Кіріспе
Бір жұмыста үлкен үлгіге қарағанда жиі кездесетін сөз тіркесі Статистикалық түрде ықтимал емес сөз тіркесі (СИП) - бұл құжат (немесе құжаттар жинағы) ішінде кейбір үлкен корпустарға қарағанда жиі кездесетін сөз тіркесі немесе сөз жиынтығы. Амазонка. com бұл ұғымды белгілі бір кітап немесе тарау үшін кілт сөздерді анықтау кезінде қолданады, өйткені кітап немесе тараудың кілт сөздері осы бөлімде тепе-теңсіз пайда болуы мүмкін. Кристиан Рудер бұл ұғымды онлайн танысу профильдері мен Twitter-дегі жазбалардан алынған деректермен бірге өзінің Dataclysm кітабында белгілі бір нәсілге немесе жынысқа тән сөз тіркестерін анықтау үшін қолданды. Екі немесе үш сөздің тілдік тығыздығы бар SIP, қосымша сөз, қосымша сөз, есім немесе қосымша сөз, қосымша сөз, етістік, автордың көзқарасын, тұжырымдарын немесе қорытындыларын оқырманға білдіреді немесе маңызды идеяны білдіреді. SIP-тің тағы бір пайдасы - плагиатты анықтау құралы ретінде. (Жақсы) сөздердің бірегей комбинацияларын онлайн іздеуге болады, егер олар жарияланған мәтінде пайда болса, іздеу қайда екенін анықтайды. Бұл әдіс тек жарияланған және онлайн цифрланған мәтіндерді тексереді. Мысалы, студенттің "бақша стилі, дизайндағы тәртіпсіздікті мақтаған" деген сөз тіркесі бар мақаласын Google арқылы іздеуге болады. com және Уильям Темпл, ағылшын саяси қайраткері және эссеі туралы түпнұсқа Уикипедия мақаласын береді.
A statistically improbable phrase (SIP) is a phrase or set of words that occurs more frequently in a document (or collection of documents) than in some larger corpus. Amazon. com uses this concept in determining keywords for a given book or chapter, since keywords of a book or chapter are likely to appear disproportionately within that section. Christian Rudder has also used this concept with data from online dating profiles and Twitter posts to determine the phrases most characteristic of a given race or gender in his book Dataclysm. SIPs with a linguistic density of two or three words, adjective, adjective, noun or adverb, adverb, verb, will signal the author's attitude, premise or conclusions to the reader or express an important idea. Another use of SIPs is as a detection tool for plagiarism. (Almost) unique combinations of words can be searched for online, and if they have appeared in a published text, the search will identify where. This method only checks those texts that have been published and that have been digitized online. For example, a submission by, say, a student that contained the phrase "garden style, praising irregularity in design", might be searched for using Google. com and will yield the original Wikipedia article about Sir William Temple, English political figure and essayist.
Мысал
Компьютер туралы құжатта ең көп таралған сөз "the" сөзі болуы мүмкін, бірақ "the" ағылшын тілінде ең көп қолданылатын сөз болғандықтан, кез-келген құжат "the" сөзін жиі қолданады. Алайда, "ағылшыл Буль алгоритмі" сияқты сөз тіркесі ағылшын тіліндегі орташа көрсеткіштен әлдеқайда жоғары деңгейде болуы мүмкін. Сондықтан бұл сөз тіркесі кез келген құжатта кездеспейді, бірақ берілген құжатта кездесті. "Ақылды Буль алгоритмі" деген сөз статистикалық тұрғыдан мүмкін емес сөз. Статистикалық тұрғыдан ықтимал емес сөз тіркестері Дарвиннің "Тұқымдардың пайда болуы" кітабында: қалыпты өндіріс, ұрпақ ұрпағы, өтпелі сатылар, белгісіз ата-баба, қазбаланған түзілімдер, біздің үй жануарлары, өзгертілген ұрпақ, күмәнді нысандар, жақын туысқан нысандар, пайдалы түрленуі, өте алыс, өтпелі дәрежелер, өте ерекше түрлер және аралас ұрпақ болуы мүмкін.