Мрачная «достоевщина» или «светлый, жизнерадостный Достоевский»? (сентимент-анализ творчества писателя)

Тема исследования возникла из обсуждений феноменов русской литературы с коллегами и студентами Нижегородского государственного педагогического университета (НГПУ им. К. Минина). В ходе дискуссий о творчестве Ф. М. Достоевского наряду с признанием величия фигуры писателя и значимости его произведений для русского национального мировоззрения часто звучала мысль о мрачном, пессимистическом впечатлении, которое создают его книги. При каждом таком повороте беседы возникал диспут между теми, кто согласен с оценкой художественных произведений Достоевского как мрачных, и теми, кто против подобных формулировок. В качестве аргументов в пользу пессимистического тона его основных романов приводилось следующее: изобилие описаний гнетущего самочувствия и/или трудных жизненных ситуаций персонажей произведений; тяжелые сюжетные линии, наполненные скрупулезным социальным и психологическим (само)анализом. Часто звучали фразы о сумрачном образе Петербурга как действующем лице и контексте в произведениях Федора Михайловича. Завершались же подобные дискуссии замечаниями об отсутствии выраженного «хеппи-енда» в его романах. Те же, кто были не согласны с этим мнением, ссылались на трансформирующий характер его произведений. Модифицирующий потенциал творчества Достоевского отмечался как в отношении главных персонажей произведений, так и в отношении читателей. Результат воздействия при этом описывался как катарсис, внутреннее очищение и даже преображение. Сторонники позитивной оценки, признавая отсутствие легкости романов Достоевского, отмечали глубину, содержательность и философскую основательность его повествований, итогом которых является нравственное и религиозное пробуждение, ведущее личность к осмыслению всей ценностной парадигмы. Такой результат служит примером конструктивных, жизнеутверждающих смыслов и мотивов творчества писателя.

С целью формализовать оценки восприятия сочинений Достоевского среди заинтересованных в обсуждении заявленной темы студентов и магистрантов НГПУ им. К. Минина (44.03.05 бакалавриат с двумя профилями подготовки «Русский язык и литература» и 44.04.01 магистратуры по профилю «Инновационные технологии в литературном образовании») был проведен опрос. В опросе участвовало 44 респондента, которые в рамках учебной программы уже изучали творчество Достоевского. Первый вопрос, на который предлагалось ответить, звучал следующим образом: «Если оценивать художественное творчество Ф. М. Достоевского в целом, то его произведения кажутся вам в эмоциональном плане скорее…». Предполагалось три возможных варианта ответа: «негативным», «нейтральным», «позитивным». Ответы 44 респондентов распределились следующим образом ( Диаграмма 1 ).

• 47,7% респондентов охарактеризовали творчество писателя как производящее негативное впечатление, ~36,3% — как нейтральное и лишь ~15,9% — как позитивное. Далее аналогичные вопросы были заданы в отношении конкретных художественных произведений Достоевского («Игрок», «Бедные люди», «Униженные и Оскорбленные», «Преступление и Наказание», «Идиот», «Бесы», «Подросток», «Братья Карамазовы»). Отдельный вопрос был посвящен «Дневнику Писателя» без конкретизации дат публикации. Результаты ответов оказались сходными с общей оценкой эмоциональной тональности творчества Достоевского. Итоги пилотного опроса стали импульсом для настоящего исследования. Заинтересовавшись возможностями инструментов

  количественного анализа эмоциональной окраски художественных и публицистических текстов, вдохновившись перспективностью цифровых исследований [Захаров, 2021] и существующими проектами в русле цифровых исследований творчества Достоевского¹, авторский коллектив предпринял попытку осуществить объективный анализ эмоционального фона основных сочинений великого русского писателя и тем самым попытаться статистически разрешить дилемму позитивности/негативности его произведений.

Диаграмма 1

Diagram 1

Если оценивать художественное творчество Ф.М Достоевского в целом, то его произведения кажутся вам в эмоциональном плане скорее:

Гипотеза

Как отмечается в исследованиях по психологии личности, существование позитивного или негативного аффектов в эмоциональных реакциях человека на стимулы окружающей среды является существенным фактором эмоционального благополучия личности [Степанова]. В качестве рабочей гипотезы мы выбрали так называемый «принцип Поллианны» («гипотезу Поллианны»). Данный принцип получил свое название по имени героини романа Элинор Портер «Поллианна» (1913) — девочки Поллианны Уиттиер, которая во всех жизненных ситуациях стремилась находить положительное, тем самым обеспечивая свое эмоциональное благополучие. Суть гипотезы состоит в том, что когнитивные механизмы человеческой психики обладают тенденцией к позитивной избирательности информации. Это означает, что позитивная информация сильнее, чем негативная, привлекает внимание, а человек в принятии решений более склонен к жизнеутверждающей интерпретации событий как на индивидуальном, так и на коллективном уровнях. В свете мнемонических исследований позитивные события запоминаются лучше, а также легче и чаще воспроизводятся в сознании [Walker, Skowronski]. Лингвистические исследования в русле «гипотезы Поллианны» фиксируют тенденцию в сторону более частотного и разнообразного использования положительно окрашенной лексики. Данный эффект американскими авторами был назван «уклоном в счастье» (“universal positivity bias”) [Dodds, Clark, Desu и др.].

Рассматривая «гипотезу Поллианны» через категории иррациональное/ рациональное, нельзя не обратить внимание на то, что заложенный в ее основание тезис, базирующийся на предпочтении положительной информации и игнорировании негативной, является своего рода когнитивным искажением. Подобный ракурс имеет ограничения в ситуациях, требующих беспристрастного, объективного анализа и рационального расчета эффективности действий при принятии решений. Стремление к положительным событиям, эмоциям и оценкам функционирует скорее на подсознательном уровне, в то время как человек склонен обращать внимание на то, что вызывает отрицательные эмоции [Baumeister, Bratslavsk, Finkenauer, Vohs], поскольку внимание к фактическим или возможным негативным событиям способно помочь преодолеть или предотвратить их, чтобы остаться в пространстве позитивного [Штеба]. Тем не менее «эффект Поллианы» как особенность функционирования человеческой психики, несмотря на потенциальные ошибки в принятии решений, в целом оказывается адаптивной практикой, поскольку положительно влияет на жизнестойкость отдельного индивида и поддержание социальных связей [Нестик].

Языковой аспект приложения «гипотезы Поллианны» интересует нас в первую очередь, поскольку научные исследования [Boucher, Osgood] доказывают валидность данного принципа, причем на основании анализа текстовых корпусов различных языков (в том числе и русского языка) [Dodds, Clark, Desu и др.]. Принимая во внимание отмечаемую исследователями вариабельность функционирования подобного «уклона в счастье» в зависимости от культурных нарративов, стилей письма и предмета описания, отметим, что выявляемая «гипотезой Поллианны» тенденция оказывается верной для корпусов текстов публицистического характера и текстов из социальных сетей, а также детской и юношеской художественной литературы [Jacobs, Herrmann, Lauer и др.].

Итак, согласно «принципу Поллианы», вне зависимости от описываемого предмета человечество стремится создавать тексты с высоким позитивным потенциалом. В свете подобного подхода наша гипотеза заключается в том, что творчество Достоевского, несмотря на производимое негативное (пессимистическое) эмоциональное впечатление, имеет в целом позитивную (оптимистическую) экспрессивную тональность.

Источники и методы

Источниками исследования послужили восемь художественных произведения Достоевского («Игрок», «Бедные люди», «Униженные и Оскорбленные», «Преступление и Наказание», «Идиот», «Бесы», «Подросток», «Братья Карамазовы»), а также «Дневник Писателя» 1873, 1876, 1877, 1880, 1881 г. [Д18].

С целью определения соответствующих задачам исследования инструментов были рассмотрены нескольких методов анализа эмоциональной тональности текста (сентимент-анализ).

• 1.    Изучены возможности интеллектуальных чат-ботов (GigaChat, ChatGPT), которые умеют анализировать сложные тексты и могут давать оценку их тональности. Однако здесь встает вопрос о достоверности полученных результатов, так как алгоритмы работы скрыты и на вопрос о том, какие предобученные модели использовались для решения задачи анализа тональности, боты обычно указывают «собственный алгоритм анализа эмоциональной окраски предложений, основанный на <…> обучении на большом корпусе русскоязычных текстов. Этот процесс включает распознавание ключевых слов, выражающих эмоции, контекст и общее настроение повествования» (GigaChat).

• 2.    К другой группе инструментов для анализа тональности текста относятся такие электронные ресурсы: Dostoevsky — библиотека на Python, обученная на корпусе RuSentiment, которая подходит для анализа сообщений социальных сетей и других коротких посланий²; SentiStrength (адаптированная версия), которая поддерживает русский язык и применяется для коротких текстов; Texterra, SentiFinder, Semantria, SentiScan — коммерческие и исследовательские решения, поддерживающие и русский язык [Нурсаки-тов, Бекишев, Кумаргажанова и др.], [Богданов, Дуля]. Они предназначены также для коротких текстов, в основном для оценивания отзывов, новостей.

• 3.    Еще одним инструментом для исследования послужила RuBERT — языковая модель, специально разработанная для русского языка и использующая архитектуру BERT³. Она была обучена на наборе данных, который включает русскоязычную часть Википедии и новостные источники, что позволяет ей понимать и генерировать текст контекстуально релевантным образом. Модель использует словарный запас, образованный на основе русских подтекстов, что гарантирует эффективность обработки с учетом нюансов языка. На базе RuBERT работает модель cointegrated/rubert-tiny-sentiment-balanced,

• 4.    Кроме того, в исследовании применялись специализированные русскоязычные модели, построенные на архитектуре Longformer, которые способны работать с последовательностями до 16 384 токенов. Например, модель kazzand/ru-longformer-tiny-16384 была создана на основе весов cointegrated/rubert-tiny2 и модифицирована для поддержки длинного кон-текста⁶. Такая модель может быть дообучена (“fine-tuned”) для анализа тональности длинных русскоязычных текстов, в том числе художественных. Однако в открытом доступе практически отсутствуют специализированные размеченные датасеты именно с художественными текстами, маркированными по тональности. Доступные наборы данных для анализа тональности чаще содержат короткие отзывы, комментарии, новости, посты из соцсетей и другие бытовые или публицистические тексты⁷.

• 5.    Определение тональности каждого слова с последующим усреднением по фрагменту текста. Например, подобным образом работает модель Hedonometer, которая была использована исследователями эмоциональных траекторий художественных произведений [Reagan, Mitchell, Kiley].

Таким образом, интеллектуальные чат-боты выдают общее представление о тексте, учитывая ключевые предложения, что можно использовать лишь для общей предварительной оценки текста.

дообученная для мультиклассификации тональности коротких русскоязычных текстов: negative, neutral, positive4. Данная модель из-за архитектурных особенностей BERT имеет ограничения по длине входа — около 512 токенов. Для анализа длинных текстов на базе RuBERT обычно используют следующий подход: текст разбивается на предложения или фрагменты, каждый из которых анализируется отдельно, а затем результаты агрегируются для получения общей оценки тональности всего текста5.

Для решения нашей задачи мы применяли два подхода: cointegrated/ rubert-tiny-sentiment-balanced и определение тональности каждого слова с дальнейшим усреднением по фрагменту текста. Дополнительно тексты анализировались с помощью больших языковых моделей GigaChat и ChatGPT 5.2 с последующим сопоставлением результатов, полученных различными методами.

При первом подходе для оценки тональности произведений Достоевского была выбрана предобученная языковая модель cointegrated/rubert-tiny-sentiment-balanced, так как она дообучена на сбалансированном корпусе текстов для решения задачи классификации. Модель способна определять три класса эмоциональной оценки: позитивная, нейтральная и негативная. Архитектура модели имеет техническое ограничение по максимальной длине входной последовательности — 512 токенов. В этой связи потребовалась предварительная предобработка текстов, заключающаяся в разбиении текстов на фрагменты по 512 токенов. Разбивка проводилась с учетом границ предложений, чтобы не нарушать смысловые единицы. Каждый полученный фрагмент подавался на вход модели независимо. На выходе для каждого отрезка текста модель формировала вектор вероятной принадлежности к трем классам тональности. Для получения оценки тональности всего произведения вероятностные распределения всех фрагментов усреднялись. Дополнительно строилась «кривая тональности», отражающая динамику эмоционального напряжения текста по мере развития сюжета. Вся работа проводилась с использованием алгоритма на Python8.

Другим способом, с помощью которого была рассчитана тональность текстов Достоевского, был подход, основанный на подсчете тональности каждого слова. Такой метод применялся исследователями [Двойникова, Карпов] для определения тональных арок произведений. В качестве инструмента в данном случае использовалась модель Hedonometer, которая считает тональность текста по словам, а затем усредняет данные. В процессе изучения темы выяснилось, что полного официального русскоязычного словаря Hedonometer не существует в том же объеме и методологии, как у оригинального английского словаря LabMT (около 10 тыс. слов с оценками по «шкале счастья» от 1 до 9). Но есть другой словарь КартаСловСент⁹ [Кулагин], в котором 46127 записей (размеченных слов). Словарь основан на методе опроса: каждое слово оценивалось не менее чем 25 респондентами [Solovyev, Ivleva]. Фрагмент словаря приведен на Илл. 1 .

К основным полям в таблице относятся: term — слово или словосочетание; tag — метка тональности (PSTV — «позитивное», NGTV — «негативное», NEUT — «нейтральное»); value — скалярное значение эмоционально-оценочного заряда из непрерывного диапазона [-1; +1]; доли голосов: за положительную тональность (pstv), отрицательную тональность (ngtv), нейтральную тональность (neut), голоса «не знаю» (dunno) и коэффициент рассогласованности между голосами за положительную и отрицательную тональность (pstvNgtvDisagreementRatio: 0 — отсутствие рассогласованности, 1 — максимальная рассогласованность). Поля value, tag и pstvNgtvDisagreementRatio вычислены разработчиками словаря по формулам на основе данных исходной разметки. Общий объем словаря (46127 записей) состоит из 6215 позитивных, 11863 негативных и 28049 нейтральных записей.

	term	*ч	value	pttv	ngtv	neut	dunno	pstvNgtvOnagreement Ratio
0	абажур	NEUT	0.08	0.185	0.037	0.580	0.198	0.00
1	аббатство	NEUT	0.10	0.192	0.038	0.578	0.192	0.00
2	аббревиатура	NEUT	0.08	0.196	0.000	0.630	0174	0.00
3	абзац	NEUT	0.00	0.137	0.000	0.706	0.157	0.00
4	абиссинец	NEUT	0.28	0.151	0.113	0.245	0.491	0.19
195	авторитарность	NGTV	•0.35	0.238	0.277	0.287	0.198	0.40
19€	авторитарный	NGTV	•0.39	0.233	0.282	0.233	0.252	0.44
197	авторитет	PSTV	0.90	0.569	0.069	0.190	0.172	0.00
198	авторитетность	PSTV	0.89	0.630	0043	0.218	0.109	0.00
199	авторитетный	PSTV	0.97	0.717	0.022	0.196	0.065	0.00

Илл. 1. Фрагмент словаря

Fig. 1. Dictionary fragment

В нашем исследовании мы рассчитываем тональность фрагментов текста в объеме 512 слов, определяя тональность каждого слова по словарю Кар-таСловСент и затем усредняя результат. Полученные данные мы визуализируем с помощью линейного графика. Наконец, проводим техническую операцию: сглаживаем его фильтром Савицкого-Голея с разными параметрами для удаления так называемого «шума».

Результаты исследования

Рассмотрим ход исследования на примере анализа романа «Игрок». В результате применения модели cointegrated/rubert-tiny-sentiment-balanced были получены данные: negative 0.3569, neutral 0.1652, positive 0.4779, которые после округления приняли следующий вид: негатив 36%, нейтраль 16%, позитив 48%. При применении второго подхода (определение тональности по словам) были получены такие данные: негатив 11%, нейтраль 49%, позитив 30%, не определено 10%. Далее результаты были визуализированы с помощью графиков, где по оси абсцисс отложены номера фрагментов текста, а по оси ординат — тональность в диапазоне [-1;1], при этом -1 соответствует вероятности принадлежности классу negative 100%, 0 — neutral, 1 — соответствует вероятности принадлежности классу positive 100%.

Илл. 2–3. Визуализация тональности «Игрок» по первому и второму подходам

Fig. 2–3. Sentiment visualization of “The Gambler” using the first and second approaches

На Илл. 2–3 видно, что в данных диаграммах много подробностей, которые мешают визуально оценить основные тенденции в тональности от фрагмента к фрагменту. Поэтому был применен фильтр Савицкого-Голея, который выполняет локальную полиномиальную аппроксимацию, в результате чего получается сглаженный сигнал, где мелкие колебания тональности устраняются, а главные тенденции и формы локальных особенностей (пиков, изгибов) сохраняются ¹⁰ . В качестве параметров фильтра Савицкого-Голея был взят порядок полинома, равный 2 и по 3 для каждого графика параметра длины окна (окно включает все данные, 1/3 и 1/15 всех данных).

Илл. 4–5. Визуализация тональности «Игрок» по первому и второму подходам с разными параметрами длины окна фильтра Савицкого-Голея

Fig. 4–5. Visualization of the sentiment of “The Gambler” according to the first and second approaches with different window length parameters of the Savitzky-Golay filter

Аналогичным образом были проанализированы остальные произведения Достоевского. Результаты применения двух описанных подходов для определения тональности романов Достоевского представлены в Таблице 1 . В первом столбце приведен расчет тональности по фрагментам текста из 512 токенов с помощью модели cointegrated/rubert-tiny-sentiment-balanced, во втором столбце — расчет тональности произведения с учетом тональности каждого слова, определенного по словарю КартаСловСент — «словарный» метод (учитывалась усредненная величина тональности для фрагментов длиной 512 слов).

Таблица 1

Table 1

По словарю КартаСловСент

Модель cointegrated/rubert-tiny-sen-timent-balanced

Роман «Игрок»

Роман «Бедные люди»

Роман «Униженные и Оскорбленные»

Роман «Преступление и Наказание»

Jwwmog^P*]!^^^

« M MO IM NO Ж Э0О IN номер paw тмгт*

Роман «Идиот»

Роман «Бесы»

Роман «Братья Карамазовы»

В целом, мы видим сходную тенденцию распределения значений тональности по последовательности блоков текста в обоих методах расчета тональности, при этом фиксируются отдельные значимые различия. Графики изменения тональности при подсчете по словам находятся выше нуля и имеют очень маленький разброс значений (в основном от 0,1 до 0,3), так как, согласно результатам применения данного метода, около половины анализируемого текста отнесено к нейтральной тональности, что обусловлено, на наш взгляд, во-первых, отсутствием контекста. Прилагательные, усиливающие негативную тональность, вне контекста оцениваются некорректно: например, словосочетание «сильный (0,95) взрыв (нет в словаре)» формально привносит +0,91 показателя в положительную тональность, хотя семантически коннотация может быть отрицательной. Таким образом, модель не сортирует большой массив нейтральных слов, если их рассматривать вне контекста. Во-вторых, в используемом словаре отсутствует значительная часть лексики, характерной для романов Достоевского, следовательно, эти слова выпадают при подсчете тональности.

Если смотреть на данные по фильтру Савицкого-Голея, включающему весь массив, то можно заметить, что визуализация распределения тональности лексики в романе «Игрок» образует кривую, демонстрирующую провал в негатив в середине произведения и подъем в позитивную тональность в конце, причем уровень позитивности в конце выше, чем в начале произведения.

Результаты сентимент-анализа в оптике распределения лексики в романе «Бедные люди» по двум методам демонстрируют различный эффект. Общим является то, что по модели RuBERT произведение фиксируется в начале и в конце как более позитивное, чем в середине, причем уровень позитива в начале и в конце романа оказывается одинаковым, в то время как анализ «словарным» методом демонстрирует, что конец кривой ниже, следовательно, по тональности лексики менее позитивен, чем начало романа.

Роман «Униженные и Оскорбленные» демонстрирует обратную по сравнению с предыдущими двумя романами дугу: начало и конец менее позитивны, чем середина произведения, причем завершение романа оказывается менее позитивным, чем его начало.

Анализ романа «Преступление и Наказание» при помощи двух подходов дал разнящиеся результаты. В случае использования модели RuBERT середина произведения оказывается по тональности заметно более негативной, чем начало, а завершение романа оценивается как более позитивное. В случае же использования словаря КартаСловСент ситуация обратная: середина романа более позитивная, чем начало и конец, при этом итог романа все же более позитивен, чем его начало.

Очевидно различие результатов анализа и по визуализации тональности романа «Идиот». Модель RuBERT демонстрирует восходящую по тональности прямую от негативного начала к позитивному окончанию, в то время как «словарный» метод рисует кривую с провалом в негатив в середине произведения и восхождение ближе к концу, которое при этом не достигает уровня позитивности лексики начала произведения.

Аналитика романов «Бесы» и «Братья Карамазовы» при помощи двух подходов оказывается очень схожей: устойчивое за небольшим исключением падение уровня позитивности лексики от начала к концу произведения. Заметное отличие видно по графикам визуализации кривой тональности романа «Подросток». В результате применения модели RuBERT обнаруживается позитивное начало и конец (причем финал романа более позитивный) со спадом в середине, в то время как КартаСловСент дает противоположную картину с повышением уровня позитивности в середине романа и спадом к концу.

Итак, предварительно оценивая результативность применения описанных инструментов, отметим, что «словарный» метод склонен сглаживать тональность и настроен на поиск конкретных семантических маркеров, тогда как модель RuBERT более чувствительна к эмоциональным перепадам произведений и контексту. Расхождения результатов применения указанных методов просматриваются не везде, в частности для романов «Бесы» и «Братья Карамазовы» различия непринципиальны. Построенные с помощью описанных инструментов графики наглядно фиксируют различие в динамике тональности произведений Достоевского, что в целом отражает отличия их сюжетно-эмоциональной структуры. Отсутствие показателей позитивной тональности концовок романов далеко не всегда свидетельствует о негативной окрашенности текстов. Скорее следует говорить о сложности и неоднозначности как финалов произведений, так и семантических полей текстов Достоевского в целом. Из этих различий следует, во-первых, необходимость проведения верификации полученных данных «живым» экспертом и, во-вторых, требование применения в исследованиях подобного рода гибридного подхода, сочетающего сильные стороны различных инструментов. Использованные инструменты при всем их несовершенстве (отсутствие учета контекста, способное искажать общую семантическую картину; дефицит словаря специфической лексики Достоевского), снижающем точность анализа его текстов, тем не менее дают возможность наглядно представить эмоциональную архитектонику произведений великого писателя, где смена тональности интерпретируется как преодоление боли и трагедии через катарсис и утверждает торжество божественной справедливости, пусть и через наказание.

Результаты анализа тональности произведений посредством больших языковых моделей GigaChat и ChatGPT 5.2 приведены в Таблице 2–3.

Таблица 2–3

Table 2–3

Название произведения	RuBERT	Giga Chat	ChatGPT 5.2
Игрок	Негатив: 36% Нейтраль: 16% Позитив: 48%	Негатив: 60% Нейтраль: 20% Позитив: 20%	Негатив: 65% Нейтраль: 20% Позитив: 15%
Бедные люди	Негатив: 36% Нейтраль: 10% Позитив: 53%	Негатив: 55% Нейтраль: 30% Позитив: 15%	Негатив: 55% Нейтраль: 25% Позитив: 20%
Униженные и Оскорбленные	Негатив: 37% Нейтраль: 17% Позитив: 46%	Негатив: 65% Нейтраль: 25% Позитив: 10%	Негатив: 60% Нейтраль: 20% Позитив: 20%
Преступление и Наказание	Негатив: 55% Нейтраль: 17% Позитив: 28%	Негатив: 70% Нейтраль: 20% Позитив: 10%	Негатив: 70% Нейтраль: 15% Позитив: 15%
Идиот	Негатив: 56% Нейтраль: 17% Позитив: 27%	Негатив: 55% Нейтраль: 30% Позитив: 15%	Негатив: 60% Нейтраль: 20% Позитив: 20%
Бесы	Негатив: 50% Нейтраль: 23% Позитив: 27%	Негатив: 80% Нейтраль: 15% Позитив: 5%	Негатив: 75% Нейтраль: 15% Позитив: 10%
Братья Карамазовы	Негатив: 47% Нейтраль: 15% Позитив: 38%	Негатив: 60% Нейтраль: 25% Позитив: 15%	Негатив: 60% Нейтраль: 20% Позитив: 20%
Подросток	Негатив: 46% Нейтраль: 19% Позитив: 34%	Негатив: 65% Нейтраль: 25% Позитив: 10%	Негатив: 55% Нейтраль: 25% Позитив: 20%
Среднее значение	-	Негатив: 63% Нейтраль: 24% Позитив: 13%	Негатив: 62,5% Нейтраль: 20,0% Позитив: 17,5%

Название произведения	RuBERT	Giga Chat	ChatGPT 5.2
Дневник писателя 1873	Негатив: 49% Нейтраль: 25% Позитив: 26%	Негатив: 50% Нейтраль: 30% Позитив: 20%	Негатив: 55% Нейтраль: 25% Позитив: 20%
Дневник писателя 1876	Негатив: 47% Нейтраль: 23% Позитив: 30%	Негатив: 40% Нейтраль: 35% Позитив: 25%	Негатив: 60% Нейтраль: 20% Позитив: 20%
Дневник писателя 1877	Негатив: 47% Нейтраль: 25% Позитив: 28%	Негатив: 60% Нейтраль: 25% Позитив: 15%	Негатив: 65% Нейтраль: 20% Позитив: 15%
Дневник писателя 1880	Негатив: 41% Нейтраль: 24% Позитив: 35%	Негатив: 55% Нейтраль: 30% Позитив: 15%	Негатив: 50% Нейтраль: 25% Позитив: 25%
Дневник писателя 1881	Негатив: 38% Нейтраль: 18% Позитив: 44%	Негатив: 65% Нейтраль: 20% Позитив: 15%	Негатив: 45% Нейтраль: 30% Позитив: 25%
Среднее значение	-	Негатив: 54% Нейтраль: 28% Позитив: 18%	Негатив: 55% Нейтраль: 24% Позитив: 21%

Как видим, генеративные чат-боты, опираясь на отдельные предложения, предлагают схожий обобщенный результат (совпадение с разрывом в 5-10%). Все рассмотренные в свете данного подхода тексты Достоевского отличаются преобладанием эмоционально негативной лексики, при этом «Дневник Писателя» оказывается позитивнее, чем художественные произведения. Анализ с помощью языковой модели RuBERT, где тексты разделяются на фрагменты по 512 токенов, продемонстрировал несколько иной результат. Так, «Игрок», «Бедные люди», «Униженные и Оскорбленные» и «Дневник Писателя» (1881) оказались произведениями с доминированием эмоционально позитивной лексики, в остальных же преобладает лексика с негативной коннотацией. Однако процент негативной и нейтральной лексики при анализе инструментом RuBERT оказывается почти во всех случаях ниже, чем при анализе интеллектуальными чат-ботами, а процент позитивной лексики выше.

Заключение

На основании полученных результатов можно сделать вывод, что «принцип Поллианны» на материале наиболее значимых произведений Достоевского не подтверждается. Субъективные ощущения большого процента читателей о преобладании в ключевых произведениях писателя негативной эмоциональной составляющей были доказаны эмпирически. Отметим, что данный вывод согласуется с исследованиями эмотивных аспектов в отдельных произведениях русского писателя: «Бедные люди», «Бесы», «Преступление и Наказание», «Идиот» [Егорова, Станкевич], [Шайрар, Садченко], [Мозолева], [Шахназарян], [Панкратова], [Сапельников], [Созина], [Picca, Schnyder, Romele]. Сентимент-анализ восьми художественных произведений Достоевского и «Дневника Писателя» демонстрирует доминирование негативно окрашенной лексики. Учитывая значимость рассмотренных произведений в корпусе текстов русского классика, данный результат можно с осторожностью экстраполировать на все творчество Достоевского.

Проведенный анализ выявил, с одной стороны, ограниченность цифровых инструментов, с другой — их эвристический потенциал. На данный момент продуктивным представляется комбинированное использование методов: модель RuBERT перспективно использовать для исследования общей динамики тональности, а «словарный» метод — для анализа сегментов текстов. Приходится признать, что для фундаментального анализа творчества русского классика данные инструменты должны претерпеть существенную модернизацию, в частности необходимо дообучить модель RuBERT под задачу экспертирования массивов текстов без разбивки на отдельные элементы. Кроме того, необходимо разработать лингвистические нормативы оценки устойчивых семантических комбинаций с потенциально противоречивой эмоциональной тональностью, которые учитывали бы специфику лексики писателя.

В завершение следует сформулировать ряд вопросов, которые позволяют обозначить возможные направления дальнейшего исследования. Во-первых, в чем причины доминирования негативной эмоционально окрашенной лексики в трудах писателя? Во-вторых, представляется логичным исследовать соотношение биографических причин обозначенного феномена с причинами, лежащими в специфике общественного и литературного контекстов XIX в. Иными словами, насколько типично доминирование негативной эмоционально окрашенной лексики для современной Достоевскому русской литературы? Третьим направлением является исследование эмоциональных арок персонажей произведений Достоевского. Сентимент-анализ персонажей (с учетом прямой речи главных действующих лиц и их портретов) позволил бы детальнее изучить литературную антропологию [Захаров, 1989, 2013, 2018] писателя через выявление эмотивных особенностей героев его романов. В-четвертых, в какой степени мы можем говорить о «светлом, жизнерадостном» Достоевском как о человеке и писателе [Шульц]? Возможность постановки такого вопроса свидетельствует о том, что нечто важное — то, что позволяет определенному проценту читателей видеть в его романах светлое, жизнеутверждающее начало, — ускользает от количественного анализа текстов писателя. Наконец, еще одно направление исследований лежит в сфере цифровой антропологии [Грязнова] и антропологии литературы, поскольку связано с изучением, с одной стороны, особенностей восприятия произведений Достоевского современными читателями, использующими Интернет-ресурсы, а с другой стороны, с изучением тенденций исследований наследия писателя учеными, применяющими цифровые инструменты.