Ира С

   5. Sentiment-анализ Для анализа были выбраны два рассказа одного автора. Первый: "Черная лисица"  Бианки В.В. Второй: "Перышко" Бианки В.В. 1) 2)  С помощью MDS-модели можно отметить, что в первой рассказе больше положительного и нейтрального. Предложение про ранение выделено положительным...  Возможно, так получилось из-за большого количества маленьких абзацев. Второй рассказ более негативно окрашенный. Здесь всё окрашено более точно. И по MDS-модели, и по  Feature Statistics 1-ый текст выглядит более эмоциональным, чем 2-ой. Возможно, это из-за разницы в количествах абзацев, но это заметно по всем показателям.  Лично мне, удобнее воспринимать MDS-модели, но  Feature Statistics  будто более точный. 6. Кластерный анализ Для этого анализа были подобраны 10 коротких рассказов. Один из текстов не попал ни в одну группу. Возможно, это из-за того, что он самый короткий и негативный. Первая группа (красная) объединена тем, что там больше рассказ...

  Автоматизированный фоносемантический и контент-анализ Были взяты два рассказа одного автора. Текст 1: "Девочка на шаре" Текст 2: "Смерть шпиона Гадюкина" Часть 1: Фоносемантический анализ. Текст 1: Текст 2: Можно заметить, что характеристики обоих рассказов практически не отличаются. Программа нашла в обоих текстах как негативные, так и позитивные аспекты, но последние - в малом количестве, что, как мне кажется, не соответствует действительности. Схожесть характеристики, скорее всего обусловлена тем, что оба рассказа одного автора и из одного сборника "Денискины рассказы". Часть 2: Контент-анализ. Текст 1: Текст 2: topic modelling хорошо отражает содержание, но это не так эффективно. (в моём случае точно) word cloude  точнее передаёт содержание текста, потому что выводит пользователю статистику по содержанию всех слов в тексте.  Поэтому я считаю, что по методике word cloude легче определять тематику и содержание текстов.