DOI: https://doi.org/10.1017/chr.2026.10035
تاريخ النشر: 2026-01-01
المؤلف: William Rathje
الموضوع الرئيسي: الإنسانيات الرقمية والدراسات الأكاديمية
نظرة عامة
تقدم هذه المقالة طريقة جديدة لتحليل الهيكل السردي من خلال استخدام تمثيلات الجمل، مما يمكّن من إنشاء منحنيات مسار الحبكة السردية من تسلسلات النص المجزأة. من خلال تطبيق نماذج تحويل الجمل المدربة مسبقًا على مجموعة بيانات تتكون من 2,965 نصًا خياليًا من مجموعة كتب مشروع غوتنبرغ باللغة الإنجليزية، والتي تعود في الغالب إلى القرن التاسع عشر، يستخدم المؤلفون تقنيات تمثيل الكلمات غير المراقبة لتحليل التسلسلات السردية على نطاق واسع. يركز التحليل على قياس المسارات السردية على طول سبعة معارض ثنائية – الطبقة، الجنس، الأخلاق، الجماعية/الفردية، الطبيعة/الصنعة، النظام/الفوضى، والعاطفي/العقلي – بينما يتم تقسيم النصوص حسب العقد، النوع، وجنس الحوار. تكشف النتائج عن اتجاهات تتماشى مع النظريات السردية ما بعد الكلاسيكية والنسوية، إلى جانب رؤى جديدة حول تقديم السرد وشكل القصة.
تشمل المنهجية تقسيم كل كتاب إلى وحدات مكونة من 128 رمزًا، وتمثيل هذه الأجزاء كتمثيلات جمل سياقية، وبناء محاور للمعارض الثنائية لتتبع التحولات التمثيلية طوال السرد. تظهر النتائج قوة هذه الطريقة ضد اختبارات إحصائية مختلفة وتقترح إمكانياتها لتحليل بيانات النصوص المتسلسلة والهياكل السردية. تشمل اتجاهات البحث المستقبلية استكشاف الأبعاد الدلالية الخاصة بالمجموعة وتكييف الطريقة لأشكال سردية مختلفة، مثل الخطابات أو التواصل عبر الإنترنت، مما يوسع من قابلية تطبيق هذا الإطار التحليلي.
مقدمة
تناقش مقدمة ورقة البحث تطور السرديات، التي نشأت من النظرية الهيكلية وتؤكد على دور الزمنية في تحليل السرد. على عكس الهيكلية التقليدية، تميز السرديات بين التسلسل الموضوعي للأحداث وتمثيلها الذاتي في الشكل السردي. يهيئ هذا التركيز على الطبيعة الشرطية للزمن في السرد لاستكشاف كيفية تطبيق هذه المفاهيم ضمن مجال معالجة اللغة الطبيعية (NLP).
في سياق معالجة اللغة الطبيعية، تسلط الورقة الضوء على أهمية تمثيلات الكلمات، التي ترتبط ارتباطًا وثيقًا باللغويات الهيكلية، كما أشار لنتشي وساهلجرين (2023). على الرغم من التحديات الكامنة في تطبيق نماذج التمثيل لتحليل تسلسلات النصوص، فإن التقدم في نماذج التحويل، مثل sentence-BERT، جعل من الممكن بشكل متزايد تفعيل هذه التقنيات لتحليل السرد بشكل فعال.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يبرز النتائج المهمة التي تدعم الفرضيات أو الأهداف الموضحة في الدراسة. عادةً ما يتم توضيح النتائج من خلال أشكال مختلفة من تمثيل البيانات، مثل الجداول، الرسوم البيانية، أو المعادلات، مما يوفر فهمًا بصريًا واضحًا للنتائج.
في هذا القسم، قد يقدم المؤلفون تحليلات إحصائية، بما في ذلك قيم p أو فترات الثقة، للتحقق من دلالة نتائجهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، جنبًا إلى جنب مع آثارها في سياق سؤال البحث. بشكل عام، يخدم هذا القسم لنقل الأدلة التجريبية التي تدعم استنتاجات الدراسة.
المناقشة
في هذا القسم، يقدم المؤلفون إطار عمل لإثبات المفهوم لتحليل التسلسلات الأدبية المدمجة باستخدام مجموعة بيانات تتكون من ما يقرب من 3,000 كتاب خيالي من مشروع غوتنبرغ. من خلال استخدام نموذج تحويل الجمل، يمثلون الكتب كمسارات تسلسلية، مما يعكس أجزاء نص ثابتة على سبعة محاور دلالية محددة مسبقًا. تتيح هذه الطريقة تجميع المسارات النصية الفردية في مسارات متوسطة مركبة، مما يسهل تقسيمها حسب متغيرات مثل الفترة الزمنية، النوع، أو جنس المؤلف. يبرز المؤلفون مزايا استخدام التمثيلات للدراسات السردية، لا سيما في تمكين المقارنات بين مستويات المجموعة الهيكلية والنصوص الفردية، بالإضافة إلى استعادة الأنماط الدلالية للترتيب الزمني.
كما يناقش المؤلفون التحديات المرتبطة بضمان أن تعكس مسارات التمثيلات آثارًا ذات دلالة إحصائية بدلاً من الضوضاء العشوائية. يتحققون من نهجهم من خلال إثبات قوته وتطبيقه على متغيرات مستوى المجموعة المختلفة، ويجدون أنه يلتقط بفعالية آثار النوع والفترة المعروفة. يستنتج المؤلفون أن طريقتهم تظهر وعدًا لتطبيقات أوسع في تحليل السرد، مما يقترح امتدادات محتملة لأشكال نصوص أخرى بخلاف الخيال، مثل المقالات العلمية والخطابات. بشكل عام، تسهم هذه الدراسة في المجال الناشئ للسرديات الحاسوبية من خلال تفعيل تحليل التسلسل على المستويات الفردية والجماعية.
DOI: https://doi.org/10.1017/chr.2026.10035
Publication Date: 2026-01-01
Author(s): William Rathje
Primary Topic: Digital Humanities and Scholarship
Overview
This article introduces a novel method for analyzing narrative structure through the use of sentence embeddings, enabling the creation of narrative plot trajectory curves from chunked text sequences. By applying pretrained sentence transformer models to a dataset of 2,965 fiction texts from the Project Gutenberg English Books Corpus, primarily from the nineteenth century, the authors utilize unsupervised word embedding techniques to analyze narrative sequences at a large scale. The analysis focuses on measuring narrative trajectories along seven binary oppositions—class, gender, morality, collectivity/individual, nature/artifice, order/disorder, and emotional/rational—while segmenting texts by decade, genre, and dialogue gender. The findings reveal trends that align with postclassical and feminist narratological theories, alongside novel insights into narrative presentation and story shape.
The methodology involves chunking each book into 128-token units, representing these chunks as contextual sentence embeddings, and constructing axes for the binary oppositions to trace representational shifts throughout the narrative. The results demonstrate the robustness of this approach against various statistical tests and suggest its potential for analyzing sequential text data and narrative structures. Future research directions include exploring corpus-specific semantic dimensions and adapting the method for different narrative forms, such as speeches or online communication, thereby expanding the applicability of this analytical framework.
Introduction
The introduction of the research paper discusses the evolution of narratology, which emerged from structuralist theory and emphasizes the role of temporality in narrative analysis. Unlike traditional structuralism, narratology distinguishes between the objective sequence of events and their subjective representation in narrative form. This focus on the conditional nature of time in narratives sets the stage for exploring how these concepts can be applied within the realm of natural language processing (NLP).
In the context of NLP, the paper highlights the significance of word embeddings, which are closely linked to structural linguistics, as noted by Lenci and Sahlgren (2023). Despite the inherent challenges in applying embedding models to analyze text sequences, advancements in transformer-based models, such as sentence-BERT, have made it increasingly feasible to operationalize these techniques for effective narrative analysis.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights the significant outcomes that support the hypotheses or objectives outlined in the study. The results are typically illustrated through various forms of data representation, such as tables, graphs, or equations, which provide a clear visual understanding of the findings.
In this section, the authors may report statistical analyses, including p-values or confidence intervals, to validate the significance of their results. Additionally, any observed trends or patterns in the data are discussed, along with their implications in the context of the research question. Overall, this section serves to convey the empirical evidence that underpins the study’s conclusions.
Discussion
In this section, the authors present a proof-of-concept framework for analyzing embedded literary sequences using a dataset of nearly 3,000 fiction books from Project Gutenberg. By employing a sentence transformer model, they represent books as sequence trajectories, projecting fixed text chunks onto seven predefined semantic axes. This method allows for the aggregation of individual text trajectories into composite mean trajectories, facilitating segmentation by variables such as time period, genre, or author gender. The authors highlight the advantages of using embeddings for narratological studies, particularly in enabling comparisons between structural corpus levels and individual texts, as well as recovering semantic patterns of temporal ordering.
The authors also discuss the challenges associated with ensuring that the trajectories of embeddings reflect statistically significant effects rather than random noise. They validate their approach by demonstrating its robustness and applying it to various corpus-level variables, finding that it effectively captures known genre and period-specific effects. The authors conclude that their method shows promise for broader applications in narrative analysis, suggesting potential extensions to other forms of texts beyond fiction, such as scientific articles and speeches. Overall, this research contributes to the emerging field of computational narratology by operationalizing sequence analysis at both individual and aggregate levels.