Miércoles 11 de octubre de 2017

R Studio

Estilometría: para descubrir el género de un texto, la fecha de un texto o la autoria (la atribución).

¿Qué define el estilo de un autor? Palabras funcionales, vacías de contenido (de, a, por, así, …) https://www.mrc-cbu.cam.ac.uk/people/matt.davis/cmabridge/

Pasos previos:

• Crear un corpus en texto plano en UTF-8
• Asignar nombres de los ficheros de manera clara (sin espacios, ni acentos, etc.)
• Tokenización (reconocimiento de los caracteres o palabras individualmente). Quitar puntuación, caracteres numéricos.
• A continuación podemos empezar a jugar con las palabras, calculando la distancia mínima entre ellas.

Parte 1 (Miércoles 11 Octubre 2017)

Instalación:

• Instalar https://www.rstudio.com/products/rstudio/download/
• Stylo https://sites.google.com/site/computationalstylistics/stylo es un paquete que puede instalarse en R.

Pasos a seguir:

• Abrid R Studio

• En el cuadro superior izquierdo escribid: install.packages("stylo"). Esto deberéis hacerlo sólo la primera vez que lo utilicéis.

• A continuación debes importar el paquete Stylo para poder trabajar con él: library(stylo)

• Ahora tenemos que establecer nuestro directorio de trabajo para que el programa sepa dónde están los archivos de texto: Session > “Set the working directory” > Choose directory > Elegid vuestra carpeta que debe contener a su vez la carpeta “corpus”. Es muy importante que todos los archivos estén en una carpeta llamada “corpus” sino no funcionará. También puede escribirse en la consola setwd("~/Dropbox/MIAMI/Courses Miami/SPA322_Intro_DH/Lorca_Corpus") (aquí es donde lo tengo yo).

• Para asegurarnos que estamos en la carpeta correcta podemos escribir en la consola getwd() y veremos el path o dirección local donde estamos trabajando. En mi caso, veo: [1] “/Users/susannalles/Dropbox/MIAMI/Courses Miami/SPA322_Intro_DH/Lorca_Corpus”

• Ahora para empezar a visualizar los textos clicad en stylo(). Se os abrirá una ventana emergente y podéis clicar en “OK”, entonces os aparecerá el primer gráfico.

• Ahora volved a correr stylo(), e id a ‘Features > MFW Settings, miniminum and max to 3000`, y generad el gráfico graph2.png. “MFW” significa “Most Frequent Words”.

PARTE II (Viernes 13 Octubre 2017)

1. Experimentad ahora cambiando el número de palabras más frecuentes que toma en consideración el programa: stylo() > Features > MFW Settings, cambiad los valores de Minimo y Máximo: 30, 50, 1000, 5000… y comentadlo.
2. Ahora provad con stylo() > statistics> Cluster Analysis> Consensus Tree > Consensus strength con un valor de 0,5.
3. Puedes probar qué pasa si al corpus se le añaden otros textos que no son de Lorca, por ejemplo, autores realistas: https://github.com/cligs/textbox/blob/master/spanish/novela-espanola/novela-espanola.zip Para ello, arrastra todos los textos en tu carpeta “corpus” y vuelve a correr los mismos comandos.
4. Puedes intentar utilizar en “MFW Settings” un mínimo y máximo de 100, y modificar el output para que salga la letra (“font”) más pequeña y el espacio entre líneas sea menor.

Casos de autoría:

• Robert Galbraith, The Cuckoo’s Calling by Jude Callegari = J. K. Rowling. El caso fue resuelto por dos forenses lingüísticos de la empresa Juola Associates.
• Autenticidad de una obra de Julio César http://dl.acm.org/citation.cfm?id=2989636

Libro imprescindible para introducirse a RStudio:

• Jockers, Matthew. Text Analysis with R for Students of Literature. Cham: Springer, 2014. Disponible en línea: http://link.springer.com/book/10.1007%2F978-3-319-03164-4

Otro libro algo más avanzado es:

• Taylor, Arnold, y Lauren Tilton. Humanities Data in R. Exploring Networks, Geospatial Data, Images, and Texts. Cham: Springer, 2015. Disponible en: http://link.springer.com/book/10.1007%2F978-3-319-20702-5

Caso de estudio con herramientas de estilometría: https://vimeo.com/70881172