Математические методы в филологии

Основные области применения количественных методов
Корпусная лингвистика
Сравнительно-историческое языкознание
Социолингвистика
Дискурс-анализ
Стилистика (анализ лексики как основание для отнесения текста к определённому стилю)
Атрибуция текстов
Анализ поэтического текста

Контент-анализ как количественный метод анализа текстов
Сущность контент-анализа заключается в том, чтобы по внешним — количественным — характеристикам текста на уровне слов и словосочетаний сделать правдоподобные предположения о его плане содержания и, как следствие, сделать выводы об особенностях мышления и сознания автора текста — его намерениях, установках, желаниях, ценностных ориентациях и т. д.

Контент-анализ как количественный метод анализа текстов
Важнейшей категорией контент-анализа является концептуальная переменная — понятие, которое стоит в центре проводимого исследования («СВОЙ-ЧУЖОЙ», «ДЕМОКРАТИЯ», «ПРАВА ЧЕЛОВЕКА», «ЖЕНСКИЙ ВОПРОС»)
В конкретном тексте концептуальная переменная представлена своими значениями — языковыми представителями.
Так, концептуальная категория «СВОЙ-ЧУЖОЙ» в текстах может иметь следующие значения: мой, наш, мы, я, привычный, знакомый, близкий vs. их, его, ее, он, она, оно, они, их, ее, его, непривычный, дальний, незнакомый.

Этапы подготовки и проведения исследования
выбор материала—корпуса языковых данных;
выбор концептуальной переменной и определение ее значений — языковых репрезентантов выбранного понятия в тексте;
выбор единицы кодирования; значения К-переменной могут приписываться текстам, их фрагментам, абзацам, предложениям и отдельным словам и словосочетаниям (например, заголовкам).

Этапы подготовки и проведения исследования
4) отбор кодировщиков (выбор программ) и формулировка инструкций по кодированию; существует два вида контент-анализа — жесткий и мягкий (выявляются не только явные, но и неявные, имплицитные вхождения переменной);
5) кодировка данных;
6) подсчет данных и интерпретация результатов.

Проблема семантической достоверности
Необходимо учитывать многозначность языковых выражений, являющихся значениями К-переменной.
После этого тихо тлевшая война перешла в открытые боевые действия. «Мослифт» полностью перестал обращаться на тот самый завод, чьи технологии — капельная пропитка статоров, централизованная нарезка канатов с обваркой концов, автоматизированная очистка редукторов главного привода и тому подобные лифтовые премудрости, — существенно улучшают качество ремонта (анализ К-переменной «ВОЙНА-МИР»).

Исследование политических метафор с помощью контент-анализа
X. де Ландшер на материале голландского политического дискурса за период с 1831 по 1981 гг. [Christ'l de Landtsheer 1991] попытался установить возможные корреляции между частотой использования в политическом дискурсе политических метафор и периодами политико-экономических кризисов

Степень метафоричности дискурса
Степень метафоричности для разных метафор может различаться, для общей оценки силы метафоры была введена переменная референциальной интенсивности I, которая вычислялась по следующей формуле:
w — количество «слабых» метафор (реализация стандартных метафорических переносов значения)
n — обычные конвенциональные метафоры, не фиксированные как словарные значения
s — абсолютно новые, креативные метафоры;
t — общее количество метафор.

Тип метафорической модели
Сила воздействия метафоры связана не только с новизной или общепринятостью, но и с типом самой метафорической модели. Понятно, что метафорические модели ВОЙНЫ, СМЕРТИ, БОЛЕЗНИ более конфликтны, чем метафорические модели СТРОЕНИЯ, ПУТИ. Для отражения конфликтности была введена еще одна переменная — переменная содержания D, которая вычислялась по следующей формуле:
р — стертые метафоры;
n — метафоры природы;
po — политические и интеллектуальные метафоры;
d — метафоры смерти и бедствий;
sp — игровые и спортивные метафоры;
m — метафоры болезни;
t — общее количество метафор.

Результаты исследования
Результаты кодирования и вычисленные переменные интенсивности и содержания были сопоставлены с имеющимися в статистических справочниках данными по безработице и динамике оптовых цен.
Оказалось, что динамика значений переменных I и D коррелирует с динамикой безработицы: чем выше безработица, тем выше значение переменной интенсивности и переменной содержания.
Интересно, что оценка абсолютной частоты использования метафор в меньшей степени отражает степень корреляции, чем переменные I и D.

Семантический анализ текста
Семантическая структура устного спонтанного текста: социолингвистическое варьирование (Павлова Д.С., Ерофеева Е.В.)
В рамках исследования использовался метод графосемантического моделирования текста (разработан К.И. Белоусовым, Н.Л. Зелянской, Д.А. Барановым) с применением информационной системы «Семограф» (http://semograph.com)

Графосемантическое моделирование
«Графосемантическое моделирование представляет собой метод графической экспликации структурных связей между семантическими компонентами одного множества» [Белоусов 2009: 31].
Таким множеством может являться любой текст.

Алгоритм графосемантического моделирования
1) проведение компонентного анализа отобранного материала, т. е. выделение контекстов и компонентов из всего массива материала, в нашем случае – из текста;
2) проведение полевого анализа выделенных компонентов, который подразумевает объединение компонентов в поля (классы);
3) генерация семантической карты, отражающей связи между полями в пределах всей выборки;
4) графическая экспликация результатов анализа в виде графа;
5) интерпретация полученной модели.

Семантический анализ
спонтанного монолога
Контекст—синтагма (минимальное интонационное и синтаксическое целое);
Компонент –знаменательное слово (исключаются дискурсивные слова, заполнители пауз хезитации и пр.)
Поле=семантическое поле=микротема;

Алгоритм анализа
1) Построение семантической классификации компонентов (один компонент может относиться к разным группам; например, слово университет, которое встречается в контексте я филолог закончила университет... Относится одновременно к микротемам ОБРАЗОВАНИЕ и МЕСТО (поскольку информант в данном случае говорит именно о месте, где она получала образование).
2) Построение семантической карты (выявление связей между всеми полями текста)
3) Построение графа

Состав микротемы «я»
Местоимение я и его формы (мне, меня, мной и др.),
местоимение мы и его формы (нам, нами, нас и др.);
глаголы в форме 1 лица ед.ч. (помню, люблю, имею, считаю, работаю и др.);
глаголы в форме прошедшего времени (сходил, стоял, считал, поступил, учился и др.);
глаголы в форме множественного числа, подразумевающие действия, которые совершает сам рассказчик вместе с родственниками /друзьями /коллегами (осматривали, заняли, ездим, проживаем и др.);
собственные имена самих информантов (Александр, Лариса, Лида Нечаева, Чуклинов Антон Викторович, Наталья, Тамара Леонидовна).

Графосемантическое моделирование

Относительный объём микротем в текстах мужчин и женщин

Модель семантической структуры текстов мужчин

Модель семантической структуры текстов женщин

Относительный объём микротем в текстах информантов с высшим и средним образованием