О прошлом, но в разное время: компьютерный анализ текстов учебников по истории СССР/России для шести поколений студентов | Вестник Томского государственного университета. Филология. 2024. № 89. DOI: 10.17223/19986645/89/4

О прошлом, но в разное время: компьютерный анализ текстов учебников по истории СССР/России для шести поколений студентов

Анализируются тексты о семи периодах российской истории в шести вузовских учебниках: 1946, 1983, 1997, 2001, 2006, 2010 гг. С помощью методов компьютерного анализа текстовых данных выявляется специфика поколенческого нарратива об истории страны в указанные периоды. Результаты демонстрируют, что тексты разных лет имеют различный эмоциональный «размах», разные тематические доминанты и фокусные тональности для разных исторических сюжетов. Данные отличия связаны с «духом» соответствующего периода - послевоенное время, период «развитого социализма», постперестроечное время реформ, становления новой российской государственности - и формируют специфический способ рассказывать истории «об истории», который можно назвать поколенческим историческим нарративом. в данной научной работе использованы результаты проекта «Текст как Big Data: методы и модели работы с большими текстовыми данными», выполненного в рамках Программы фундаментальных исследований НИУ ВШЭ в 2024 году. Авторы заявляют об отсутствии конфликта интересов.

Скачать электронную версию публикации

Загружен, раз: 6

Ключевые слова

тексты учебников, идеологический дискурс, сентимент-анализ, тематическое моделирование, российская история

Авторы

ФИО	Организация	Дополнительно	E-mail
Колмогорова Анастасия Владимировна	Национальный исследовательский университет «Высшая школа экономики»	д-р филол. наук, профессор департамента филологии Санкт-Петер бургской Школы гуманитарных наук и искусств, академический руководитель магистерской программы “Языковые технологии в бизнесе и образовании”, заместитель руководителя научно-исследовательской лаборатории языковой конвергенции	akolmogorova@hse.ru
Колмогорова Полина Алексеевна	Национальный исследовательский университет «Высшая школа экономики»	стажер-исследователь научно-исследовательской лаборатории языковой конвергенции департамента филологии Санкт-Петербургской Школы гуманитарных наук и искусств	pakolmogorova@edu.hse.ru
Куликова Елизавета Романовна	Национальный исследовательский университет «Высшая школа экономики»	стажер-исследователь научно-исследовательской лаборатории языковой конвергенции департамента филологии Санкт-Петербургской Школы гуманитарных наук и искусств	ekulikova@edu.hse.ru

Всего: 3

Ссылки

Ginburg C. Clues, Myths and the Historical Method. Baltimore, 1989. 231 р.

Megill A. Historical Knowledge, Historical Error. Chicago, 2007. 288 p.

Moretti F. Distant Reading. London: Verso, 2013. 254 р.

Козачина А.В. Реализация мифопоэтической стратегии легитимации институционализированных ценностей в японском педагогическом дискурсе // Вестник Томского государственного педагогического университета. 2020. Вып. 6 (212). С. 20-26.

Citron S. Le mythe national: L'histoire de France en question. Paris: Ed. ouvrieres: Etudes et doc.intern., 1987.

Dubois J., Legris P. (dir.). Disciplines scolaires et cultures politiques. Des modeles nationaux en mutation depuis 1945. Rennes: Presses universitaires de Rennes, 2018.

Dubois J. Garibaldi dans les manuels scolaires d'histoire en Italie: les usages pedagogiques et politiques. In:Jeremie Dubois et Patricia Legris (dir.), Disciplines scolaires et cultures politiques. Des modeles nationaux en mutation depuis 1945. Rennes: Presses universitaires de Rennes, 2018. Р. 81-91.

Konkka O. Le dictateur ou le chef de la nation victorieuse ? L'evolution de la presantation de Joseph Staline dans les manuels scolaires d'histoire de la Russie postsovietique In:Jeremie Dubois et Patricia Legris (dir.), Disciplines scolaires et cultures politiques. Des modeles nationaux en mutation depuis 1945. Rennes: Presses universitaires de Rennes, 2018. Р. 105120.

Конкка О. Язык постсоветских школьных учебников истории: два уровня легитимации политического в дискурсе о прошлом // Дискурс легитимации: язык и политика в эпоху глобальных вызовов / под общ. ред. А.В. Колмогоровой. Красноярск: Сиб. федер. ун-т, 2019. С. 50-69.

Wodak R., Meyer M. Methods of Critical Discourse Analysis. London: SAGE Publications Ltd, 2001. 200 p.

Stibbe A. Ecolinguistics: Language, ecology, and the stories we live by. New York: Routledge, 2015.

Ерунов Б.Л. Мнение и умонастроение в историческом аспекте // История и психология / под ред. Б.Ф. Поршнева, Л.И. Анциферовой. М., 1971. С. 110-126.

Бухарин Н.И. Рецензия на учебник, подготовленный Московским государственным педагогическим институтом им. А.С. Бубнова, 23 октября 1936 г. // РГАСПИ. Ф. 17. Оп. 120. Д. 361. Л. 9-13.

Огановская И.С. Школьный учебник отечественной истории: Учебные издания как исторический источник // Документ. Архив. История. Современность. 2011. № 12. С. 264-282.

Повалява Н.Е. История Отечества до начала ХХ в. в современных учебниках: автореф. канд. ист. наук. М., 2004. 24 с.

Greimas A.J., Courtes J. Adjuvant // Semiotique. Dictionnaire raisonne de la theorie du langage. Paris: Hachette, 1979. P. 10-11.

Шаховский В.И. Обоснование лингвистической теории эмоций // Вопросы психолингвистики. 2019. № 1 (39). С. 22-37.

Beigi Gh., Hu X., Maciejewski R., Liu H. An overview of sentiment analysis in social media and its applications in disaster relief. In: Pedrycz W, Chen SM, editors. Sentiment analysis and ontology engineering. Berlin: Springer Cham, 2016. Р. 313-340. 10.1007/978-3-319-30319-2 13.

Negi S., Buitelaar P. Suggestion Mining From Opinionated Text // Sentiment Analysis in Social Networks / eds by F.A. Pozzi, E. Fersini, E. Messina, B. Liu, M. Kaufmann. Elsevier, 2017. P. 129-139.

Koltsova O., Alexeeva S., Pashakhin S., Koltsov S. PolSentiLex: Sentiment Detection in Sociopolitical Discussions on Russian Social Media, in: Artificial Intelligence and Natural Language. AINL 2020 Communications in Computer and Information Science Book 1292: Communications in Computer and Information Science. Cham: Springer, 2020. P. 1-16.

Tiwari P., Yadav P., Agnihotri S., Mishra B., Nhu N., Gochhayat S., Singh J., PrasadM. Sentiment Analysis for Airlines Services Based on Twitter Dataset // Social Network Analytics.Computational Research Methods and Techniques. 2019. Р. 149-162.

Yasen M., Tedmori S. Movies Reviews Sentiment Analysis and Classification // Proceedings of the IEEE Jordan International Joint Conference on Electrical Engineering and Information Technology (JEEIT). Amman, Jordan, 2019. Р. 860-865. doi: 10.n09/JEEIT.2019.8717422.

Sherstinova T., Moskvina A., Kirina M., Karysheva A., Kolpashchikova E., Maksimenko P., Seinova A., Rodionov R. Sentiment Analysis of Literary Texts vs. Reader's Emotional Responses // Proceedings of the 33rd Conference of Open Innovations Association (FRUCT) / IEEE. 2023. P. 243-249.

Sell J., Farreras I. LIWC-ing at a Century of Introductory College Textbooks: Have the Sentiments Changed? // Procedia Computer Science. 2017. № 118. Р. 108-112.

Solovyev V.D., Solnyshkina M.I., Gafiyatova E.V., McNamara D.S., Ivanov V. Sentiment in Academic Texts // Proceedings of the 24th Conference of Open Innovations Association (FRUCT). Р. 408-414.

Smetanin S., Komarov M. Deep transfer learning baselines for sentiment analysis in Russian // Information Processing & Management. 2021. Vol. 58, Is. 3. Р. 102484.

Николаев И.С., Митренина О.В., Ландо Т.М. Прикладная и компьютерная лингвистика. М.: ЛЕНАНД, 2016. 320 с.

Кулагин Д.И. Открытый тональный словарь русского языка КартаСловСент // Компьютерная лингвистика и интеллектуальные технологии: По материалам ежегодной Международной конференции "Диалог". Вып. 20. М., 2021. С. 1106-1119.

Koltsova O.Yu., Alexeeva S. V., Kolcov S.N. An Opinion Word Lexicon and a Training Dataset for Russian Sentiment Analysis of Social Media // Computational Linguistics and Intellectual Technologies: Papers from the Annual International Conference "Dialogue-2016". 2016. Vol. 15 (22). P. 277-287.

Loukachevitch N., Levchik A. Creating a General Russian Sentiment Lexicon // Proceedings of Language Resources and Evaluation Conference LREC-2016. 2016.

Кирина М.А. Сравнение тематических моделей на основе LDA, STM и NMF для качественного анализа русской художественной прозы малой формы // Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация. 2022. Т. 20, № 2. С. 93-109.

Demsar J., Curk T., Erjavec A., Gorup C., Hocevar T., Milutinovic M., Mozina M., Polajnar M., Toplak M., Staric A., Stajdohar M., Umek L., Zagar L., Zbontar J., Zitnik M., Zupan B. Orange: Data Mining Toolbox in Python // Journal of Machine Learning Research. № 14 (Aug). Р. 2349-2353.

Sciandra A., Trevisani M., Tuzzi A. Diagnostics for topic modelling. The dubious joys of making quantitative decisions in a qualitative environment // Proceedings of the Statistics and Data Science Conference. Pavia University Press, 2023. Р. 61-66.

Bischof J.M., Airoldi E.M. Summarizing topical content with word frequency and exclusivity // International Conference on Machine Learning. 2012. № 29. Р. 201-208.