Python-Analyse von Wolkenmotiven bei Paustovsky

Analyse der Wolkenbilder in Paustovskijs Prosa mit Python und NLP

Die Analyse der lexikalischen Techniken Paustovskijs begann mit den gesammelten Werken von 1981. Dateien aus 9 Bänden wurden heruntergeladen und zu einer einzigen .txt-Datei mit 8.867.522 Zeichen zusammengeführt. Die Bände 8 und 9, die Theaterstücke und Briefe enthalten, wurden ausgeschlossen, um sich auf seine fiktionale Prosa zu konzentrieren.

Die Texte wurden in Sätze aufgeteilt und nach Länge gefiltert (>20 Zeichen):

sentences = re.split(r'[.!?…]+', text)
sentences = [s.strip() for s in sentences if len(s.strip()) > 20]

Dies ergab 108.090 Sätze. Anschließend wurde nach den Lemmata 'Wolke', 'Himmel' und 'Gewitterwolke' mit pymorphy3 gesucht:

target_keywords = ['cloud', 'sky', 'storm cloud', 'small cloud', 'clouds', 'sky', 'storm clouds']
target_forms = set(target_keywords)
morph = pymorphy3.MorphAnalyzer()
for lemma in ['cloud', 'sky', 'storm cloud']:
    parsed = morph.parse(lemma)[0]
    for form in parsed.lexeme:
        target_forms.add(form.word.lower())

2.282 Sätze wurden gefunden (2,1 % der Gesamtmenge).

Klassifizierung der Wolkenbeschreibungen

Die Schlüsselwörter wurden nach Typ klassifiziert:

• Meteorologische Begriffe (Wolkentypen: Kumulus, Stratus, Zirrus usw.).
• Künstlerische Metaphern (Reamorphismus: Städte, Schiffe, Baumwolle; Natmorphismus: Rauch, Dampf).

Verteilung:

• metaphorisch: 1.096 (48,0 %)
• neutral: 963 (42,2 %)
• gemischt: 156 (6,8 %)
• meteorologisch: 67 (2,9 %)

Rein meteorologische Beschreibungen sind minimal, was auf eine figurative Verwendung hindeutet.

Intermedialität: Verbindung zur Malerei

Das gemeinsame Auftreten mit Künstlern, Gemälden, Begriffen ('Pinsel', 'Staffelei', 'Landschaft') und Licht-/Farbverben ('aufleuchten', 'glühen') wurde überprüft.

Statistiken:

• Künstlererwähnungen: 2.017
• Gemälde: 770
• Malbegriffe: 11.299
• Lichtverben: 1.263

Von den 2.282 Wolkensätzen enthalten 688 (30,1 %) Malereimarker.

Visuelle Elementdichte (pro 1.000 Zeichen):

| Kategorie | Mit Wolken | Ohne Wolken | Unterschied |

|--------------------|------------|-------------|---------|

| Lichtverben | 0,43 | 0,14 | +0,29 |

| Farbadjektive | 1,10 | 0,42 | +0,67 |

| Malbegriffe | 1,85 | 1,19 | +0,67 |

| Gesamtdichte | 3,38 | 1,74 | +1,63 |

Top-Künstler: Dalí (möglicherweise ein Artefakt von 'dali'), Manet, Levitan, Kiprensky. 10 % des Korpus bestehen aus Sätzen mit Malbegriffen.

Sentimentanalyse

Das Sentiment wurde mit rubert-base-cased-sentiment und einem Lexikon (positiv: Glück, Frieden; negativ: Angst, Tod) analysiert:

sentiment_results = []
for sentence in target_sentences:
    sentiment = analyze_sentiment_lexicon(sentence)
    sentiment_results.append({
        'sentence': sentence[:200],
        'sentiment': sentiment
    })
all_sentiments = [r['sentiment'] for r in sentiment_results]

Verteilung:

• Positiv: 124 (5,4 %)
• Negativ: 67 (2,9 %)
• Neutral: 2.087 (91,5 %)
• Gemischt: 4 (0,2 %)

Negativität ist mit Kriegsprosa (TASS-Korrespondent 1941) verbunden. Positivität überwiegt Negativität.

Wichtigste Erkenntnisse

• Wolken bei Paustovsky: 48 % Metaphern, 2,9 % rein meteorologisch.
• 30,1 % der Wolkenbeschreibungen sind intermedial (mit Malerei verbunden).
• Neutrales Sentiment überwiegt (91,5 %), Positivität > Negativität.
• Die Dichte visueller Marker ist in Absätzen mit Wolken 1,9-mal höher.
• Die Korpusanalyse bestätigt seinen Status als 'Maler in Prosa'.

Wolken dienen nicht als Hintergrund, sondern als Träger von Stimmung, Symbolen und Verweisen auf bildende Kunst. Selektive Beschreibungen steigern die Ausdruckskraft, ohne bloß dekorativ zu sein.

— Editorial Team