Píší blogérky jinak než bloggeři?

Na počátku byl otazník. Tedy přesněji řečeno otázka zda ženy používají při psaní více otazníků než muži. Z ní poměrně rychle vyvstala sekundární otázka, zda ženy používají slovo "proč" častěji než muži - no a na problém bylo zaděláno. Když ho zformuluji co nejstručněji, mohl by znít takto: liší se četnost používání určitých slov (nebo znaků) mezi oběma pohlavími? A jelikož nejlepším řešením je empirický průzkum v terénu, rozhodl jsem se, že se záhadě podívám trochu na zoubek. Nechal jsem svůj počítač projet několik tisíc místních blogů a výsledky letní datové projížďky po vezdejším rybníčku jsou připojeny níže.

Protože blogy nemají přístupný kolektivní archív (alepoň o žádném nevím), omezil jsem se při zkoumání blogů na dobu zhruba od poloviny února do půlky července - dále jí budu říkat jen sledované období. Při vycucávání písmenek z blogů mi mezi prsty protékala celá řada zajímavých údajů - karma, délka blogu či čas publikace - a tak jsem se rozhodl ta data nejdřív trochu posmažit. Pokud Vás všeobecné statistiky nezajímají, klidně tu první obrázkovou sekci sakum-pikum přeskočte a vrhněte se hned na sekci druhou.

A bacha, používám desetinnou tečku, ne čárku.

1. Statistika

První dva obrázky jsou celkem jednoduché a ukazují průměrný počet blogů za hodinu (samozřejmě v rámci sledovaného období). Protože jsem si myslel, že bude velký rozdíl mezi všedními dny a víkendy, rozdělil jsem propočítání na tyto dvě kategorie, ale nakonec se ukázalo, že ten rozdíl zase tak veliký není. Ale aspoň jsem se dozvěděl, že průměrný počet blogů za den je zhruba 111.9 ve všední den a 78.4 o víkendu.

V průběhu dané hodiny se však blogy neobjevují rovnoměrně. V první minutě jich najdete většinou víc než později, protože mnozí bloggeři své příspěvky časují "na celou". Dobře je to vidět na následujícím obrázku který je v podstatě spojitou verzí předchozích. Pro každý čas na ose x z něho vyčtete (na ose y)  jaká je pravděpodobnost, že náhodně vybraný blog vyšel právě v tomto čase (je to svým způsobem spojitý histogram). Hlavně dopoledne je vidět, že na začátku každé hodiny pravděpodobnost prudce vzroste.

Teď se mrkneme na délku blogů. Tu budu měřit v počtu znaků (písmenek, mezer, interpunkce, číslic atd). V prvním grafu jsem seřadil všechny blogy podle délky (celkem jich bylo 16745) a výsledek vidíte na obrázku. Každý bod představuje jeden blog, délka je na ose y. Pro představu: solidní odstavec má zhruba tisíc znaků a blogy nad 10000 znaků jsou všeobecně považovány za dlouhé. Z obrázku ale vidíte, že takových blogů není mnoho (za sledované období jich bylo přesně 702).

Ten předchozí obrázek dobře ukazuje hlavně extremní hodnoty. Pro běžné blogy je lepší udělat z délky blogu náhodnou veličinu a použít opět spojitý histogram - tedy technicky: zobrazit hustotu pravděpodobnosti  této náhodné proměnné (probability density function). Na ose x je délka a na ose y pravděpodobnost, že se taková délka v blozích vyskytuje. Tady jasně vidíte, že naprostá většina bloggerů se snaží držet délku mezi 2000 a 5000 znaků. Blogů nad 5000 je jen 19.3% a blogů nad 10000 ještě méně, pouze 4.2%.

Další série se týká vztahu mezi karmou a délkou blogu. Všeobecně by se dalo očekávat, že kratší blogy budou mít výrazně vyšší karmu než ty delší či dlouhé, ale ukázalo se, že i poměrně dlouhé blogy mohou mít solidní karmu. Následující obrázek ukazuje délku i karmu všech 16745 zkoumaných blogů. Každý bod opět reprezentuje jeden blog ze sledovaného období. Délka je na ose x, karma na ose y.

Protože většina blogů se vejde do 20000 znaků (jak už jsme viděli výše), tak jsem udělal výřez této oblasti na následujícím obrázku, abychom do toho chumlu lépe viděli. Na něm si můžete všimnout, že i když pár "dlouhých" blogů má slušnou karmu, většina vysokokarmových blogů skutečně leží v oblasti 2000 až 5000 znaků.

Ještě jasněji to uvidíme, pokud si karmu zprůměrujeme. Následující obrázek je vytvořen takto. Pro každou délku (řekněme 2500 znaků) si udělám malý interval okolo ní (řekněme od 2200 do 2900) a pak vyberu všechny blogy, které se do této oblasti délkově vejdou a spočítám jim průměrnou karmu. Tu potom přiřadím zvolené délce (v našem případě 2500 znaků) a vzniklou dvojici čísel vynesu do grafu. A takhle to udělám s každou délkou. Takto způměrovaná karma se dá lépe číst a vidíte sami, že maximální průměrná karma existuje skutečně zhruba v oblasti kolem 3000 znaků.

V dalším grafu se zaměříme pouze na karmu. I na ni se mrkneme jako na náhodnou veličinu. Na ose x tedy uvidíme karmu a na ose y si odečteme jak je daná karma pravděpodobná. Z této křivky a nebo přímo z dat pak získáme další informace. Karmu nad 10 má 64.5% blogů, karmu nad 20 má 30.0%, karmu nad 30 už jen 13.3% a karmu nad 40 dosahuje pouze 2.8% blogů. Průměrná karma za sledované období je 16.2 s mediánem 13.1

Předposlední obrázek je podobný jako ten první. Je na něm průměrná karma podle času publikování. Karma je vpodstatě konstantní, takže pokud vám na ní záleží, je vcelku jedno, kdy svůj článek vypustíte do světa.

A nakonec něco o nás bloggerech. Za sledované období se v souboru vyskytlo celkem 1932 bloggerů.  Z nich 554 publikovalo pouze jeden blog, 281 jich napsalo dva a 179 má na kontě tři.  Tu poslední skupinu už vidíte v pravé části posledního obrázku (je to ten poslední "schod" - ten schod před tím jsou bloggeři se 4 blogy, ten předchozí pak bloggeři s pěti atd). Každý bodík grafu znázorňuje počet blogů jednoho autora či autorky.

Ta bílá "díra" na začátku odpovídá 17 bloggerům kteří sepsali 100 a více blogů za sledované období (na stovce jsem to uříznul, protože jinak by se ta hlavní skupina dala špatně rozlišit). Nicméně pokud Vás zajímá, kolik blogů těch prvních 17 borců vyprodukovalo, tady máte přesné počty: 283, 273, 257, 214, 214, 204, 168, 152, 137, 123, 121, 110, 110, 110, 110, 109, 103. V této hyperaktivní skupině jsou pouze dvě ženy (se 168 a 110 blogy). Zbytek jsou muži.

To, že muži jsou větší psavci vyplývá i z následujícího údaje. V této skupině blogerů (aktivních ve sledovaném období) je 1377 mužů, 537 žen a 18 nezařazených. Když se ale podíváte na celková čísla produktivity, zjistíte že muži napsali 12332 blogů a ženy pouze 3684. Mužů je zde tedy 2.56x více, ale sepsali 3.35x více blogů. Mimochodem, průměrná délka mužského slova (tedy slova v mužském blogu) je 5.130 písmenka, zatímco u žen to je 4.925 písmenka. Mužská slova jsou tedy v průměru zhruba o pětinu písmenka delší. No, ale nebudeme to rozmazávat - na délce přece nezáleží.

Jinak čísla z předchozího odstavce vám také poskytují obrázek jak statisticky relevantní je soubor blogů z něhož pochází data pro zbytek tohoto článku.

2. Muži-ženy (slova)

Ve srovnání s předchozí sekcí bude tato poměrně jednoduchá. Budu v ní sledovat četnost jednotlivých slov ve třech typech blogů: nejprve projedu všechny blogy, a pak muže a ženy zvlášť. Protože slov je hodně, jejich četnost je poměrně malá. I nejobvyklejší slovo (jímž je spojka "a") představuje pouze 3.4% všech slov. Proto budu v celé této sekci používat jako jednotku četnosti jednu setinu procenta. Pokud tedy chcete u nějakého slova získat procentní údaj o četnosti v souboru, vynásobte si uvedené číslo hodnotou 0.01 nebo vydělte 100.

V první tabulce budu sledovat četnost slov tak jak jsou napsána (tedy bez přidávání gramatických variant). Jsou to ostatně většinou slova nesklonná. Pro rozdíl mezi četností u mužů a u žen budu používat jednoduchý vzoreček: rozdíl = (muži - ženy)/vše. Jinými slovy - snažím se ten rozdíl trochu normalizovat, protože větší čísla plodí větší rozdíly. Tam kde tento normalizovaný rozdíl (v kladném či záporném smyslu) překročí určitou hranici, tam toto slovo obarvím modře (je-li častější u mužů) a nebo červeně (u žen). Z tabulky vidíte, že to inkriminované "proč" je sice mírně ženské, na červenou mu to ale nestačilo (hranici jsem stanovil na 0.1).

Mimochodem, při zpracování převádím všechno na malá písmena (jak, Jak i JAK jsou tedy ekvivalentní).

vše	slovo	muži	ženy	rozdíl
34.056	jak	33.012	37.630	-0.136
13.326	kde	13.189	13.793	-0.045
11.029	kdo	11.539	9.281	+0.205
10.489	kdy	10.351	10.959	-0.058
9.662	proč	9.483	10.277	-0.082
10.005	proto	10.359	8.797	+0.156
3.303	přesto	3.346	3.153	+0.059
25.428	nebo	25.222	26.134	-0.036
14.943	pak	14.504	16.443	-0.130
53.647	tak	53.225	55.093	-0.035
40.771	jako	41.096	39.656	+0.035
0.917	jakoby	0.829	1.219	-0.425
2.999	nějak	2.784	3.733	-0.317
8.710	bych	8.234	10.340	-0.242
18.981	ani	18.787	19.644	-0.045
16.354	než	16.759	14.968	+0.110
13.741	já	11.775	20.471	-0.633
10.989	ty	10.551	12.492	-0.177
4.810	my	4.841	4.706	+0.028
2.367	vy	2.216	2.882	-0.281
3.317	myslím	3.376	3.114	+0.079
0.529	cítím	0.394	0.991	-1.129
1.169	vidím	1.065	1.523	-0.392
2.284	vím	1.828	3.845	-0.883
2.999	nevím	2.677	4.101	-0.475
141.539	je	145.331	128.554	+0.119
19.706	není	20.347	17.512	+0.144
6.954	musí	7.327	5.678	+0.237
1.015	nesmí	1.068	0.832	+0.233
3.334	naopak	3.567	2.539	+0.308
2.182	zároveň	2.270	1.881	+0.178
5.048	ovšem	5.486	3.545	+0.385
9.998	však	10.779	7.322	+0.346
9.688	třeba	9.803	9.295	+0.052
6.228	snad	6.059	6.809	-0.121
3.167	určitě	3.187	3.100	+0.027
1.015	údajně	1.072	0.817	+0.251
5.628	vlastně	5.471	6.166	-0.124
2.408	skoro	2.184	3.177	-0.412
11.086	asi	10.462	13.222	-0.249
4.867	trochu	4.342	6.664	-0.477
7.097	moc	6.643	8.652	-0.283
2.200	málo	2.173	2.292	-0.054
3.400	hodně	3.185	4.135	-0.279
3.747	úplně	3.581	4.314	-0.196
6.984	vůbec	6.953	7.090	-0.020
4.043	díky	4.111	3.811	+0.074
2.846	kvůli	2.875	2.747	+0.045
2.123	méně	2.250	1.688	+0.265
7.861	více	8.590	5.363	+0.410
2.058	rychle	1.927	2.505	-0.281
1.574	pomalu	1.445	2.017	-0.363
5.421	dobře	5.197	6.190	-0.183
1.398	špatně	1.374	1.480	-0.075
5.071	ano	5.229	4.527	+0.139
11.920	ne	11.371	13.797	-0.204
1.093	nikoli	1.247	0.566	+0.623
1.486	nikoliv	1.582	1.156	+0.287
7.583	EU	8.891	3.105	+0.763
5.256	USA	6.570	0.759	+1.105
1.027	OSN	1.093	0.798	+0.288

Další tabulka je podobná, pouze budu u slov započítávat i gramatické varianty. Pokud je tedy sledované slovo třeba "vlk", tak ve větě "Vlk vlku člověkem" bude četnost "vlka" 66.6% (dvě třetiny, nikoliv jedna třetina). Tahle tabulka pochopitelně vypovídá spíš "o čem" se píše, než "jak" se píše. Slova jsem si vybral celkem náhodně a jako jednotku budu i nadále používat setiny procenta.

vše	slovo	muži	ženy	rozdíl
1.421	Sobotka	1.784	0.179	+1.129
1.947	Babiš	2.389	0.435	+1.003
0.847	Kalousek	1.052	0.145	+1.071
0.500	Havel	0.620	0.087	+1.067
0.734	Klaus	0.891	0.193	+0.951
1.191	Zeman	1.468	0.242	+1.030
1.325	Obama	1.444	0.919	+0.396
6.152	Putin	5.430	8.623	-0.519
8.134	práce	7.405	10.630	-0.396
4.166	rodina	3.551	6.272	-0.653
11.372	dítě	8.372	21.642	-1.167
1.050	sport	1.133	0.764	+0.351
11.411	strana	12.812	6.616	+0.543
7.585	vláda	8.947	2.921	+0.795
7.194	problém	7.700	5.460	+0.311
4.940	názor	5.549	2.858	+0.545
3.703	svoboda	4.229	1.901	+0.629
2.521	láska	1.934	4.531	-1.030
8.604	čas	8.036	10.548	-0.292
1.864	pes	1.441	3.313	-1.004
0.931	kočka	0.605	2.051	-1.552
1.201	ekonomika	1.372	0.619	+0.626
4.819	politika	5.691	1.833	+0.801

V poslední tabulce této sekce definici slova ještě rozšířím. Kromě gramatických variant budu započítávat i slova významově podobná (a jejich gramatické varianty). Tím se ze slova vlastně udělá takové jednoduché "téma". Tak například slovo "ukrajina" jsem obohatil o výrazy "ukrajinec", "ukrajinka", "ukrajinský", "kyjev", "kyjevský" (plus jejich gramatické varianty). Téma "jídlo" v sobě zase zahrnuje i slova "kuchař", "kuchařka", "kuchyně", "vařit", "smažit" a pár dalších. Výběr doprovodných slov je samozřejmě ryze subjektivní, takže vám ukážu jen pár příkladů a pofrčíme dál.

vše	slovo	muži	ženy	rozdíl
0.775	pravice	0.925	0.261	+0.857
0.683	levice	0.818	0.222	+0.871
20.781	Ukrajina	24.246	8.918	+0.738
14.555	Česko	16.824	6.785	+0.690
1.492	umění	1.434	1.693	-0.173
2.448	jídlo	1.697	5.020	-1.358
1.837	turistika	1.641	2.505	-0.470
7.910	škola	6.997	11.036	-0.511
2.745	historie	3.019	1.809	+0.441
17.114	zákon	19.422	9.213	+0.597
7.510	válka	8.522	4.043	+0.596

3. Muži-ženy (písmenka)

No, a konečně jsme se dostali k jádru pudla. Teď se tedy podíváme na četnost jednotlivých písmenek a některých dalších znaků (jako % nebo ?). Tak kdo si myslíte, že používá otazník častěji? Máte poslední šanci se zamyslet než vám vyjevím pravdu. Otazník jsem dal hned na začátek tabulky.

Protože písmenek je méně než slov, jejich četnost je poměrně velká a v této sekci budu tedy používat procenta (tak jak je známe ze školy). Všechny údaje níže jsou podobné jako v předchozí sekci, jenom budeme počítat písmenka místo slov. Protože některé znaky (třeba mezera) jsou špatně viditelné, obklopím každý znak dvěma hvězdičkami. Navíc Vám ukážu i kód znaku (code) v softvéru který používám. Většinou je to ASCII code.

V tabulce jsou nejdřív nealfanumerické znaky, pak číslice a nakonec písmenka.

(taky jsem pro znaky snížil hodnotu hranice pro genderové obarvení na 0.05)

vše	znak	code	muži	ženy	rozdíl
0.081		63	0.078	0.094	-0.195
0.039		33	0.032	0.060	-0.713
0.008		37	0.008	0.005	+0.384
0.007		42	0.008	0.003	+0.769
0.066		40	0.065	0.067	-0.032
0.072		41	0.071	0.075	-0.054
0.016		95	0.014	0.025	-0.716
0.105		45	0.108	0.096	+0.118
1.131		46	1.103	1.229	-0.112
1.325		44	1.283	1.473	-0.143
0.007		59	0.008	0.005	+0.387
0.058		58	0.059	0.055	+0.060
0.080		34	0.080	0.081	-0.019
0.039		47	0.040	0.035	+0.115
15.233		32	15.131	15.593	-0.030
0.096		48	0.102	0.076	+0.272
0.087		49	0.091	0.074	+0.195
0.058		50	0.062	0.044	+0.307
0.032		51	0.034	0.028	+0.176
0.033		52	0.034	0.030	+0.095
0.031		53	0.032	0.026	+0.190
0.021		54	0.022	0.018	+0.163
0.020		55	0.021	0.016	+0.221
0.023		56	0.025	0.020	+0.214
0.038		57	0.042	0.027	+0.370
5.582		97	5.524	5.787	-0.047
1.767		225	1.765	1.774	-0.005
1.362		98	1.368	1.341	+0.019
1.907		99	1.931	1.822	+0.057
0.732		269	0.729	0.742	-0.017
2.952		100	2.944	2.979	-0.012
0.024		271	0.023	0.026	-0.125
6.433		101	6.428	6.451	-0.003
0.870		233	0.889	0.803	+0.098
1.368		283	1.347	1.444	-0.071
0.212		102	0.218	0.189	+0.137
0.204		103	0.211	0.181	+0.145
1.725		104	1.724	1.729	-0.003
3.640		105	3.698	3.436	+0.072
2.264		237	2.277	2.219	+0.026
1.913		106	1.896	1.970	-0.039
3.027		107	3.030	3.018	+0.004
3.352		108	3.321	3.462	-0.042
2.847		109	2.814	2.966	-0.053
5.168		110	5.214	5.003	+0.041
0.045		328	0.045	0.045	-0.000
6.470		111	6.527	6.267	+0.040
0.014		243	0.014	0.016	-0.165
2.555		112	2.572	2.496	+0.030
0.003		113	0.003	0.003	+0.031
2.718		114	2.762	2.559	+0.075
0.846		345	0.843	0.857	-0.016
3.701		115	3.713	3.656	+0.016
0.675		353	0.667	0.701	-0.051
4.520		116	4.560	4.378	+0.040
0.039		357	0.038	0.042	-0.099
2.587		117	2.590	2.576	+0.005
0.095		250	0.100	0.079	+0.220
0.378		367	0.389	0.338	+0.135
3.180		118	3.192	3.138	+0.017
0.040		119	0.044	0.028	+0.387
0.048		120	0.051	0.040	+0.219
1.483		121	1.470	1.530	-0.041
0.652		253	0.665	0.608	+0.088
1.589		122	1.608	1.524	+0.053
0.947		382	0.926	1.021	-0.100

A je to.