Epitetów do «miłość» u Cwetaewej: analiza SpaCy

Analiza epitetów słowa „miłość” w liryce Cwietajewej z użyciem SpaCy

Marina Cwietajewa w swojej liryce często charakteryzuje „miłość” poprzez metafory i rzeczowniki, a nie standardowe przymiotniki. Analiza pełnego zbioru dzieł (707 487 znaków) w Pythonie ujawniła 281 kompleksów epitetów wokół słowa „miłość”. Wykorzystano bibliotekę SpaCy do ekstrakcji zależności w oknie kontekstowym ±4 tokenów.

Ekstrakcja epitetów

Funkcja analyze_epithets przetwarza tekst przez model SpaCy, skupiając się na dzieciach tokenu „miłość” (token.children). Filtrowane są części mowy nieznaczące, wyróżniane są rzeczowniki, przymiotniki pełne i krótkie, imiesłowy. Okno kontekstowe wyklucza sam token docelowy.

def analyze_epithets(text):
    doc = nlp(text)
    results = {'adj_full': [], 'adj_short': [], 'noun': [], 
               'participle': [], 'other': []}
    complexes = []
    
    for token in doc:
        if token.lemma_.lower() == 'miłość':
           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 = []

Rozkład epitetów:

• Rzeczowniki: 179 (63,7%) – dominują metafory typu „miłość – ciało i krew”.
• Przymiotniki pełne: 81 (28,8%).
• Imiesłowy: 10 (3,6%).
• Przymiotniki krótkie: 8 (2,8%).

To odróżnia Cwietajewę od typowej poezji rosyjskiej: zamiast opisowych przymiotników – utożsamianie pojęć poprzez rzeczowniki.

Częste lematy obejmują „trzeci” (7 przypadków), podkreślając motyw trójkąta miłosnego z trzecim elementem (czas, los, poezja).

Analiza pozycyjna

Funkcja analyze_position sprawdza względne położenie „miłość” w zdaniach. Teoria pozycji silnych (początek/koniec) potwierdza się częściowo.

def analyze_position(doc, target_word='miłość'):
    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)

Wyniki dla 191 zdań:

• Średnia pozycja: 0,473.
• Początek (0,0–0,2): 50 (26,2%).
• Środek (0,2–0,8): 108 (56,5%).
• Koniec (0,8–1,0): 33 (17,3%).
• Pozycje silne: 43,5%.

Słowo integruje się w tkankę wiersza, a nie wyróżnia się deklaratywnie.

Analiza długości zdań

Zdania z „miłością” są dłuższe od ogólnych:

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() == 'miłość' for t in sent)]
avg_len_love = sum(sentences_with_love) / len(sentences_with_love)

• Ogólna średnia długość: 15,3 tokenów.
• Z „miłością”: 21 tokenów.

Miłość wymaga rozwiniętego kontekstu, nie sprowadza się do aforyzmów.

Co jest ważne

• Epitety do „miłość” to głównie rzeczowniki (63,7%), co wzmacnia metaforyczność.
• Motyw „trzeciego” w 7 przypadkach podkreśla złożoność uczuć.
• Pozycja słowa bliżej środka zdań (56,5%), integrując je w narrację.
• Zdania z „miłością” są o 37% dłuższe od średnich, wymagając wyjaśnień.
• SpaCy skutecznie ekstrahuje zależności dla filologicznej analizy NLP.

Takie podejście ma zastosowanie w korpusach dowolnej poezji: dostosowanie okna, lematyzacja i filtry POS dają kwantyfikowalne wglądy w styl.

— Editorial Team