Quantitative NLP-Analyse der lexikalen Vielfalt in Fantasy-Romanen
Ein Vergleich der Debütromane A Game of Thrones (IP, G.R.R. Martin, 1996) und Arrow, Coin, Spark (SMI, R. Surzhikov, 2016) mit NLP-Tools zeigt Unterschiede in der lexikalen Vielfalt. IP enthält 240.796 Wörter, SMI — 277.389. Durchschnittliche Satzlänge: 9,6 Wörter in IP vs. 8,5 in SMI. Die untersuchten Metriken umfassen MATTR, MTLD, HD-D und den KUL des Autors für eine objektive Stilbewertung.
Wichtige Textparameter
| Parameter | IP | SMI | Hinweis |
|----------|----|-----|---------|
| Seiten | ~933 | ~1089 | formell |
| Sätze | 24.998 | 32.448 (+30 %) | - |
| Wörter | 240.796 | 277.389 (+15 %) | - |
| DET (emotionaler Ton) | 3,5 % | 10,5 % (+200 %) | !/?-Kombinationen |
| KUL | 13,50 % | 16,72 % (+24 %) | pro 50K Wörter |
| MATTR | 70,58 % | 72,16 % | lokale Vielfalt |
| HD-D | 91,93 % | 92,97 % | globale Vielfalt |
| IUFO | 63,6 | 63,5 | Flash-Oborenva |
| Dialoge | 37,6 % | 35,6 % | - |
KUL misst die Kumulativität einzigartiger Lemmata: das Verhältnis einzigartiger Formen zu 50K Wörtern unter Verwendung mehrerer Zufallsstichproben. Genauigkeit ~99,5 %, unabhängig vom Textvolumen. MATTR konzentriert sich auf lokale Vielfalt in Fenstern, HD-D — auf globale Typendichte.
- Vorteile von KUL: glättet Nonlinearitäten, geeignet für Texte ab 50K Wörtern.
- MATTR: empfindlich gegenüber kurzen Sequenzen von Wiederholungen.
- HD-D: berücksichtigt alle Typen, überschätzt aber in großen Korpora.
- Hapax-Index: sinkt bei IP in der Mitte, bei SMI am Ende.
KUL-Berechnungsalgorithmus
KUL = (durchschnittliche einzigartige Lemmata über N Stichproben von 50K Wörtern) / 50.000 × 100 %.
- Lemmatisiere den Text (mit pymorphy2 oder Ähnlichem).
- Wähle zufällig 50K Wortformen M-mal aus (M=1000 für Genauigkeit).
- Zähle für jede Stichprobe die einzigartigen Lemmata.
- Nimm den Durchschnitt und normalisiere.
Dies spiegelt den „aktiven Wortschatz“ wider — die Fähigkeit des Autors, neue Lemmata einzuführen, ohne Erschöpfung.
Vergleich von emotionalem Ton und Stil
Anteil emotionalen Tons (DET): Prozentsatz der Sätze mit !, !!, ?!, usw. (ohne reine ?). SMI führt mit 10,5 % vs. 3,5 % in IP. Vergleich mit Klassikern:
- Tolstoy War and Peace: ~5,2 %.
- Dostoevsky Crime and Punishment: ~18,2 %.
Lange Sätze stimmen in Interpunktionsmarken überein: 456 in beiden. Beispiel aus IP: Beschreibung einer Truppenvorhut. Aus SMI: Etiketteanweisungen.
Die Verteilung der Buchstaben im Alphabet ist stabil: „o“ ~10–11 %, „e“/„a“ ~8 %. „Yo“ ist minimal. Zipfsches Gesetz wird nicht erfüllt (a=–1,358 für IP, –1,296 für SMI).
Tiefe und Themen
Erzähltiefe: 3,87 (IP) vs. 3,72 (SMI). Themen nach n-Grammen: Adel in beiden. Top-Namen: Jon/Ned/Tyrion vs. Erwin/Mira/Harmon. Palindrome: 63 vs. 83 (+31 %). SMI hat 155 historische Ereignisse, IP — keine Chronologie.
Körperliche Erzählweise ist in IP stärker (+37 %). Refrains: „seventh hell“ vs. „darkness (devour)“.
Was zählt
- KUL zeigt eine größere Lemmata-Reserve für Surzhikov (16,72 % vs. 13,50 %), trotz des Erfahrungsunterschieds der Autoren.
- MATTR/HD-D liegen nah beieinander (72 % vs. 70 %, 93 % vs. 92 %), die Metriken ergänzen sich.
- Emotionalität ist in SMI dreimal höher, beeinflusst die Wahrnehmung der Dynamik.
- IUFO ist identisch (~63,5), Lesbarkeit auf Mittelstufen-Niveau.
- Hapaxe deuten auf Ermüdung hin: Mitte in IP, Ende in SMI.
Praktische Anwendung in der NLP
Für die Prosa-Analyse Metriken kombinieren: KUL für globale Reserve, MATTR für lokale Frische. Python-Skripte mit NLTK/spaCy für Lemmatisierung. Auf 50K+ Wörter testen für Stabilität. Unterschiede in Fantasy zeigen: Surzhikovs Debüt (29 Jahre alt, 2 Auszeichnungen) konkurriert mit Martin (48 Jahre alt, 5 Auszeichnungen) in der Vielfalt.
— Editorial Team
Noch keine Kommentare.