Revisiting Northrop Frye's Four Myths Theory with Large Language Models

Resumen Técnico: Revisión de la Teoría de los Cuatro Mitos de Northrop Frye con Modelos de Lenguaje Grande (LLM)

1. Planteamiento del Problema

La teoría de Northrop Frye sobre los cuatro géneros narrativos fundamentales (comedia, romance, tragedia y sátira) ha sido influyente en la crítica literaria, pero los enfoques computacionales anteriores se han centrado principalmente en patrones narrativos (estructura de la trama) en lugar de en las funciones de los personajes. Existe una brecha en la comprensión de cómo los roles arquetípicos se manifiestan y varían funcionalmente dentro de cada género. El objetivo de este trabajo es cerrar esa brecha proponiendo un marco de funciones de personajes basado en la psicología analítica de Carl Jung, validado mediante el uso de Modelos de Lenguaje Grande (LLM) para determinar si estas correspondencias capturan patrones estructurales sistemáticos más allá de las obras prototípicas originales.

2. Metodología

A. Marco Teórico y Definición de Funciones:

• Base Junguiana: Los autores mapean cuatro funciones universales de personajes a los componentes de la estructura psíquica de Jung:
  • Ego $\rightarrow$ Protagonista.
  • Persona (transformada en el arquetipo del "Hombre Sabio") $\rightarrow$ Mentor.
  • Sombra $\rightarrow$ Antagonista.
  • Anima $\rightarrow$ Compañero.
• Especialización por Género: Basándose en obras prototípicas (Le Bourgeois Gentilhomme, Ramayana, Macbeth, 1984), estas cuatro funciones se especializan en 16 roles específicos (4 por género). Por ejemplo, el "Protagonista" se convierte en "Joven enamorado" en la comedia, "Héroe" en el romance, "Aventurero desgraciado" en la tragedia y "Disidente" en la sátira.

B. Diseño Experimental y Validación:

• Generación de Datos: Se creó un conjunto de datos de validación semi-automatizado utilizando GPT-5.2 (con revisión experta) para identificar 40 obras literarias (10 por género) y asignarles las correspondencias de personaje-rol correctas (muestras positivas: 160 correspondencias).
• Muestras Negativas: Se generaron 30 correspondencias inválidas introduciendo errores sistemáticos (intercambio de roles primarios/secundarios o intercambio entre roles diferentes) para evaluar la capacidad de discriminación del modelo.
• Protocolo de Evaluación: Se utilizaron 6 LLMs de última generación (Claude Opus 4.5, DeepSeek R1, Gemini 2.5 Pro, GPT OSS, Llama 4, Qwen 3) como instrumentos analíticos.
• Tarea: Los modelos debían evaluar si una asignación de personaje a un rol específico estaba justificada estructuralmente en la narrativa, proporcionando un juicio binario y una breve justificación.
• Métricas: Se evaluaron la Recall (capacidad de reconocer válidos), la Especificidad (capacidad de rechazar inválidos) y la Precisión Equilibrada (Balanced Accuracy) como métrica principal. También se midió el acuerdo inter-modelo (Kappa de Fleiss).

3. Contribuciones Clave

1. Nuevo Marco de Funciones de Personajes: Propone un sistema formalizado que vincula la teoría literaria de Frye con la psicología de Jung, traduciendo conceptos abstractos en roles computacionalmente definibles.
2. Validación Computacional de Teoría Literaria: Demuestra que los LLMs pueden utilizarse no solo para generar texto, sino como instrumentos analíticos para validar teorías narratológicas complejas, confirmando la existencia de patrones estructurales sistemáticos.
3. Análisis de la Variabilidad Genérica: Identifica cómo la ambigüedad estructural de ciertos géneros (especialmente la sátira y el romance) afecta la capacidad de los modelos para identificar roles, revelando que las dificultades de los LLMs a menudo reflejan ambigüedades inherentes a la literatura humana y no solo limitaciones del modelo.

4. Resultados

• Rendimiento General: Los modelos alcanzaron una Precisión Equilibrada media del 82.5%, superando significativamente la línea base aleatoria (50%).
• Acuerdo Inter-Modelo: Se observó un fuerte consenso entre los seis modelos distintos (Kappa de Fleiss = 0.600, acuerdo medio par a par del 82.0%), lo que sugiere que los patrones detectados son inherentes a la estructura narrativa y no artefactos de un modelo específico.
• Rendimiento por Género:
  • Tragedia (89.9%) y Comedia (85.0%): Los géneros con arcos narrativos más estructurados y funciones de personajes bien definidas obtuvieron los mejores resultados.
  • Romance (78.8%) y Sátira (77.1%): Mostraron un rendimiento menor. En el romance, la función de "Mentor/Donante" fue difícil de asignar debido a la distribución de funciones entre múltiples personajes. En la sátira, la "desaparición de lo heroico" y la subversión de arquetipos crearon ambigüedad deliberada que confundió a los modelos.
• Rendimiento por Rol:
  • Los roles de Protagonista y Antagonista tuvieron el mejor rendimiento (especificidad del 100% en varios casos), ya que son centrales para la trama.
  • Los roles de Compañero (especialmente "Socio de rebelión" en sátira y "Víctima fiel" en romance) tuvieron el rendimiento más bajo (hasta 52.5%), debido a su naturaleza más relacional y temática que estructural.

5. Significado e Impacto

• Narratología Computacional: Este trabajo establece un puente viable entre la teoría literaria humanística y la inteligencia artificial. Demuestra que los LLMs pueden entender y aplicar marcos teóricos complejos para analizar la estructura de personajes.
• Generación de Narrativas Interactivas: El marco de 16 roles especializados ofrece especificaciones funcionales explícitas que pueden guiar el comportamiento de agentes autónomos en sistemas de narrativa interactiva y generación de historias, asegurando coherencia estructural y adecuación al género.
• Refinamiento Teórico: El análisis de errores revela que las discrepancias en la clasificación a menudo no son fallos del modelo, sino reflejos de la ambigüedad inherente a ciertos géneros literarios (como la sátira), lo que invita a una revisión más matizada de las definiciones teóricas.
• Futuras Direcciones: El estudio señala la necesidad de investigar cómo estas funciones se manifiestan en narrativas centradas en mujeres (considerando las diferencias en la teoría de arquetipos de Jung) y la expansión del marco para incluir personajes secundarios que intensifican el estado de ánimo del género.

En conclusión, el artículo valida que las funciones de personajes derivadas de arquetipos junguianos y adaptadas a los géneros de Frye son patrones estructurales reconocibles computacionalmente, proporcionando una base sólida para el desarrollo de herramientas avanzadas de análisis y generación de narrativa.