Questo software, denominato "Visualizzatore dello Spazio Narrativo Proppiano (VSNP)", rappresenta un'implementazione computazionale (Versione 1.2.4) per l'analisi e la visualizzazione di narrazioni, specificamente fiabe, codificate secondo le 31 funzioni morfologiche di Vladimir Propp. Sviluppato nell'ambito della più ampia ricerca del Dr. Luigi Usai sulla Teoria del Tensore Narrativo, lo script utilizza Python e librerie scientifiche standard (NumPy, Matplotlib, Scikit-learn) per: Rappresentare le fiabe come vettori in uno spazio funzionale proppiano. Applicare tecniche di riduzione dimensionale (PCA e t-SNE) per proiettare questo spazio multidimensionale in rappresentazioni 2D, facilitando l'identificazione visiva di cluster e relazioni strutturali tra le narrazioni. Calcolare metriche di similarità (es. similarità del coseno) per quantificare la vicinanza strutturale tra le fiabe basata sulla loro composizione funzionale. Il VSNP è concepito come uno strumento esplorativo e analitico per ricercatori in narratologia computazionale, studi folklorici, e discipline umanistiche digitali, offrendo un passo concreto verso l'operazionalizzazione del concetto di Tensore Narrativo per l'analisi comparativa delle strutture narrative. Il codice include un dataset esemplificativo basato su fiabe europee note, ma è strutturato per essere estensibile a corpora più ampi e all'intero set di funzioni proppiane. Introdotta anche una visualizzazione 3D dello Spazio Narrativo di Propp. Adesso è stata rimossa la matrice hardcoded ed è stato implementato un sistema di salvataggio e lettura da file esterno csv. E' possibile quindi estendere il file esterno all'infinito per ulteriori analisi combinate di fiabe, racconti, storie, narrazioni. Ora presenti 17 favole da verificare. Per ora sono un segnaposto, per avere un'idea di come funzionerà il software una volta ultimato. To Do con le prossime migliorie per il Visualizzatore dello Spazio Narrativo Proppiano: 📌 Miglioramenti alla Codifica delle Fiabe Passare da Binario a Frequenza → Codificare il numero di occorrenze delle funzioni (es. Tranello = 3 invece di 1). Ponderazione delle Funzioni → Introdurre pesi per distinguere funzioni più critiche (es. Danno/Mancanza potrebbe pesare più di Divieto). Normalizzazione dei Valori → Standardizzare la nuova codifica per evitare distorsioni nelle analisi statistiche. 📌 Miglioramenti al Clustering e Similarità Testare K-Means con Nuova Codifica → Verificare se valori continui migliorano la formazione dei cluster. Calcolare Similarità del Coseno con Frequenze → Misurare se una codifica più raffinata cambia il grado di somiglianza tra fiabe. Sperimentare Algoritmi Alternativi → Provare DBSCAN o Agglomerative Clustering per confrontare i risultati. 📌 Miglioramenti alla Visualizzazione Visualizzazione con Colori Dinamici → Assegnare colori diversi in base alla frequenza delle funzioni per evidenziare pattern narrativi. Plot 3D più Interattivi → Implementare una versione con hovering per identificare fiabe senza sovrapposizioni. Esportazione dei Grafici → Salvare output in formati SVG e PDF per pubblicazioni accademiche.