Gattungen und Emotionen in der Lyrik des Realismus und der frühen Moderne

Einleitung

Der literarische Wandel vom Realismus zur Moderne ist nach wie vor Gegenstand vielfältiger literaturwissenschaftlicher Debatten. Eine dieser Debatten betrifft die Frage, wie sich die Gestaltung von Emotionen in lyrischen Texten veränderte. Während einige typologisch argumentierende Forscher:innen (z. B. Andreotti 2014) davon ausgehen, dass die moderne Lyrik gegenüber der traditionelleren Lyrik des Realismus zu einer nüchternen, nicht-emotionalen Ausdrucksweise tendiert, argumentieren andere (z. B. Winko 2003) ausgehend von zeitgenössischen Selbstbeschreibungen, dass die Lyrik der frühen Moderne – historisch verstanden – sehr wohl Emotionen gestalte, wenn auch in modifizierter Weise (vgl. zu dieser Debatte auch Konle u. a. 2022).

Zu bedenken ist, dass die damalige Lyrik keine homogene Einheit bildet. Aussagen darüber, inwiefern sich die Emotionsgestaltung ‘der’ Lyrik veränderte, lassen sich differenzieren. Ein naheliegendes, wichtiges Differenzmerkmal lyrischer Texte – und damit ein potentiell relevanter Einflussfaktor auf die Emotionsgestaltung – ist die Gattung. Ziel dieses Beitrags ist deshalb, zu prüfen, inwiefern sich lyrische Gattungen in unserem Untersuchungszeitraum durch spezifische Emotionsprofile auszeichnen und ob die Entwicklung der Lyrik vom Realismus zur frühen Moderne unter der Perspektive der Emotionsgestaltung, die wir in  ( Konle u. a. 2022) herausgearbeitet haben, mit der Zugehörigkeit zu bestimmten lyrischen Gattungen zusammenhängt. An diesem Beispiel soll gezeigt werden, wie wichtig es auch für quantitative Untersuchungen ist, literarische Phänomene nicht isoliert zu betrachten, sondern als Teil eines komplexen Systems zu modellieren, in dem unterschiedliche Faktoren einander beeinflussen. Der Beitrag versteht sich als Schritt hin zu einer solchen multifaktoriellen Modellierung von Literatur und literarischem Wandel.

Ressourcen

Das zu analysierende Korpus besteht aus Texten in Lyrikanthologien aus dem Untersuchungszeitraum, die sich auf Gedichte von Zeitgenoss:innen konzentrieren. Das Teilkorpus ‘Realismus’ umfasst Gedichte aus Anthologien, die zwischen 1850 und den frühen 1880er Jahren publiziert wurden; das Teilkorpus ‘Moderne’ enthält Texte aus Anthologien, die um 1900 erschienen sind und deren Herausgeber:innen die Gedichte aufgrund ihrer Modernität ausgewählt haben. Welche Texte als ‘realistisch’ und welche als ‘modern’ gelten, wird in diesem Beitrag also aus zeitgenössischer Sicht (und nicht aus Sicht heutiger Forscher:innen) modelliert.¹  Da keine der einbezogenen Anthologien nach 1911 erschienen ist, beschränken sich die Analysen auf die frühe Moderne.

Anthologien Gedichte Wörter Realismus 8 3367 400k Moderne 12 2882 320k Insgesamt 20 6249 720k Tabelle 1: Korpus Statistik

	Anthologien	Gedichte	Wörter
Realismus	8	3367	400k
Moderne	12	2882	320k
Insgesamt	20	6249	720k

Für 1412 Korpustexte wurden die Gattungszugehörigkeit und die Emotionsgestaltung annotiert. Die Gattungsannotation hält fest, ob ein Text bestimmten im Untersuchungszeitraum relevanten thematischen Gattungen (Naturlyrik, Liebeslyrik usw.) sowie nicht-thematischen Gattungen (Ballade, Lied usw.) angehört und ob er situativ bestimmt oder situativ unbestimmt ist. Wenn im Folgenden von ‘Gattungen’ die Rede ist, sind in aller Regel die thematischen Gattungen gemeint, auf die sich dieser Beitrag erst einmal konzentriert. Die Gattungszuordnung ist weder exklusiv noch zwingend: Während der Annotation konnten einem Text genau eine, aber auch keine oder mehrere Gattungen zugewiesen werden.²  Die Emotionsannotation zielt darauf ab, die im Text gestalteten Emotionen (und nicht die Leseremotionen) zu erfassen. Genutzt wurde ein Set von 40 diskreten Emotionen, darunter zum Beispiel Liebe, Trauer, Hoffnung, Sehnsucht oder Hass. Einerseits handelt es sich um Emotionen, die in gängigen Emotionstheorien (Ekman 1992; 1999; Plutchik 1980b; 1980a; 2001) als grundlegend angesehen werden, andererseits wurden zusätzliche Emotionen, die in den Korpustexten häufig vorkommen, aufgenommen, um das Emotionsset an das historische Material anzupassen. Die Annotationseinheiten sind Wörter bzw. Wortfolgen.³  Da für viele einzelne Emotionen nicht genügend Annotationen vorliegen, um ihre maschinelle Detektion trainieren zu können, werden die Emotionen nachträglich zu sechs Gruppen zusammengefasst: Liebe, Freude, Trauer, Erregung/Überraschung, Angst und Wut. Die Gruppierung orientiert sich an der Emotionshierarchie in Shaver u. a. (1987).

Gattung Liebe Natur Philosophie Religion Anzahl 350 286 163 100 Gattung Poetologie Politik Kultur Geschichte Anzahl 61 21 104 118 Tabelle 2: Annotierte Gattungen

Gattung	Liebe	Natur	Philosophie	Religion
Anzahl	350	286	163	100
Gattung	Poetologie	Politik	Kultur	Geschichte
Anzahl	61	21	104	118

Jedes Gedicht wurde zunächst von zwei Annotator:innen annotiert; anschließend haben die beiden Annotator:innen ihre Annotationen miteinander verglichen, die Disagreements diskutiert und eine Konsensannotation erstellt. Auf den Konsensannotationen beruhen alle weiteren Auswertungen. Das Agreement der Einzelannotationen beträgt 0.69 (Krippendorffs Alpha).

Methoden

Um Gattungslabel für das gesamte Korpus herstellen zu können, sollen Classifier trainiert und angewandt werden.⁴  Da Gedichte sehr kurz sind, kommt ein Verfahren auf bag-of-words-Basis nicht in Betracht. Stattdessen wird auf das Fine-Tuning neuronaler Sprachmodelle zurückgegriffen. In einer Vorstudie zur Gattung Liebeslyrik sollen das geeignetste Sprachmodell und Hyperparameter⁵  ermittelt werden. Getestet werden die Modelle gbert-large (Chan, Schweter, und Möller 2020) und gottbert-base (Scheible u. a. 2020). Das beste Ergebnis wird mit gbert-large erzielt (Batchsize 20, Learning Rate 1e-5 und 50 Epochen). Durch eine Anpassung auf das Lyrikkorpus durch fortgesetztes Pretraining⁶  (Gururangan u. a. 2020) kann die Performance weiter gesteigert werden (siehe Tab. 3 ,gbert-large-poetry).

Modell Accuracy (std) gbert-large-poetry .880 (.022) gbert-base .854 (.040) Gottbert-base .826 (.032) Tabelle 3: Ergebnis der Vorstudie zur Gattung ‘Liebeslyrik’. Evaluation durch 5-fold-cross validation.

Modell	Accuracy (std)
gbert-large-poetry	.880 (.022)
gbert-base	.854 (.040)
Gottbert-base	.826 (.032)

Das Modell wird mit den ermittelten Hyperparametern verwendet, um binäre Classifier für alle übrigen Gattungen zu trainieren. Da die Klasse der nicht zur fokussierten Gattung gehörenden Gedichte in jedem Fall größer ist, wird epochenweise Random Undersampling angewandt. Für politische Lyrik wird kein Modell trainiert, da nicht genügend Beispiele vorhanden sind (siehe Tabelle. 2).

Gattung Liebe Natur Poetologie Geschichte Politik Philosophie Religion Kutlur Acc .880 .833 .623 .872 - .723 .815 .470 Std .022 .024 .224 .026 - .028 .059 .169 Tabelle 4: Ergebnisse der Evaluation der Classifier für thematische Gattungen (5-fold cross-validation).

Gattung	Liebe	Natur	Poetologie	Geschichte	Politik	Philosophie	Religion	Kutlur
Acc	.880	.833	.623	.872	-	.723	.815	.470
Std	.022	.024	.224	.026	-	.028	.059	.169

Tabelle 4 zeigt die Qualität der trainierten Classifier. Da die Performance für die Gattungen Kultur und Poetologie nicht ausreicht, um solide Analysen zu ermöglichen, werden diese im Weiteren nicht behandelt und fallen, wie Politik, der Kategorie ‘Sonstige’ zu, die daneben diejenigen Gedichte umfasst, die keiner thematischen Gattung zugeordnet wurden.

Für Informationen zur Annotation von Emotionen und Modellen zur Emotionsdetektion siehe (Konle u. a. 2022).

Ergebnisse

Verteilung von thematischen Gattungen in Realismus und Moderne. Absolute Anzahl über Balken. Die Kategorie ‘Sonstige’ repräsentiert diejenigen Gedichte, die keiner der übrigen in dieser Abbildung gezeigten thematischen Gattungen zugeordnet wurden.

60% der untersuchten Gedichte konnten (mindestens) einer der fünf Gattungen Liebeslyrik, Naturlyrik, religiöse Lyrik, philosophische Lyrik oder Geschichtslyrik zugeordnet werden. Liebeslyrik und Naturlyrik sind im Korpus deutlich verbreiteter als religiöse Lyrik, philosophische Lyrik und Geschichtslyrik. Im Epochenvergleich werden nur begrenzte Verschiebungen sichtbar; die Rangfolge der Häufigkeiten bleibt konstant (siehe Abb. 1).

Wie die Gattungen kommen auch die Emotionen im Korpus unterschiedlich oft vor: Emotionen der Gruppen Liebe, Freude und Trauer werden deutlich häufiger gestaltet als Emotionen der Gruppen Erregung/Überraschung, Angst und Wut. Die Häufigkeit positiver Emotionen – Liebe und Freude – nimmt zur Moderne hin ab (Konle u. a. 2022).

Die Ergebnisse (Abb. 2) zeigen, dass Gattungen eigenständige Emotionsprofile ausbilden; dies gilt auch für die nicht durch Emotionen definierten Gattungen. Einige Gattungen verhalten sich in Hinsicht auf bestimmte Emotionen ähnlich, z.B. philosophische Gedichte und Geschichtslyrik in Hinsicht auf die Gruppen Freude und Trauer, weichen aber in anderen Emotionen stark voneinander ab. Während z.B. in Liebeslyrik – wenig überraschend – Emotionen der Gruppe Liebe dominant sind, werden in Geschichtslyrik Emotionen der Gruppen Liebe und Freude unter- und Emotionen der Gruppen Wut und Angst überproportional dargestellt.

Ein kontrastiver Blick auf Gattungen unter der Perspektive von Epochen (Abb. 3) zeigt, dass sich (1) die lyrische Emotionsgestaltung in der frühen Moderne gegenüber dem Realismus verändert, und zwar (2) je nach Gattung in unterschiedlicher Weise.

Der summarische Trend über alle Gattungen zu weniger Emotionen, verursacht vor allem durch den Rückgang positiver Emotionen in der Moderne (siehe Konle u.a. 2022), betrifft nicht alle Gattungen in gleicher Weise. Während sich die Ergebnisse zu Liebes-, Natur- und philosophischer Lyrik noch diesem Trend zuordnen lassen, entwickeln sich Geschichts- und religiöse Lyrik durch Zunahme negativer Emotionen eigenständiger. Religiöse Lyrik läuft dem Trend sogar durch ein vermehrtes Auftreten von Emotionen der Gruppe Liebe entgegen. Diese Befunde erlauben einen differenzierten Blick auf Emotionen, Gattungen und deren Veränderung in der frühen Moderne.

Fazit

Die gleichzeitige Beobachtung von Gattung und Emotion zeigt nicht nur, dass Gattungen wesentlichen Einfluss auf die Verteilung von Emotionen haben, sondern auch, dass der Übergang von Realismus zu früher Moderne innerhalb von Gattungen eigenen Dynamiken folgt. Im Fall religiöser Lyrik und Geschichtslyrik verlaufen diese Dynamiken sogar in Widerspruch zum Gesamttrend. Im Anschluss ergeben sich drei weitere Perspektiven: Wie sehen die Emotionsprofile der nicht-thematischen Gattungen aus? Welche anderen differenzierenden Faktoren neben der Gattung können wir identifizieren, z.B. Autorschaft, Publikationsort, Intertextualität usw.? Ein wichtiger Aspekt könnte die Zeit sein, bezogen auf kleinere Einheiten als Epochen: Wie entwickeln sich die Lyrik und die einzelnen Gattungen unter der Perspektive der Emotionsgestaltung in der Zeit, etwa von Jahrzehnt zu Jahrzehnt?

¹ Korpus:  Winko u. a. 2022; Korpusbeschreibung: Winko u. a. 2022a.

² Annotationsrichtlinien Lyrische Gattungen: Kröncke u. a. (2022b)

³ Annotationsrichtlinien Emotionsmarker und Emotionen: Kröncke u. a. (2022)

⁴ Code und Daten: https://github.com/LeKonArD/Gattungen_und_Emotionen_dhd2023

⁵ Batchsize (5,10,15,20), Learning Rate (1e-5, 5e-5, 1e-4) und Epochen (10,20,50)

⁶ 10 Epochen über das gesamte Korpus, Batchsize 64, Learning Rate 1e-5

⁷ Dieses Vorgehen ist mit dem Fokus unseres Aufsatzes auf Gattungen begründet. Die gewählte Normalisierung führt dazu, dass Unterschiede zwischen Textgruppen visuell identifiziert werden können. Da die absoluten Häufigkeiten der Emotionen im Korpus stark schwanken (Liebe kommt 7-fach häufiger als Wut vor), ist es nicht möglich, diese in einer Graphik abzubilden, ohne die Unterschiede der Gattungen zu marginalisieren. Ähnliches gilt für die Art der Normalisierung: Wir haben uns für den Median über alle Gedichte entschieden, da dies die ‘neutralste’ Variante ist. Normalisierung mit den Gedichten, die keiner Gattung zugeschlagen werden, erscheint wahllos, da wir über diese Gruppe nichts wissen. Eine Normalisierung durch balanciertes Sampling der Gattungen impliziert die Annahme, dass jede Gattung gleich häufig ist und die Verteilungsunterschiede durch einen Selection Bias entstanden sind. Dies ist aber in Anbetracht der Größe des Korpus unwahrscheinlich.

⁸ Ein t-test auf den euklidischen Distanzen der Emotionsprofile religiöser Lyrik in Moderne und Realismus resultiert in einem signifikanten Unterschied (p < 0.05).