3,2 miliona form: co naprawdę siedzi w bazie Literata

Liczba z naszej strony głównej — ponad 3,2 miliona haseł — budzi dwa rodzaje reakcji: podziw („aż tyle?!”) i podejrzliwość („przecież polszczyzna nie ma tylu słów”). Obie są uzasadnione i obie zasługują na wyjaśnienie. Ten wpis to wycieczka do maszynowni Literata: co dokładnie liczymy, skąd bierzemy dane, dlaczego liczba form tak dramatycznie przewyższa liczbę „słów” z językowej intuicji — i czego żadna baza świata nie obejmie.

Hasło kontra forma: rozróżnienie, od którego wszystko zależy

Gdy mówimy potocznie „słowo KOT”, myślimy o haśle słownikowym (lemacie): reprezentancie całej rodziny odmiany. Ale na planszy i w diagramie żyją formy: KOT, KOTA, KOTU, KOTEM, KOCIE, KOTY, KOTÓW, KOTOM, KOTAMI, KOTACH… — kilkanaście z jednego rzeczownika, a przy czasownikach kilkadziesiąt (osoby, czasy, tryby, imiesłowy). Ponieważ w grach słownych legalna jest każda forma, wyszukiwarka gier musi pracować na formach — i to formy liczy nasza liczba. Rachunek się spina: kilkaset tysięcy haseł polszczyzny razy średnio kilkanaście form daje właśnie miliony. Polszczyzna nie ma trzech milionów „słów” w potocznym sensie; ma trzy miliony legalnych zagrań — a to nas interesuje.

Źródło: baza spod znaku SJP

Fundament Literata to zasoby słownikowe rozwijane przez społeczność SJP.pl — projektu, który od lat utrzymuje otwartą bazę polskich form używaną przez gry słowne (to na niej stoi automatyczna weryfikacja w Literakach, o czym piszemy przy słowniku Literaków). Wybór tego źródła to decyzja praktyczna: gracze chcą sprawdzać słowa w tej bazie, w której grają. Warto przy tym rozumieć krajobraz: polska scena słownikowa ma też OSPS — oficjalny słownik turniejowy Scrabble — i bazy te, choć w ogromnej mierze zbieżne, różnią się na obrzeżach (świeże zapożyczenia, wykrzykniki, pojedyncze rozstrzygnięcia). Dlatego powtarzamy mantrę: na turnieju rozstrzyga słownik turnieju; Literat jest narzędziem treningu i codziennej gry.

Baza słów jest jak mapa: nie tworzy terenu, tylko go opisuje — i jak każda mapa, ma skalę, legendę i datę aktualizacji.

— Marek Sowiński

Fleksja jako mnożnik: mała lekcja arytmetyki językowej

Skalę zjawiska najlepiej pokazać na przykładach:

Hasło	Rząd wielkości form	Komentarz
rzeczownik (KOT)	~14	7 przypadków × 2 liczby
przymiotnik (MAŁY)	kilkadziesiąt	rodzaje, liczby, przypadki, stopniowanie
czasownik (GRAĆ)	do stu i więcej	osoby, czasy, tryby, imiesłowy, formy nieosobowe
wykrzyknik (BRR)	1	nieodmienne — rzadkość w tym języku

Stąd praktyczna rada treningowa, którą powtarzamy w planie ćwiczeń: ucząc się słowa, ucz się rodziny. Jedno hasło opanowane „z odmianą” to dziesiątki zagrań — najlepszy kurs wymiany wiedzy na punkty, jaki oferuje polszczyzna. Wzorzec typu GRA* w wyszukiwarce pokaże całe drzewo od ręki.

Czego w bazie nie ma — z premedytacją

Granice bazy to decyzje, nie przeoczenia. Nazwy własne (imiona, geografia, marki) — poza zakresem, jak we wszystkich słownikach gier; wyjątkiem hasła zleksykalizowane do pospolitości. Skrótowce — nie, dopóki nie staną się zwykłymi wyrazami. Wulgaryzmy — bazy gier różnią się tu polityką; nie rozstrzygamy sporu, odsyłamy do reguł konkretnej rozgrywki. Neologizmy ostatniego sezonu — czekają w poczekalni, aż leksykografia potwierdzi ich zadomowienie (proces opisujemy przy neologizmach). Każda z tych granic bywa przedmiotem maili od czytelników — i dobrze: żywy słownik potrzebuje sporów na obrzeżach, bo to one wyznaczają, gdzie przebiega dziś język.

Aktualizacje i zgłoszenia: baza jako organizm

Słownik źródłowy żyje — hasła dochodzą wraz z rozwojem języka, pojedyncze bywają korygowane — a Literat synchronizuje się z tym rytmem. Co możecie zrobić wy: zgłaszać rozbieżności. Znalezione słowo-widmo (jest w bazie, nie powinno być) albo słowo-sierota (nie ma, a słowniki notują) sprawdzamy ze źródłem; część zgłoszeń czytelników kończy się realnymi poprawkami w górę strumienia. To zresztą najprzyjemniejsza strona prowadzenia tego serwisu: użytkownicy Literata traktują polszczyznę jak wspólne dobro — bo nią jest.

FAQ od kuchni

Czy 3,2 miliona to dużo na tle innych języków?

Porównania liczb między językami to zabawa ryzykowna: fleksyjny polski liczy formy, izolacyjny angielski — prawie same lematy, więc zestawianie surowych liczb myli. Uczciwa odpowiedź: polszczyzna ma zasób haseł typowy dla dużego języka europejskiego i wyjątkowo hojny mnożnik fleksyjny.

Dlaczego wyszukiwarka zna słowo, którego nie ma w moim papierowym słowniku?

Najpewniej to forma odmieniona (papierowe słowniki notują hasła) albo hasło spoza zakresu słownika ogólnego. Działa też odwrotność: papierowy słownik opisowy ma frazeologię i znaczenia, których baza form nie potrzebuje. To różne narzędzia do różnych pytań.

Czy dołożycie definicje słów?

Rozważamy formaty, które nie spowolnią głównej funkcji — bo zasada z wpisu o nowej wersji obowiązuje: szybkość przede wszystkim. Na dziś od znaczeń są słowniki opisowe; od „czy istnieje i jak wygląda” — my, i to w ułamku sekundy.

Jak zacząć świadomie korzystać z tej wiedzy?

Od przewodnika po Literacie — a potem jednym nawykiem: każde sprawdzone słowo oglądaj w wynikach razem z sąsiadami. Baza jest wielka; niech pracuje dla was w całości, nie po jednym haśle.

Studium przypadku: życiorys jednego hasła

Mechanikę bazy najlepiej pokazać na biografii słowa. Weźmy świeże zapożyczenie techniczne — powiedzmy, nazwę nowego zjawiska cyfrowego. Etap pierwszy: słowo żyje w mowie i mediach, w bazie form go nie ma — gracze pytają, wyszukiwarka uczciwie milczy. Etap drugi: leksykografia odnotowuje hasło (kryteria: zasięg, stabilność pisowni, produktywność) — do bazy trafia forma podstawowa i pełen paradygmat, wygenerowany zgodnie z polską fleksją i zweryfikowany. Etap trzeci: hasło obrasta derywatami, które przechodzą tę samą drogę. Cały cykl trwa od miesięcy do lat — i dobrze: baza gier musi być konserwatywniejsza od ulicy, bo rozstrzyga spory na punkty. Odwrotny życiorys też istnieje (hasła wychodzące z użycia), ale bazy gier archaizmów zwykle nie usuwają — plansza jest jednym z ostatnich miejsc, gdzie dawne słowa mają pełne prawa obywatelskie. Poetyckie? Trochę tak: każda partia bywa mimowolną lekcją historii języka.

Liczby na deser: baza w statystykach

Dla miłośników konkretów — kilka rzędów wielkości, które porządkują wyobraźnię. Rozkład długości: najliczniejsze w bazie są formy średnie (7–12 liter) — krótkich słów jest zaskakująco mało (dwuliterówek kilkadziesiąt, trzyliterówek kilkaset), co czyni je łatwym i opłacalnym materiałem do opanowania w całości; ogon długich form ciągnie się za horyzont planszy. Rozkład liter: statystyka frekwencji (szczegóły w tekście o rzadkich literach) przekłada się wprost na wartości płytek i strategię. Proporcja haseł do form: średnio kilkanaście form na hasło, z czasownikami jako rekordzistami. Praktyczne dno tych liczb: baza jest skończona i policzalna — a to znaczy, że każdy jej rejon da się systematycznie opanować. Mistrzowie nie znają „wszystkich słów”; znają na pamięć rejony opłacalne, a resztę — sposobem docierania. Oba zasoby są do zdobycia u nas: pierwszy w poradnikach, drugi w instrukcji wyszukiwarki.