Kapitel 15 Komplexe Äußerungen
15.1 Packages
library(tidyverse)
library(scales)
library(tidytext)
library(ggtext)
library(readtext)
library(quanteda)
library(quanteda.textstats)
library(quanteda.textplots)
library(udpipe)
library(ggstatsplot)
library(patchwork)
15.2 Texte laden
<- read_lines(
kohlhaas "data/books/kleist/Kleist_Kohlhaas_Projekt_Gutenberg.txt")
<- read_lines(
steppenwolf "data/books/hesse/Hermann Hesse Der Steppenwolf.txt")
<- readRDS("data/spiegel_politik_deutschland2.rds") ausland2
15.3 Text 1 zerlegen
Zunächst erstellen wir mit der quanteda
-Funktion corpus()
ein Korpus, das nach Dokumenten organisiert ist. Danach wird das Korpus mit der Funktion corpus_reshape()
umgewandelt, so dass jede Einheit aus nur einer Äußerung besteht.
<- corpus(kohlhaas)
kohlcrp <- corpus_reshape(kohlcrp, to = "sentences") kohlcorp
15.4 Texttabelle erstellen
Das Äußerungskorpus wird in eine Tabelle umgewandelt.
<- kohlcorp %>%
kohltxt as_tibble(rownames = "doc_id") %>%
rename(text = value) %>%
mutate(text = as.character(text) %>% str_squish())
Die Äußerungstatistik erhält ebenfalls Tabellenform.
<- summary(kohlcorp, n = 803) %>%
kohlstats as_tibble() %>%
rename(doc_id = Text)
Nun können wir die beiden Tabellen vereinen, und zwar mit Hilfe der gemeinsamen Spalte “doc_id”, die wir vorher in beiden Einzeltabellen vorbereitet und entsprechend benannt haben. Außerdem filtern wir auch die leeren Zeilen (d.h. jene ohne Tokens) heraus. Von den 803 Zeilen bleiben 767 Zeilen übrig.
<- kohlstats %>%
kohltab full_join(kohltxt, by = "doc_id") %>%
filter(Tokens > 0)
15.6 Auswahl nach Länge
Die Tabelle wird zunächst mit der Funktion arrange()
sortiert. Dann können wir die längsten Äußerungen auswählen und speichern.
%>% arrange(-Tokens) %>%
kohltab select(-Sentences) %>%
::paged_table() rmarkdown
Die längste Äußerung enthält 437 Tokens (Interpunktionszeichen sind inbegriffen). Schauen wir uns mal diese Äußerung genauer an! Derartige Äußerungen mit mehreren Satzverbindungen vielen ineinander verschachtelten Nebensätzen nennt man eine Periode.
<- kohltab %>%
kohlhaas_periode1 filter(doc_id == "text64.9") %>%
pull(text)
write_lines(
"data/kohlhaas_periode1.txt") kohlhaas_periode1,
Die zweitlängste Äußerung in der Novelle Michael Kohlhaas ist …
Noch eine Periode.
<- kohltab %>%
kohlhaas_periode2 filter(doc_id == "text62.16") %>%
pull(text)
write_lines(
"data/kohlhaas_periode2.txt") kohlhaas_periode2,
Perioden über Perioden. Hier sind eigentlich zwei zu sehen. Unser Programm hat die Interpunktionsfolge Punkt + Bindestrich wahrscheinlich nicht als Ende der ersten Äußerung gewertet.
<- kohltab %>%
kohlhaas_periode3 filter(doc_id == "text22.11") %>%
pull(text)
write_lines(
"data/kohlhaas_periode3.txt") kohlhaas_periode3,
Das ist eine der mittellangen Äußerungen im Kohlhaas.
<- kohltab %>%
kohlhaas_periode4 filter(doc_id == "text22.18") %>%
pull(text)
write_lines(
"data/kohlhaas_periode4.txt") kohlhaas_periode4,
Suchen wir mal die mittellangen Äußerungen heraus! Zu diesem Zweck verändern wir unsere Filtermethode. Wir wählen alle Äußerungen, die 50 bis 60 Tokens lang sind. Unser Programm hat 70 Äußerungen von dieser Länge gefunden.
<- kohltab %>%
kohlhaas_utterances_50_60 filter(Tokens > 49 & Tokens < 61) %>%
pull(text)
write_lines(
"data/kohlhaas_utterances_50_60.txt") kohlhaas_utterances_50_60,
Äußerungen mit 20 bis 30 Tokens.
<- kohltab %>%
kohlhaas_utterances_20_30 filter(Tokens > 19 & Tokens < 31) %>%
pull(text)
write_lines(
"data/kohlhaas_utterances_20_30.txt") kohlhaas_utterances_20_30,
Äußerungen mit 30 bis 40 Tokens.
<- kohltab %>%
kohlhaas_utterances_30_40 filter(Tokens > 29 & Tokens < 41) %>%
pull(text)
write_lines(
"data/kohlhaas_utterances_30_40.txt") kohlhaas_utterances_30_40,
15.7 Durchschnittslänge
Wie lang sind die Äußerungen im Durchschnitt? - Etwa 54,76 Tokens pro Äußerung.
<- kohltab %>%
kohl_mean summarise(median_laenge = median(Tokens) %>% round(2),
mittlere_laenge = mean(Tokens) %>% round(2),
sd_laenge = sd(Tokens) %>% round(2))
kohl_mean
## # A tibble: 1 x 3
## median_laenge mittlere_laenge sd_laenge
## <dbl> <dbl> <dbl>
## 1 45 54.8 45.0
Ist das viel? Das kann uns eigentlich nur ein Vergleich mit anderen Texten sagen.
Das Histogramm zeigt die Spannbreite und welche Äußerungslängen für die Novelle charakteristisch sind.
library(ggtext)
<- kohltab %>%
ggk ggplot(aes(Tokens)) +
geom_histogram(aes(y=..density..), binwidth = 20,
fill = "darkgreen", alpha = 0.8, color = "black") +
scale_x_continuous(breaks = seq(0,500,20)) +
# geom_freqpoly(binwidth = 20) +
geom_density(fill = "cyan", alpha = 0.4, size = 1) +
geom_vline(xintercept = kohl_mean$median_laenge,
color = "blue", lty = 4, size = 1.3) +
geom_vline(xintercept = kohl_mean$mittlere_laenge,
color = "red", lty = 2, size = 1) +
geom_vline(xintercept =
$mittlere_laenge + kohl_mean$sd_laenge,
kohl_meancolor = "red", lty = 3, size = 1) +
geom_vline(xintercept =
$mittlere_laenge - kohl_mean$sd_laenge,
kohl_meancolor = "red", lty = 3, size = 1) +
labs(title =
"Äußerungslänge in _Kleists_ Novelle _Michael Kohlhaas_",
caption = '<span style="color:red;">**-.-.-. MEAN**</span> +/- <span style="color:red;">**..... st. deviation**</span> ; <span style="color:blue;">**-.-.-. MEDIAN**</span>') +
theme_bw() +
theme(plot.title=element_markdown(size=18, color = "darkred"),
plot.caption = element_markdown(color = "darkgreen"),
axis.title.y=element_text(size = 12, vjust=+0.2),
axis.title.x=element_text(size = 12, vjust=-0.2),
axis.text.y=element_text(size = 10),
axis.text.x=element_text(size = 10),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank())
ggk
15.8 Auswahl nach Konnektoren
<- kohltab %>%
kohlhaas_utterances_aber1 filter(str_detect(text, "aber")) %>%
# filter(Tokens > 29 & Tokens < 41) %>%
pull(text)
write_lines(
"data/kohlhaas_utterances_aber1.txt") kohlhaas_utterances_aber1,
15.9 Welche Konnektoren?
Die grammatische Analyse führen wir mit udpipe
durch. Zuerst laden wir ein entsprechendes Sprachmodell.
library(udpipe)
= "german-gsd-ud-2.5-191206.udpipe"
destfile
if(!file.exists(destfile)){
<- udpipe_download_model(language = "german")
sprachmodell <- udpipe_load_model(sprachmodell$file_model)
udmodel_de else {
} = destfile
file_model <- udpipe_load_model(file_model)
udmodel_de }
Das Programm udpipe
annotiert den Text mit Hilfe des Sprachmodells.
<- udpipe_annotate(udmodel_de, x = kohlhaas, trace = FALSE)
x <- as.data.frame(x) %>%
k mutate(doc_id = "kleist_kohlhaas")
Nun sind wir in der Lage, Wortklassen zu zählen, die udpipe
identifiziert hat. Dazu verwenden wir die Funktion count()
. Gezählt werden die Kategorien in der Spalte upos.
%>%
k group_by(doc_id) %>%
count(upos, sort = TRUE) %>%
::paged_table() rmarkdown
In der Spalte upos interessieren uns nur die Kategorien CCONJ (Junktoren) und SCONJ (Subjunktoren). Deshalb filtern wir alle anderen Kategorien heraus.
%>%
k filter(upos == "CCONJ" | upos == "SCONJ") %>%
count(upos, sort = TRUE) %>%
mutate(pct = round(100*n/sum(n), 2))
## upos n pct
## 1 CCONJ 1232 53.47
## 2 SCONJ 1072 46.53
Die Anzahl der Junktoren und Subjunktoren ist ziemlich ausgeglichen. Der Anteil der Nebensätze in Kleists Novelle scheint demnach höher zu sein in alltagssprachlichen Texten oder in modernen Zeitungstexten.
<- k %>%
tabelle_cconj_sconj filter(upos == "CCONJ" | upos == "SCONJ") %>%
mutate(lemma = str_remove(lemma, "[:PUNCT:]"),
lemma = str_to_lower(lemma),
token = str_remove(token, "[:PUNCT:]")) %>%
count(lemma, sort = TRUE)
%>% rmarkdown::paged_table() tabelle_cconj_sconj
Steppenwolf von Hermann Hesse
15.10 Text 2 zerlegen
Die einzelnen Textparapgraphen werden in einen einzigen vereint.
<- steppenwolf %>% paste(collapse = " ") %>% str_squish()
steppenwolf str_sub(steppenwolf, start = 1, end = 227)
## [1] "Hermann Hesse Der Steppenwolf Erzählung Vorwort des Herausgebers Dieses Buch enthält die uns geblichenen Aufzeichnungen jenes Mannes, welchen wir mit einem Ausdruck, den er selbst mehrmals gebrauchte, den «Steppenwolf» nannten."
Wir erstellen nun ein Korpus, das aus einzelnen Äußerungen besteht, und zwar mit dem Namen stepcorp.
<- corpus(steppenwolf)
stepcrp <- corpus_reshape(stepcrp, to = "sentences") stepcorp
15.11 Texttabelle erstellen
Das Äußerungskorpus wird in eine Tabelle umgewandelt.
<- stepcorp %>%
steptxt as_tibble(rownames = "doc_id") %>%
rename(text = value) %>%
mutate(text = as.character(text) %>% str_squish())
Die Äußerungstatistik erhält ebenfalls Tabellenform.
<- summary(stepcorp, n = 3142) %>%
stepstats as_tibble() %>%
rename(doc_id = Text)
Nun können wir die beiden Tabellen vereinen, und zwar mit Hilfe der gemeinsamen Spalte “doc_id”, die wir vorher in beiden Einzeltabellen vorbereitet und entsprechend benannt haben. Außerdem filtern wir auch die leeren Zeilen (d.h. jene ohne Tokens) heraus.
<- stepstats %>%
steptab full_join(steptxt, by = "doc_id") %>%
filter(Tokens > 0)
15.13 Auswahl nach Länge
Die Tabelle wird zunächst mit der Funktion arrange()
sortiert. Dann können wir die längsten Äußerungen auswählen und speichern.
%>% arrange(-Tokens) %>%
steptab select(-Sentences) %>%
::paged_table() rmarkdown
Die längste Äußerung enthält 157 Tokens (Interpunktionszeichen sind inbegriffen). Schauen wir uns mal diese Äußerung genauer an! Derartige Äußerungen mit mehreren Satzverbindungen vielen ineinander verschachtelten Nebensätzen nennt man eine Periode.
<- steptab %>%
steppenwolf_periode1 filter(doc_id == "text1.232") %>%
pull(text)
write_lines(
"data/steppenwolf_periode1.txt") steppenwolf_periode1,
Die zweitlängste Äußerung in der Novelle Michael Kohlhaas ist …
Noch eine Periode.
<- steptab %>%
steppenwolf_periode2 filter(doc_id == "text1.230") %>%
pull(text)
write_lines(
"data/steppenwolf_periode2.txt") steppenwolf_periode2,
Perioden über Perioden. Hier sind eigentlich zwei zu sehen. Unser Programm hat die Interpunktionsfolge Punkt + Bindestrich wahrscheinlich nicht als Ende der ersten Äußerung gewertet.
<- steptab %>%
steppenwolf_periode3 filter(doc_id == "text1.231") %>%
pull(text)
write_lines(
"data/steppenwolf_periode3.txt") steppenwolf_periode3,
Das ist eine der mittellangen Äußerungen im Kohlhaas.
<- steptab %>%
steppenwolf_periode4 filter(doc_id == "text1.3037") %>%
pull(text)
write_lines(
"data/steppenwolf_periode4.txt") steppenwolf_periode4,
Suchen wir mal die mittellangen Äußerungen heraus! Zu diesem Zweck verändern wir unsere Filtermethode. Wir wählen alle Äußerungen, die 50 bis 60 Tokens lang sind. Unser Programm hat 70 Äußerungen von dieser Länge gefunden.
<- steptab %>%
steppenwolf_utterances_50_60 filter(Tokens > 49 & Tokens < 61) %>%
pull(text)
write_lines(
"data/steppenwolf_utterances_50_60.txt") steppenwolf_utterances_50_60,
Äußerungen mit 20 bis 30 Tokens.
<- steptab %>%
steppenwolf_utterances_20_30 filter(Tokens > 19 & Tokens < 31) %>%
pull(text)
write_lines(
"data/steppenwolf_utterances_20_30.txt") steppenwolf_utterances_20_30,
Äußerungen mit 30 bis 40 Tokens.
<- steptab %>%
steppenwolf_utterances_30_40 filter(Tokens > 29 & Tokens < 41) %>%
pull(text)
write_lines(
"data/steppenwolf_utterances_30_40.txt") steppenwolf_utterances_30_40,
15.14 Durchschnittslänge
Wie lang sind die Äußerungen im Durchschnitt? - Etwa 25,58 Tokens pro Äußerung. Vergleichen Sie mit Kleists Kohlhaas: 54,76 Tokens pro Äußerung.
<- steptab %>%
step_mean summarise(median_laenge = median(Tokens) %>% round(2),
mittlere_laenge = mean(Tokens) %>% round(2),
sd_laenge = sd(Tokens) %>% round(2))
step_mean
## # A tibble: 1 x 3
## median_laenge mittlere_laenge sd_laenge
## <dbl> <dbl> <dbl>
## 1 20 25.6 20.4
Das Histogramm zeigt die Spannbreite und welche Äußerungslängen für die Novelle charakteristisch sind.
library(ggtext)
<- steptab %>%
ggs ggplot(aes(Tokens)) +
geom_histogram(aes(y=..density..), binwidth = 20,
fill = "darkgreen", alpha = 0.8, color = "black") +
scale_x_continuous(breaks = seq(0,500,20)) +
# geom_freqpoly(binwidth = 20) +
geom_density(fill = "cyan", alpha = 0.4, size = 1) +
geom_vline(xintercept = step_mean$median_laenge,
color = "blue", lty = 4, size = 1.3) +
geom_vline(xintercept = step_mean$mittlere_laenge,
color = "red", lty = 2, size = 1) +
geom_vline(xintercept =
$mittlere_laenge + step_mean$sd_laenge,
step_meancolor = "red", lty = 3, size = 1) +
geom_vline(xintercept =
$mittlere_laenge - step_mean$sd_laenge,
step_meancolor = "red", lty = 3, size = 1) +
labs(title =
"Äußerungslänge in _Hesses_ Roman _Steppenwolf_",
caption = '<span style="color:red;">**-.-.-. MEAN**</span> +/- <span style="color:red;">**..... st. deviation**</span> ; <span style="color:blue;">**-.-.-. MEDIAN**</span>') +
theme_bw() +
theme(plot.title=element_markdown(size=18, color = "darkred"),
plot.caption = element_markdown(color = "darkgreen"),
axis.title.y=element_text(size = 12, vjust=+0.2),
axis.title.x=element_text(size = 12, vjust=-0.2),
axis.text.y=element_text(size = 10),
axis.text.x=element_text(size = 10),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank())
ggs
15.15 Auswahl nach Konnektoren
<- steptab %>%
steppenwolf_utterances_aber1 filter(str_detect(text, "aber")) %>%
# filter(Tokens > 29 & Tokens < 41) %>%
pull(text)
write_lines(
"data/steppenwolf_utterances_aber1.txt") steppenwolf_utterances_aber1,
15.16 Welche Konnektoren?
Die grammatische Analyse führen wir mit udpipe
durch. Zuerst laden wir ein entsprechendes Sprachmodell.
library(udpipe)
= "german-gsd-ud-2.5-191206.udpipe"
destfile
if(!file.exists(destfile)){
<- udpipe_download_model(language = "german")
sprachmodell <- udpipe_load_model(sprachmodell$file_model)
udmodel_de else {
} = destfile
file_model <- udpipe_load_model(file_model)
udmodel_de }
Das Programm udpipe
annotiert den Text mit Hilfe des Sprachmodells.
<- udpipe_annotate(udmodel_de, x = steppenwolf, trace = FALSE)
x <- as.data.frame(x) %>%
s mutate(doc_id = "hesse_steppenwolf")
Nun sind wir in der Lage, Wortklassen zu zählen, die udpipe
identifiziert hat. Dazu verwenden wir die Funktion count()
. Gezählt werden die Kategorien in der Spalte upos.
%>%
s group_by(doc_id) %>%
count(upos, sort = TRUE) %>%
::paged_table() rmarkdown
In der Spalte xpos interessieren uns nur die Kategorien CCONJ (Junktoren) und SCONJ (Subjunktoren). Deshalb filtern wir alle anderen Kategorien heraus.
%>%
s filter(upos == "CCONJ" | upos == "SCONJ") %>%
count(upos, sort = TRUE) %>%
mutate(pct = round(100*n/sum(n), 2))
## upos n pct
## 1 CCONJ 3857 79.13
## 2 SCONJ 1017 20.87
Der Anteil der Junktoren beträgt fast vier Fünftel, der der Subjunktoren dagegen nur ein Fünftel. Der Anteil der Nebensätze in Kleists Novelle scheint höher zu sein als in Hesses Roman, einem Text aus dem 20. Jahrhundert.
<- s %>%
tabelle_cconj_sconj filter(upos == "CCONJ" | upos == "SCONJ") %>%
mutate(lemma = str_remove(lemma, "[:PUNCT:]"),
lemma = str_to_lower(lemma),
token = str_remove(token, "[:PUNCT:]")) %>%
count(lemma, sort = TRUE)
%>% rmarkdown::paged_table() tabelle_cconj_sconj
Signifikanter Unterschied zwischen den durchschnittlichen Äußerungslängen im Kohlhaas und im Steppenwolf.
<- steptab[,3] %>% rename(step_tokens = Tokens)
step_tokens <- kohltab[,3] %>% rename(kohl_tokens = Tokens)
kohl_tokens t.test(kohl_tokens, step_tokens, var.equal = FALSE)
##
## Welch Two Sample t-test
##
## data: kohl_tokens and step_tokens
## t = 17.538, df = 844.34, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 25.91454 32.44608
## sample estimates:
## mean of x mean of y
## 54.76402 25.58370
Nur Äußerungen mit weniger als 200 Tokens.
<- kohltab %>% filter(Tokens < 200)
kohltab_200 <- steptab %>% filter(Tokens < 200)
steptab_200
<- ggplot() +
ggks geom_density(aes(Tokens, fill = "kohltab_200"),
alpha = .4, data = kohltab_200) +
geom_density(aes(Tokens, fill = "steptab_200"),
alpha = .4, data = steptab_200) +
expand_limits(x = c(1,200), y = c(0, 0.03)) +
scale_fill_manual(name = "Texte",
labels = c("Kohlhaas", "Steppenwolf"),
values = c(kohltab_200 = "darkred",
steptab_200 = "darkgreen")) +
scale_y_continuous(labels = percent_format(accuracy = 1)) +
scale_x_continuous(breaks =
c(1,5,10,20,30,40,50,75,100,125,150,175,200)) +
coord_cartesian(expand = FALSE,
clip = "off") + # don't expand margin + no clipping
geom_vline(xintercept = step_mean$median_laenge,
color = "darkgreen", lty = 4, size = 1.3) +
geom_vline(xintercept = kohl_mean$median_laenge,
color = "darkred", lty = 4, size = 1.3) +
labs(x = "Tokens (Wörter + Interpunktionszeichen)",
y = "Anteil",
title =
"Äußerungslänge in _Kohlhaas_ und _Steppenwolf_",
caption =
"red = **mean** +/- **st.deviation**; blue = **median**") +
theme_light() +
theme(legend.position = "top",
plot.margin = margin(10, 10, 5, 10),
plot.title=element_markdown(size=18, color = "darkred"),
plot.title.position = "panel",
plot.caption = element_markdown(color = "darkgreen"),
axis.title.y=element_text(size = 12, vjust=+0.2),
axis.title.x=element_text(size = 12, vjust=-0.2),
axis.text.y=element_text(size = 10),
axis.text.x=element_text(size = 10)#,
# panel.grid.major = element_blank(),
# panel.grid.minor = element_blank()
)ggsave("pictures/kohlhaas_steppenwolf_utterance_length.png")
ggks
Mit library(patchwork)
alle Äußerungen.
library(patchwork)
<- ggk / ggs
p1 ggsave("pictures/patch1_utterances_kohlhaas_steppenwolf.png")
p1
15.17 Text 3 zerlegen
Wir erstellen ein Korpus, das aus einzelnen Äußerungen besteht, und zwar mit dem Namen spiegelcorp.
<- corpus(ausland2, text_field = "text")
spiegelcrp <- corpus_reshape(spiegelcrp, to = "sentences") spiegelcorp
15.18 Texttabelle erstellen
Das Äußerungskorpus wird in eine Tabelle umgewandelt.
<- spiegelcorp %>%
spiegeltxt as_tibble(rownames = "doc_id") %>%
rename(text = value) %>%
mutate(text = as.character(text) %>% str_squish())
Die Äußerungstatistik erhält ebenfalls Tabellenform.
<- summary(spiegelcorp, n = 430041) %>%
spiegelstats as_tibble() %>%
rename(doc_id = Text)
Nun können wir die beiden Tabellen vereinen, und zwar mit Hilfe der gemeinsamen Spalte “doc_id”, die wir vorher in beiden Einzeltabellen vorbereitet und entsprechend benannt haben. Außerdem filtern wir auch die leeren Zeilen (d.h. jene ohne Tokens) heraus.
<- spiegelstats %>%
spiegeltab full_join(spiegeltxt, by = "doc_id") %>%
filter(Tokens > 0)
15.19 Speichern der Tabelle
# write_csv(spiegeltab, "data/spiegel_ausland2_tabelle.csv")
# write_rds(spiegeltab, "data/spiegel_ausland2_tabelle.rds")
15.20 Auswahl nach Länge
Die Tabelle wird zunächst mit der Funktion arrange()
sortiert. Dann können wir die längsten Äußerungen auswählen und speichern.
%>% arrange(-Tokens) %>%
spiegeltab select(-Sentences) %>%
head(10) %>%
::paged_table() rmarkdown
Die längsten Äußerungen in den Spiegel-Artikeln enthalten lange Aufzählungen von Personen, Orten und Titeln (möglicherweise in Tabellenform). Sie sind eigentlich nicht repräsentativ für den Schreibstil in Spiegel-Artikeln zum Thema Auslandspolitik.
Die längste Äußerung enthält 589 Tokens (Interpunktionszeichen sind inbegriffen). Mit dem Befehl cat(spiegel_periode1)
können wir sie uns ansehen.
<- spiegeltab %>%
spiegel_periode1 filter(doc_id == "text930.21") %>%
pull(text)
write_lines(
"data/spiegel_periode1.txt") spiegel_periode1,
Suchen wir mal mittellange Äußerungen in den Spiegel-Artikeln heraus! Zu diesem Zweck verändern wir unsere Filtermethode. Wir wählen alle Äußerungen, die 50 bis 60 Tokens lang sind. Unser Programm hat mehr als 1000 Äußerungen von dieser Länge gefunden.
<- spiegeltab %>%
spiegel_utterances_50_60 filter(Tokens > 49 & Tokens < 61) %>%
pull(text)
write_lines(
"data/spiegel_utterances_50_60.txt")
spiegel_utterances_50_60,
cat(spiegel_utterances_50_60[25])
## Nachdem der NDR im Zuge eines Sparprogramms das Ende der Literatursendung "Bücherjournal" bekannt gegeben hatte, hatte es Proteste von namhaften Schriftstellern und Verlegerinnen gegeben, Felicitas von Lovenberg gab etwa zu bedenken: "Leser*in wird und bleibt nur, wer die passenden Bücher für sich findet.
15.21 Durchschnittslänge
Wie lang sind die Äußerungen im Durchschnitt? - Etwa 19,71 Tokens pro Äußerung. Im Vergleich mit Hermann Hesses Steppenwolf (25,58 Tokens) und Kleists Kohlhaas (54,76 Tokens) deutlich weniger.
<- spiegeltab %>%
spiegel_mean summarise(median_laenge = median(Tokens) %>% round(2),
mittlere_laenge = mean(Tokens) %>% round(2),
sd_laenge = sd(Tokens) %>% round(2))
spiegel_mean
## # A tibble: 1 x 3
## median_laenge mittlere_laenge sd_laenge
## <dbl> <dbl> <dbl>
## 1 18 19.7 11.8
Das Histogramm zeigt die Spannbreite und welche Äußerungslängen für die Novelle charakteristisch sind.
library(ggtext)
<- spiegeltab %>%
ggsp ggplot(aes(Tokens)) +
geom_histogram(aes(y=..density..), binwidth = 20,
fill = "darkgreen", alpha = 0.8, color = "black") +
scale_x_continuous(breaks = c(0,20,40,60,80,100,250,500,600)) +
# geom_freqpoly(binwidth = 20) +
geom_density(fill = "cyan", alpha = 0.4, size = 1) +
geom_vline(xintercept = step_mean$median_laenge,
color = "blue", lty = 4, size = 1.3) +
geom_vline(xintercept = step_mean$mittlere_laenge,
color = "red", lty = 2, size = 1) +
geom_vline(xintercept =
$mittlere_laenge + step_mean$sd_laenge,
step_meancolor = "red", lty = 3, size = 1) +
geom_vline(xintercept =
$mittlere_laenge - step_mean$sd_laenge,
step_meancolor = "red", lty = 3, size = 1) +
labs(title =
"Äußerungslänge in _Spiegel_-Artikeln über _Auslandspolitik_",
caption = '<span style="color:red;">**-.-.-. MEAN**</span> +/- <span style="color:red;">**..... st. deviation**</span> ; <span style="color:blue;">**-.-.-. MEDIAN**</span>') +
theme_bw() +
theme(plot.title=element_markdown(size=18, color = "darkred"),
plot.caption = element_markdown(color = "darkgreen"),
axis.title.y=element_text(size = 12, vjust=+0.2),
axis.title.x=element_text(size = 12, vjust=-0.2),
axis.text.y=element_text(size = 10),
axis.text.x=element_text(size = 10),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank())
ggsp
15.22 Auswahl nach Konnektoren
<- spiegeltab %>%
spiegel_utterances_aber1 filter(str_detect(text, "aber")) %>%
# filter(Tokens > 29 & Tokens < 41) %>%
pull(text)
write_lines(
"data/spiegel_utterances_aber1.txt")
spiegel_utterances_aber1,
cat(spiegel_utterances_aber1[1])
## Für deutsche Bewerber in der Schweiz heißt das: Durchaus selbstbewusst, aber bitte nicht arrogant auftreten und nicht zu dick auftragen.
15.23 Welche Konnektoren?
Die grammatische Analyse führen wir mit udpipe
durch. Zuerst laden wir ein entsprechendes Sprachmodell (falls es noch nicht geladen ist).
library(udpipe)
= "german-gsd-ud-2.5-191206.udpipe"
destfile
if(!file.exists(destfile)){
<- udpipe_download_model(language = "german")
sprachmodell <- udpipe_load_model(sprachmodell$file_model)
udmodel_de else {
} = destfile
file_model <- udpipe_load_model(file_model)
udmodel_de }
Das Programm udpipe
annotiert die Texte mit Hilfe des Sprachmodells. Da es sich um Abertausende von Artikeln handelt, dauert das auf handelsüblichen Computern im Jahr 2021 mehr als 10 Minuten. Falls man nicht so lange warten möchte, nimmt man nur eine Stichprobe. Zu Demonstrationszwecken sollen 100 Artikel mal genug sein.
set.seed(2020)
<- slice_sample(ausland2, n = 100)
spiegel_sample
<- udpipe_annotate(udmodel_de,
x x = as.character(spiegel_sample$text),
trace = FALSE)
<- as.data.frame(x) %>%
sp mutate(doc_id = "spiegel_auslandspolitik")
Nun sind wir in der Lage, Wortklassen zu zählen, die udpipe
identifiziert hat. Dazu verwenden wir die Funktion count()
. Gezählt werden die Kategorien in der Spalte upos.
%>%
sp group_by(doc_id) %>%
count(upos, sort = TRUE) %>%
::paged_table() rmarkdown
In der Spalte upos interessieren uns nur die Kategorien CCONJ (Junktoren) und SCONJ (Subjunktoren). Deshalb filtern wir alle anderen Kategorien heraus.
%>%
sp filter(upos == "CCONJ" | upos == "SCONJ") %>%
count(upos, sort = TRUE) %>%
mutate(pct = round(100*n/sum(n), 2))
## upos n pct
## 1 CCONJ 1526 71.11
## 2 SCONJ 620 28.89
Der Anteil der Junktoren beträgt fast drei Viertel, der der Subjunktoren mehr als ein Viertel. Der Anteil der Nebensätze in Kleists Novelle scheint höher zu sein in modernen Zeitungstexten.
<- sp %>%
tabelle_cconj_sconj filter(upos == "CCONJ" | upos == "SCONJ") %>%
mutate(lemma = str_remove(lemma, "[:PUNCT:]"),
lemma = str_to_lower(lemma),
token = str_remove(token, "[:PUNCT:]")) %>%
count(lemma, sort = TRUE)
%>% rmarkdown::paged_table() tabelle_cconj_sconj
15.24 Vergleich der Äußerungslängen
Wir prüfen das noch mit einem parametrischen Test, einer Anova, und einem nicht-parametrischen Test, einem Kruskal-Wallis-Test, ob sich die durchschnittlichen Äußerungslängen voneinander signifikant unterscheiden. Zu diesem Zweck vereinen wir die drei Datensätze in den Datensatz utter_length.
Eine Anova mit einer einzigen unabhängigen Variable (hier: doc_id) und einer numerischen abhängigen Variable (hier: Tokens) kann man in R
mit Hilfe der Funktion oneway.test()
durchführen, einen entsprechenden nicht-parametrischen Test, den Kruskal-Wallis-Test, mit der Funktion kruskal.test()
.
<- steptab[,3] %>%
step_tokens mutate(doc_id = "steppenwolf")
<- kohltab[,3] %>%
kohl_tokens mutate(doc_id = "kohlhaas")
<- spiegeltab[,3] %>%
spiegel_tokens mutate(doc_id = "spiegel")
<- rbind(kohl_tokens, step_tokens, spiegel_tokens)
utter_length
# parametric test (One-Way Anova)
<- oneway.test(Tokens ~ doc_id, data = utter_length)
anova1 anova1
##
## One-way analysis of means (not assuming equal variances)
##
## data: Tokens and doc_id
## F = 362.58, num df = 2.0, denom df = 1644.1, p-value < 2.2e-16
# non-parametric test (Kruskal-Wallis-Test)
<- kruskal.test(Tokens ~ doc_id, data = utter_length)
kruskal1 kruskal1
##
## Kruskal-Wallis rank sum test
##
## data: Tokens by doc_id
## Kruskal-Wallis chi-squared = 808.87, df = 2, p-value < 2.2e-16
Sowohl der parametrische als auch der nicht-parametrische Test bestätigen signifikante Unterschiede. Die Signifikanz der Unterschiede zwischen den Gruppen (Kohlhaas, Steppenwolf, Spiegel) lässt sich mit einem Post-hoc-Test bestätigen, hier mit den Funktionen aov()
und TukeyHSD()
.
<- aov(Tokens ~ doc_id, data = utter_length)
anova2 TukeyHSD(anova2, which = "doc_id")
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Tokens ~ doc_id, data = utter_length)
##
## $doc_id
## diff lwr upr p adj
## spiegel-kohlhaas -35.051679 -36.066812 -34.036545 0
## steppenwolf-kohlhaas -29.180311 -30.311580 -28.049042 0
## steppenwolf-spiegel 5.871368 5.368433 6.374302 0
Mit dem Package ggstatsplot
kann man gleichzeitig einen statistischen Test und eine graphische Darstellung ausgeben lassen.
library(ggstatsplot)
set.seed(2020)
<- utter_length %>%
plot1 ggbetweenstats(x = doc_id, y = Tokens, type = "parametric",
pairwise.comparisons = TRUE,
p.adjust.method = "holm", bf.message = FALSE,
var.equal = FALSE)
plot1
In der folgenden graphischen Darstellung werden nur Äußerungen mit weniger als 200 Tokens berücksichtigt.
<- kohltab %>% filter(Tokens < 200)
kohltab_200 <- steptab %>% filter(Tokens < 200)
steptab_200 <- spiegeltab %>% filter(Tokens < 200)
spiegeltab_200
# Normal distribution with Spiegel data
<- seq(from = 1, to = 100, length.out = 300)
x <- spiegeltab_200$Tokens
x <- data.frame(x = x, y = dnorm(x, mean = 19.71, sd = 11.76))
dens
<- '<span style="color:black;">**MEDIAN**:</span> : <span style="color:darkred;">**-.-.- _Kohlhaas_**</span> ; <span style="color:darkgreen;">**-.-.- _Steppenwolf_**</span> ; <span style="color:magenta;">**-.-.- _Spiegel_**</span>'
mycaption
<- ggplot() +
ggksp geom_density(aes(Tokens, fill = "kohltab_200"),
alpha = .4, data = kohltab_200) +
geom_density(aes(Tokens, fill = "steptab_200"),
alpha = .4, data = steptab_200) +
geom_density(aes(Tokens, fill = "spiegeltab_200"),
alpha = .2, data = spiegeltab_200) +
# normal distribution with Spiegel mean and sd values
geom_line(aes(x,y, color = "red"), size = 2,
alpha = .6, data = dens) +
expand_limits(x = c(1,200), y = c(0, 0.03)) +
scale_color_manual(name = "Normalverteilung (theoretisch)",
labels = "Spiegel",
values = "red") +
scale_fill_manual(name = "Texte",
labels = c("Kohlhaas", "Steppenwolf", "Spiegel"),
values = c(kohltab_200 = "darkred",
steptab_200 = "darkgreen",
spiegeltab_200 = "magenta")) +
scale_y_continuous(labels = percent_format(accuracy = 1)) +
scale_x_continuous(breaks =
c(1,5,10,20,30,40,50,75,100,125,150,175,200)) +
coord_cartesian(expand = FALSE,
clip = "off") + # don't expand margin + no clipping
geom_vline(xintercept = kohl_mean$median_laenge,
color = "darkred", lty = 4, size = 1.3) +
geom_vline(xintercept = step_mean$median_laenge,
color = "darkgreen", lty = 4, size = 1.3) +
geom_vline(xintercept = spiegel_mean$median_laenge,
color = "magenta", lty = 4, size = 1.3) +
labs(x = "Tokens (Wörter + Interpunktionszeichen)",
y = "Anteil",
title = "Äußerungslänge in _Kohlhaas_, _Steppenwolf_ und _Spiegel_-Artikeln",
subtitle = "Normalverteilung mit Spiegel-Werten für _mean_ und _sd_ in roter Farbe",
caption = mycaption
+
) theme_light() +
theme(legend.position = "top",
plot.margin = margin(10, 10, 5, 10),
plot.title=element_markdown(size=18, color = "darkred"),
plot.title.position = "plot",
plot.caption = element_markdown(color = "darkgreen"),
axis.title.y=element_text(size = 12, vjust=+0.2),
axis.title.x=element_text(size = 12, vjust=-0.2),
axis.text.y=element_text(size = 10),
axis.text.x=element_text(size = 10)#,
# panel.grid.major = element_blank(),
# panel.grid.minor = element_blank()
)ggsave("pictures/kohlhaas_steppenwolf_spiegel_utterance_length.png")
ggksp
Mit logarithmierter x-Achsenskala (bei Verwendung des Datensatzes utter_length).
<- utter_length %>%
ggksp2 filter(Tokens < 200 & Tokens > 0) %>%
ggplot() +
geom_density(aes(Tokens, fill = doc_id), alpha = .4) +
scale_fill_manual(name = "Texte",
labels = c("Kohlhaas", "Steppenwolf", "Spiegel"),
values = c("darkred", "darkgreen", "magenta")) +
scale_x_log10(breaks = breaks_log(n = 10, base = 10)) +
# scale_y_continuous(labels = percent_format(accuracy = 1)) +
# expand_limits(x = c(1,200), y = c(0, 0.03)) +
coord_cartesian(expand = FALSE,
clip = "off") + # don't expand margin + no clipping
geom_vline(xintercept = kohl_mean$median_laenge,
color = "darkred", lty = 4, size = 1.3) +
geom_vline(xintercept = step_mean$median_laenge,
color = "darkgreen", lty = 4, size = 1.3) +
geom_vline(xintercept = spiegel_mean$median_laenge,
color = "magenta", lty = 4, size = 1.3) +
labs(x = "Tokens (Wörter + Interpunktionszeichen)",
y = "Anteil",
title = "Äußerungslänge in _Kohlhaas_, _Steppenwolf_ und _Spiegel_-Artikeln",
caption = mycaption) +
theme_light() +
theme(legend.position = "top",
plot.margin = margin(10, 10, 5, 10),
plot.title=element_markdown(size=18, color = "darkred"),
plot.title.position = "plot",
plot.caption = element_markdown(color = "darkgreen"),
axis.title.y=element_text(size = 12, vjust=+0.2),
axis.title.x=element_text(size = 12, vjust=-0.2),
axis.text.y=element_text(size = 10),
axis.text.x=element_text(size = 10)#,
# panel.grid.major = element_blank(),
# panel.grid.minor = element_blank()
)ggsave("pictures/kohlhaas_steppenwolf_spiegel_utterance_length2.png")
ggksp2
Mit dem Package (patchwork)
kann man eine Collage der graphischen Darstellungen zusammenstellen.
library(patchwork)
<- (ggk+labs(x = "", caption = "")) / (ggs+labs(x = "", caption = "")) / ggsp
p2 ggsave("pictures/patch1_utterances_kohlhaas_steppenwolf.png")
p2