Eigenmood Space: Uncertainty-Aware Spectral Graph Analysis of Psychological Patterns in Classical Persian Poetry

1. Problemstellung und Motivation

Klassische persische Dichtung stellt eine historisch gewachsene, aber schwer zugängliche Archive für affektive Lebensweisen dar. Die emotionale Expression erfolgt selten wörtlich, sondern durch Metaphern, Intertextualität und rhetorische Indirektheit. Dies macht eine „Close Reading" (detaillierte Textanalyse) unverzichtbar, erschwert jedoch die reproduzierbare, groß angelegte vergleichende Analyse („Distant Reading").

Herausforderungen bei der Anwendung computergestützter Methoden sind:

• Mehrdeutigkeit: Literarische Ambiguität führt oft zu übermäßig selbstbewussten (overconfident) Labels durch KI-Modelle.
• Anachronismus: Die Anwendung moderner psychologischer Konstrukte auf prämoderne Texte birgt das Risiko, historische Kontexte zu verzerren.
• Unsicherheit: Herkömmliche Pipelines ignorieren oft die Unsicherheit von Modellvorhersagen, was zu verzerrten Aggregationen führt.

Das Ziel des Papers ist es, einen Rahmen zu schaffen, der poetische Individualität quantitativ misst, dabei aber die epistemische Unsicherheit explizit modelliert und propagiert.

2. Methodik: Der „Eigenmood"-Rahmen

Die Autoren stellen einen unsicherheitsbewussten (uncertainty-aware) Workflow vor, der Verse-Ebene-Anmerkungen in poetische Profile überführt.

A. Daten und Annotation

• Korpus: 61.573 Verse von 10 klassischen persischen Dichtern (u.a. Hafez, Saadi, Khayyam, Parvin).
• Modell: Nutzung von Gemini 2.5 Flash für eine Multi-Label-Annotation mit neun psychologischen Konzepten (z.B. Melancholia, Emotional Dependency, Identity Fragmentation).
• Unsicherheitsmechanismen:
  • Abstention (Enthaltung): Das Modell kann sich weigern, ein Label zuzuweisen, wenn kein ausreichender Beweis vorliegt (Flag abstain). Dies wird als „Nicht-Verpflichtung" und nicht als negatives Signal behandelt.
  • Konfidenz-Scores: Jedes Label erhält einen Konfidenzwert ($p_{v,c} \in [0,1]$), der als gewichteter Beweis in die Aggregation eingeht.

B. Aggregation und Divergenz

1. Poet $\times$ Concept Matrix: Verse werden aggregiert, wobei nur nicht-abstinentierte Verse einfließen. Die Masse jedes Konzepts wird mit dem Konfidenzwert gewichtet:
   $$X_{i,c} = \sum_{v \in V_i} (1 - a_v) \cdot p_{v,c} \cdot \mathbb{1}[c \in L_v]$$
   Daraus wird eine Wahrscheinlichkeitsverteilung $P_i(c)$ pro Dichter abgeleitet.
2. Individualitätsmessung: Die Individualität eines Dichters wird als Divergenz von einer globalen Korpus-Baseline ($P_0$) gemessen, berechnet mittels Jensen-Shannon-Divergenz (JSD) und Kullback-Leibler-Divergenz (KL).

C. Spektrale Graph-Analyse (Eigenmood Space)

Um die relationalen Strukturen zwischen Konzepten zu erfassen (nicht nur die Randverteilungen), wird ein Konzept-Koinzidenz-Graph aufgebaut:

• Kanten: Gewichtet durch die gemeinsame Aktivierung von Konzepten in Versen, gewichtet mit der durchschnittlichen Konfidenz.
• Spektrale Zerlegung: Berechnung des Laplace-Graphen und dessen Eigenvektoren.
• Eigenmood-Embedding: Die Projektion der Dichter-Verteilungen auf die ersten nicht-trivialen Eigenvektoren ($EM_1, EM_2, EM_3$) erzeugt einen latenten Raum. Dieser Raum kodiert die Richtung der Abweichung basierend auf empirisch beobachteten Konzept-Kopplungen, nicht nur auf der Häufigkeit.

D. Distant-to-Close Workflow

Das Framework ermöglicht die Rückgewinnung (Retrieval) spezifischer Verse, die extreme Werte auf den Eigenmood-Achsen haben. Dies verbindet die makroskopische Analyse mit mikroskopischen Textbeispielen, wobei nur Verse mit hoher Konfidenz und ohne Abstention in die Auswahl einfließen.

3. Wichtige Ergebnisse

• Umfang der Unsicherheit: 22,2 % der Verse wurden vom Modell als „abstained" (ohne Label) markiert. Dies unterstreicht, dass Unsicherheit kein Randphänomen, sondern ein zentrales Merkmal der Analyse ist.
• Dichter-Individualität:
  • Khayyam zeigt die größte Divergenz ($D_{JS} = 0.0901$), geprägt durch Melancholia und Identity Fragmentation bei geringer emotionaler Abhängigkeit.
  • Parvin ist der zweitdivergenteste Dichter, charakterisiert durch Self-Destructive Idealization.
  • Hafez und Shahriar liegen nahe an der Korpus-Baseline, was auf eine ausgewogene Verteilung der affektiven Muster hindeutet.
• Robustheit: Die Rangfolge der Dichter bleibt auch bei strengen Konfidenz-Schwellenwerten ($\tau \ge 0.7$) stabil (Spearman-Korrelation $\rho \approx 1.0$).
• Validierung: Eine manuelle Evaluation durch zwei Experten auf einer Stichprobe von 500 Versen ergab eine hohe Übereinstimmung ($\bar{\kappa} = 0.818$) und eine gute Kalibrierung der Konfidenzwerte (ECE = 0.0346). Die Enthaltungsentscheidungen des Modells wurden in 85,6 % der Fälle als angemessen bewertet.
• Selektionsbias: Die Behandlung von „Abstention" als eigene Kategorie zeigt, dass Dichter mit niedrigen Enthaltungsraten (z.B. Jahan) in der Individualitätsrangliste anders gewichtet werden, wenn Unsicherheit explizit als Merkmal modelliert wird.

4. Schlüsselbeiträge

1. Unsicherheitsbewusste Aggregation: Ein Framework, das Konfidenz und Enthaltung als „First-Class"-Variablen behandelt, um Verzerrungen bei der Aggregation von Unsicherheiten zu vermeiden.
2. Eigenmood-Embedding: Eine spektrale Graph-Methode, die nicht nur die Häufigkeit von Konzepten, sondern deren Kopplung und die Richtung der poetischen Abweichung in einem latenten Raum erfasst.
3. Auditierbarer Distant-to-Close-Ansatz: Die Möglichkeit, makroskopische Profile direkt mit spezifischen, hochkonfidenten Versbeispielen zu verknüpfen, was die Interpretierbarkeit für Digital-Humanities-Forschende erhöht.
4. Epistemische Bescheidenheit: Der Ansatz vermeidet klinische Diagnosen historischer Autoren und positioniert die Profile stattdessen als operationale, vergleichbare Verteilungen rhetorisch-affektiver Muster.

5. Bedeutung und Implikationen

Das Paper leistet einen wesentlichen Beitrag zur Digitalen Geisteswissenschaft (Digital Humanities) und der Computational Psychology:

• Es demonstriert, wie man große literarische Korpora quantitativ analysieren kann, ohne die Nuancen und Mehrdeutigkeiten der Dichtung zu opfern.
• Durch die explizite Modellierung von Unsicherheit wird die Gefahr von „halluzinierten" Mustern reduziert und die Interpretationssicherheit erhöht.
• Der „Eigenmood"-Raum bietet ein neues Werkzeug, um poetische Individualität nicht nur als Abweichung in der Häufigkeit, sondern als strukturelle Verschiebung in einem durch Konzept-Kopplungen definierten Raum zu verstehen.
• Die Methode ist skalierbar und auf andere literarische Traditionen übertragbar, wobei sie die Notwendigkeit betont, Unsicherheit als integralen Bestandteil der Analyse zu propagieren und nicht zu unterdrücken.

Zusammenfassend bietet das Paper einen rigorosen, aber interpretativ vorsichtigen Weg, um die psychologische Landschaft klassischer persischer Dichtung computergestützt zu kartieren, wobei die Grenzen der automatisierten Analyse transparent gemacht werden.