Analyse de l'Imaginaire des Nuages dans la Prose de Paustovsky avec Python et NLP
L'analyse des techniques lexicales de Paustovsky a débuté avec l'édition complète de ses œuvres de 1981. Les fichiers des 9 volumes ont été téléchargés et fusionnés en un seul fichier .txt contenant 8 867 522 caractères. Les volumes 8 et 9, contenant des pièces de théâtre et des lettres, ont été exclus pour se concentrer sur sa prose fictionnelle.
Les textes ont été divisés en phrases, en filtrant par longueur (>20 caractères) :
sentences = re.split(r'[.!?…]+', text)
sentences = [s.strip() for s in sentences if len(s.strip()) > 20]Cela a donné 108 090 phrases. Une recherche a ensuite été menée pour les lemmes 'cloud', 'sky' et 'storm cloud' (comme dans 'storm cloud', nuage d'orage) en utilisant 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())2 282 phrases ont été trouvées (2,1 % du total).
Classification des Descriptions de Nuages
Les mots-clés ont été classés par type :
- Termes météorologiques (types de nuages : cumulus, stratus, cirrus, etc.).
- Métaphores artistiques (réamorphisme : villes, navires, coton ; natmorphisme : fumée, vapeur).
Répartition :
- métaphorique : 1 096 (48,0 %)
- neutre : 963 (42,2 %)
- mixte : 156 (6,8 %)
- météorologique : 67 (2,9 %)
Les descriptions purement météorologiques sont minimales, indiquant un usage figuratif.
Intermédialité : Lien avec la Peinture
La cooccurrence avec des artistes, des peintures, des termes ('pinceau', 'chevalet', 'paysage') et des verbes de lumière/couleur ('s'embraser', 'luire') a été vérifiée.
Statistiques :
- Mentions d'artistes : 2 017
- Peintures : 770
- Termes de peinture : 11 299
- Verbes de lumière : 1 263
Sur les 2 282 phrases avec nuages, 688 (30,1 %) contiennent des marqueurs picturaux.
Densité des éléments visuels (pour 1 000 caractères) :
| Catégorie | Avec Nuages | Sans Nuages | Différence |
|--------------------|------------|-------------|---------|
| Verbes de lumière | 0,43 | 0,14 | +0,29 |
| Adjectifs de couleur | 1,10 | 0,42 | +0,67 |
| Termes de peinture | 1,85 | 1,19 | +0,67 |
| Densité totale | 3,38 | 1,74 | +1,63 |
Principaux artistes : Dalí (possiblement un artefact de ' dali'), Manet, Levitan, Kiprensky. 10 % du corpus est constitué de phrases avec des termes de peinture.
Analyse des Sentiments
Le sentiment a été analysé en utilisant rubert-base-cased-sentiment et un lexique (positif : bonheur, paix ; négatif : anxiété, mort) :
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]Répartition :
- Positif : 124 (5,4 %)
- Négatif : 67 (2,9 %)
- Neutre : 2 087 (91,5 %)
- Mixte : 4 (0,2 %)
La négativité est liée à la prose de guerre (correspondant TASS en 1941). La positivité l'emporte sur la négativité.
Principales Découvertes
- Nuages chez Paustovsky : 48 % de métaphores, 2,9 % purement météorologiques.
- 30,1 % des descriptions de nuages sont intermédiales (liées à la peinture).
- Le sentiment neutre prédomine (91,5 %), positivité > négativité.
- La densité des marqueurs visuels est 1,9 fois plus élevée dans les paragraphes avec nuages.
- L'analyse du corpus confirme son statut de 'peintre en prose'.
Les nuages servent non pas de décor, mais de porteurs d'humeur, de symboles et de références à l'art visuel. Les descriptions sélectives renforcent l'expressivité sans être simplement décoratives.
— Editorial Team
Aucun commentaire pour le moment.