Key points are not available for this paper at this time.
Zusammenfassung Dieser Artikel demonstriert eine Methode, die Werkzeuge aus dem Bereich der natürlichen Sprachverarbeitung (NLP) nutzt, um bei der Analyse von Theatertexten und ähnlichen Werken zu helfen. Die Methode setzt vortrainierte große Sprachmodell-Neuronale Netzwerke ein, um Metadaten für einen Text zu sammeln, der für nachgelagerte statistische Analysen geeignet ist, um interessante Muster im Charakterdialog zu identifizieren. Wir konzentrieren uns speziell auf die Werke Shakespeares und sammeln Metadaten in Form von Sentiment- und Emotionswerten für jede Zeile seiner Stücke. Zusätzlich zu den von NLP-Modellen erzeugten Sentiment- und Emotionswerten sammeln wir auch direkt Metadaten wie Genre, Zeilenlänge und Geschlecht der Charaktere. Wir zeigen, wie diese Metadaten verwendet werden können, um eine Reihe von interessanten Mustern im Shakespeare'schen Charakter zu beleuchten, die aus einer direkten Lektüre der Texte schwer zu erkennen sein könnten. Wir nutzen diese Metadaten, um statistisch signifikante Beziehungen zwischen dem Geschlecht der Charaktere und dem emotionalen Inhalt des Dialogs dieses Charakters in Shakespeares Werken aufzuzeigen, wobei das Genre kontrolliert wird. Außerdem präsentieren wir hier den öffentlich verfügbaren Datensatz, den wir zusammengestellt haben, um diese Analysen durchzuführen. Die Daten sammeln Texte aus Shakespeares Stücken zusammen mit einer Vielzahl von Metadaten, die für diese und andere Formen der Analyse von Shakespeares Werken nützlich sind. Die hier demonstrierte Methodik kann auf andere Arten von Metadaten ausgeweitet werden, die von großen NLP-Modellen bereitgestellt werden.
Ehrett et al. (Sat,) untersuchten diese Frage.