Análisis Python de motivos de nubes en Paustovsky

Análisis de la imaginería de nubes en la prosa de Paustovski con Python y PLN

El análisis de las técnicas léxicas de Paustovski comenzó con la obra completa recopilada de 1981. Se descargaron archivos de 9 volúmenes y se fusionaron en un único archivo .txt que contenía 8.867.522 caracteres. Los volúmenes 8 y 9, que contenían obras de teatro y cartas, se excluyeron para centrarse en su prosa de ficción.

Los textos se dividieron en oraciones, filtrando por longitud (>20 caracteres):

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

Esto produjo 108.090 oraciones. Luego se realizó una búsqueda de los lemas 'cloud' (nube), 'sky' (cielo) y 'storm cloud' (nube de tormenta) usando pymorphy3:

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())

Se encontraron 2.282 oraciones (2,1% del total).

Clasificación de las descripciones de nubes

Las palabras clave se clasificaron por tipo:

• Términos meteorológicos (tipos de nubes: cúmulos, estratos, cirros, etc.).
• Metáforas artísticas (reamorfismo: ciudades, barcos, algodón; natmorfismo: humo, vapor).

Distribución:

• metafóricas: 1.096 (48,0%)
• neutras: 963 (42,2%)
• mixtas: 156 (6,8%)
• meteorológicas: 67 (2,9%)

Las descripciones puramente meteorológicas son mínimas, lo que indica un uso figurativo.

Intermedialidad: Conexión con la pintura

Se verificó la co-ocurrencia con artistas, pinturas, términos ('pincel', 'caballete', 'paisaje') y verbos de luz/color ('encenderse', 'brillar').

Estadísticas:

• Menciones de artistas: 2.017
• Pinturas: 770
• Términos pictóricos: 11.299
• Verbos de luz: 1.263

De las 2.282 oraciones con nubes, 688 (30,1%) contienen marcadores pictóricos.

Densidad de elementos visuales (por 1.000 caracteres):

| Categoría | Con nubes | Sin nubes | Diferencia |

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

| Verbos de luz | 0,43 | 0,14 | +0,29 |

| Adjetivos de color | 1,10 | 0,42 | +0,67 |

| Términos pictóricos | 1,85 | 1,19 | +0,67 |

| Densidad total | 3,38 | 1,74 | +1,63 |

Principales artistas: Dalí (posiblemente un artefacto de 'dali'), Manet, Levitan, Kiprenski. El 10% del corpus consiste en oraciones con términos pictóricos.

Análisis de sentimiento

El sentimiento se analizó usando rubert-base-cased-sentiment y un léxico (positivo: felicidad, paz; negativo: ansiedad, muerte):

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]

Distribución:

• Positivo: 124 (5,4%)
• Negativo: 67 (2,9%)
• Neutro: 2.087 (91,5%)
• Mixto: 4 (0,2%)

La negatividad está vinculada a la prosa de guerra (corresponsal de TASS en 1941). La positividad supera a la negatividad.

Hallazgos clave

• Nubes en Paustovski: 48% metáforas, 2,9% puramente meteorológicas.
• El 30,1% de las descripciones de nubes son intermediales (conectadas con la pintura).
• Predomina el sentimiento neutro (91,5%), positividad > negatividad.
• La densidad de marcadores visuales es 1,9 veces mayor en párrafos con nubes.
• El análisis del corpus confirma su estatus como 'pintor en prosa'.

Las nubes no sirven como fondo, sino como portadoras de estado de ánimo, símbolos y referencias al arte visual. Las descripciones selectivas mejoran la expresividad sin ser meramente decorativas.

— Editorial Team