Введение
В данном проекте исследуется, как менялась скорость речи в публичных высказываниях на протяжении второй половины XX и начала XXI века. Скорость речи рассматривается как количественный показатель, отражающий ритм времени, медиасреду и особенности публичной коммуникации.
Меня заинтересовал вопрос: можно ли увидеть устойчивый тренд ускорения речи со временем и зависит ли темп речи от формата высказывания. Проект выполнен в формате исследовательской визуализации данных с акцентом на интерпретацию и объяснение наблюдаемых закономерностей.
Данные
Для анализа использован табличный датасет, содержащий информацию о скорости речи в публичных высказываниях. В качестве основной метрики используется показатель words per minute (WPM) — количество слов, произнесённых за одну минуту.
Датасет включает следующие параметры: год высказывания, формат речи (лекция, интервью, публичное выступление), скорость речи (WPM).
Анализ данных выполнялся в среде Google Colab с использованием библиотеки Pandas.
Этапы работы
Формирование табличного датасета
Очистка данных и удаление нереалистичных значений
Группировка данных по годам и десятилетиям
Расчёт средних значений скорости речи
Визуализация данных различными типами графиков
Интерпретация результатов
Средняя скорость речи по годам
plt.figure(figsize=(10,6)) plt.scatter(df['year'], df['wpm'], alpha=0.3) plt.xlabel("Год") plt.ylabel("Слова в минуту") plt.title("Связь года и скорости речи")
Пояснение
"Диаграмма рассеяния показывает зависимость между годом высказывания и скоростью речи. В более ранние периоды значения скорости речи в среднем ниже, тогда как в современных выступлениях наблюдается смещение в сторону более высоких значений."
Средняя скорость речи по форматам
avg_speed = df.groupby('year')['wpm'].mean()
plt.figure(figsize=(10,5)) plt.plot(avg_speed) plt.xlabel("Год") plt.ylabel("Слова в минуту") plt.title("Средняя скорость речи по годам")
Пояснение
"Линейный график демонстрирует устойчивый рост средней скорости речи на протяжении нескольких десятилетий. Этот тренд может отражать ускорение темпа жизни, развитие медиа и изменение форматов публичной коммуникации."
Скорость речи по десятилетиям
df.boxplot(column='wpm', by='decade', figsize=(10,5)) plt.xlabel("Десятилетие") plt.ylabel("Слова в минуту") plt.title("Скорость речи по десятилетиям")
Пояснение
"Диаграмма размаха показывает рост медианных значений скорости речи от десятилетия к десятилетию. Также увеличивается разброс значений, что указывает на разнообразие речевых стратегий в более поздние периоды."
plt.figure(figsize=(8,5)) plt.hist(df['wpm'], bins=20) plt.xlabel("Слова в минуту") plt.ylabel("Количество наблюдений") plt.title("Распределение скорости речи")
Пояснение
"Гистограмма позволяет увидеть, в каком диапазоне чаще всего находится скорость речи. Основная масса значений сосредоточена в среднем диапазоне, что позволяет говорить о существовании условной нормы темпа речи."
Выводы
Результаты анализа показывают, что скорость публичной речи со временем увеличивается. Это может быть связано с ускорением информационной среды, изменением форматов коммуникации и ростом плотности передаваемой информации.
Проект демонстрирует, как количественный анализ речи может использоваться для изучения культурных и социальных изменений.
Описание применения генеративной модели
В процессе работы над проектом использовалась генеративная модель ChatGPT (OpenAI). Модель применялась для консультаций по работе с Python и Pandas, структурированию анализа данных, а также для помощи в формулировке текстовых пояснений и выводов.
Искусственный интеллект использовался как вспомогательный инструмент обучения и не выполнял автоматический анализ данных.
https://chat.openai.com
Материалы проекта
Google Colab — анализ данных и построение визуализаций https://colab.research.google.com/
Pandas — библиотека Python для обработки и анализа данных https://pandas.pydata.org/
Matplotlib — библиотека Python для визуализации данных https://matplotlib.org/
ChatGPT (OpenAI) — текстовое сопровождение проекта https://openai.com/chatgpt
