Hybrid topic modelling for computational close reading: Mapping narrative themes in Pushkin's Evgenij Onegin

إليك ملخص تقني مفصل لورقة "النمذجة الهجينة للمواضيع للقراءة الفاحصة الحسابية: رسم الخرائط الموضوعية السردية في عمل إيفجيني أونيجين لأوشكين" للباحث أنجيلو ماريا ساباتيني.

1. بيان المشكلة

تتناول الورقة تحدي تطبيق نمذجة المواضيع (Topic Modelling) على نصوص أدبية منفردة وعالية الكثافة (الشعر تحديداً) بدلاً من المجموعات النصية الضخمة.

• محدودية المناهج التقليدية: صُممت خوارزمية تخصيص ديريكليه الكامن (LDA) التقليدية لـ "القراءة البعيدة" للبيانات الضخمة. وعند تطبيقها على نصوص قصيرة أو أعمال فردية، تعاني من ندرة البيانات، وعدم الاستقرار بسبب صغر حجم العينات، وصعوبة التقاط الديناميكيات السردية.
• مشكلة "حقيبة الكلمات" (Bag-of-Words): يعتمد الشعر على الإيقاع، والصوت، واللغة المجازية، وهو ما ينتهك غالباً فرضية "حقيبة الكلمات" المتأصلة في نماذج المواضيع القياسية، مما يؤدي إلى نتائج غامضة أو غير قابلة للتفسير.
• الهدف: تهدف الدراسة إلى تطوير إطار عمل هجين يجمع بين اكتشاف المواضيع غير الخاضع للإشراف مع التحقق الخاضع للإشراف لإجراء "قراءة فاحصة حسابية". والهدف هو رسم خرائط الهياكل الموضوعية وتطورها الطولي داخل عمل محدد وواضح (إيفجيني أونيجين) لدعم التفسير الأدبي التقليدي بدلاً من استبداله.

2. المنهجية

تستخدم الدراسة سير عمل هجين يدمج بين LDA (غير خاضع للإشراف) و التحليل التمييزي للمربعات الجزئية الصارخة (sPLS-DA) (خاضع للإشراف).

أ. المتن والنصوص والمعالجة المسبقة

• المصدر: ترجمة إيطالية لعمل أوشكين إيفجيني أونيجين بقلم جوزيبي غيني (2021).
• التقسيم: تم تقسيم النص إلى 35 وثيقة (كتل)، حيث تتكون كل كتلة من 10-11 مقطوعة شعرية متتالية. كان هذا التجميع ضرورياً لتوفير إشارة معجمية كافية لـ LDA، لتجنب عدم الاستقرار الناتج عن تحليل المقاطع الفردية.
• التحليل الصرفي والترشيح:
  • استُخدمت أداة UDPipe لتقطيع النص وتحديد أجزاء الكلام (PoS).
  • اختيار المفردات: تم الاحتفاظ بالأسماء، وأسماء العلم، والصفات. استُبعدت الأفعال صراحةً لأن ترددها العالي يميل إلى إبراز التطور السردي بدلاً من الحقول الموضوعية المستقرة.
  • كلمات التوقف (Stop-words): استُخدمت قائمة دنيا منسقة يدوياً للحفاظ على الفروق الأسلوبية الدقيقة.
  • التطبيع (Normalization): تم تطبيع أسماء العلم (مثل التعامل مع صيغ التصغير) لضمان تتبع ثابت للشخصيات دون أن تهيمن على المواضيع.

ب. النمذجة غير الخاضعة للإشراف (LDA)

• النموذج: تخصيص ديريكليه الكامن (LDA) باستخدام عينة جيبس المنهارة (حزمة topicmodels في لغة R).
• المعلمات (Parameters):
  • المواضيع ($K$): حُددت بـ 5 بناءً على اختبارات الاستقرار والقابلية للتفسير (بالمقارنة بين $K=3, 5, 8$).
  • الأولويات (Priors): $\alpha = 2$ (توزيع الوثيقة-الموضوع) و $\beta = 0.15$ (توزيع الموضوع-المفردة). اختيرت هذه القيم خصيصاً للمجموعات النصية الصغيرة لتشجيع توزيعات المواضيع المختلطة وتنعيم المصطلحات النادرة، وهو ما يختلف عن المعايير الافتراضية للمجموعات النصية الكبيرة.
• بروتوكول الاستقرار: لمعالجة الطبيعة العشوائية لعينة جيبس و"تبديل الملصقات" (label switching)، قام المؤلفون بتشغيل 100 سلسلة مستقلة. استُخدم بروتوكول توافق متعدد البذور (multi-seed consensus) للربط:
  • تم محاذاة التشغيلات مع تشغيل مرجعي (لتعظيم احتمالية اللوغاريتم) باستخدام خوارزمية هنغاري (Hungarian algorithm).
  • شملت معايير المحاذاة تداخل "جاكارد" (Jaccard overlap) لأعلى المصطلحات، وارتباط سبيرمان لتوزيعات (الوثيقة-الموضوع).
  • تم حساب متوسط السلاسل التي استوفت معايير استقرار صارمة فقط لإنتاج توزيع موضوعي توافقي.

ج. التحقق الخاضع للإشراف (sPLS-DA)

• الغرض: العمل كـ "مسبار خاضع للإشراف" للتحقق من صحة المواضيع المستمدة من LDA وتحديد العلامات المعجمية المميزة.
• المنهج:
  • استُخدم الموضوع المهيمن من LDA لكل وثيقة كـ "الحقيقة الأرضية" (ground truth) للملصق.
  • واحد مقابل الكل (OvR): تم تدريب خمسة مصنفات ثنائية للتمييز بين كل موضوع والآخر.
  • المعلمات: $ncomp = 2$مكونات كامنة؛$keepX = 30$ متغير (مصطلح) لكل مكون لفرض الندرة (sparsity).
  • التحقق: استُخدم التحقق المتقاطع الطبقي ذو 5 طيات (مكرر 5 مرات) لتقييم الدقة مقابل الخطوط المرجعية العشوائية.
• توحيد المعجم: تم ضبط نموذج sPLS-DA نهائي متعدد الفئات لتصنيف المصطلحات حسب تكرار الاختيار وحجم التحميل. صُنفت المصطلحات كـ حصرية أساسية (خاصة بموضوع واحد) أو مشتركة (تجسر بين المواضيع) بناءً على مؤشر الحصرية ($E$) وحجم التحميل ($|L|$).

د. المحاور السردية (Narrative Hubs)

• لسد الفجوة بين الكتل الإحصائية والحلقات السردية، حدد المؤلفون 13 محوراً سردياً (مجموعات متتالية من المقاطع الشعرية تقابل نقاط الحبكة الرئيسية، مثل "رسالة تاتيانا" أو "المبارزة").
• تم حساب خلط المواضيع على مستوى المحور كمتوسطات مرجحة لتوزيعات الكتل الأساسية، مما سمح بتحليل دقيق للحظات السردية المحددة.

3. النتائج الرئيسية

أ. البنية الموضوعية (5 مواضيع)

نجح النموذج في تحديد خمسة مواضيع مستقرة وقابلة للتفسير:

1. الصور الطبيعية والوجدانية: مرتبطة بتاتيانا، والطبيعة (الشتاء، الثلج، الغابة)، والفلكلور.
2. التوقعات والطموحات الفردية: مرتبطة بالتأمل الرومانسي، والشعر، والأزمة الوجودية (حالة إيفجيني المبكرة).
3. الفيض الوجداني-العاطفي: الموضوع الأكثر شحناً بالعاطفة، ويركز على الحب، والقلب، والأحلام (يهيمن في المشاهد الرسائلية).
4. الوسط الاجتماعي واليومي: يركز على الحفلات، والموضة، والأداء الاجتماعي (مشاهد سانت بطرسبرغ).
5. المشاعر والتقاليد الاجتماعية: يركز على الصراع، وقواعد الشرف، والمبارزة (العنف مقابل اللياقة).

ب. أداء النموذج واستقراره

• الاستقرار: حقق البروتوكول التوافقي استقراراً عالياً (متوسط جاكارد@30 = 0.41؛ متوسط ارتباط سبيرمان = 0.91).
• عدد المواضيع الفعال ($N_{eff}$): حُسب بـ 4.52، مما يشير إلى توزيع متوازن حيث يتم تمثيل جميع المواضيع الخمسة بشكل جيد.
• التحقق الخاضع للإشراف: حققت مصنفات sPLS-DA دقة إجمالية بلغت 85% ودقة متوازنة بلغت 70%، وهي تتفوق بشكل كبير على الخطوط المرجعية العشوائية. أكد هذا أن مواضيع LDA تمثل هياكل معجمية قوية وليست مجرد ضجيج.
• التقارب: أظهر تحليل الخريطة الحرارية (heatmap) اتفاقاً قطرياً قوياً بين أعلى مصطلحات LDA ومصطلحات التمييز في sPLS-DA، مما أثبت التماسك الموضوعي.

ج. الديناميكيات السردية

• الرسم الخرائطي الطولي: تتبعت خلطات المواضيع المسار السردي، مظهرة كيف تتحول المواضيع من "الطبيعية" (الفصل 1) إلى "الاجتماعية" (الفصل 8).
• التحليل الرسائلي: حللت الدراسة مشاهد كتابة الرسائل الأربع (H5–H6 و H12–H13).
  • رسالة تاتيانا: هيمنت عليها مواضيع الفيض الوجداني-العاطفي والصور الطبيعية.
  • رد إيفجيني: احتفظ بعناصر الوجداني-العاطفي لكنه تحول نحو التوقعات والطموحات الفردية، مما يعكس بعده العاطفي.
  • انعكاس الأدوار: في الفصول الأخيرة، أظهرت رسالة إيفجيني تغلغلاً لـ المشاعر والتقاليد الاجتماعية (قواعد الشرف)، بينما تحولت رسالة تاتيانا النهائية نحو التوقعات والطموحات الفردية، مما يشير إلى تحولها إلى شخصية مقيدة اجتماعياً.

4. المساهمات الرئيسية

1. إطار عمل هجين للقراءة الفاحصة: يقترح سير عمل مبتكر يجمع بين نمذجة المواضيع غير الخاضعة للإشراف والتمييز الخاضع للإشراف لتحليل الأعمال الأدبية المنفردة، متجاوزاً "القراءة البعيدة" نحو "القراءة الفاحصة الحسابية".
2. بروتوكول استقرار للمجموعات النصية الصغيرة: يقدم طريقة توافق ومحاذاة متعددة البذور لضبط عدم الاستقرار في LDA ضمن مجموعات نصية صغيرة ($N=35$ وثيقة).
3. القرارات المنهجية للشعر: يوضح الاستبعاد الاستراتيجي للأفعال وإدراج أسماء العلم لإعطاء الأولوية للتفسير الموضوعي على التغطية المعجمية الكاملة في الشعر.
4. المحاور السردية: يطور طريقة لربط توزيعات المواضيع الإحصائية باللحظات السردية (المحاور)، مما يسمح بالتحليل الكمي لديناميكيات الحبكة وتطور الشخصيات.
5. التحقق من القابلية للتفسير: يثبت أن النماذج الاحتمالية الخفيفة يمكن أن تنتج خرائط موضوعية قابلة لإعادة الإنتاج وتتماشى مع النقد الأدبي الراسخ، حتى عند التجريد من السمات العروضية.

5. الأهمية

• الربط بين الكمي والنوعي: تثبت الدراسة أن المناهج الحسابية لا تحتاج إلى استبدال التفسير الأدبي التقليدي، بل يمكن أن تعمل كأداة شفافة وقابلة لإعادة الإنتاج لترسيم وتصور الهياكل الموضوعية التي يدركها القراء حدسياً.
• القابلية للتطبيق: يُقدم الإطار كنموذج قابل للتطبيق على نصوص أدبية أخرى عالية الكثافة والدراسات المقارنة، خاصة حيث تكون السمات الأسلوبية (الوزن، الفونولوجيا) ثانوية أمام البنية الموضوعية المعجمية.
• رؤية حول عمل أوشكين: يوفر التحليل تأكيداً مدعوماً بالبيانات للثنائية الهيكلية للرواية (الطبيعة مقابل المجتمع، العاطفة مقابل التقاليد) والمسار المأساوي لأبطالها، مسلطاً الضضواء على كيفية توافق خلطات المواضيع مع المسار العاطفي والهيكلي للقصيدة.