Drugi etap

W drugim etapie prac nad sporządzeniem polskiego systemu stenotypii miałem na bazie słownika i wynikających z niego sylab uczynić listę nagłosów i wygłosów. Otóż spieszę zawiadomić, że to uczyniłem.

Musiałem przeryć się jeszcze raz przez słownik z ręczną robotą wspomaganą regexpem, co znowu mi trochę zajęło. W końcu stwierdziłem, że skończę to niekończące się poprawianie. W prawie 3 milionach wyrazów wrzucownych do słownika przez skrablistów naprawdę wszystko można znaleźć i prostowanie tego grozi przejściem na emeryturę przed zakończeniem drugiego etapu prac.

Uznałem, że zakończę, kiedy zostało mi zaledwie 480 obiektów wykrywanych metodą

([aeouiyąęó]+)([a-z]*)([aeouiyąęó]+)([a-z]*)

czyli jeżeli w grupie mamy 2 samogłoski, a pomiędzy niemi znajdywają się lub nie jakoweś insze głoski. Były to głównie dyftongi typu zamiauczeć. A nie postanowiłem jeszcze do końca, co mam z nimi zrobić. Z jednej strony w szkole uczyli, aby je dzielić na sylaby, z drugiej, ze stenotypicznego punktu widzenia nie ma to sensu wcale a wcale. Więc to na razie zostawiłem. Nie przeszkadzało to wygenerować listy nagłosów i wygłosów, bo te zrobiłem komendami, które w skrócie przytaczam:

awk 'BEGIN {FS="[aeiouóyąę]"}{print $1}' > tmp/nag01
gawk -i inplace 'BEGIN {FS="[aeiouóyąę]"}{print $2}'  > tmp/nag02

cat tmp/nag01 | sort | uniq > $naglosy
cat tmp/nag02 | sort | uniq > $wyglosy

Zadziałało. Powstały dwie listy.

Nagłosów wyszło 564.

Wygłosów wyszło 434.

To stanowczo za dużo moim zdaniem. To jest prawie 1000 (słownie: tysiąc) obiektów, które musi przyswoić pamięć mięśniowa sterowania palcami i dłońmi na klawiaturze. Szczególnie, że z pobieżnego oglądu już widać, że podobnie jak wieloma zjawiskami życia rządzi tutaj zasada Pareta: 20% (lub mniej nawet) nagłosów/wygłosów obsługuje 80% sylab.

Przecież czym innym jest nagłos strz- (ponad 10 tysięcy wystąpień), którego można użyć do napisania słów takich jak strzała, strzęp, czy tortmistrza, a czym innym bździ- (68 wystąpień), którego można użyć ewentualnie do rozważań nad tym, co człowiekowi lubo kotu wypada spod ogona, albo innych brudów.

Coś z tym trzeba będzie zrobić w następnych etapach prac.

Co to jest nagłos i wygłos

Definicyjnie rzecz biorąc sylaba składa się z trzech części:

NAGŁOS+OŚRODEK+WYGŁOS

Nagłos zwany następem, co nasuwa mi moje rolnicze korzenie, wygłos zwany zestępem. Ośrodek sylaby to inaczej oczywiście - głos (lub wręcz śródgłos). Polski język naprawdę czasem jest zbyt elastyczny słowotwórczo. Komu potrzebne wielokrotne nazwania dla części sylaby?

Nagłos

Nagłos to spółgłoska, ewentualnie grupa spółgłosek rozpoczynających sylabę. Może go nie być, jak w sylabach typu a (A=nia), ed, (Ed=ward), u (U=kra=i=na), etc. Może składać się z jednej, dwóch, trzech, a nawet czterech spółgłosek, czyli np. s+o (so=wa), st+o (sto=no=ga), str+o (stro=na), strw+o (strwo=żo=ny) - w tym ostatnim jest tak zwany cheat (czyli czyt), czyli takie małe oszustwo: toż jest to fonetyczne skrócenie słowa zatrwożony. Więc wrzućmy tu przykład skrajny, czyli nazwę własną: Strwiąż (Strw'+ą+ż) - którego nota bene w moim słowniku nie ma. Tu nie ma lipy. Ale za to widać, jakie cuda potrawią się zdarzyć w naszym ojczystym.

Wygłos

Wygłos to spółgłoska, ewentualnie grupa spółgłosek, które mogą, ale nie muszą kończyć sylabę. Jeżeli ich nie ma, mówimy o sylabie otwartej jak ma, sa. Kiedy się pojawia, sylaba się zamyka: mas, san.

Tutaj także może być od jednej do z pewnością trzech spółgłosek (a znacznie więcej liter): i+s (mis), i+st (kist), i+stš (mistrz).

Minęło kilka dni

Nie mając lepszego pomysłu, wróciłem do ręcznego poprawiania pliku słownika, aby wyskakiwało mniej dziwności. Te łatwo wyłapać z listy nagłosów i wygłosów: jeżeli znajduję nagłos cż, to raczej, wiecie, chyba algorytm źle podzielił sylabę. I mamy jeden nagłos za dużo. Wyszukuję, znajduję, że jest to np. choćże podzielone na cho=ćże - niby wszystko się zgadza z podstawowymi regułami dzielenia na sylaby, ale każde dziecko wie, że to źle. Zatem trzeba ręcznie to poprawić, więc piszę regexpa

([aeiouyóąę])=ćż([aeiouyóąę])/([aeiouyóąę])ć=ż([aeiouyóąę])

i w ten sposób przestawiam znacznik dzielenia na sylaby od razu w np. 15 takich wystąpieniach w całym słowniku. Niby mało. Ale są też babole obejmujące całe tysiące wystąpień. A są też takie, które dotyczą zaledwie jednego - nie to że wyrazu w wielu formach gramatycznych, ale - wystąpienia. Np. znalazłem taki kwiatek jak abst. To chyba jakiś niemiecki stopień. Moim zdaniem skrabliści mocno przesadzili wstawiając ten wyraz do polskiego słownika. Podobnie zresztą jak setki zagranicznych miejsc geograficznych napisanych w ich oryginalnej ortografii. Z jednej strony nie wyczerpują listy miejsc geograficznych, z drugiej strony wprowadzają duży bałagan.

Tyle w pierwszym etapie drugiego etapu.