinguishing them from general vocabulary on one hand and specialized terminology on the other. Each n-gram in the database is also furnished with additional information, such as part-of-speech, distribution by disciplines, frequency etc., making it possible to search for e.g. collocations with aspecific lexeme (such as adjectives combined with the word výzkum ‘research’ or verbs with acertain preposition). The features of Akalex were put to the test in our case study covering 2-grams to 6-grams used in all 24 academic disciplines included in the SYN2015 corpus. Of nearly 900 candidates, 236 were manually chosen by two annotators as typical for academic texts. These were then further analysed and split into groups based on their semantic, functional and formal features. Among the most frequent were lexical bundles, collocations with content words and combinations of two verbs pointing to afrequent use of passives in academic texts etc. KEYWORDS academic texts, academic vocabulary, multi-word units, corpus research KLÍČOVÁ SLOVA akademické texty, akademická slovní zásoba, víceslovné jednotky, korpusový výzkum DOI https://doi.org/10.14712/23366591.2021.2.4 1. ÚVOD Akademické texty slouží ke komunikaci mezi odborníky vrámci akademických disciplín, ato jak vodborných monografiích nebo ve vědeckých článcích, tak ve vysokoškolských učebnicích, ve výuce ive studentských kvalifikačních pracích. Nagy 1 Tento článek vznikl vrámci programu Progres Q08 Český národní korpus uskutečňovaného na Filozofické fakultě Univerzity Karlovy. Zároveň byl podpořen také vrámci projektu Kreativita aadaptabilita jako předpoklad úspěchu Evropy vpropojeném světě reg.č.: CZ.02.1.01/ 0.0/0.0/16_019/0000734 financovaného zEvropského fondu pro regionální rozvoj. autor fake OPEN ACCESS DOMINIKA KOVÁŘÍKOVÁ— OLEG KOVÁŘÍK— LUCIE LUKEšOVÁ 229 aTownsend (2012) přiléhavě popisují jazyk akademických textů jako psaný (nebo imluvený) jazyk, který umožňuje komunikaci auvažování otématech konkrétního vědeckého oboru. Studenti vědeckých oborů se vrámci přípravy na akademickou dráhu musí učit pracovat spoměrně pevnou strukturou celého textu (zvláště ve vědeckých článcích), sneobvyklou podobou vět, vkterých jsou např.bohatě rozvíjeny nominální složky textu, ale také se specifickou slovní zásobou oborovou (termíny) islovní zásobou společnou většině oborů— tedy sjednoslovnými avíceslovnými jednotkami typickými pro akademické texty. Vposledních dvaceti letech projevují badatelé velký zájem právě oslovní zásobu společnou velkému množství akademických textů zrůzných oborů. Vroce 2000 byl publikován Academic Word List (Coxhead, 2000), seznam 570 akademických slov (substantiv, sloves aadjektiv), který vyvolal mnoho reakcí. Ty kritické seznamu vytýkaly mimo jiné fakt, že obsahuje pouze jednoslovné jednotky (Simpson-Vlach— Ellis, 2010; Gardner— Davies, 2014; Granger, 2017). Další výzkum se tedy začal zaměřovat ina tzv.akademické fráze nebo víceslovné jednotky, avznikly tak seznamy akademických víceslovných jednotek nebo kombinované seznamy jednoslovných ivíceslovných jednotek, např.ANew Academic Vocabulary List (Gardner— Davies, 2014), Academic Keyword List (Paquot, 2010) aAcademic Phrasebank (http://www.phrasebank. manchester.ac.uk/). Seznamy akademických slov afrází se většinou soustřeďují na angličtinu jakožto současný univerzální jazyk vědy aobvykle jsou určeny pro studenty ivýzkumníky zcelého světa, pro něž angličtina není mateřským jazykem. Stejně tak ale mohou podobné seznamy sloužit irodilým mluvčím, zvláště vysokoškolským studentům azačínajícím badatelům.2 Právě to nás vedlo ksestavení takového seznamu ipro češtinu. Seznam akademických slov afrází může napomoci plynulému vyjadřování jak vkvalifikačních studentských pracích (Chen— Baker, 2010), tak ive vysoce odborných textech, jako jsou vědecké články nebo monografie (Hyland, 2012).3 Jedním zhlavních problémů výzkumu akademického jazyka je variabilita vyhledávaných víceslovných jednotek: jejich délka může být vrozsahu dvou až šesti slov4 (výjimečně snad ivíce), může jít otzv.lexical bundles5 (Biber— Barbieri, 2007), otermíny, které se soslabenou terminologickou platností rozšířily do velkého množ2 Nutnost naučit se akademickému jazyku jakožto nesamozřejmé dovednosti vyjadřuje citát, který je často zmiňován vkontextu kurzů zaměřených na akademickou angličtinu (EAP): „Academic language is […] no one’s mother tongue.“ (Bourdieu et al., 1994, s.8). 3 Včeštině je situace velmi odlišná od angličtiny, kníž se vyjadřuje Hyland (2012); anglické seznamy akademické slovní zásoby slouží především velkému množství nerodilých mluvčích. Český seznam by však mohl sloužit jako pomůcka irodilým mluvčím při psaní odborných textů nejvyšší úrovně, pokud by obsahoval vrámci každého hesla idalší informace, například seznamy typických kolokací nebo seznamy synonym. 4 Nelze vyloučit, že existují idelší víceslovné jednotky (typické pro akademické texty), šlo by však ozcela výjimečné případy. 5 Lexical bundles jsou často opakované (velmi běžné) neidiomatické sekvence slov, které nejsou strukturně ucelené (Biber— Barbieri, 2007); jde např.ospojení to be able to, at the end of the. OPEN ACCESS 230 ČASOPIS PRO MODERNÍ FILOLOGII 103, 2021, Č.2 ství akademických disciplín, očasté kolokace typických akademických slov, ofrekventované spojení akademického slova spředložkou nebo spojkou apod. Pro výzkum českých akademických frází jsme vytvořili aplikaci Akalex (www. korpus.cz/akalex, Kováříková— Kovářík, 2021). Tuto aplikaci lze použít při výzkumu akademické slovní zásoby, ať už se jedná ojednotky jednoslovné, nebo víceslovné. Je kdispozici iostatním badatelům, kteří se věnují problematice typické slovní zásoby akademických textů. Akalex má složku databázovou, která obsahuje snadno prohledávatelné seznamy n-gramů (slov jdoucích za sebou vrůzném počtu n) splňujících určité podmínky— zjednodušeně lze říct, že jde on-gramy, které se vyskytují častěji vakademických textech než vreferenčním korpusu. Ktěmto n-gramům jsou přiřazeny hodnoty rozličných kvantifikovatelných vlastností: jde ofrekvenční adistribuční rysy aasociační míry. Druhou složkou aplikace Akalex je seznam typických akademických slov afrází vzniklý na základě dalšího výzkumu materiálu vdatabázové složce. 2. DATA AMETODOLOGIE Vytvoření databázové součásti aplikace Akalex probíhalo vněkolika krocích. Prvním krokem bylo vytvoření vhodných subkorpusů zaktuálního reprezentativního korpusu češtiny SYN2015: subkorpusu akademických textů areferenčního subkorpusu složeného ztextů beletristických apublicistických. Druhým krokem bylo sestavení kompletního seznamu n-gramů požadovaného rozsahu (šlo o1až 6-gramy). Vdalší fázi byly všem n-gramům přiřazeny rysy, pomocí nichž lze automaticky odlišit kandidáty na typické jednoslovné nebo víceslovné jednotky. Mezi tyto rysy patří především charakteristiky založené na frekvenci n-gramů ana jejich distribuci vkorpusu (více vkap. 2.3). Výsledkem je databáze, která obsahuje jak samotné n-gramy, tak různé charakteristiky, pomocí nichž lze data prohledávat. Funkčnost databáze Akalex byla ověřena případovou studií (viz kap. 4) zaměřenou na víceslovné jednotky, ve které jsme podrobně zkoumali všechny 2až 6-gramy splňující dvě hlavní podmínky: 1.jejich frekvence je alespoň dvakrát vyšší vakademických textech než vreferenčním korpusu a2.vyskytly se ve všech 24 disciplínách rozlišovaných vkorpusu SYN2015. 2.1 DATA ZKORPUSU SYN2015 Veškerý materiál pro výzkum je čerpán zaktuálního reprezentativního korpusu psaných textů SYN2015; vjeho rámci byly vytvořeny dva subkorpusy. Subkorpus nazvaný SCI je složen zakademických textů, které jsou vkorpusu SYN2015 označeny zkratkou SCI (pro textový typ) apopiskem „odborná literatura“. Referenční subkorpus nazvaný REF obsahuje všechny beletristické apublicistické texty zkorpusu SYN2015, to jest takové, které jsou vrámci skupin textových typů označeny zkratkami FIC („beletrie“) aNMG („publicistika“). Subkorpus SCI obsahuje 13 milionů tokenů areferenční subkorpus REF má rozsah 81 milionů tokenů (vč. interpunkce). OPEN ACCESS DOMINIKA KOVÁŘÍKOVÁ— OLEG KOVÁŘÍK— LUCIE LUKEšOVÁ 231 Vsubkorpusu SCI se rozlišuje 24 akademických disciplín, ve shodě sklasifikací oborů používanou Národní knihovnou ČR. Zařazení jednotlivých textů do oborů hraje zásadní roli ve vyhledávání jednoslovných ivíceslovných jednotek typických pro akademické texty— informace otom, vkolika akademických disciplínách se zkoumaný n-gram vyskytuje (tj.jaká je jeho distribuce voborech), je rozhodující jak pro zařazení do databáze, tak pro další výzkum. Vtabulce 1 jsou uvedeny počty tokenů vjednotlivých oborech vsubkorpusu SCI, které lze najít pomocí strukturního atributu genre „žánr/oblast“. obor počet tokenů obor počet tokenů AGR: zemědělství, chovatelství 171 227 LAN: filologie 622 298 ANT: antropologie, etnografie 425 223 LAW: právo 563 209 ART: umění, architektura 489 628 MED: lékařství 708 980 BIO: biologie 1 133 593 MUS: hudba 676 962 CHE: chemie 278 837 PHI: filozofie, náboženství 689 801 ECO: ekonomie, obchod, logistika 212 669 PHY: fyzika 627 385 EDU: pedagogika 674 414 POL: politika, vojenství 729 145 GEO: geografie, geologie 685 251 PSY: psychologie 468 837 HIS: historie, biografie 691 094 REC: sport, rekreace, hobby 382 963 ICT: výpočetní technika 136 026 SOC: sociologie 790 198 INF: knihovnictví, informatika 490 324 TEC: technika 362 925 ITD: interdisciplinární 246 295 THE: divadlo, film, tanec 679 426 TABULKA 1.Počet tokenů vjednotlivých oborech vsubkorpusu SCI (zdroj: SYN2015) 2.2 N-GRAMY PRO AKALEX Na základě zjištění předchozích výzkumů není vhodné za lexikální jednotky typické pro akademické texty považovat pouze samostatná slova, nýbrž je třeba zahrnout ivíceslovné jednotky různého typu (ať už víceslovné lexémy, typické kolokace, nebo např.spojení stypickou předložkou). Proto jsme pro databázi brali vúvahu kromě jednotlivých slov (unigramy) in-gramy odvou avíce slovech. Při práci sn-gramy jakéhokoli typu je vždy třeba učinit některá rozhodnutí, která ssebou nesou jak výhody, tak inevýhody. Především je třeba zvolit, zda pro n-gramy používat lemmata coby základní slovníkové tvary, nebo konkrétní slovní tvary, azda brát vúvahu interpunkci. Vrámci databázové části Akalexu jsme se rozhodli používat lemmata, anikoli slovní tvary. Výhodou tohoto přístupu především uvysoce flektivní češtiny je, že n-gram získá spojením několika podob na frekvenci avyjeví se tak lépe jeho typičnost. Nevýhodná je naopak nutnost používat předpřipravenou lingvistickou interpretaci OPEN ACCESS 232 ČASOPIS PRO MODERNÍ FILOLOGII 103, 2021, Č.2 vpodobě lemmatizace, která může být nespolehlivá nebo zavádějící. Dalším úskalím je poněkud složitější interpretace konkrétních n-gramů, jejichž typické tvary často nemůžeme odhadnout intuitivně— tuto nevýhodu jsme ale částečně eliminovali doplněním nejčastějšího tvaru příslušného n-gramu do databázového záznamu. Vyhledané n-gramy nepřekračují hranici věty, ale samotná interpunkční znaménka označující konec věty (zvl. tečka) nejsou do n-gramů zahrnována. N-gramy neobsahují ani neukončující interpunkční znaménka. Týká se to zvláště čárek, jejichž odstraněním můžeme získat spojení se spojkami, např.(vyplývat) že nebo (otázka) zda. Zvlášť vjazycích, jako je čeština, je také třeba mít na paměti, že volný slovosled může ztížit interpretaci výsledků založených na n-gramech. Tuto otázku jsme se však rozhodli při vytváření této databáze zanedbat. Po přidělení hodnot vybraných rysů jednotlivým n-gramům (viz dále) jsme původní velice rozsáhlý seznam n-gramů dramaticky zkrátili— vdatabázi Akalex jsou obsaženy pouze takové n-gramy, které splňují dvě základní podmínky: vyšší frekvence oproti textům vreferenčním korpusu arelativně vysoká distribuce voborech (více vkap. 2.4). 2.3 POUŽITÉ RYSY Na základě předchozích výzkumů slov avíceslovných jednotek vakademických textech (jak akademických frází, tak terminologie) jsme identifikovali několik rysů, které se osvědčily při automatické identifikaci těchto jednotek (Kováříková, 2017; Kováříková— Kovářík, 2019). Jde především ovlastnosti frekvenční adistribuční, vpřípadě víceslovných jednotek (bigramů atrigramů) jsou kdispozici iasociační míry sloužící kidentifikaci kolokací. Kromě toho jsme do databázové části zařadili iinformaci oslovním druhu jednotlivých členů n-gramů aonejfrekventovanějším tvaru daného n-gramu. Poslední dva údaje jsme využili především při lingvistické interpretaci vpřípadové studii (kap. 4). Přehled rysů využívaných vdatabázi Akalex: Poměr frekvencí. Poměr frekvence vsubkorpusu akademických textů SCI avreferenčním subkorpusu beletristických apublicistických textů ukazuje, kolikrát častější je daný n-gram vakademických textech oproti textům jiného typu. Pokud je tedy hodnota tohoto rysu např.10, znamená to, že n-gram je 10x častější vakademických textech, je pro ně tedy typický (Kováříková, 2017, s.38). Distribuce je údaj otom, vkolika z24 oborů, které jsou kdispozici vsubkorpusu SCI, se n-gram vyskytuje. Čím je distribuce vyšší, tím šířeji je n-gram používaný, atím vyšší je pravděpodobnost, že se může jednat oakademickou frázi. Naopak nízká hodnota tohoto rysu ukazuje spíše na to, že se jedná on-gram terminologický, tedy specifický pro určitou disciplínu nebo malé množství příbuzných disciplín— do seznamu obecných akademických frází bychom ho tedy primárně neřadili (tamtéž). OPEN ACCESS DOMINIKA KOVÁŘÍKOVÁ— OLEG KOVÁŘÍK— LUCIE LUKEšOVÁ 233 Disperze coby další distribuční charakteristika ukazuje, jak rovnoměrně je zkoumaný n-gram rozložený vjednotlivých oborech, které jsou kdispozici vsubkorpusu SCI. Čím nižší je hodnota disperze, tím rovnoměrněji je n-gram rozložen vdisciplínách, atím vyšší je tedy pravděpodobnost, že jde oakademickou frázi. Disperze vhodně doplňuje údaj odistribuci. Může se totiž stát, že nějaký n-gram se vyskytne ve vysokém počtu disciplín, ovšem svelmi rozdílnou frekvencí— takový bigram bude sice mít vysokou distribuci, ale na druhou stranu ivysokou hodnotu disperze. Nás zajímají především n-gramy svysokou distribucí anízkou disperzí, tedy takové, které se vyskytují vmnoha oborech aobjevují se vnich spodobnou frekvencí. Asociační míra PMI (pointwise mutual information; kdispozici pouze pro bigramy atrigramy). Asociační míry jsou matematické postupy pro vyhledávání kolokací vkorpusech— zjišťují, která slova se spolu vyskytují častěji, než odpovídá náhodnému souvýskytu (Church— Hanks, 1990). Nejčastější tvar (vAkalexu pouze zkráceně „tvar“) je slovní tvar daného n-gramu vyskytující se vakademických textech snejvyšší frekvencí. Tento údaj je velmi užitečný především při interpretaci výsledků. Vněkterých případech nám nejčastější tvar může napovědět, že daný n-gram je ve skutečnosti součástí delšího n-gramu (např.bigram následující kapitola má nejčastější tvar následující kapitole, je totiž součástí frekventovaného trigramu vnásledující kapitole), jindy je nejčastější tvar klíčem kporozumění n-gramu (např.bigramy být vyjádřit, na příklad nebo vrámec mají nejčastější tvary je vyjádřen, na příkladu avrámci). POS, slovní druh jednotlivých členů n-gramu. Určení slovního druhu všech součástí zkoumaných n-gramů může velmi dobře posloužit při vyhledávání vdatabázi. Můžeme například vyhledat všechna spojení slovesa stypickou předložkou nebo spojení substantiva stypickým přívlastkem (tj.předcházejícím adjektivem). Při analýze dat můžou být označené slovní druhy jedním zkritérií třídění (viz případovou studii vkap. 4). 2.4 KRITÉRIA PRO ZAHRNUTÍ N-GRAMŮ DO DATABÁZOVÉ SOUČÁSTI AKALEXU Do databáze byly zahrnuty pouze takové n-gramy, které splňují dvě základní podmínky: 1. hodnota poměru frekvencí je alespoň 2, n-gram je tedy alespoň dvakrát častější vakademických textech než vreferenčním korpusu beletristických apublicistických textů; 2. hodnota distribuce je alespoň 8, to znamená, že se n-gram vyskytuje minimálně ve třetině oborů rozeznávaných vsubkorpusu SCI. Tyto minimální hodnoty zajistí, že zobrovského počtu n-gramů, které lze extrahovat ze subkorpusu SCI, bude do databáze zahrnuto pouze zpracovatelné množství OPEN ACCESS 234 ČASOPIS PRO MODERNÍ FILOLOGII 103, 2021, Č.2 n-gramů, unichž je navíc vyšší pravděpodobnost, že nejde ani oobecně rozšířená slova nebo kombinace, ani otermíny (ty se vyskytují spíše vmalém množství oborů). 3. DATABÁZOVÁ SOUČÁST AKALEXU: ZDROJ PRO ZKOUMÁNÍ AKADEMICKÝCH LEXIKÁLNÍCH JEDNOTEK Databáze Akalex je určena ktomu, aby sloužila kvýzkumu akademické slovní zásoby češtiny, ato jak jednotek jednoslovných, tak víceslovných, ale ikzachycení dalších jevů, jako je například typická valence nebo běžné kolokáty vakademické češtině. Obsahuje 1až 6-gramy, které jsou alespoň dvakrát častější vakademických textech než vtextech jiného typu akteré se vyskytují alespoň vosmi akademických oborech. Tím je zajištěno, že databáze obsahuje zpracovatelné množství n-gramů, unichž už existuje předpoklad, že by se mohlo jednat oakademickou lexikální jednotku nebo frázi. Vdatabázi je kdispozici celkem zhruba 57 tisíc n-gramů. Největší část, téměř dvě třetiny celého materiálu, tvoří bigramy. Počet různých typů n-gramů je uveden vtabulce 3. 3.1 INFORMACE OBSAŽENÉ VDATABÁZOVÉ ČÁSTI AKALEXU Kromě samotných n-gramů jsou vdatabázi kdispozici informace on-gramech, které mohou sloužit kvyhledávání, třídění nebo vytváření seznamů podle zadaných podmínek. Mezi tyto informace patří nejčastější tvar celého n-gramu, slovní druh jednotlivých členů n-gramu, poměry frekvencí, distribuce voborech, disperze voborech aasociační míra PMI (pro bigramy atrigramy). Jednotlivé položky jsou podrobněji popsány vkap. 2.3. Jejich přehled je kdispozici vtabulce 2. Rys nebo informace (pořadí dle databáze) Popis Tvar nejčastější tvar n-gramu vakademických textech POS1, 2, … slovní druh první, druhé (popř. další) složky n-gramu Poměr frekvencí kolikrát je n-gram častější vakademických textech než vjiných typech textů (beletrie, publicistika) Distribuce vkolika oborech se n-gram vyskytl alespoň jednou Disperze jak rovnoměrně je n-gram rozložený voborech PMI jak silná je kolokace (jen pro bigramy atrigramy) TABULKA 2.Informace on-gramech dostupné vdatabázi Akalex 3.2 NASTAVENÍ PRAHOVÝCH HODNOT Problémem při automatickém vyhledávání akademických lexikálních jednotek (aobecně při automatickém vyhledávání na základě nějakých vybraných rysů) je naOPEN ACCESS DOMINIKA KOVÁŘÍKOVÁ— OLEG KOVÁŘÍK— LUCIE LUKEšOVÁ 235 stavení prahových hodnot.6 Není jednoduché posoudit, zda by mezi akademické lexikální jednotky měly být zahrnuty pouze n-gramy snejvyšší možnou distribucí (24), nebo n-gramy vyskytující se alespoň ve dvou třetinách oborů (16), případně vpolovině oborů (12) atd. Podobně nelze jednoduše rozhodnout, zda lexikální jednotky typické pro akademické texty budou imezi n-gramy dvakrát, nebo až třikrát či víckrát frekventovanější vakademických textech než vtextech jiného typu. Vpodstatě jde vždy orozhodnutí, zda chceme najít velké množství akademických lexikálních jednotek, aspolu snimi ivelké množství šumu (zaměřujeme se na pokrytí— recall7), nebo jestli budeme vzadávání prahových hodnot přísnější, protože chceme výsledky bez šumu, tj.označené n-gramy budou skutečně akademické lexikální jednotky, ovšem stím, že jich objevíme jen menší množství, mnohé zůstanou nerozpoznány (zaměření na přesnost— precision). Pokud se např.rozhodneme, že nastavíme poměrně přísné podmínky, tedy že nás zajímají všechny n-gramy, které se vyskytují minimálně ve 20 oborech, spoměrem frekvencí alespoň 6 asdisperzí ohodnotě menší než 1, pak se vyhledá jen menší množství n-gramů, znichž ale vysoké procento skutečně budou akademické lexikální jednotky. Ivpřípadě poměrně přísného nastavení je ale nutná ruční kontrola, jak je to uautomatického vyhledávání obvyklé. Pokud ale snížíme požadavky, např.vezmeme vúvahu in-gramy spoměrem frekvencí alespoň 2, které se vyskytují v16 oborech, výsledky sice bude náročnější zpracovat, protože budou obsahovat větší množství n-gramů, které je nutno zkontrolovat, ale na druhou stranu získáme některé platné akademické lexikální jednotky, které by nám jinak zůstaly skryty. Rozhodnutí, jestli se soustředit na vyšší precision, nebo recall, záleží mimo jiné na výzkumném úkolu. Chceme-li vytvořit stručný seznam velmi rozšířených aspolehlivých akademických lexikálních jednotek, budeme nastavovat přísnější podmínky (precision). Pokud je naším záměrem vytvořit obsáhlý seznam jakožto základ slovníku akademických lexikálních jednotek, tedy budeme požadovat spíše stovky až tisíce jednotek (recall), můžeme snížit prahy jednotlivých charakteristik, ovšem čeká nás větší množství ruční práce, aby byl seznam spolehlivý. Databáze Akalexu je vytvořena tak, aby si každý badatel mohl prahové hodnoty nastavit podle vlastních představ akonkrétního výzkumného úkolu. 3.3 VYHLEDÁVÁNÍ PODLE LEMMATU NEBO SLOVNÍHO DRUHU Vdatabázi lze vyhledávat ikonkrétní lemmata nebo části lemmat. Tímto způsobem můžeme vyhledávat především typické kolokáty určitého slova, které jsou specifické pro akademické texty. 6 Jednou zmožností, jak najít vhodné nastavení prahových hodnot, je zjišťování prostřednictvím strojového učení nebo data miningu, jaké kombinace hodnot různých rysů přinášejí nejlepší výsledky (více vKováříková, 2017, aKováříková— Kovářík, 2019). 7 Precision arecall jsou standardní evaluační statistické míry (viz např.Manning— Schütze, 2000). OPEN ACCESS 236 ČASOPIS PRO MODERNÍ FILOLOGII 103, 2021, Č.2 Příkladem může být vyhledání slov pojících se se slovem odvodit. Vzáložce 2-gramy zadáme do rámečku pod nadpisem LEMMA1 sloveso odvodit. Výsledkem jsou čtyři bigramy stěmito nejčastějšími tvary: odvodit z, odvozen od, odvodit že, odvodit i. Vtomto případě nás budou zajímat první tři bigramy, protože obsahují typickou předložku nebo typickou spojku. Čtvrtý bigram není zhlediska zkoumání akademických lexikálních jednotek zajímavý, což lze ověřit ivyhledáním tohoto bigramu vkorpusu, např.vSYN2015. Pokud sloveso zadáme do rámečku pod nadpisem LEMMA2, budou výsledkem další čtyři bigramy: je odvozen, lze odvodit, (je) možné odvodit, můžeme odvodit. Vtomto případě nás zajímají všechny čtyři bigramy. První napovídá, že sloveso odvodit se vakademických textech často vyskytuje vtrpném rodě, další tři zase ukazují na modalitu, která je se slovesem vmnoha případech spojená. Další možností je vyhledávat určité slovní druhy, například spojení slovesa se spojkou. Do rámečku pod nadpisem POS1 zadáme V, pod POS2 zadáme J (značky slovních druhů se shodují se značkami vkorpusech řady SYN). Výsledků je vtomto případě pochopitelně daleko větší množství, zhruba 600 řádků. Prvních 8 položek vtomto seznamu má tyto nejčastější tvary: definována jako, označuje jako, charakterizovat jako, chápat jako, jeví jako, je tudíž, vyplývá že, (se)8 ukazuje že. Sedm ztěchto položek je pro nás zajímavých, jde oslovesa, která se pojí stypickou spojkou, vtomto případě jako nebo že. Položka je tudíž je pak pouhým spojením obecně vysoce frekventovaného slova (být) aspojky velmi frekventované vakademických textech (tudíž). Obojí typ vyhledávání lze ještě zkombinovat například tak, že vyhledáme typická adjektiva (přívlastky) pro vybrané substantivum. Pro substantivum analýza tak získáme 6 předcházejících adjektiv, která se vyskytují alespoň vdeseti disciplínách: podrobná, detailní, kritická, další, hlubší, následná analýza. 3.4 EXPORT DAT Kompletní seznamy n-gramů obsažených vdatabázi společně sdoplňujícími informacemi onejčastějším tvaru, slovních druzích afrekvenčních adistribučních charakteristikách lze pomocí jediného tlačítka exportovat do formátu .csv, zkterého se snadno vytvoří např.excelová tabulka. Stejně tak je možné exportovat pouze části seznamů, nějakým způsobem tříděné nebo omezené: například všechna adverbia následovaná slovesy, nebo všechny 4-gramy vyskytující se alespoň ve dvaceti oborech, nebo všechny adjektivní 1-gramy alespoň desetkrát častější vakademických textech než vjiných typech textů. 3.5 PROPOJENÍ SKORPUSEM SYN2015 Jednotlivé n-gramy vdatabázi Akalex jsou propojeny skorpusem SYN2015— pokud tedy uživatel chce ověřit kontext, vjakém se daný n-gram skutečně používá vakademických textech, může tak učinit jediným klikem (tlačítko Zobrazit výskyty). 8 Vpřípadě, že se sloveso obvykle vyskytuje sreflexivním zájmenem se (ať už jde oreflexivní sloveso, nebo opasivní tvar), přidáváme vtéto práci po ověření ve vyšších n-gramech vdatabázi Akalex zájmeno se do závorky při uvádění příkladů. OPEN ACCESS DOMINIKA KOVÁŘÍKOVÁ— OLEG KOVÁŘÍK— LUCIE LUKEšOVÁ 243 Oleg Kovářík | Datamole, s. r. o. | Banskobystrická 11, 160 00, Praha 6 [email protected] Lucie Lukešová | Ústav Českého národního korpusu, Filozofická fakulta Univerzity Karlovy | Panská 7, 110 00 Praha 1 ORCID ID: 0000-0003-1855-7141 [email protected] OPEN ACCESS