6.2 N-gram, frekvens og fjernlesning

En sammenhengende følge av N ord. «Kaffe» er et 1-gram, «sterk kaffe» et 2-gram, «en kopp sterk kaffe» et 4-gram. Det er hele fagordet: en ordsekvens av en bestemt lengde, som kan telles.

Den norske knaggen er «ordfølge». Grunnen til at lengden får et eget navn, er at den avgjør hva du teller: ett ord alene fanger alle sammenhengene ordet står i, mens en lengre sekvens fanger et bestemt uttrykk.

Distinksjonen mot søkeord i dagligtale: et søkeord finner dokumenter. Et N-gram telles i tekst. Resultatet av det første er en liste; resultatet av det andre er et tall per år.

Hvor det gjør arbeid: når du skal si nøyaktig hva du undersøkte. «Jeg søkte på begrepet» er upresist; «jeg telte ordfølgen X, som ett-ords og som to-ords sekvens» er etterprøvbart.

En kurve over hvor ofte en ordsekvens forekommer i et digitalisert tekstmateriale, fordelt over tid.

Det grafen viser, er dette og ikke mer: hvor ofte sekvensen forekommer, i det materialet som er med, i de årene som er dekket.

Det grafen ikke viser: hva ordet betydde, hvem som brukte det, i hvilken hensikt, eller om betydningen skiftet underveis. Dette er den setningen H2024-veiledningen bruker mest plass på, og den er verdt å kunne i den formen den har: appen viser frekvens av ord og uttrykk over tid — den viser ikke hvordan betydningen av ord og uttrykk endres over tid og sted.

Hvor det gjør arbeid: i den eksplisitte setningen i besvarelsen din om hva grafen viser og ikke viser. Den setningen er et av punktene i anvendelsesrubrikken fra kap. 7.5.

Hvor ofte noe forekommer. I denne sammenhengen: antall ganger en ordsekvens opptrer i et materiale i løpet av et gitt tidsrom.

Frekvens er et mengdemål. Det sier hvor mye, ikke hva. Det er en styrke — mengder kan sammenlignes og telles av en maskin, og de kan avdekke mønstre ingen leser rekker å se — og det er samtidig grensen for hva målet kan brukes til.

Distinksjonen mot betydning: betydning er hva ordet gjør i en sammenheng. Det er ikke et mengdemål og lar seg ikke telle. To tekster kan bruke samme ord like ofte og mene helt ulike ting med det.

Hvor det gjør arbeid: i det metodiske forbeholdet ditt — den setningen som skiller en kandidat som har forstått verktøyet, fra en som bare har brukt det.

Forskjellen er ikke teknisk pedanteri, den avgjør hva kurven kan bety. Er det digitalisert dobbelt så mye tekst fra 1950-tallet som fra 1920-tallet, vil et absolutt antall stige selv om ordet brukes nøyaktig like hyppig i begge tiår.

Hovedregelen som følger av det: en kurve over andeler kan sammenlignes over tid. En kurve over absolutte antall kan det bare hvis mengden tekst er noenlunde jevn — og det er den nesten aldri i historisk materiale.

Hvor det gjør arbeid: i den første kontrollen du gjør av din egen kurve, før du forklarer den.

At kurven synker. Det er lett å lese som «fenomenet gikk tilbake», og det er én av flere mulige forklaringer.

Andre forklaringer på det samme fallet: at man begynte å bruke et annet ord om den samme tingen; at teksttypene som brukte ordet, forsvant ut av det digitaliserte materialet; at stavemåten endret seg, slik at tellingen ikke lenger fanger ordet; eller at ordet ble så selvsagt at det ikke lenger måtte nevnes.

Distinksjonen mot bevis: et fall er et funn som skal forklares, ikke en konklusjon. Behandler du det som en konklusjon, har du hoppet over hele det faglige arbeidet.

Hvor det gjør arbeid: i drøftingsleddet — det er her du viser vurderingsevne ved å sette opp flere forklaringer og si hva som skiller dem.

En ordform er tegnrekken slik den står: «blad», «bladet», «blader». Et ord er den enheten av form og betydning vi mener når vi sier at det er samme ord.

Tellingen arbeider på ordformer. Den vet ikke at «blad» og «bladene» hører sammen, med mindre noen har bygget den kunnskapen inn, og den vet ikke at «blad» i 1870-tekster ofte skrives annerledes.

Konsekvensen for en undersøkelse: en kurve som ser ut som et fall, kan være en stavereform. Historisk norsk materiale er fullt av rettskrivingsendringer, og de faller ikke jevnt over tidsrommet — de kommer på bestemte år.

Hvor det gjør arbeid: når du forklarer et brått hopp i kurven. Brå hopp har oftere en teknisk enn en historisk forklaring, og et svar som sjekker det først, viser metodisk selvstendighet.

At én og samme tegnrekke brukes om flere ting: «blad» om plante, publikasjon og knivdel; «rett» om måltid, retning, rettighet og domstol.

Dette er grunnen til at frekvens og betydning er to forskjellige ting — ikke en teknisk svakhet ved verktøyet, men et trekk ved språket selv.

Distinksjonen mot betydningsendring: flertydighet er at ordet har flere betydninger samtidig. Betydningsendring er at fordelingen mellom dem, eller innholdet i dem, forskyver seg over tid. En kurve kan bevege seg av begge grunner, og den viser ingen av dem.

Hvor det gjør arbeid: i valget av hvilket fenomen du undersøker. Et flertydig ord krever mer forklaring, og det er lov å velge et mindre flertydig — men da skal valget begrunnes.

At innholdet i et ord forskyver seg over tid eller mellom steder: hva det viser til, hvilke assosiasjoner det bærer, hvilken vurdering som ligger i det.

Betydningsendring er et av humanioras klassiske undersøkelsesobjekter, fordi den forteller om endringer i samfunnet som ikke uten videre er synlige andre steder. Et ord som endrer verdiladning, er et spor etter noe som har skjedd med det ordet viser til.

Distinksjonen mot bruksendring: at et ord brukes oftere, er en bruksendring. At det brukes om noe annet, er en betydningsendring. De to har ingen fast sammenheng — et ord kan bli hyppigere uten å skifte innhold, og skifte innhold fullstendig uten å bli hyppigere.

Hvor det gjør arbeid: i den hermeneutiske delen av en besvarelse, og i sammenligningen med den digitale.

Betydningsendring er at ordet brukes om noe annet, eller bærer en annen vurdering. Det kan ikke telles, og det er ikke det frekvensgrafen viser.

Å lese det ene som det andre er feil #7 i bokas feilregister — å lese N-gram-frekvens som betydningsendring. Dette kapitlet er feilens hovedhjem, og feilen er hjemlet direkte i H2024-veiledningen, som bruker mer plass på den enn på noe annet metodisk punkt.

Hvordan feilen ser ut i en tekst: «Kurven viser at ordet fikk en ny betydning på 1930-tallet.» Kurven kan ikke vise det. Den kan vise at ordet ble hyppigere, og hyppigheten kan være et spor etter en betydningsendring — men da er sporet noe som skal undersøkes videre, ikke noe grafen har vist.

Hvordan setningen skal se ut i stedet: «Kurven viser at ordet ble klart hyppigere på 1930-tallet. En konkordans over de samme årene viser at ordnaboene skifter fra X til Y, og det er den undersøkelsen — ikke kurven — som gir grunnlag for å si noe om betydningen.»

Den forklaringen som sier at utslaget skyldes at ordet har skiftet innhold eller bruksområde.

Hva som taler for den: at ordnaboene endrer seg over den samme perioden; at ordet begynner å opptre i nye teksttyper; at eldre og nyere forekomster ikke lar seg bytte om uten at meningen skifter.

Hva som taler mot: at ordnaboene er stabile, og at ordet brukes i de samme sammenhengene før og etter utslaget.

Undersøkelsen som prøver den: konkordansanalyse på begge sider av utslaget.

Hvor det gjør arbeid: i det første av de tre avsnittene i drøftingen av kurven.

Den forklaringen som sier at utslaget skyldes materialet og ikke fenomenet: at det er digitalisert mer tekst fra noen år enn fra andre, eller tekst av en annen type.

Hva som taler for den: at flere urelaterte ord beveger seg likt i samme periode; at kurven er regnet i absolutte tall; at det er kjent at bestemte teksttyper kom inn i materialet på det tidspunktet.

Hvorfor den skal sjekkes først: den er den eneste av de tre som kan avvises uten å hente nye kilder, og den er den eneste som ikke handler om historie i det hele tatt.

Hvor det gjør arbeid: i den innledende kontrollen — og i den setningen som gjør at leseren stoler på resten av analysen din.

Den forklaringen som sier at det har skjedd noe i verden: flere av det ordet betegner, mer oppmerksomhet om det, en hendelse som utløste omtale.

Hva som taler for den: at endringen faller sammen med kjente hendelser, og at kilder utenfor tekstmaterialet peker samme vei.

Hvorfor den er den vanskeligste: kurven kan aldri vise den alene. Den krever minst én kilde utenfor det digitaliserte tekstmaterialet, og den blir derfor ofte stående som en mulighet, ikke som et resultat.

Distinksjonen mot de to andre: dette er den eneste av de tre forklaringene som handler om fenomenet selv. De to andre handler om språket og om materialet. Et svar som bare vurderer denne, har hoppet over metodekritikken.

Hvor det gjør arbeid: i landingen, der du sier hva undersøkelsen faktisk gir grunnlag for å hevde.

Å undersøke mange tekster samlet, ovenfra, med mål om å finne mønstre som ikke er synlige i enkelttekster. Frekvenstelling er den enkleste formen.

Styrken er rekkevidden: fjernlesning kan dekke mer materiale enn noen kan lese, og den finner mønstre og unntak som ingen leter etter fordi ingen visste at de fantes.

Distinksjonen mot nærlesning: fjernlesning spør «hvor mye, hvor og når». Nærlesning spør «hva gjør denne teksten, og hvordan». De to spørsmålene har ulike svar, og de kan ikke erstatte hverandre.

Hvor det gjør arbeid: i det tredje leddet av metodeanvendelsen, der den digitale undersøkelsen skal gjennomføres og forklares.

Å lese én tekst eller et lite utvalg tett, med oppmerksomhet mot ordvalg, sammenheng, motsetninger og hva teksten forutsetter. Det er hermeneutikkens arbeidsmåte, innført i kap. 4.3.

Styrken er dybden: nærlesning kan fange mening, ladning og hensikt, altså nettopp det tellingen ikke kan.

Distinksjonen mot fjernlesning: nærlesning kan ikke si om det den finner, er representativt. Finner du en bestemt bruk i tre tekster, vet du ikke om den er utbredt eller sjelden — og det er nøyaktig det fjernlesningen kan svare på.

Hvor det gjør arbeid: i det andre leddet av metodeanvendelsen, og i selve sammenligningen.

Det som følger av det, og som er selve poenget i mappeoppgaven: de to lesningene kan si noe om hverandre. Nærlesningen kan si hva et mønster i kurven kan bety; fjernlesningen kan si om det nærlesningen fant, er utbredt eller enestående.

Hvordan sammenligningen ser ut når den er gjort dårlig: to atskilte avsnitt, ett om hva teksten sier og ett om hva grafen viser, uten noen setning som knytter dem sammen. Det er feil #11 — det digitale som pynt.

Hvordan den ser ut når den er gjort godt: minst én setning av formen «nærlesningen viste X; kurven viser at X er typisk eller utypisk, og det endrer hvordan X skal forstås».

Hvor det gjør arbeid: i det fjerde leddet av metodeanvendelsen — sammenligningen, som er det leddet oppgaven faktisk ber om.

Spørsmålet om et funn gjelder mer enn de tekstene du faktisk leste.

Nærlesning kan ikke svare på det. Finner du en bestemt bruk i fire artikler, vet du at den finnes — ikke om den er utbredt, sjelden eller enestående.

Dette er den ene tjenesten fjernlesningen kan gjøre for nærlesningen, og det er derfor sammenligningen mellom de to er noe annet enn å gjøre to undersøkelser. Kurven kan si om mønsteret du fant, følger materialet som helhet eller bryter med det — og et brudd er ofte mer interessant enn en bekreftelse.

Distinksjonen mot sikkerhet: representativitet handler om rekkevidde, ikke om at funnet er riktig. En bruk kan være helt marginal og likevel den viktigste i en analyse, hvis du kan begrunne hvorfor.

Hvor det gjør arbeid: i sammenligningsleddet, som den ene retningen — fra kurven mot nærlesningen.

En oppstilling som viser hver forekomst av et ord sammen med et stykke tekst på hver side, slik at du ser hvilke ord det opptrer sammen med. DH-labben har en egen app for dette.

Den norske knaggen er «ordet i sine sammenhenger». Grunnlaget for metoden er en enkel og sterk antakelse: et ords mening bestemmes i stor grad av hvilke ord det står sammen med.

Distinksjonen mot frekvenstelling: frekvenstellingen svarer på hvor ofte. Konkordansen svarer på i hvilke sammenhenger. Det er konkordansen, ikke kurven, som kan gi grunnlag for å si noe om betydning — og det er derfor den er metodens svar på feil #7.

Distinksjonen mot nærlesning: konkordansen er fortsatt en form for fjernlesning. Den viser mange korte utsnitt, ikke hele tekster, og den ser ikke sammenhengen i den enkelte teksten.

Hvor det gjør arbeid: i den setningen der du sier hvordan du undersøkte betydning, og ikke bare mengde.

Ordene som står rundt et ord i en tekst. Tanken bak konkordansanalysen er at disse naboene bærer meningen: det er selskapet ordet holder, som avgjør hvilken av flere mulige betydninger som er i spill.

Står «blad» sammen med «grønt», «tre» og «høst», er betydningen én. Står det sammen med «redaktør», «abonnement» og «utgave», er den en annen. Tellingen ser ingen av delene; konkordansen ser begge.

Distinksjonen mot sammenheng i vid forstand: ordnaboene er den nære, språklige sammenhengen. Den historiske sammenhengen — hvem som skrev, til hvem, i hvilken situasjon — får du ikke av en konkordans, og det er nettopp den nærlesningen skal levere.

Hvor det gjør arbeid: i den konkrete beskrivelsen av hva som skiftet, når du hevder at betydningen forskjøv seg.

En graf er ikke en observasjon av fortiden. Den er et produkt av et materiale, et utvalg, en avskrift og en tellemåte — altså en gjenstand med en tilblivelseshistorie, akkurat som et dokument.

Kildekritikkens spørsmål oversatt til en graf:

(1) Hva er den laget av — hvilket materiale er med, fra hvilke år, av hvilken type?
(2) Hvordan er den laget — telles absolutte antall eller andeler, og hvilke ordformer er med?
(3) Hva er utelatt — hva finnes ikke i materialet, og faller det systematisk?

Distinksjonen mot en kilde fra fortiden: grafen er laget i dag, av oss. Den er en representasjon vi selv har produsert, og det gjør oss ansvarlige for den på en annen måte enn for et arkivdokument.

Hvor det gjør arbeid: i den metodiske delen av en besvarelse — og som det grepet som gjør et digitalt ledd faglig i stedet for illustrerende.

At det digitaliserte materialet ikke speiler det som en gang fantes, men det som er bevart, valgt ut og gjort maskinlesbart.

Skjevheten er systematisk og går i kjente retninger: trykt materiale er bedre representert enn håndskrevet, offentlig bedre enn privat, det som er bevart i store institusjoner bedre enn det som lå hos enkeltpersoner, og materiale uten rettighetsspørsmål bedre enn materiale med.

Distinksjonen mot tilfeldig støy: støy jevner seg ut når materialet blir stort nok. Skjevhet gjør det ikke — den blir bare mer presis. Et større korpus med samme skjevhet gir et sikrere tall om et skjevt utvalg.

Hvorfor dette henger sammen med kap. 6.1: korpusskjevheten er digitaliseringsutvalget, sett fra den andre siden. Rekkefølgen noen valgte i et arkiv, dukker opp igjen som en bøy i kurven din.

Hvor det gjør arbeid: i forbeholdet — den setningen som sier hva undersøkelsen ikke kunne se.

En avgrenset mengde tekst gjort søkbar. Begrepet er innført i kap. 6.1; her er det den grensen som betyr noe.

Et korpus har alltid en ytterkant: hvilke tekster, fra hvilke år, av hvilken type. Den ytterkanten er ikke en mangel som kan fjernes med mer arbeid — den er en del av redskapet, på samme måte som utsnittet er en del av et fotografi.

Distinksjonen mot språket, som er den avgjørende: korpuset er ikke språket, og heller ikke fortiden. Sier du «ordet ble mindre brukt», har du strengt tatt sagt «ordet forekommer sjeldnere i dette korpuset». Det er ingen pedantisk presisering — det er forskjellen på en påstand du kan forsvare og en du ikke kan.

Hvor det gjør arbeid: i den setningen der du sier hva undersøkelsen bygger på, og dermed hva den ikke kan uttale seg om.

Det stedet i en besvarelse der de to lesningene møtes, og der den ene endrer hvordan den andre skal forstås.

Den enkle prøven på om sammenligningen finnes: finn setningen der ordet «men», «likevel» eller «det endrer» binder de to lesningene sammen med et innhold etter seg. Finnes den ikke, er det ingen sammenligning i teksten, uansett hvor mye plass hver av lesningene har fått.

Distinksjonen mot sammenstilling: å legge to funn ved siden av hverandre er en sammenstilling. Å si hva det ene gjør med det andre, er en sammenligning. Bare den siste er bestilt.

Hvor det gjør arbeid: i det fjerde leddet av metodeanvendelsen, og det er der uttellingen ligger.

Som metode brukes funnet til noe: det prøver en påstand fra den andre lesningen, eller det reiser et spørsmål teksten deretter besvarer.

Dette er feil #11 i bokas feilregister — å la det digitale bli pynt i stedet for metode. Feilen har sitt hovedhjem her, fordi det er her undersøkelsen faktisk skal gjennomføres.

Prøven, i to trinn: stryk det digitale avsnittet og les teksten på nytt. Står konklusjonen uendret, var det pynt. Stryk deretter den tolkende analysen og gjør det samme — står konklusjonen fortsatt, har du bare rapportert et tall.

Hvor det gjør arbeid: i disponeringen. Sammenligningen skal ha plass i ordbudsjettet, ikke være en avslutningssetning.

Tjenestene som gjør de to undersøkelsene i dette kapitlet mulige: en app som teller ordfølger over tid, og en app for konkordansanalyse som viser ordet med sine naboer.

Distinksjonen som skal holdes fast: DH-lab er et verktøy. Det bærer ingen teori, har ingen posisjon, og er ikke en avsender du kan gjøre rede for slik du gjør rede for Gadamer eller Ingvarsson.

Hva som følger av det for en besvarelse: beskriv hva metoden gjør — hva som telles, hva som vises, hva som ikke vises. Ikke bruk plass på grensesnittet, og ikke framstill verktøyet som pensum. En detaljert beskrivelse av et verktøy er ikke faglig arbeid; det er en bruksanvisning.

Hvor det gjør arbeid: i metodeleddet — kort, presist, og med plassen spart til funnene.