У кого из стендап-комиков богаче словарный запас?

Мы взяли тексты всех концертов из списка на сайте Ильи Якямсева, всего получилось 321 выступление. Затем мы загрузили их в нейросеть, чтобы она оценила разнообразие слов, используемых комиком на сцене.

Потом нейросеть предложила ещё несколько видео стендап-комиков, упомянутых на сайте Ильи, и из них мы вручную отобрали те, что подходят для нашего исследования (небольшие выступления и истории – да, подкасты и стримы – нет).

Для анализа использовался метод Ильи Иноземцева, который делал аналогичное исследование словарного запаса российских рэперов. У каждого комика мы взяли текстовый массив из 25 000 слов. Это было сделано для объективности: чтобы комики, которые выпустили больше концертов, не получали преимущество. Хотя они, несомненно, молодцы.

В каждом из этих массивов мы посчитали количество уникальных лемм. Лемма — это словарная, или начальная, форма слова. Все грамматические формы одного и того же слова сводятся к одной лемме. То есть, если комик рассказывает про простату, слова «простата», «простаты», «простате», «простату» и так далее будут относиться к одной лемме.

Технически: субтитры очищаются, точные повторы строк удаляются, слова приводятся к леммам (razdel + pymorphy3), считаются только кириллические слова. Комики с корпусом меньше 25 000 слов помечены бледным — на неполном окне метрика менее надёжна. Подписи на шкале («когда-нибудь замечали?», «еда в самолётах?» и т.д.) — шуточные стендап-заходы для ориентира, а не реальные бенчмарки.