Цель исследования: сравнить распространённость futur proche и futur simple в национальной газете и в блогах на французском, исследовать влияние жанра и времени.
Дизайн — обзорно-корпусный, квазиэкспериментальный:
- Корпусы: два подкорпуса сопоставимого объёма и периода
- Национальная газета (онлайн-архив крупной газеты): выборка статей за период, например $\text{2005–2024}$.
- Блоги: публичные французоязычные блоги (персональные/тематические), те же годы.
- Целевой размер: по $\approx 500,000$ слов в каждом подкорпусе (можно варьировать: $\approx 1,000,000$ слов суммарно).
- Балансировка: контролировать год публикации и темы (политика, культура, спорт и т.д.), чтобы избежать тематического биаса.
Выделение объектов (аннотирование):
- Предварительная обработка: нормализация, токенизация, лемматизация и морфосинтаксическая разметка (например spaCy/fr, TreeTagger, Lefff+TxM).
- Правила поиска:
- futur proche: форма глагола $\text{aller}$ в настоящем (ле́мы: aller; формы: $\text{vais},\text{va},\text{allons},...$) + инфинитив в окне $\pm 3$ токена и/или отношения зависимостей (aux → verb, инфинитив как зависимое).
- futur simple: глагольные формы, помеченные как будущее простое по морфотегам, либо распознанные по суффиксам будущего (напр. $-ai,-as,-a,-ons,-ez,-ont$) с учётом леммы и контекста.
- Фильтрация ложных срабатываний (контроль перифраз, модальных значений, идиом). Рекомендуется парсинг зависимостей, чтобы отсеять конструкции где «aller» не выступает вспомогательным.
Валидация разметки:
- Ручная разметка случайной выборки $\sim 500$–$\sim 1000$ извлечённых экземпляров для оценки precision/recall.
- При необходимости корректировка правил и повторная валидация.
Метрики и статистический анализ:
- Основная метрика: частота употребления каждого типа нормализованная на миллион слов:
$$\text{freq per M}=\frac{\text{count}}{\text{tokens}}\times 10^6.$$ - Сравнение долей: считать долю futur proche среди всех будущих выражений:
$$p=\frac{\text{count(futur proche)}}{\text{count(futur proche)}+\text{count(futur simple)}}.$$ - Тесты:
- Для двух подкорпусов — критерий хи‑квадрат или точный критерий Фишера для 2×2 таблицы (в зависимости от размеров): статистика ${\chi }^2$ или p-value от Фишера. Уровень значимости $\alpha =0.05$.
- Логистическая регрессия (бинарный отклик: 1 = futur proche, 0 = futur simple) с факторами:
$$\log \frac{P(Y=1)}{1-P(Y=1)}={\beta }_0+{\beta }_1\cdot \text{Genre}+{\beta }_2\cdot \text{Year}+{\beta }_3\cdot \text{Topic}+\dots$$ — оценить влияние жанра (газета vs блог), года и темы; получить доверительные интервалы и p‑значения для коэффициентов.
- Дополнительно: последовательный анализ по годам (time series) для оценки трендов; можно вычислить корреляцию или тренд-коэффициент для $p$ по годам.
Возможные гипотезы:
- H1 (основная): в блогах доля futur proche больше, чем в национальной газете (более разговорная, приближающаяся семантика).
- Нулевая гипотеза: разницы нет.
- H2: в газетах относительная доля futur simple выше (формальность/стилистическая норма).
- H3: во времени (за $\text{2005–2024}$) наблюдается рост использования futur proche в интернете: коэффициент года в регрессии ${\beta }_2>0$.
- H4: эффект жанра ослабляется/усиливается в зависимости от темы (напр., в спортивных репортажах futur proche может быть особенно част).
- H5: различия остаются значимыми после контроля за длиной предложений и частотой вспомогательных глаголов.
Ограничения и смягчение рисков:
- Блоги не однородны (формальные блоги vs личные дневники) — стратифицировать выборку.
- Автоматическая разметка даёт ошибки — ручная валидация и отчёт precision/recall обязательны.
- Репрезентативность: выбирать несколько газет и платформ блогов при возможности или явно оговаривать, что выбор ограничен.
Ожидаемые результаты и интерпретация:
- При подтверждении H1/H2 — аргументы о соотнесённости формы с регистром и устной/письменной ориентацией.
- При отсутствии различий — возможные объяснения: стандартизация письменного французского в сети, жанровая близость выбранных блогов к газетному стилю.
Краткий план работы и таймлайн:
1. Сбор корпуса и очистка ($\sim 2$–$4$ недели).
2. Автоматическая разметка и правки правил ($\sim 2$ недели).
3. Валидация и корректировка ($\sim 1$–$2$ недели).
4. Анализ и тестирование гипотез ($\sim 2$ недели).
5. Отчёт и интерпретация ($\sim 1$–$2$ недели).
Если нужно, могу предложить конкретные регулярные выражения/запросы или пример кода для извлечения конструкций.