Jaká slova nejčastěji používáme na chatu? Výsledky unikátního průzkumu pokecu na Ujdeto.cz!

Před patnácti měsíci jsem zatoužil po vytvoření vlastního slovníku T9 pro jednu svoji aplikaci (ano, byl to JChat :-)). Aby slovník obsahoval opravdu jen ta nejdůležitější a nejpoužívanější slova, rozhodl jsem se jednotlivá slova (nebo lépe výrazy) ukládat do databáze a počítat, kolikrát byla použita a kým.

Jelikož mi bylo od začátku jasné, že toto sledování bude představovat poměrně značnou zátěž na již tak dost vytíženém serveru, rozhodl jsem se zpracovávat pouze zprávy zaslané registrovanými uživateli.

Přestože plány na vytvoření vlastního T9 slovníku vzaly za své, nebyla patnáctiměsíční práce vůbec marná – získal jsem 106 MB velmi zajímavých dat, a s těmi nejzajímavějšími výsledky jsem se rozhodl s vámi podělit v tomto článku.

Struktura uživatelů chatu

Pokec (chat) na stránkách Ujdeto.cz je v mnoha ohledech specifický. Přestože svou propracovaností a funkcionalitou daleko předčí většinu velkých konkurenčních čistě chatovacích projektů (a toto je fakt), má poměrně nízký počet uživatelů a pouze jednu místnost. Lze říci, že víceméně všichni aktivnější uživatelé časem poznají všechny.

Pokec je odpočátku velmi přísně moderovaný – samotní uživatelé mají možnost zablokovat ty, které považují za nepřínosné. Je vytvořen propracovaný systém hodností, které jasně definují práva jednotlivých skupin uživatelů a jejich možnosti spravovat chod chatu. Díky těmto opatřením se chat jen velmi zřídka zvrhává ve sprosté hádky, lacinné erotické výlevy nebo záplavy nicneříkajících smajlíků. Na výsledcích je tato skutečnost velmi silně znát.

Přestože jsou stránky Ujdeto.cz orientované převážně na lidi z České republiky (86% uživatelů píšících na chat), (ko)existuje na chatu i výrazná skupina Slováků (8%) a Němců (2%). Zhruba 2.5% uživatelů má v prohlížeči nastaven výchozí jazyk jako angličtinu (těžko interpretovat tento výsledek, jelikož třeba Opera minimálně ještě před rokem měla tento jazyk jako výchozí i pro ČR), další jazyky jakými jsou polština, ruština nebo třeba slovinština mají zastoupení menší než jedno promile.

Zajímavé je sledovat aktivitu různých národů na pokecu z hlediska počtu používaných slov (včetně opakování stejných slov). Češi v uplynulých 15 měsících napsali celkem 2631141 slov (66%), Němci napsali neuvěřitelných 736483 slov (18,5%) a Slováci 334381 slov (8%). Z výsledků je evidentní, že jsou cizí národy na českém chatu aktivnější než Češi – pokud k nám již chodí, je jejich aktivita intenzivnější než aktivita rezidentů (2% Němců generují 18% obsahu pokecu).

Jak velký máte slovník?

Díky počítání užití slov pro konkrétní uživatele lze z databáze vyčíst i velikost slovníku jednotlivých uživatelů pokecu na Ujdeto.cz. Přestože výsledek značně znehodnocuje absence jakéhokoli lematizátoru (převod slova na základní tvar), může údaj o počtu používaných výrazů leccos napovědět o skutečné slovní zásobě online diskutéra. Doba sledování 15 měsíců by u nejaktivnějších a stálých návštěvníků měla být dostatečná. Zde jsou nicky 20 nejlepších uživatelů a počty výrazů, které (při psaném projevu na internetu) používají:

Nejpoužívanější slova na chatu - TOP 1000

Nyní se konečně dostáváme k tomu, co slibuje nadpis tohoto článku, a sice k "hitparádě" nejpoužívanějších slov na chatu. Celkem bylo za 15 měsíců sebráno 228 tisíc různých slov, každé z nich bylo použito v průměru 18x.

Ať už za to může lenost při psaní na klávesnici nebo přirozený vývoj jazyka, je zcela evidentní, že aby se mohlo stát slovo nejpoužívanějším, musí být krátké. V první desítce se umístila výhradně slova tvořená maximálně třemi písmeny. (Dlouhá) podstatná jména jsou velmi často nahrazena (krátkými) zájmeny.

Nejpoužívanějším slovem na chatu je s velkým náskokem slovo "to" s počtem 100 004 užití během uplynulých 15 měsíců. Na druhém místě se umístila spojka "a" (72667x), třetím je vycpávkové "tak" (59925x), čtvrtým zájmeno "já" (56349x) a na pátém místě se umisťuje univerzální slovo "se" (55820x). Kompletní pořadí tisíce nejpoužívanějších slov si můžete stáhnout ve formátu CSV (excel) zde.

V analýze se objevují i jména registrovaných uživatelů, která se do zpráv vkládají víceméně automaticky (při reakci na nějakou zprávu), nenechte se proto neznámými slovy nebo jmény zmást - můžete je ignorovat.

Přes jasnou preferenci krátkých slov se uživatelé snaží o to, aby jejich psaný projev byl pokud možno co nejvíce přirozený a odpovídající jejich běžné mluvě. Proto například nespisovné a delší slovo "dneska" (3971x) drtí spisovné "dnes" (2466x).

Z hlediska pozdravu mě poněkud překvapilo prvenství slova "ahoj" (7927x), protože v mluveném projevu se svým zvukem hodí spíše pro ukončení hovoru. Že by se lidé nevítali, ale pouze loučili? Na druhém místě se z hlediska pozdravů umístilo zlidštěné "ahojky" (6842x). Třetím nejpoužívanějším pozdravem je "čauky" (jen 1013x), čtvrtým "ahojda" (825x) a samotné "čau" (769x) skončilo poněkud překvapivě až na pátém místě.

Tisícé nejpoužívanější slovo "nemohla" bylo použito 399x (pro feministky: "nemohl" se neumístilo :-)).

Sex, urážky, žumpa internetu?

Pokud si myslíte, že jsou chaty plné hulvátů, kteří nemyslí na nic jiného než na sex nebo jak někomu vynadat, mohli byste být chatem na Ujdeto.cz poměrně dost zaskočeni. V první tisícovce se totiž vůbec nevyskytuje slovo "sex" (ani příslušná slovesa), v seznamu nenaleznete ani žádnou urážku nebo expresivnější slovo (vč. např. univerzálního slova "prdel"). Možná to bude zapříčiněno i slovem "ban" (972x), které se umístilo na krásném 486. místě :-)