Métricas NLP de Diversidad en la Fantasía Game of Thrones Polari

## Análisis cuantitativo con NLP de la diversidad léxica en novelas de fantasía

La comparación de las novelas de debut A Game of Thrones (IP, G.R.R. Martin, 1996) y Arrow, Coin, Spark (SMI, R. Surzhikov, 2016) mediante herramientas de NLP revela diferencias en la diversidad léxica. IP contiene 240.796 palabras, SMI — 277.389. Longitud media de las oraciones: 9,6 palabras en IP frente a 8,5 en SMI. Las métricas examinadas incluyen MATTR, MTLD, HD-D y el KUL del autor para una evaluación objetiva del estilo.

Parámetros principales del texto

| Parámetro | IP | SMI | Nota |

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

| Páginas | ~933 | ~1089 | formal |

| Oraciones | 24.998 | 32.448 (+30%) | - |

| Palabras | 240.796 | 277.389 (+15%) | - |

| DET (tono emocional) | 3,5% | 10,5% (+200%) | combinaciones !/? |

| KUL | 13,50% | 16,72% (+24%) | por 50K palabras |

| MATTR | 70,58% | 72,16% | diversidad local |

| HD-D | 91,93% | 92,97% | diversidad global |

| IUFO | 63,6 | 63,5 | Flash-Oborenva |

| Diálogos | 37,6% | 35,6% | - |

KUL mide la acumulatividad de lemas únicos: la ratio de formas únicas por 50K palabras usando múltiples muestras aleatorias. Precisión ~99,5%, independiente del volumen del texto. MATTR se centra en la diversidad local en ventanas, HD-D — en la densidad global de tipos.

• Ventajas de KUL: suaviza la no linealidad, adecuado para textos de 50K palabras o más.
• MATTR: sensible a secuencias cortas de repeticiones.
• HD-D: tiene en cuenta todos los tipos pero sobreestima en corpus grandes.
• Índice de hapax: cae en el medio para IP, al final para SMI.

Algoritmo de cálculo de KUL

KUL = (promedio de lemas únicos sobre N muestras de 50K palabras) / 50.000 × 100%.

• Lemmatizar el texto (usando pymorphy2 o similar).
• Seleccionar aleatoriamente 50K formas de palabras M veces (M=1000 para precisión).
• Para cada muestra, contar lemas únicos.
• Tomar el promedio y normalizar.

Esto refleja el «vocabulario activo» — la capacidad del autor para introducir nuevos lemas sin agotamiento.

Comparación de tono emocional y estilo

Proporción de tono emocional (DET): porcentaje de oraciones con !, !!, ?!, etc. (excluyendo ? puro). SMI lidera con 10,5% frente a 3,5% en IP. Comparación con clásicos:

• Tolstoy War and Peace: ~5,2%.
• Dostoevsky Crime and Punishment: ~18,2%.

Las oraciones largas coinciden en signos de puntuación: 456 en ambas. Ejemplo de IP: descripción de la vanguardia de una tropa. De SMI: instrucciones de etiqueta.

La distribución de letras del alfabeto es estable: 'o' ~10-11%, 'e'/'a' ~8%. 'Yo' es mínima. La ley de Zipf no se cumple (a=-1,358 para IP, -1,296 para SMI).

Profundidad y temas

Profundidad narrativa: 3,87 (IP) frente a 3,72 (SMI). Temas por n-gramas: nobleza en ambas. Nombres principales: Jon/Ned/Tyrion frente a Erwin/Mira/Harmon. Palíndromos: 63 frente a 83 (+31%). SMI tiene 155 eventos históricos, IP — cero cronología.

La narrativa corporal es más fuerte en IP (+37%). Refranes: 'seventh hell' frente a 'darkness (devour)'.

Lo que importa

• KUL muestra una reserva de lemas mayor para Surzhikov (16,72% frente a 13,50%), a pesar de la diferencia de experiencia de los autores.
• MATTR/HD-D están cerca (72% frente a 70%, 93% frente a 92%), las métricas se complementan.
• La emocionalidad es 3 veces mayor en SMI, afectando la percepción de la dinámica.
• IUFO es idéntico (~63,5), legibilidad a nivel de secundaria.
• Los hapax indican fatiga: en el medio en IP, al final en SMI.

Aplicación práctica en NLP

Para análisis de prosa, combinar métricas: KUL para reserva global, MATTR para frescura local. Scripts en Python con NLTK/spaCy para lematización. Probar en 50K+ palabras para estabilidad. Las diferencias en fantasía destacan: el debut de Surzhikov (29 años, 2 premios) compite con Martin (48 años, 5 premios) en diversidad.

— Editorial Team