Quantitative Research of the Author English-Language Corpus by Raghu N. Mitra

Borunov Artem Borisovich ORCID: 0000-0003-2507-7218 PhD in Philology Associate Professor of the Department of Romano-Germanic Languages Moscow State University of Humanities and Economics 107150, Russia, g. Moscow, ul. Losinoostrovskaya, 49 borunov.artem@yandex.ru Other publications by this author

Квантитативная лингвистика, развивавшаяся в Европе и США, переживает расцвет в наши дни в России. Сегодня отечественные лингвисты обратили внимание на методы и подходы этого раздела общей лингвистики, а, с учетом возросшей компьютеризации нашей жизни, удобством использования компьютерного программного обеспечения при проведении анализа корпуса, создании конкордансов и глоссариев, машинном анализе текста, появляется всё больше интересных исследований как в области филологии, отметим, например, исследование параметрических ядер германских языков Воевудской О. М. ^[4], исследование параметрического ядра русской лексики по данным МАС-2 Стародубцевой Ю. А. ^[7], так и техническими специалистами, вносящими вклад в автоматизацию процесса текстового анализа, например, разработка автоматизированной системы семантического анализа и построения визуальных динамических глоссариев Кулешова С. В. ^[6].

Квантитативный анализ, иными словами количественное исследование языка статистическими методами, позволяет, при помощи компьютерного ПО, автоматизировано получить данные по интересующему исследователя запросу.

Для проведения анализа текста использовалась компьютерная программа «WordSmith Tools» ^[14]. Данная программа обладает большим функционалом для всестороннего исследования текста математическими методами. Учитывая задачи настоящего следования, мы воспользовались функцией общей статистики корпуса и функцией построения частотного списка.

Фактическим материалом исследования послужил созданный нами электронный авторский англоязычный корпус из 4 полных вариантов книг и двух отрывков из книг Рэгу Н. Митры на английском языке:

1) «Очень банальная страсть» “A Very Insipid Passion” ^[11];

2) «Грехопадение» “Impute Fall to Sin” ^[9];

3) «Дождь из теней» “A Rain Full of Ghosts” ^[10];

4) «Если бы не смерть» “If there wasn't death” ^[8],

а также 2 фрагмента других произведений писателя, представленных в свободном доступе в сети Интернет:

5) “As in the falling of an eyelid” ^[12];

6) “At The Davies” ^[13].

Материал исследования. Приведем исходные параметры анализируемого корпуса, используя ПО, которые занесены в таблицу 1. «Статистические данные обработки авторского корпуса». При обработке общего файла корпуса текстов Р. Н. Митры были выделены исходные данные взятых для анализа текстов, которые составляют – 414311 слов или токенов (столбец «tokens used for word list»), либо 2 273 083 знаков с пробелами (столбец «file size»). Подробнее процедура получения электронного авторского корпуса текста и исследование его начальных параметров описано в статье, откуда позаимствован фрагмент табл. 1 ^[1].

Табл. 1. Статистические данные обработки авторского корпуса ^[1].

Опираясь на материал данного авторского корпуса из 414311 токенов, построим частотный список. Данный эксперимент был проведен нами с использованием программы «WordSmith Tools», функция автоматизированного построения частотного списка ^[14].

Эксперимент № 1: «Построение частотного списка лексических единиц исследуемого авторского корпуса программой «WordSmith Tools».

Цель эксперимента: построить частотный список и проанализировать его, затем отобрать 50 наиболее частотных единиц из авторского корпуса и провести сравнение с другими англоязычными корпусами.

Исходные данные: авторский корпус объемом 414311 токенов ^[1]. Исходные параметры авторского корпуса занесены в табл. 1.

Дата эксперимента: 22.02.2016.

Ход эксперимента: созданный электронный авторский корпус был загружен в программу для составления частотного словаря. Программа автоматически проанализировала корпус и составила список, ранжированный по частотности словоупотребления. Однако, несмотря на удобство и быстроту обработки информации данным ПО, отметим недостаток, а именно при автоматическом анализе корпуса отсутствует функция объединения различных словоформ в лексему, поэтому, например, слова «dog» и «dogs» считаются различными и частотность употребления подсчитывается для каждого слова, также как и в случае с грамматическими парадигмами времен. Кроме того, программа учитывает как токены служебные слова: артикли, союзы, предлоги. Мы не стали в ручную вносить коррективы в результаты обработки текста, так как не ставили задачи обработать частотность, например, исключительно номинативных единиц.

Результаты эксперимента: в составленном частотном словаре последним словом является “zoomed”, которое в ранжировке занимает место под номером 19404 с индексом частотности употребления 1. Первые места по частотности, как и ожидалось, занимают служебные слова: “the”, “I”, “a”, которые обладают частотностью употребления 19256, 11546, 11268 соответственно (см. Табл. 2). На данные слова приходится от 4,64 до 2,72 % текста.

……………..

Табл. 2. Фрагмент таблицы-отчета частотного употребления ЛЕ.

Приведем список 50 слов с наибольшей частотностью употребления из исследуемого корпуса (Табл. 3): «Freq.» - «частотность употребления», «%» - «% в корпусе», «Texts» - в данном столбце указано, что при расчете брались данные одного корпуса. Данный список состоит из служебных слов: артиклей, предлогов, местоимений, вспомогательных и модальных глаголов, союзов, частиц, прошедшего времени глагола “said”, вводящего косвенную речь и слова “like”, которое может быть как глаголом, так и наречием. На данный список приходится 46,34% всего корпуса.

Табл. 3. Список 50 самых частотных токенов

Высокую частотность употребления таких единиц как “the”, “a”, “had”, “was”, “of”, “are”, “is”, “have” и ряда других можно объяснить грамматической системой английского языка, в котором присутствует категория определенности/неопределенности, передающаяся посредством артикля, аналитический способ образования грамматических времен при помощи вспомогательных глаголов, передача части грамматических отношений через предлоги. Сравним наши данные с данными Корпуса современного американского английского языка ^[5] (англ. Corpus of Contemporary American English), которые представлены в Табл. 4. (Корпус современного американского английского языка).

Табл. 4. 50 самых частотных единиц по данным Корпуса современного американского английского языка ^[5].

Обратим внимание на то, что, как и в авторском корпусе Р. Н. Митры, так и в Корпусе современного американского английского языка среди 50 наиболее частотных единиц присутствуют артикли (в обоих корпусах артикль “the” во главе списка), предлоги, местоимения, вспомогательные и модальные глаголы.

Особенностью авторского корпуса Р. Н. Митры из 50 самых частотных единиц является:

а) присутствуют имена основных героев “Halley” (частотность 1830), “Sandy” (частотность 1603);

б) учитывая специфику повествования «основным героем является доктор Мартин <…>, повествование ведется от лица героя» ^{[2, c. 17]} местоимение первого лица I находится на втором месте в списке частотности (частотность 11546).

Как уже отмечалось в одной из публикаций, посвященных исследованию творчества Рэгу Н. Митры: «в рассматриваемых романах Р. Н. Митры герои работают в полиции, расследуя преступления, связанные с оборотом наркотических средств, соответственно, в их речи присутствуют обиходные слова из данной сферы, жаргонизмы, характерные для речи полицейских и преступников: fix («доза»), plant («сыщик», «внедренный агент»), stash («припрятанные наркотики»), to snort (нюхать «дурь»), pot («травка»), mole («внедренный агент»)» ^{[3, c. 50]}. Так как произведения Рэгу Н. Митры относятся к жанру детективный роман, рассмотрим, к примеру, частотность употребления слов семиотического поля «преступление» - «crime» в художественной прозе писателя и сравним с данными, полученными из Корпуса современного американского английского языка. Список слов семиотического поля «преступление» - «crime» получен методом автоматизированной частотной выборки из Корпуса современного американского английского языка ^[5] – см. Табл. 5. (Корпус современного американского английского языка).

Табл. 5. 50 единиц семантического корпуса «Crime» по данным Корпуса современного американского английского языка ^[5].

Возьмем за исходный материал данные семантического поля «Crime» (Табл. 5) и сравним их с данными из авторского корпуса Рэгу Н. Митры. Создадим таблицу (Табл. 6), в правой колонке помещен список по данным Корпуса современного американского английского языка взятый нами за «эталонный», а в левой колонке приведены значения частотности употребления данных ЛЕ по данным обработки авторского корпуса Р. Н. Митры программой «WordSmith Tools».

Табл. 6. Сравнительная таблица с данными частотного употребления

Сравнив данные левой и правой колонок Табл. 6, отметим, что не смотря на то, что Р. Н. Митра пишет детективы, в которых, как на первый взгляд кажется, семантическое поле «Crime» должно быть доминирующим, мы наблюдаем довольно большое расхождение со списком, принятым нами за «эталонный», а в ряде случаев часть токенов из Корпуса современного американского английского языка отсутствуют в исследуемом авторском корпусе (6 позиций).

Квантитативные исследования авторского корпуса по разным параметрам представляются чрезвычайно важными в наши дни, так как дают возможность расширить и углубить данные в уже имеющихся работах, которые, как правило, рассматривают литературоведческую сторону исследования, изучая стиль, композицию и воздействие на читателя посредством интертекстуальных включений, маркированных единиц и графики. Квантитативный анализ корпуса позволяет математическими методами построить частотные глоссарии и авторские словари, выделить особенности авторского словоупотребления, проанализировать коллокации слов. Всё это, несомненно, вносит свой вклад в лингвистическое изучение как текста, так и индивидуального стиля автора.