I-modyfikatory

Katarzyna Kuś, Bartosz Maćkiewicz

Cel badania

Celem badania była replikacja w języku polskim eksperymentu Knobe’a (2003). Chcieliśmy sprawdzić, czy również użytkownicy języka polskiego będą mieli skłonność do asymetrycznego przypisywania intencjonalności działaniom w zależności od moralnych własności skutków ubocznych tych działań (tzw. Efekt Knobe’a). Zgodnie z wynikami uzyskanymi przez Knobe’a w wypadku, gdy działanie podmiotu miało negatywny skutek uboczny, 82% badanych przypisywało działaniom podmiotu intencjonalność, gdy miało ono pozytywny skutek uboczny, jedynie 23%.
W przeprowadzonych w języku angielskim badaniach Knobe’a (2003) ankietowanym stawiano pytanie o to, czy bohater przedstawianego im scenariusza działał intencjonalnie (intentionally). W języku polskim słowo „intencjonalnie”, będące prostą kalką z języka angielskiego, jest wyrazem nowym, rejestrowanym przez słowniki dopiero mniej więcej od przełomu XX i XXI wieku. Kwerenda zarówno w korpusie języka polskiego PWN, jak i w Narodowym Korpusie języka polskiego wykazała, że jest to słowo rzadkie, o charakterze książkowym, w mowie używanym często w znaczeniu niezgodnym z tym, co proponują słowniki normatywne. Polskie słowo „intencjonalnie” nie jest więc dobrym tłumaczeniem angielskiego „intentionally”. W naszym badaniu sprawdziliśmy więc kilka wyrażeń i konstrukcji, które służą użytkownikom języka polskiego do wyrażania pojęć bliskich w naszym przekonaniu temu, do którego odnosi się wyrażenia angielskie. Sprawdzaliśmy więc, przy których wyrażeniach efekt Knobe’a powstaje, jaki kształt ma zaobserwowana asymetria oraz w jakich warunkach jest on najsilniejszy. Analiza taka miała nam również pomóc ustalić, które z polskich wyrażeń najlepiej nadaje się do dalszych badań jako odpowiednik angielskiego „intentionally” ze względu na podobieństwo w generowanej asymetrii w odpowiedziach badanych.

Konstrukcja badania

Badanie było replikacją badania Knobe’a, oryginalne scenariusze zostały przetłumaczone na język polski:

Oryginalny scenariusz HARM
(Knobe 2003: 191)
Polski odpowiednik scenariusza HARM
The vice-president of a company went to the chairman of the board and said, ‘We are thinking of starting a new program. It will help us increase profits, but it will also harm the environment”.
The chairman of the board answered ‘I don’t care at all about harming the environment. I just want to make as much profit as I can. Let’s start the new program.’
They started the new program. Sure enough, the environment was harmed.
Wicedyrektor zwraca się do dyrektora pewnej firmy: „Myślimy o wdrożeniu nowego programu. Pozwoli nam zwiększyć zyski, ale zaszkodzi środowisku”.
Dyrektor odpowiada: „Nie obchodzi mnie szkodzenie środowisku. Chcę tylko zwiększyć zyski. Wdrażamy program”.
Program został wdrożony i rzeczywiście zaszkodził środowisku.
Pytania zadawane ankietowanym Pytania zadawane ankietowanym
1.Did the chairman intentionally harm the environment?
2. How much blame does the chairman deserve for what he did?
1. Czy dyrektor [i-modyfikator] zaszkodził środowisku?
2. Oceń poziom winy, jaką dyrektor ponosi za zaszkodzenie środowisku
Oryginalny scenariusz HELP
(Knobe 2003: 191)
Polski odpowiednik scenariusza HELP
The vice-president of a company went to the chairman of the board and said, ‘We are thinking of starting a new program. It will help us increase profits, but it will also help the environment”.
The chairman of the board answered ‘I don’t care at all about helping the environment. I just want to make as much profit as I can. Let’s start the new program.’
They started the new program. Sure enough, the environment was helped.
Wicedyrektor zwraca się do dyrektora pewnej firmy: „Myślimy o wdrożeniu nowego programu. Pozwoli nam zwiększyć zyski i pomoże środowisku”.
Dyrektor odpowiada: „Nie obchodzi mnie pomaganie środowisku. Chcę tylko zwiększyć zyski. Wdrażamy program”.
Program został wdrożony i rzeczywiście pomógł środowisku.
Pytania zadawane ankietowanym Pytania zadawane ankietowanym
1.Did the chairman intentionally help the environment?
2. How much prasie does the chairman deserve for what he did?
1. Czy dyrektor [i-modyfikator] pomógł środowisku?
2. Oceń poziom zasługi, jaką dyrektor ponosi za zaszkodzenie środowisku

W języku polskim angielskiemu terminowi „intentionally” potencjalnie odpowiada cała klasa bliskoznacznych wyrażeń (i-modyfikatorów). Na podstawie kwerendy w słownikach języka polskiego oraz słownikach angielsko-polskich do badania wybrane zostały przysłówki, wyrażenia przyimkowe i wyrażenia czasownikowe, za pomocą których użytkownicy języka polskiego przypisują działaniom podmiotu intencjonalność:

  • specjalnie

  • świadomie

  • celowo

  • umyślnie

  • z rozmysłem

  • chcieć

  • zamierzać

Przeprowadziliśmy również modyfikację badania Knobe’a, w którym w miejscu „intentionally” nie pojawił się żaden i-modyfikator. W rezultacie otrzymaliśmy 16 scenariuszy, różniących się między sobą warunkiem pomagania i szkodzenia oraz i-modyfikatorem użytym w pierwszym z pytań, na które odpowiadali ankietowani.

Przeprowadziliśmy też dodatkowe badanie dwóch wyrażeń: „z rozmysłem” oraz „umyślnie”, w którym badani konfrontowani byli z nieco zmodyfikowanymi scenariuszami. Zamiana ta polegała na usunięciu fragmentu wypowiedzi dyrektora: Nie obchodzi mnie szkodzenie/pomaganie środowisku. Chcę tylko zwiększyć zyski. Eksperyment miał na celu rozstrzygnięcie, w jakim stopniu siła efektu Knobe’a w scenariuszach zawierających wyrażenie „z rozmysłem” związana jest z tym, że wskazuje ono również na namysł dyrektora czy też rozważenie przez niego pozytywnych i negatywnych konsekwencji swoich działań.

Technikalia

Każdemu z badanych przedstawiany był tylko jeden scenariusz. Na ekranie pod scenariuszem wyświetlało się najpierw pytanie z jednym z i-modyfikatorów o intencjonalność działania dyrektora. Na kolejnym ekranie wyświetlał się ten sam scenariusz, pod którym pojawiało się pytanie o stopień winy lub zasługi. Czas na odpowiedź był nieograniczony.

Na pierwsze pytanie, tak jak w badaniu oryginalnym, można było odpowiedzieć, zaznaczając odpowiednio „tak” lub „nie”. Na drugie pytanie badani odpowiadali, wybierając jedną z 5 możliwości. W wypadku scenariuszów typu HARM były to: „winny”, „raczej winny”, „trudno powiedzieć”, „raczej niewinny”, „niewinny”, a w wypadku scenariuszów typu HELP: „jest jego zasługą”, „raczej jest jego zasługą”, „trudno powiedzieć”, „raczej nie jest jego zasługą”, „nie jest jego zasługą”. Warianty odpowiedzi przedstawiane były w tej ustalonej sztywno kolejności. W naszym badaniu możliwości odpowiedzi na drugie pytanie były odmiennie od tego, w jakiś sposób zostało to zrobione w oryginalnych badaniach Knobe’a, gdzie ankietowani zaznaczali swoją odpowiedź na siedmiostopniowej skali (od 0 do 6).

W badaniu i-modyfikatorów wzięło udział 1078 osób, którym losowo przydzielano jeden z 16 scenariuszy. W drugim badaniu uzupełniającym dotyczącym różnic miedzy przysłówkiem „z rozmysłem” i „umyślnie” sprawdzano 4 scenariusze (2 typu HARM, 2 typu HELP). W badaniu tym wzięło udział 267 osób.

Badania zostały przeprowadzone w kwietniu i maju 2015 roku i odbyły się za pośrednictwem internetowego systemu ankietowego Limesurvey na platformie uniwersyteckiej Kognilab (http://kognilab.pl/).

Wyniki

In [1]:
#Wyłączam ostrzeżenia dla ładniejszych wyników
import warnings
warnings.filterwarnings('ignore')
In [2]:
import pandas as pd
import numpy as np
import seaborn as sns
from pandas import DataFrame,Series
import matplotlib.pyplot as plt
import matplotlib
import matplotlib.gridspec
# import plotly as py
import scipy.stats
import statsmodels.sandbox.stats.multicomp as multicomp
from scipy.stats import kruskal
from scipy.stats import wilcoxon
from scipy.stats import mannwhitneyu
from scipy.stats import ranksums
%matplotlib inline
#import plotly.offline as pyo
#from plotly.offline import download_plotlyjs, init_notebook_mode, iplot
#init_notebook_mode()
#import cufflinks
In [3]:
#Wczytanie danych, odfiltrowanie tych dotyczących przysłówków
i_modifiers = ['Specjalnie', 'Celowo', 'Świadomie', 'Umyślnie', 'Z rozmysłem', 'Brak przysłówka', 'Chciał', 'Zamierzał']
data = pd.read_csv('cleanData28553.csv')
data = data[data['Modyfikator'].isin(i_modifiers)].dropna(thresh=13)

Tabela wyników (liczba wystąpień)

In [4]:
#Krzyżowa tabela wyników
i_mod_x_table = pd.crosstab(data['Modyfikator'], [data['Grupa'],data['Odpowiedź']])
i_mod_x_table
Out[4]:
Grupa Harm Help
Odpowiedź Nie Tak Nie Tak
Modyfikator
Brak przysłówka 4 58 16 56
Celowo 34 36 65 8
Chciał 38 21 66 2
Specjalnie 33 35 73 4
Umyślnie 14 57 53 13
Z rozmysłem 9 47 59 4
Zamierzał 43 27 63 3
Świadomie 7 60 32 34

Tabela wyników (procentowo)

In [5]:
#Procentowa tabela wyników
i_mod_x_table_percent = i_mod_x_table.apply(lambda r: r/r.sum(level = 'Grupa'), axis=1)
i_mod_x_table_percent.round(3) * 100
Out[5]:
Harm Help
Nie Tak Nie Tak
Modyfikator
Brak przysłówka 6.5 93.5 22.2 77.8
Celowo 48.6 51.4 89.0 11.0
Chciał 64.4 35.6 97.1 2.9
Specjalnie 48.5 51.5 94.8 5.2
Umyślnie 19.7 80.3 80.3 19.7
Z rozmysłem 16.1 83.9 93.7 6.3
Zamierzał 61.4 38.6 95.5 4.5
Świadomie 10.4 89.6 48.5 51.5

χ 2 i wartość p

In [6]:
#Kod liczący statystykę Chi i p-value dla każdej pary Harm/Help
gb = i_mod_x_table.groupby(level='Modyfikator')
chisquaretests = {}
for name, group in gb:
    chisquaretests[name] = scipy.stats.chi2_contingency([group['Harm'].unstack(), group['Help'].unstack()]) 
    chisq = {}
    pvalue = {}
    for key, value in chisquaretests.items():
        chisq[key] = value[0]
        pvalue[key] = value[1]
        i_mod_x_table['Chi^2'] = Series(chisq)
        i_mod_x_table['P-value'] = Series(pvalue)
i_mod_x_table
Out[6]:
Grupa Harm Help Chi^2 P-value
Odpowiedź Nie Tak Nie Tak
Modyfikator
Brak przysłówka 4 58 16 56 5.342255 2.081453e-02
Celowo 34 36 65 8 25.607424 4.184264e-07
Chciał 38 21 66 2 20.562039 5.772957e-06
Specjalnie 33 35 73 4 37.009942 1.175285e-09
Umyślnie 14 57 53 13 47.847775 4.606295e-12
Z rozmysłem 9 47 59 4 69.726562 6.812252e-17
Zamierzał 43 27 63 3 20.939460 4.740286e-06
Świadomie 7 60 32 34 21.411859 3.704727e-06
In [7]:
#Ustawienia do rysowania
sns.set_context("poster", font_scale=1.4)
In [8]:
#Rysowanie wykresu
df_percent = DataFrame(i_mod_x_table_percent.unstack()).reset_index().rename(columns={0:'Freq'})
# df_percent = df_percent[df_percent['RESPONSE'] != 'Nie']
s = sns.factorplot(y='Freq', x='Odpowiedź', data=df_percent, kind='bar', col = 'Modyfikator', row = 'Grupa', 
                   size = 4, aspect=1, sharex=True)
s.set_titles('{col_name}');
s.fig.subplots_adjust(wspace=.02, hspace=1)
s.fig.text(0, 0.80,'Warunek \n  HARM', fontsize=35, rotation=90)
s.fig.text(0, 0.30,'Warunek \n  HELP', fontsize=35, rotation=90);

for ax in s.axes[0]:
    ax.set_title(ax.get_title() + 
                 '\n Tak: {x}%,\n Nie: {y}%'.format(x = round(float(df_percent.query('Modyfikator == "{z}" and Odpowiedź == "Tak" and Grupa == "Harm"'.format(z=ax.get_title())).Freq*100), 1),
                                               y = round(float(df_percent.query('Modyfikator == "{z}" and Odpowiedź == "Nie" and Grupa == "Harm"'.format(z=ax.get_title())).Freq *100), 1)))
    
for ax in s.axes[1]:
    ax.set_title(ax.get_title() + 
                 '\n Tak: {x}%,\n Nie: {y}%'.format(x = round(float(df_percent.query('Modyfikator == "{z}" and Odpowiedź == "Tak" and Grupa == "Help"'.format(z=ax.get_title())).Freq*100), 1),
                                               y = round(float(df_percent.query('Modyfikator == "{z}" and Odpowiedź == "Nie" and Grupa == "Help"'.format(z=ax.get_title())).Freq *100), 1)))
In [9]:
# Tutaj była wersja interaktywna wykresu powyżej
# sns.set_context("notebook")
# df_percent['Freq'] = df_percent['Freq']*100
# df_percent
#s2 = sns.factorplot(y='Freq', x='Odpowiedź', data=df_percent, kind='bar', col = 'Modyfikator', row = 'Grupa', 
#                   size = 4, aspect=1, sharex=True)
# s2.set_titles('{col_name}');
# s2.fig.subplots_adjust(wspace=.3, hspace=1)
# py_plot = py.tools.mpl_to_plotly(s2.fig, resize=True, strip_style=False)
In [10]:
#py_plot.layout.margin.l = 100
#py_plot.layout.annotations.append(
#{'font': {'color': '#262626', 'size': 20.0},
#  'showarrow': False,
#  'text': 'Harm',
#  'x': -0.12,
#  #'xanchor': 'center',
#  'xref': 'paper',
#  'y': 1.0,
#  #'yanchor': 'bottom',
#  'yref': 'paper'})
#py_plot.layout.annotations.append(
#
#{'font': {'color': '#262626', 'size': 20.0},
#  'showarrow': False,
#  'text': 'Help',
#  'x': -0.12,
#  #'xanchor': 'center',
#  'xref': 'paper',
#  'y': 0.25,
#  #'yanchor': 'bottom',
#  'yref': 'paper'})
#iplot(py_plot)

Komentarz

Badane polskie i-modyfikatory, choć podawane w słownikach jako wyrażenia bliskoznaczne lub używane, by wyjaśniać sens jednego za pomocą drugiego, różnią się znacznie zarówno pod względem semantycznym, jak i pragmatycznym. Te różnice są odpowiedzialne za uzyskane różnice we wzorcach odpowiedzi w sytuacjach Knobe’owskich. W wypadku wszystkich badanych i-modyfikatorów występowała wyraźna asymetria między odpowiedziami w warunku HARM i HELP. Na podstawie uzyskanych wyników można podzielić przebadane i-modyfikatory na trzy klasy:

  1. Wyrażenia, za pomocą których badani zgodzili się przypisać intencjonalność dyrektorowi zarówno w warunku HARM, jak i HELP (tzn. takie, w których w obu warunkach ponad 50% badanych odpowiadała twierdząco). Takie wyniki uzyskaliśmy dla „świadomie”. Warto podkreślić, że choć w obu warunkach ponad połowa badanych odpowiadała twierdząco, to nadal różnica między warunkami HARM i HELP pozostawała istotna statystycznie.

  2. Wyrażenia, za pomocą których badani nie godzili się przypisywać intencjonalności dyrektorowi zarówno w warunku HARM, jak i HELP (tzn. takie, w których w obu warunkach ponad 50% badanych odpowiadała przecząco). Takie wyniki uzyskaliśmy dla „celowo”, „specjalnie”, „chcieć”, „zamierzać”. Różnice między scenariuszami HARM i HELP pozostawały nadal wysoce istotne statystycznie.

  3. Wyrażenia zachowujące się w sposób zbliżony do angielskiego „intentionally”, w których w warunku HARM przeważająca większość badanych przypisuje działaniom dyrektora intencjonalność za pomocą danego wyrażenia, a w warunku HELP przeważająca większość nie zgadza się na takie przypisanie. Takie wyniki uzyskaliśmy dla „umyślnie” i „z rozmysłem”.

Asymetrię podobną do tej scharakteryzowanej w punkcie 1. uzyskaliśmy również w wypadku scenariuszy, w których w pytaniu nie pojawiał się żaden modyfikator, a osoby badane były proszone jedynie o stwierdzenie, czy dyrektor zaszkodził/pomógł środowisku. Pewien rodzaj efektu Knobe’a pojawia się więc również, gdy pytamy o samo przypisanie pewnego działania.

Badanie przysłówków „z rozmysłem” i „umyślnie” wykazało, że w scenariuszach typu HARM zarówno w wypadku -modyfikatora „umyślnie”, jak i „z rozmysłem” usunięcie fragmentu, który mógłby wskazywać na to, że dyrektor rozważa całą sytuację przed podjęciem decyzji, nie zmieniło wyników w stosunku do sytuacji, w których fragment ten się znajdował. W sytuacji scenariuszy typu HELP w obu wypadkach zaszła natomiast istotna zmiana ­– więcej osób było skłonnych przypisywać intencjonalność działaniom pozytywnym. Jest to szczególnie widoczne dla „z rozmysłem”. Wydaje się więc, że warunkiem uznania, że działanie jest popełniane z rozmysłem, nie jest wiedza lub domniemanie, że podmiot rozmyślał przed podjęciem działań. Usunięcie natomiast fragmentu, który mógł taki namysł sugerować, było jednoznaczne z usunięciem fragmentu, w którym dyrektor informował wprost o swojej postawie względem środowiska, braku intencji szkodzenia mu lub pomagania oraz pragnieniu zwiększenia zysku. W tym kontekście należy najprawdopodobniej interpretować częstsze przypisywanie intencjonalności działaniom dyrektora, które doprowadziły do poprawy stanu środowiska.

Jeżeli chodzi o przypisywanie winy i zasługi dyrektorowi, to udało nam się w dużej mierze zreplikować wyniki uzyskane przez Knobe'a. Znacznie częściej badani przypisują winę dyrektorowi w scenariuszach, w których szkodzi środowisku, niż zasługę za działania korzystne dla środowiska. Niezależnie od wyboru i-modyfikatora około 90% badanych uważa, że dyrektor był „winny” lub że był „raczej winny”, podczas gdy przeważającą odpowiedzią na pytanie o zasługę było „nie jest jego zasługą” i „raczej nie jest jego zasługą”. Chcieliśmy również sprawdzić, czy zachodzi zjawisko torowania, przejawiające się w tym wypadku w tym, że w zależności od tego, jakiego i-modyfikatora użyliśmy w pytaniu o intencjonalność, zmienia się przypisywanie odpowiednio winy lub kary. Nie zaobserwowaliśmy jednak takiego efektu i nie ma istotnych statystycznie różnic między grupami.

In [11]:
resp_i_mod_x_table = pd.crosstab(data['Modyfikator'], [data['Grupa'],data['Odpowiedzialność'].replace({5:'Niewinny / Nie jest jego zasługą',
                                        4:'Raczej niewinny / Raczej nie jest jego zasługą',
                                        3:'Trudno powiedzieć', 
                                        2:'Raczej winny / Raczej jest jego zasługą',
                                        1:'Winny / Jest jego zasługą'})])

resp_i_mod_x_table = resp_i_mod_x_table[[('Harm', 'Niewinny / Nie jest jego zasługą'),('Harm', 'Raczej niewinny / Raczej nie jest jego zasługą'),
('Harm', 'Trudno powiedzieć'), ('Harm', 'Raczej winny / Raczej jest jego zasługą'), ('Harm', 'Winny / Jest jego zasługą'),
                     ('Help', 'Niewinny / Nie jest jego zasługą'),('Help', 'Raczej niewinny / Raczej nie jest jego zasługą'),
('Help', 'Trudno powiedzieć'), ('Help', 'Raczej winny / Raczej jest jego zasługą'), ('Help', 'Winny / Jest jego zasługą')]]
                                                       
resp_i_mod_x_table_percent = resp_i_mod_x_table.apply(lambda r: r/r.sum(level = 'Grupa'), axis=1)

Tabela wyników dla odpowiedzialności (liczba wystąpień)

In [12]:
resp_i_mod_x_table
Out[12]:
Grupa Harm Help
Odpowiedzialność Niewinny / Nie jest jego zasługą Raczej niewinny / Raczej nie jest jego zasługą Trudno powiedzieć Raczej winny / Raczej jest jego zasługą Winny / Jest jego zasługą Niewinny / Nie jest jego zasługą Raczej niewinny / Raczej nie jest jego zasługą Trudno powiedzieć Raczej winny / Raczej jest jego zasługą Winny / Jest jego zasługą
Modyfikator
Brak przysłówka 0 1 2 12 47 18 19 10 18 7
Celowo 1 0 6 12 51 22 22 11 8 10
Chciał 0 0 2 6 51 15 13 11 11 18
Specjalnie 2 0 4 12 50 18 21 11 15 12
Umyślnie 0 0 2 12 57 19 14 10 7 16
Z rozmysłem 0 0 0 11 45 19 19 7 10 8
Zamierzał 2 0 0 14 54 18 15 7 13 13
Świadomie 0 0 3 9 55 23 16 5 11 11

Tabela wyników dla odpowiedzialności (procentowa)

In [13]:
resp_i_mod_x_table_percent.round(3)*100
Out[13]:
Harm Help
Niewinny / Nie jest jego zasługą Raczej niewinny / Raczej nie jest jego zasługą Trudno powiedzieć Raczej winny / Raczej jest jego zasługą Winny / Jest jego zasługą Niewinny / Nie jest jego zasługą Raczej niewinny / Raczej nie jest jego zasługą Trudno powiedzieć Raczej winny / Raczej jest jego zasługą Winny / Jest jego zasługą
Modyfikator
Brak przysłówka 0.0 1.6 3.2 19.4 75.8 25.0 26.4 13.9 25.0 9.7
Celowo 1.4 0.0 8.6 17.1 72.9 30.1 30.1 15.1 11.0 13.7
Chciał 0.0 0.0 3.4 10.2 86.4 22.1 19.1 16.2 16.2 26.5
Specjalnie 2.9 0.0 5.9 17.6 73.5 23.4 27.3 14.3 19.5 15.6
Umyślnie 0.0 0.0 2.8 16.9 80.3 28.8 21.2 15.2 10.6 24.2
Z rozmysłem 0.0 0.0 0.0 19.6 80.4 30.2 30.2 11.1 15.9 12.7
Zamierzał 2.9 0.0 0.0 20.0 77.1 27.3 22.7 10.6 19.7 19.7
Świadomie 0.0 0.0 4.5 13.4 82.1 34.8 24.2 7.6 16.7 16.7
In [14]:
sns.set_context("poster")
sns.set_palette("Reds")
order = ['Niewinny / Nie jest jego zasługą',
         'Raczej niewinny / Raczej nie jest jego zasługą',
         'Trudno powiedzieć', 
         'Raczej winny / Raczej jest jego zasługą',
         'Winny / Jest jego zasługą']
df_percent = DataFrame(resp_i_mod_x_table_percent.unstack()).reset_index().rename(columns={0:'Freq'})
df_percent['Odpowiedzialność']
s = sns.factorplot(x='Modyfikator', y='Freq', hue='Odpowiedzialność', data=df_percent, row='Grupa', kind='bar', size=4, aspect=3, hue_order=order)

Bibliografia

Knobe, J. (2003). Intentional action and side effects in ordinary language. Analysis, 63(279), 190-194.

Korpusy i słowniki języka polskiego

Inny słownik języka polskiego (2000), red. M. Bańko, Wydawnictwo Naukowe PWN: Warszawa.

Korpus Języka Polskiego PWN, http://sjp.pwn.pl/korpus.

Narodowy Korpus Języka Polskiego, http://www.nkjp.pl/

Słownik synonimów (2008), red. Z. Kurzowa, Wydawnictwo Naukowe PWN: Warszawa.

Uniwersalny słownik języka polskiego (2003). red. S. Dubisz, Wydawnictwo Naukowe PWN: Warszawa.

Wielki słownik angielsko-polski oraz polsko-angielski (2002), red. B. Tomaszczyk i in., Wydawnictwo Naukowe PWN: Warszawa, Oxford University Press: Oxford.

Wielki słownik wyrazów bliskoznacznych PWN (2005), red. M. Bańko, Wydawnictwo Naukowe PWN: Warszawa.

In [15]:
data_k = data[['Modyfikator', 'Odpowiedzialność', 'Grupa']]
gb = data_k.groupby('Grupa')
mc_harm = multicomp.MultiComparison(gb.get_group('Harm')['Odpowiedzialność'], gb.get_group('Harm')['Modyfikator'])
mc_help = multicomp.MultiComparison(gb.get_group('Help')['Odpowiedzialność'], gb.get_group('Help')['Modyfikator'])
kruskal_harm_table = mc_harm.allpairtest(kruskal, method='fdr_bh')[0]
ranksums__harm_table = mc_harm.allpairtest(ranksums, method='fdr_bh')[0]
mannwhitney_harm_table = mc_harm.allpairtest(mannwhitneyu, method='fdr_bh')[0]
kruskal_help_table = mc_help.allpairtest(kruskal, method='fdr_bh')[0]
ranksums__help_table = mc_help.allpairtest(ranksums, method='fdr_bh')[0]
mannwhitney_help_table = mc_help.allpairtest(mannwhitneyu, method='fdr_bh')[0]

gbgb = gb.get_group('Harm').groupby('Modyfikator')
kruskal_lista = []
for name, group in gbgb:
    kruskal_lista.append(group['Odpowiedzialność'])
harm_kruskal = kruskal(kruskal_lista[0], kruskal_lista[1], kruskal_lista[2], kruskal_lista[3], kruskal_lista[4], kruskal_lista[5], kruskal_lista[6],
       kruskal_lista[7])

gbgb = gb.get_group('Help').groupby('Modyfikator')
kruskal_lista = []
for name, group in gbgb:
    kruskal_lista.append(group['Odpowiedzialność'])
help_kruskal = kruskal(kruskal_lista[0], kruskal_lista[1], kruskal_lista[2], kruskal_lista[3], kruskal_lista[4], kruskal_lista[5], kruskal_lista[6],
       kruskal_lista[7])

Appendix: Przypisywanie odpowiedzialności

Sprawdziliśmy czy zachodzą istotne statystycznie różnice w rozkładzie przypisywanej odpowiedzialności w zalezności od użytego przysłówka. Test Kruskala-Wallisa nie pokazał istotnych różnic statystycznych, zarówno dla warunku Harm i Help (Harm: p = {{str(round(harm_kruskal[1], 3))}}, Help: p = {{str(round(help_kruskal[1], 3))}}). Również testy post-hoc parami, które wykonaliśmy mimo to, nie pokazały żadnych istotnych różnic.

Grupa HARM, różnice w rozkładzie odpowiedzialności

Test Kruskala-Wallisa w parach z poprawką na wielokrotne testowanie

In [16]:
kruskal_harm_table
Out[16]:
Test Multiple Comparison kruskal FWER=0.05 method=fdr_bh alphacSidak=0.00, alphacBonf=0.002
group1 group2 stat pval pval_corr reject
Brak przysłówka Celowo 0.2661 0.606 0.8133 False
Brak przysłówka Chciał 2.1409 0.1434 0.7749 False
Brak przysłówka Specjalnie 0.1687 0.6813 0.8294 False
Brak przysłówka Umyślnie 0.4388 0.5077 0.7749 False
Brak przysłówka Z rozmysłem 0.5107 0.4748 0.7749 False
Brak przysłówka Zamierzał 0.0468 0.8288 0.9299 False
Brak przysłówka Świadomie 0.7206 0.396 0.7749 False
Celowo Chciał 3.7519 0.0527 0.7749 False
Celowo Specjalnie 0.0098 0.9213 0.9299 False
Celowo Umyślnie 1.4475 0.2289 0.7749 False
Celowo Z rozmysłem 1.5038 0.2201 0.7749 False
Celowo Zamierzał 0.562 0.4535 0.7749 False
Celowo Świadomie 1.8644 0.1721 0.7749 False
Chciał Specjalnie 3.3715 0.0663 0.7749 False
Chciał Umyślnie 0.7803 0.377 0.7749 False
Chciał Z rozmysłem 0.6042 0.437 0.7749 False
Chciał Zamierzał 1.6919 0.1934 0.7749 False
Chciał Świadomie 0.4388 0.5077 0.7749 False
Specjalnie Umyślnie 1.1773 0.2779 0.7749 False
Specjalnie Z rozmysłem 1.2314 0.2671 0.7749 False
Specjalnie Zamierzał 0.4025 0.5258 0.7749 False
Specjalnie Świadomie 1.5788 0.2089 0.7749 False
Umyślnie Z rozmysłem 0.0077 0.9299 0.9299 False
Umyślnie Zamierzał 0.2045 0.6511 0.8287 False
Umyślnie Świadomie 0.0454 0.8312 0.9299 False
Z rozmysłem Zamierzał 0.2603 0.6099 0.8133 False
Z rozmysłem Świadomie 0.0144 0.9045 0.9299 False
Zamierzał Świadomie 0.4318 0.5111 0.7749 False

Test par znakowanych Wilcoxona w parach z poprawką na wielokrotne testowanie

In [17]:
ranksums__harm_table
Out[17]:
Test Multiple Comparison ranksums FWER=0.05 method=fdr_bh alphacSidak=0.00, alphacBonf=0.002
group1 group2 stat pval pval_corr reject
Brak przysłówka Celowo -0.3944 0.6933 0.9189 False
Brak przysłówka Chciał 0.9982 0.3182 0.9189 False
Brak przysłówka Specjalnie -0.3123 0.7548 0.9189 False
Brak przysłówka Umyślnie 0.4758 0.6342 0.9189 False
Brak przysłówka Z rozmysłem 0.5147 0.6068 0.9189 False
Brak przysłówka Zamierzał 0.1596 0.8732 0.9516 False
Brak przysłówka Świadomie 0.601 0.5478 0.9189 False
Celowo Chciał 1.3734 0.1696 0.9189 False
Celowo Specjalnie 0.0767 0.9389 0.9516 False
Celowo Umyślnie 0.8886 0.3742 0.9189 False
Celowo Z rozmysłem 0.9107 0.3624 0.9189 False
Celowo Zamierzał 0.5668 0.5709 0.9189 False
Celowo Świadomie 0.9968 0.3189 0.9189 False
Chciał Specjalnie -1.2907 0.1968 0.9189 False
Chciał Umyślnie -0.5752 0.5652 0.9189 False
Chciał Z rozmysłem -0.5008 0.6165 0.9189 False
Chciał Zamierzał -0.8793 0.3792 0.9189 False
Chciał Świadomie -0.4205 0.6742 0.9189 False
Specjalnie Umyślnie 0.7964 0.4258 0.9189 False
Specjalnie Z rozmysłem 0.8184 0.4131 0.9189 False
Specjalnie Zamierzał 0.477 0.6334 0.9189 False
Specjalnie Świadomie 0.911 0.3623 0.9189 False
Umyślnie Z rozmysłem 0.0607 0.9516 0.9516 False
Umyślnie Zamierzał -0.3216 0.7477 0.9189 False
Umyślnie Świadomie 0.1448 0.8848 0.9516 False
Z rozmysłem Zamierzał -0.3633 0.7164 0.9189 False
Z rozmysłem Świadomie 0.0813 0.9352 0.9516 False
Zamierzał Świadomie 0.4607 0.645 0.9189 False

Test Manna-Whitneya w parach z poprawką na wielokrotne testowanie

In [18]:
mannwhitney_harm_table
Out[18]:
Test Multiple Comparison mannwhitneyu FWER=0.05 method=fdr_bh alphacSidak=0.00, alphacBonf=0.002
group1 group2 stat pval pval_corr reject
Brak przysłówka Celowo 2083.5 0.304 0.4082 False
Brak przysłówka Chciał 1636.5 0.0722 0.3888 False
Brak przysłówka Specjalnie 2041.0 0.3418 0.4161 False
Brak przysłówka Umyślnie 2095.5 0.2549 0.3888 False
Brak przysłówka Z rozmysłem 1640.5 0.2386 0.3888 False
Brak przysłówka Zamierzał 2135.0 0.4156 0.4663 False
Brak przysłówka Świadomie 1949.5 0.1989 0.3888 False
Celowo Chciał 1774.5 0.0266 0.3888 False
Celowo Specjalnie 2362.0 0.4617 0.4663 False
Celowo Umyślnie 2269.5 0.115 0.3888 False
Celowo Z rozmysłem 1774.5 0.1107 0.3888 False
Celowo Zamierzał 2314.0 0.2276 0.3888 False
Celowo Świadomie 2113.5 0.0865 0.3888 False
Chciał Specjalnie 1739.0 0.0334 0.3888 False
Chciał Umyślnie 1971.5 0.1895 0.3888 False
Chciał Z rozmysłem 1562.5 0.2198 0.3888 False
Chciał Zamierzał 1879.0 0.0973 0.3888 False
Chciał Świadomie 1890.5 0.2551 0.3888 False
Specjalnie Umyślnie 2225.0 0.1396 0.3888 False
Specjalnie Z rozmysłem 1741.0 0.1343 0.3888 False
Specjalnie Zamierzał 2268.0 0.2638 0.3888 False
Specjalnie Świadomie 2071.0 0.105 0.3888 False
Umyślnie Z rozmysłem 1975.5 0.4663 0.4663 False
Umyślnie Zamierzał 2407.0 0.3266 0.4157 False
Umyślnie Świadomie 2344.5 0.4168 0.4663 False
Z rozmysłem Zamierzał 1886.0 0.3062 0.4082 False
Z rozmysłem Świadomie 1860.0 0.4537 0.4663 False
Zamierzał Świadomie 2238.0 0.2566 0.3888 False

Grupa Help, różnice w rozkładzie odpowiedzialności:

Test Kruskala-Wallisa w parach z poprawką na wielokrotne testowanie

In [19]:
kruskal_help_table
Out[19]:
Test Multiple Comparison kruskal FWER=0.05 method=fdr_bh alphacSidak=0.00, alphacBonf=0.002
group1 group2 stat pval pval_corr reject
Brak przysłówka Celowo 0.8744 0.3497 0.576 False
Brak przysłówka Chciał 2.2954 0.1298 0.576 False
Brak przysłówka Specjalnie 0.1271 0.7215 0.9183 False
Brak przysłówka Umyślnie 0.1476 0.7009 0.9183 False
Brak przysłówka Z rozmysłem 0.6126 0.4338 0.6748 False
Brak przysłówka Zamierzał 0.2353 0.6276 0.8786 False
Brak przysłówka Świadomie 0.4298 0.5121 0.7547 False
Celowo Chciał 5.0105 0.0252 0.5076 False
Celowo Specjalnie 1.5856 0.208 0.576 False
Celowo Umyślnie 1.2521 0.2631 0.576 False
Celowo Z rozmysłem 0.0059 0.9389 0.9922 False
Celowo Zamierzał 1.4883 0.2225 0.576 False
Celowo Świadomie 0.0052 0.9427 0.9922 False
Chciał Specjalnie 1.3554 0.2443 0.576 False
Chciał Umyślnie 0.9166 0.3384 0.576 False
Chciał Z rozmysłem 4.299 0.0381 0.5076 False
Chciał Zamierzał 0.884 0.3471 0.576 False
Chciał Świadomie 3.7007 0.0544 0.5076 False
Specjalnie Umyślnie 0.0027 0.9587 0.9922 False
Specjalnie Z rozmysłem 1.2373 0.266 0.576 False
Specjalnie Zamierzał 0.016 0.8993 0.9922 False
Specjalnie Świadomie 1.0134 0.3141 0.576 False
Umyślnie Z rozmysłem 1.0292 0.3104 0.576 False
Umyślnie Zamierzał 0.0012 0.9721 0.9922 False
Umyślnie Świadomie 0.9136 0.3392 0.576 False
Z rozmysłem Zamierzał 1.2081 0.2717 0.576 False
Z rozmysłem Świadomie 0.0001 0.9922 0.9922 False
Zamierzał Świadomie 1.0092 0.3151 0.576 False

Test par znakowanych Wilcoxona w parach z poprawką na wielokrotne testowanie

In [20]:
ranksums__help_table
Out[20]:
Test Multiple Comparison ranksums FWER=0.05 method=fdr_bh alphacSidak=0.00, alphacBonf=0.002
group1 group2 stat pval pval_corr reject
Brak przysłówka Celowo -0.9095 0.3631 0.598 False
Brak przysłówka Chciał 1.4822 0.1383 0.598 False
Brak przysłówka Specjalnie 0.3476 0.7282 0.9267 False
Brak przysłówka Umyślnie 0.3751 0.7076 0.9267 False
Brak przysłówka Z rozmysłem -0.7608 0.4468 0.695 False
Brak przysłówka Zamierzał 0.4731 0.6361 0.8906 False
Brak przysłówka Świadomie -0.6372 0.524 0.7722 False
Celowo Chciał 2.1847 0.0289 0.5663 False
Celowo Specjalnie 1.2258 0.2203 0.598 False
Celowo Umyślnie 1.0882 0.2765 0.598 False
Celowo Z rozmysłem 0.0742 0.9409 0.9925 False
Celowo Zamierzał 1.1873 0.2351 0.598 False
Celowo Świadomie 0.0696 0.9445 0.9925 False
Chciał Specjalnie -1.1391 0.2547 0.598 False
Chciał Umyślnie -0.9346 0.35 0.598 False
Chciał Z rozmysłem -2.0246 0.0429 0.5663 False
Chciał Zamierzał -0.919 0.3581 0.598 False
Chciał Świadomie -1.8758 0.0607 0.5663 False
Specjalnie Umyślnie 0.0506 0.9596 0.9925 False
Specjalnie Z rozmysłem -1.0827 0.2789 0.598 False
Specjalnie Zamierzał 0.1235 0.9017 0.9925 False
Specjalnie Świadomie -0.98 0.3271 0.598 False
Umyślnie Z rozmysłem -0.9871 0.3236 0.598 False
Umyślnie Zamierzał 0.0341 0.9728 0.9925 False
Umyślnie Świadomie -0.9284 0.3532 0.598 False
Z rozmysłem Zamierzał 1.0696 0.2848 0.598 False
Z rozmysłem Świadomie 0.0094 0.9925 0.9925 False
Zamierzał Świadomie -0.9762 0.329 0.598 False

Test Manna-Whitneya w parach z poprawką na wielokrotne testowanie

In [334]:
mannwhitney_help_table
Out[334]:
Test Multiple Comparison mannwhitneyu FWER=0.05 method=fdr_bh alphacSidak=0.00, alphacBonf=0.002
group1 group2 stat pval pval_corr reject
Brak przysłówka Celowo 2356.0 0.1666 0.2868 False
Brak przysłówka Chciał 2092.5 0.0651 0.2868 False
Brak przysłówka Specjalnie 2680.5 0.3615 0.4601 False
Brak przysłówka Umyślnie 2288.0 0.3513 0.4601 False
Brak przysłówka Z rozmysłem 2095.5 0.2176 0.3384 False
Brak przysłówka Zamierzał 2265.0 0.3146 0.4404 False
Brak przysłówka Świadomie 2226.5 0.2567 0.3784 False
Celowo Chciał 1919.0 0.012 0.2552 False
Celowo Specjalnie 2440.0 0.0978 0.2868 False
Celowo Umyślnie 2113.0 0.1249 0.2868 False
Celowo Z rozmysłem 2241.0 0.452 0.4971 False
Celowo Zamierzał 2091.0 0.1063 0.2868 False
Celowo Świadomie 2351.0 0.457 0.4971 False
Chciał Specjalnie 2330.5 0.1226 0.2868 False
Chciał Umyślnie 2034.0 0.1698 0.2868 False
Chciał Z rozmysłem 1702.5 0.0192 0.2552 False
Chciał Zamierzał 2037.5 0.1741 0.2868 False
Chciał Świadomie 1822.5 0.0273 0.2552 False
Specjalnie Umyślnie 2528.5 0.4802 0.4971 False
Specjalnie Z rozmysłem 2167.0 0.1335 0.2868 False
Specjalnie Zamierzał 2510.5 0.4505 0.4971 False
Specjalnie Świadomie 2299.0 0.1575 0.2868 False
Umyślnie Z rozmysłem 1869.5 0.1558 0.2868 False
Umyślnie Zamierzał 2170.5 0.487 0.4971 False
Umyślnie Świadomie 1974.0 0.1702 0.2868 False
Z rozmysłem Zamierzał 1852.0 0.1364 0.2868 False
Z rozmysłem Świadomie 2077.0 0.4971 0.4971 False
Zamierzał Świadomie 1963.5 0.1581 0.2868 False