Data analysis of vocabulary and sentiment in English literature as a tool for foreign language learning

Cílem bakalářské práce je vytvořit seznam doporučené autentické anglické literatury vhodné pro studenty anglického jazyka, a to na základě analýzy slovní zásoby a sentimentu textů. Literární díla analyzovaná v práci pocházejí z databáze Project Gutenberg, která poskytuje volně dostupné elektronické knihy. Práce využívá metody zpracování přirozeného jazyka (NLP), konkrétně frekvenční analýzu ve vztahu k frekvenčním seznamům slov NGSL a BNC/COCA, a metodu analýzy sentimentu založené na slovníku. Kromě toho je aplikována metoda TF-IDF na identifikaci charakteristických slov v žánrech jako science fiction, detektivní příběhy a zamilované příběhy. Výsledky práce mohou pomáhat určit, která literární díla jsou jazykově dostupná, emocionálně pozitivní a tedy vhodná na podporu motivace a rozvoje slovní zásoby u studentů angličtiny.

The aim of this bachelor's thesis is to compile a list of recommended authentic English literary works suitable for English language learners, based on vocabulary analysis and sentiment evaluation of the texts. The analyzed literary works are sourced from the Project Gutenberg database, which provides freely accessible electronic books. The thesis employs natural language processing (NLP) methods, specifically frequency analysis in relation to the frequency-based NGSL and BNC/COCA word lists, and lexicon-based sentiment analysis. In addition, the TF-IDF method is applied to identify characteristic words within literary genres such as science fiction, detective stories and love stories. This research helps identify which literary texts are linguistically accessible, emotionally positive, and thus suitable for supporting student motivation and vocabulary development in English language learning.