Computational Analysis of Semantic Connections Between Herman Melville Reading and Writing

Análisis Computacional de Conexiones Semánticas entre la Lectura y la Escritura de Herman Melville

1. Planteamiento del Problema

El estudio aborda el desafío de identificar la influencia literaria en obras históricas, específicamente en la obra de Herman Melville. Tradicionalmente, determinar cómo un autor utiliza fuentes previas requiere una lectura cercana y comparativa manual por parte de expertos, un proceso lento y difícil de escalar ante la gran cantidad de datos textuales disponibles.

• La dificultad: Identificar relaciones entre textos cuando la influencia no es una copia literal, sino una reescritura, paráfrasis o adaptación conceptual. Melville, por ejemplo, solía "reescribir y mejorar" sus fuentes, alterando vocabulario y estructura sintáctica mientras mantenía la esencia semántica.
• La necesidad: Existe una brecha en la aplicación sistemática de métodos de lectura automática para rastrear estas huellas de influencia entre los libros que un autor poseía (documentados en sus bibliotecas y cartas) y sus obras publicadas.

2. Metodología

La investigación propone un marco computacional para comparar textos de Melville con los libros que se sabe que leyó o poseyó.

• Datos: Se utilizaron textos de las obras de Melville y de sus fuentes documentadas (obtenidos de Project Gutenberg y Internet Archive). Se seleccionaron cuatro pares de textos basados en hallazgos previos de expertos (ej. Typee vs. A Visit to the South Seas; Moby Dick vs. The Natural History of Sperm Whale).
• Estrategias de Segmentación: Para permitir la comparación computacional, los textos se dividieron en dos niveles de granularidad:
  1. N-gramas (5-gramas): Segmentación en secuencias no superpuestas de 5 palabras. Esto captura superposiciones léxicas finas y frases recurrentes.
  2. Nivel de oración: Segmentación en límites de oración para preservar unidades semánticas y sintácticas más grandes, aunque con longitudes desiguales.
• Métrica de Similitud (BERTScore): Se utilizó BERTScore (basado en el modelo Microsoft/deberta-xlarge-mnli) en lugar de métricas tradicionales como BLEU o ROUGE.
  • Razón: BERTScore utiliza incrustaciones de tokens contextualizados de modelos transformadores preentrenados. Esto permite medir la similitud semántica y la correspondencia de significado, incluso cuando el vocabulario o la estructura sintáctica difieren (paráfrasis), lo cual es crucial para el análisis de influencia literaria.
• Interpretación de Resultados: En lugar de establecer umbrales fijos para determinar "plagio" o "copiado", los autores interpretan las puntuaciones de Precisión, Recall y F1 como indicadores de alineación semántica potencial. Un puntaje alto sugiere una coincidencia que merece una revisión cualitativa por parte de expertos.

3. Contribuciones Clave

• Aplicación de BERTScore en Humanidades: Posicionan a BERTScore como una herramienta viable para investigar la influencia de la lectura en la escritura de un autor, desplazando el enfoque desde la detección de plagio hacia el estudio de la apropiación de fuentes.
• Estudio de Factibilidad: Demuestran que el análisis de similitud semántica puede identificar tanto casos conocidos por expertos como nuevas pasajes sospechosos de influencia en un corpus histórico.
• Análisis Multigranular: Proporcionan una evaluación comparativa de cómo la segmentación a nivel de n-gramas (frases cortas) y a nivel de oración afecta la detección de influencias, ofreciendo una comprensión más matizada de los patrones de reescritura.

4. Resultados

Los experimentos arrojaron los siguientes hallazgos:

• Validación de Casos Expertos: El modelo detectó exitosamente las similitudes previamente identificadas por académicos. Por ejemplo, en la comparación entre Typee y A Visit to the South Seas, se obtuvieron puntuaciones F1 superiores a 0.6, con picos de 0.77 en segmentos específicos de 5-gramas, confirmando la capacidad del modelo para encontrar coincidencias léxicas y semánticas.
• Descubrimiento de Nuevos Paralelismos: El modelo identificó pasajes adicionales con alta similitud semántica que no habían sido marcados previamente. En el caso de Israel Potter, el modelo detectó una fuerte alineación (F1 = 0.56) entre oraciones específicas, revelando cómo Melville condensó ideas de una fuente más larga en sus propias oraciones.
• Diferencias por Granularidad:
  • Los 5-gramas fueron más efectivos para detectar superposiciones léxicas localizadas y frases específicas.
  • El nivel de oración ofreció una visión contextual más amplia, pero mostró variabilidad en las puntuaciones (precisión alta, recall bajo) cuando una idea de la fuente se distribuía a través de múltiples oraciones en el texto de Melville (dilución de la señal).
• Limitaciones Detectadas: Se observaron falsos positivos en oraciones cortas y genéricas (ej. "A mediodía el caballero visitó a sus trabajadores"), que obtienen puntuaciones altas debido a su contenido semántico amplio y frecuente, no a una relación específica.

5. Significado e Implicaciones

• Herramienta de Apoyo a la Investigación: El estudio demuestra que los métodos de similitud semántica no reemplazan al erudito, sino que actúan como un filtro potente para priorizar pasajes que requieren un análisis cualitativo profundo.
• Comprensión del Proceso Creativo: La capacidad de detectar influencias en textos reescritos y parafraseados permite a los investigadores entender mejor los procesos de composición de Melville, incluyendo cómo amplificaba, invertía o transformaba las ideas de sus fuentes.
• Escalabilidad: Aunque el estudio actual se centró en casos seleccionados, el marco metodológico sienta las bases para escalar el análisis a todo el corpus de Melville y sus cientos de libros conocidos, transformando la manera en que se estudia la intertextualidad en la literatura digital.

En conclusión, el artículo valida el uso de métricas semánticas avanzadas (BERTScore) como un enfoque robusto y flexible para desentrañar las complejas relaciones entre la lectura y la escritura en la literatura del siglo XIX, superando las limitaciones de las coincidencias literales.