Métriques NLP de diversité dans le fantasy Game of Thrones Polari

Analyse quantitative NLP de la diversité lexicale dans les romans de fantasy

Comparaison des romans de début A Game of Thrones (IP, G.R.R. Martin, 1996) et Arrow, Coin, Spark (SMI, R. Surzhikov, 2016) à l'aide d'outils NLP révèle des différences en diversité lexicale. IP contient 240 796 mots, SMI — 277 389. Longueur moyenne des phrases : 9,6 mots dans IP contre 8,5 dans SMI. Les métriques examinées incluent MATTR, MTLD, HD-D et le KUL de l'auteur pour une évaluation objective du style.

Paramètres principaux du texte

| Paramètre | IP | SMI | Remarque |

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

| Pages | ~933 | ~1089 | formel |

| Phrases | 24 998 | 32 448 (+30 %) | - |

| Mots | 240 796 | 277 389 (+15 %) | - |

| DET (ton émotionnel) | 3,5 % | 10,5 % (+200 %) | !/? combinations |

| KUL | 13,50 % | 16,72 % (+24 %) | par 50K mots |

| MATTR | 70,58 % | 72,16 % | diversité locale |

| HD-D | 91,93 % | 92,97 % | diversité globale |

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

| Dialogues | 37,6 % | 35,6 % | - |

KUL mesure la cumulativité des lemmes uniques : le rapport des formes uniques à 50K mots en utilisant plusieurs échantillons aléatoires. Précision ~99,5 %, indépendante du volume du texte. MATTR se concentre sur la diversité locale dans les fenêtres, HD-D — sur la densité globale des types.

• Avantages du KUL : lisse la non-linéarité, adapté aux textes à partir de 50K mots.
• MATTR : sensible aux courtes séquences de répétitions.
• HD-D : prend en compte tous les types mais surestime dans les grands corpus.
• Indice des hapax : creux au milieu pour IP, à la fin pour SMI.

Algorithme de calcul du KUL

KUL = (moyenne des lemmes uniques sur N échantillons de 50K mots) / 50 000 × 100 %.

• Lemmatiser le texte (en utilisant pymorphy2 ou similaire).
• Sélectionner aléatoirement 50K formes de mots M fois (M=1000 pour la précision).
• Pour chaque échantillon, compter les lemmes uniques.
• Prendre la moyenne et normaliser.

Cela reflète le « vocabulaire actif » — la capacité de l'auteur à introduire de nouveaux lemmes sans épuisement.

Comparaison du ton émotionnel et du style

Part du ton émotionnel (DET) : pourcentage de phrases avec !, !!, ?!, etc. (excluant les ? purs). SMI domine avec 10,5 % contre 3,5 % dans IP. Comparaison avec les classiques :

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

Les phrases longues correspondent en marques de ponctuation : 456 dans les deux. Exemple tiré d'IP : description de l'avant-garde d'une troupe. De SMI : instructions d'étiquette.

La distribution des lettres de l'alphabet est stable : 'o' ~10-11 %, 'e'/'a' ~8 %. 'Yo' est minimale. La loi de Zipf n'est pas satisfaite (a=-1,358 pour IP, -1,296 pour SMI).

Profondeur et thèmes

Profondeur narrative : 3,87 (IP) contre 3,72 (SMI). Thèmes par n-grammes : noblesse dans les deux. Noms principaux : Jon/Ned/Tyrion contre Erwin/Mira/Harmon. Palindromes : 63 contre 83 (+31 %). SMI compte 155 événements historiques, IP — zéro chronologie.

La narration corporelle est plus forte dans IP (+37 %). Refrains : 'seventh hell' contre 'darkness (devour)'.

Ce qui compte

• KUL montre une réserve de lemmes plus importante pour Surzhikov (16,72 % contre 13,50 %), malgré la différence d'expérience des auteurs.
• MATTR/HD-D sont proches (72 % contre 70 %, 93 % contre 92 %), les métriques se complètent.
• L'émotionnalité est 3 fois plus élevée dans SMI, affectant la perception de la dynamique.
• IUFO est identique (~63,5), lisibilité au niveau intermédiaire.
• Les hapax indiquent la fatigue : milieu dans IP, fin dans SMI.

Application pratique en NLP

Pour l'analyse de la prose, combiner les métriques : KUL pour la réserve globale, MATTR pour la fraîcheur locale. Scripts Python avec NLTK/spaCy pour la lemmatisation. Tester sur 50K+ mots pour la stabilité. Les différences en fantasy mettent en lumière : le roman de début de Surzhikov (29 ans, 2 prix) rivalise avec Martin (48 ans, 5 prix) en diversité.

— Editorial Team