Koryfejové a epigoni: studie vzájemné podobnosti básnických stylů a jejich evoluce

• Thesis title in Czech: Koryfejové a epigoni: studie vzájemné podobnosti básnických stylů a jejich evoluce
• Thesis title in English: Pioneers and Epigones: A Study of the Mutual Similarity of Poetic Styles and Their Evolution
• Academic year of topic announcement: 2026/2027
• Thesis type: diploma thesis
• Thesis language: čeština
• Department: Department of Philosophy and History of Science (31-107)
• Supervisor: Mgr. Petr Tureček, Ph.D.

Preliminary scope of work

Říká se, že poezii už dnes čte jen ten, kdo ji sám píše. Velikost běžných nákladů sbírek básní by tomu odpovídala. Rozhodně je pravdou, že mnoho českých básníků, jejichž díla byla uveřejněna na facebookové stránce Poezie pro každý den, je samo aktivními členy této skupiny a sdílí tam básně, které je zaujaly. Ze současné české poezie se tak stává ideální „přirozený experiment“, který nám umožňuje evaluovat podobnost mezi „kulturními vlivy“ a „kulturními produkty“, což obecně bývá problém u velkých korpusů (Sobchuk & Šeļa, 2024), na kterých se dnes snaží vědci modelovat kulturní evoluci literární scény, aniž by se dalo přesně zjistit, kdo měl na koho nějaký vliv.
Jakékoliv literární výdobytky je navíc v současnosti možné díky pokrokům ve vývoji velkých jazykových modelů a dalších výstupů strojového učení (doc2vec) klasifikovat jako vektory ve vícerozměrném prostoru (Karvelis et al., 2018). Z těchto formalizací je následně možné extrahovat (nepříliš zajímavé) významové vektory (jestli práce pojednává o jezerech nebo kosmonautech) a soustředit se například na styly (podoblasti zbývajícího prostoru) různých autorů. Řadu technik vyvinutých pro posuzování podobnosti jednoduše parametrizovatelných artefaktů (např. špiček oštěpů (Mesoudi & O’Brien, 2008; Tureček et al., 2019)) je tak možné konečně použít i na tak komplexní jazykové projevy, jako je poezie. Byla by tedy škoda této dvojité konjunktury nevyužít.

Karvelis, P., Gavrilis, D., Georgoulas, G., & Stylios, C. (2018). Topic recommendation using Doc2Vec. 2018 International Joint Conference on Neural Networks (IJCNN), 1–6. https://doi.org/10.1109/IJCNN.2018.8489513
Mesoudi, A., & O’Brien, M. J. (2008). The cultural transmission of great basin projectile-point technology II: An Agent Based Computer Simulation. American Antiquity, 73(4), 627–644. https://doi.org/10.2307/25470521
Sobchuk, O., & Šeļa, A. (2024). Computational thematics: Comparing algorithms for clustering the genres of literary fiction. Humanities and Social Sciences Communications, 11(1), 438. https://doi.org/10.1057/s41599-024-02933-6
Tureček, P., Slavík, J., Kozák, M., & Havlíček, J. (2019). Non-particulate inheritance revisited: Evolution in systems with Parental Variability-Dependent Inheritance. Biological Journal of the Linnean Society, 127(2), 518–533.

Preliminary scope of work in English

It is said that today, poetry is read only by those who write it themselves. The typical print runs of poetry collections reflect this notion. It is certainly true that many Czech poets whose works have been published on the Facebook page "Poetry for Every Day" are themselves active members of this group and share poems that have caught their attention. Contemporary Czech poetry thus becomes an ideal "natural experiment," allowing us to evaluate the similarity between "cultural influences" and "cultural products," a challenge commonly faced with large corpora (Sobchuk & Šeļa, 2024), where researchers attempt to model the cultural evolution of the literary scene without being able to precisely identify who influenced whom. Moreover, thanks to advancements in large language models and other machine learning outputs (such as doc2vec), any literary achievements can now be classified as vectors in multidimensional space (Karvelis et al., 2018). From these formalizations, it is possible to extract (less interesting) semantic vectors (whether the work is about lakes or astronauts) and focus on styles (subregions of the remaining space) of various authors. Many techniques developed for assessing the similarity of easily parameterized artifacts (e.g., spearheads (Mesoudi & O’Brien, 2008; Tureček et al., 2019)) can now finally be applied to such complex linguistic expressions as poetry. It would be a shame not to take advantage of this double conjuncture.

Karvelis, P., Gavrilis, D., Georgoulas, G., & Stylios, C. (2018). Topic recommendation using Doc2Vec. 2018 International Joint Conference on Neural Networks (IJCNN), 1–6. https://doi.org/10.1109/IJCNN.2018.8489513
Mesoudi, A., & O’Brien, M. J. (2008). The cultural transmission of great basin projectile-point technology II: An Agent Based Computer Simulation. American Antiquity, 73(4), 627–644. https://doi.org/10.2307/25470521
Sobchuk, O., & Šeļa, A. (2024). Computational thematics: Comparing algorithms for clustering the genres of literary fiction. Humanities and Social Sciences Communications, 11(1), 438. https://doi.org/10.1057/s41599-024-02933-6
Tureček, P., Slavík, J., Kozák, M., & Havlíček, J. (2019). Non-particulate inheritance revisited: Evolution in systems with Parental Variability-Dependent Inheritance. Biological Journal of the Linnean Society, 127(2), 518–533.