Big Data в литературоведении: анализ частотного словаря произведений Ярослава Гашека на уроках информатики

Автор: Белоусова Наталья Сергеевна

Организация: гимназия №7

Населенный пункт: город Бугульма

Введение

Сегодня в рамках школьного курса информатики критически важно преодолеть разрыв между теоретическим изучением синтаксиса языков программирования и прикладными задачами реального мира. Эффективной точкой соприкосновения точных и гуманитарных дисциплин выступает направление Digital Humanities (цифровые гуманитарные науки) [4].

При изучении темы «Большие данные» (Big Data) [1] старшеклассники нередко сталкиваются со сложностями восприятия из-за абстрактности материала. Чтобы связать теорию с практической деятельностью, в рамках модуля программирования и обработки строковых данных в 10–11 классах нашей гимназии был реализован мини-проект по анализу частотного словаря произведений Ярослава Гашека. Выбор автора обусловлен тем, что творчество чешского сатирика тесно связано с историей нашего региона, а масштабное текстовое полотно романа о бравом солдате Швейке представляет собой идеальный массив для первичной обработки данных [2].

Проект имеет важное практическое значение для образовательной экосистемы гимназии. Ежегодно в апреле на нашей базе проходит Республиканская филологическая научно-практическая конференция имени Ярослава Гашека, собирающая более 150 участников из 12 районов Республики Татарстан. Разработка ИТ-проектов на стыке с литературоведением позволяет нашим ученикам представлять на секциях оригинальные, технически сложные и конкурентоспособные исследования.

 

Методология и этапы реализации проекта

Процесс работы над проектом был разделен на четыре ключевых этапа, полностью моделирующих деятельность профессионального аналитика данных.

 

1. Предварительная обработка и очистка данных (Data Cleaning)

Первичные текстовые массивы, извлеченные из открытых источников, содержат значительное количество шума: знаки препинания, служебные символы, числовые маркеры. В ходе первого этапа учащиеся осваивают алгоритмы нормализации, приводя текст к нижнему регистру и удаляя нетекстовые компоненты, что превращает сырые данные в чистый массив токенов [6].

 

Реализация на языке Python:

import re

from collections import Counter

 

# Загрузка и нормализация текстового файла

with open("gashek_texts.txt", "r", encoding="utf-8") as file:

text = file.read().lower()

 

# Извлечение лексем с помощью регулярных выражений

words = re.findall(r'\b[а-яё]+\b', text)

 

2. Фильтрация данных (исключение стоп-слов)

При первичном выводе результатов учащиеся сталкиваются с методологической проблемой: наиболее частотными элементами в списке оказывается «смысловой шум» — служебные части речи (предлоги, союзы, частицы). В рамках учебной дискуссии мы анализируем, почему данные лексемы не несут смысловой нагрузки для литературоведческого анализа, и вводим понятие «стоп-слов». Для очистки выборки школьники программно реализуют фильтрацию массива, исключая из него шумовую лексику.

 

Реализация на языке Python:

# Определение множества исключаемых служебных слов

stop_words = {'и', 'в', 'во', 'не', 'на', 'что', 'с', 'со', 'как', 'а', 'то', 'все', 'он', 'его', 'но', 'по'}

filtered_words = [word for word in words if word not in stop_words]

 

3. Статистический подсчет и лингвокультурологический анализ

С помощью встроенного модуля collections и класса Counter учащиеся в несколько строк кода выполняют частотный анализ и выделяют топ-10 наиболее употребляемых автором лексем. На стыке дисциплин реализуется важнейший этап проекта — качественная интерпретация результатов. Выделение в качестве доминантных таких слов, как «поручик», «солдат», «сказал», «пан», становится основанием для учебной дискуссии. Школьники анализируют специку сатирического метода Я. Гашека, особенности отражения быта эпохи и социально-политической атмосферы Австро-Венгерской армии.

 

Реализация на языке Python:

# Вывод 10 наиболее частотных лексем

top_10 = Counter(filtered_words).most_common(10)

print(top_10)

 

4. Визуализация данных и графическое представление результатов

Заключительным этапом проектной деятельности является представление количественных показателей в наглядной графической форме. Используя возможности библиотеки matplotlib [3], учащиеся строят столбчатые диаграммы (гистограммы) распределения частотности слов. Процесс визуализации позволяет школьникам развить навыки инфографики, структурирования информации и презентации результатов своей исследовательской работы в доступном для аудитории виде.

 

Реализация на языке Python:

import matplotlib.pyplot as plt

 

word_labels, counts = zip(*top_10)

plt.bar(word_labels, counts, color='teal')

plt.title('Частотный маркер произведений Я. Гашека')

plt.ylabel('Количество упоминаний')

plt.show()

 

Развитие проекта и интеграция регионального компонента

Главным преимуществом разработанного алгоритма является его универсальность и инвариантность. Сформировав программный код единожды, учащиеся осознают возможность его трансфера на любые литературные источники.

В качестве перспективного направления исследовательской деятельности школьникам предлагается интегрировать в проект региональный компонент — проанализировать произведения классиков татарской литературы (например, Габдуллы Тукая или Галиаскара Камала). Сравнительный анализ частотных словарей авторов, принадлежащих к разным культурно-историческим эпохам, позволяет учащимся наглядно проследить языковую динамику, выявить неочевидные семантические пласты и провести глубокое кросс-культурное исследование.

 

Педагогические результаты и выводы

Практическая реализация междисциплинарного подхода существенно трансформирует образовательную среду на уроках информатики [7].. Учащиеся с гуманитарной направленностью, традиционно испытывающие затруднения при освоении алгоритмизации, успешно интегрируются в командную работу как эксперты-аналитики. Они аргументированно интерпретируют аномалии и пиковые значения на графиках распределения лексем. В свою очередь, школьники с математическим складом ума осознают прикладной характер программирования, воспринимая его не как абстрактный синтаксис, а как эффективный инструмент социокультурного и лингвистического исследования.

Таким образом, внедрение элементов анализа больших данных (Big Data) в школьный курс информатики доказывает свою эффективность. Данная методика позволяет актуализировать классическое литературное наследие через призму современных ИТ-технологий и обеспечивает качественное развитие проектно-исследовательской деятельности учащихся.

 

Список литературы / References

1. Бородкин, Л. И. Моделирование исторических процессов: от традиционного анализа к Big Data / Л. И. Бородкин. – Москва : Политическая энциклопедия, 2021. – 263 с. – Текст : непосредственный.

2. Гашек, Я. Похождения бравого солдата Швейка во время мировой войны : роман / Ярослав Гашек ; перевод с чешского Г. А. Зуккау. – Москва : Художественная литература, 2019. – 752 с. – Текст : непосредственный.

3. Лутц, М. Изучаем Python : в 2 томах. Том 1 / Марк Лутц ; перевод с английского А. А. Киселева. – 5-е изд. – Санкт-Петербург : Диалектика, 2020. – 832 с. – Текст : непосредственный.

4. Можаева, Г. В. Digital Humanities: гуманитарные науки в цифровую эпоху / Г. В. Можаева // Гуманитарная информатика. – 2015. – Вып. 9. – С. 8–13. – Текст : непосредственный.

5. Романова, Т. В. Частотные словари и квантитативные методы в лингвистическом анализе текста / Т. В. Романова, А. В. Баранов. – Нижний Новгород : Изд-во ННГУ, 2022. – 145 с. – Текст : непосредственный.

6. Федоров, Д. Ю. Программирование на языке высокого уровня Python : учебное пособие для вузов / Д. Ю. Федоров. – 5-е изд., перераб. и доп. – Москва : Издательство Юрайт, 2024. – 227 с. – Текст : непосредственный.

7. Чернышева, Е. И. Межпредметная интеграция как средство повышения мотивации к обучению в старшей школе / Е. И. Чернышева // Педагогика и психология образования. – 2023. – № 2. – С. 45–52. – Текст : непосредственный.