Análisis de epítetos para 'amor' en la poesía de Tsvetáeva utilizando SpaCy
Marina Tsvetáeva suele caracterizar el 'amor' mediante metáforas y sustantivos en lugar de adjetivos convencionales en su lírica. Un análisis de su obra completa (707.487 caracteres) en Python identificó 281 complejos de epítetos en torno a la palabra 'amor'. Se utilizó la biblioteca SpaCy para extraer dependencias dentro de una ventana contextual de ±4 tokens.
Extracción de epítetos
La función analyze_epithets procesa el texto a través de un modelo de SpaCy, centrándose en los tokens hijos de 'amor' (token.children). Se filtran las palabras funcionales, mientras se extraen sustantivos, adjetivos completos y cortos, y participios. La ventana contextual excluye el token objetivo.
def analyze_epithets(text):
doc = nlp(text)
results = {'adj_full': [], 'adj_short': [], 'noun': [],
'participle': [], 'other': []}
complexes = []
for token in doc:
if token.lemma_.lower() == 'love':
children = list(token.children)
window_start = max(0, token.i - 4)
window_end = min(len(doc), token.i + 5)
window_tokens = [doc[i] for i in range(window_start, window_end)
if i != token.i]
potential_epithets = []Distribución de epítetos:
- Sustantivos: 179 (63,7%) — predominan metáforas como 'el amor es carne y sangre'.
- Adjetivos completos: 81 (28,8%).
- Participios: 10 (3,6%).
- Adjetivos cortos: 8 (2,8%).
Esto distingue a Tsvetáeva de la poesía rusa típica: en lugar de adjetivos descriptivos, utiliza sustantivos para equiparar conceptos.
Los lemas frecuentes incluyen 'tercero' (7 instancias), destacando el motivo del triángulo amoroso con un tercer elemento (tiempo, destino, poesía).
Análisis posicional
La función analyze_position examina la posición relativa de 'amor' dentro de las oraciones. La teoría de posiciones fuertes (inicio/final) se confirma parcialmente.
def analyze_position(doc, target_word='love'):
position_data = []
for sent in doc.sents:
love_tokens = [t for t in sent if t.lemma_.lower() == target_word]
if love_tokens:
sent_len = len(sent)
for token in love_tokens:
token_idx = token.i - sent.start
rel_pos = token_idx / sent_len if sent_len > 0 else 0
position_data.append({
'sentence_len': sent_len,
'relative_position': rel_pos
})
return pd.DataFrame(position_data)Resultados de 191 oraciones:
- Posición promedio: 0,473.
- Inicio (0,0–0,2): 50 (26,2%).
- Medio (0,2–0,8): 108 (56,5%).
- Final (0,8–1,0): 33 (17,3%).
- Posiciones fuertes: 43,5%.
La palabra se integra en el tejido del verso en lugar de destacarse de manera declarativa.
Análisis de longitud de oraciones
Las oraciones que contienen 'amor' son más largas que el promedio:
all_sent_lengths = [len(sent) for sent in doc.sents]
avg_len_all = sum(all_sent_lengths) / len(all_sent_lengths)
sentences_with_love = [len(sent) for sent in doc.sents
if any(t.lemma_.lower() == 'love' for t in sent)]
avg_len_love = sum(sentences_with_love) / len(sentences_with_love)- Longitud promedio general: 15,3 tokens.
- Con 'amor': 21 tokens.
El amor requiere un contexto ampliado y no puede reducirse a aforismos.
Conclusiones clave
- Los epítetos para 'amor' son predominantemente sustantivos (63,7%), enriqueciendo la riqueza metafórica.
- El motivo del 'tercero' en 7 instancias enfatiza la complejidad de las emociones.
- La posición de la palabra tiende hacia el medio de las oraciones (56,5%), integrándola en la narrativa.
- Las oraciones con 'amor' son un 37% más largas que el promedio, requiriendo explicación.
- SpaCy extrae eficazmente dependencias para análisis filológico de PLN.
Este enfoque es aplicable a cualquier corpus poético: ajustar la ventana, lematización y filtros POS proporciona perspectivas cuantificables sobre el estilo.
— Editorial Team
Aún no hay comentarios.