Examining the representation of landscape and its emotional value in German-Swiss fiction between 1840 and 1940
Notice bibliographique
Résumé
This paper presents a quantitative analysis of the representation and affective encoding of fictional space in a corpus of 125 Swiss literary prose texts of the 19th and early 20th Century written in German, offering a contribution to both spatial and affective literary studies. Motivated by questions about the iconic dichotomy between ‘urban’ and ‘rural/natural’ space in literary works (Sengle; Fournier; Nell and Weiland) – and in Swiss literature around 1900 in particular (Rehm) – we use computational methods to detect and examine how different types of space are distributed and affectively encoded in German-Swiss literature. Taking into account the complexity of cultural perceptions and representations of space across history, we examine the presence of ‘urban’ and ‘rural/natural’ fictional spaces and their potential role in constructing a ‘Swiss’ national literature (Böhler; Zimmer), and their affective encoding. In order to do this, we first compiled a comprehensive dictionary of named and non-named spatial entities in the broad spatial categories RURAL and URBAN, and examined the presence of sentiment and emotions (valence and discrete emotions) and their ‘strength’ (arousal) in relation to these. We used current state-of-the-art sentiment lexicons for German available to the digital humanities community. Similarly to Heuser et al., we mapped the spatial entities and the sentiment lexicons onto our corpus, and focused on spans of +/-50 words around the detected entities, in order to examine the specific sentiment and emotions related to space. In an exploratory analysis, we offer here a first-time data-driven perspective on rural and urban fictional space, incorporating the dimension of affective encoding of space systematically.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».