Сотрудники Лаборатории выступили на конференции «Literature-Language-Computing (LiLaC) 2023»

Сотрудники Лаборатории выступили на конференции «Literature-Language-Computing (LiLaC) 2023», прошедшей с 9 по 11 ноября на филологическом факультете СПбГУ.

Literature-Language-Computing (LiLaC) 2023

Младший научный сотрудник Маргарита Кирина представила доклад «Тональность литературного текста в контексте его тематики и читательских предпочтений (на материале русского рассказа 1900-1930 гг)» на основе совместного исследования сотрудников Лаборатории Т.Ю. Шерстиновой, А.Д. Москвиной, М.А. Кириной, А. Карышевой, Е. Колпащиковой, П. Максименко, А. Сейновой и Р. Родионова. В докладе был представлен экспериментальный анализ русской короткой прозы начала ХХ века, в котором основное внимание уделяется настроению литературных произведений в контексте содержания их тем и предпочтений читателей по отношению к этим текстам. В исследовании использовался корпус из 210 рассказов, охватывающих период с 1900 по 1930 год, каждый из которых вручную тематически аннотирован экспертами. Настроения оценивались с использованием оценочных словарей, в частности RuSentiLex и Multilingual Sentiment Lexicons, как в отдельных рассказах, так и в сгруппированных по темам текстах. Дополнительно был проведен эксперимент, направленный на выявление корреляции между тональностью текстов и предпочтениями читателей.

Стажер-исследователь Полина Максименко выступила с докладом «Русскоязычная электронная база фанфикшн: принципы создания и квантитативный анализ метаданных». Доклад был посвящен исследованию фанфиков, написанных на русском языке. Исследование предполагало  создание и анализ электронной базы данных, содержащей более 135 000 фанфиков и метаданных из крупнейшего русскоязычного архива фанфиков «Книга Фанфиков». Данные были получены с помощью метода веб-скрейпинга и обработаны с использованием Python. Базу данных впоследствии можно использовать для лингвистического, литературного, культурологического и социологического анализа, а также имплементировать в качестве обучающей выборки для моделей машинного обучения.