💬 NLP

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

Este estudio presenta un marco híbrido de modelado temático que integra LDA y sPLS-DA para realizar una lectura cercana computacional de *Eugenio Oneguin* de Pushkin, demostrando cómo modelos probabilísticos ligeros pueden generar mapas temáticos reproducibles y revelar la estructura narrativa en textos poéticos de corpus reducido.

Autores originales: Angelo Maria Sabatini

Publicado 2026-03-23

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Angelo Maria Sabatini

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes un libro gigante, una novela escrita en verso llamada Eugenio Oneguin de Pushkin. Es una obra maestra, pero leerla y entender todos sus temas ocultos, sus emociones y cómo cambia la historia a lo largo de sus 8 capítulos puede ser como intentar encontrar una aguja en un pajar... o mejor aún, como intentar escuchar una conversación en medio de una tormenta de nieve rusa.

Este estudio es como crear un traductor mágico que no solo lee el libro, sino que "siente" sus latidos emocionales y sus temas principales.

Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: Leer una novela con una lupa vs. un telescopio

Normalmente, los ordenadores leen miles de libros a la vez (como un telescopio) para encontrar patrones grandes. Pero aquí, los investigadores querían hacer lo contrario: usar un ordenador para leer un solo libro con una lupa extremadamente potente. Querían ver cómo los temas cambian estrofa por estrofa, algo que un humano haría con "lectura cercana" (close reading), pero con la precisión de una máquina.

2. La Receta: Dos ingredientes secretos

Para lograr esto, mezclaron dos técnicas de inteligencia artificial, como si fueran dos chefs trabajando juntos:

El Chef 1 (LDA - El Observador): Este chef es un observador muy tranquilo. Lee todo el libro y dice: "Oye, veo que en estas partes se habla mucho de nieve, bosques y soledad. En otras partes, hay muchas palabras sobre bailes, fiestas y aburrimiento". Él agrupa las palabras sin saber quién es el autor, solo buscando patrones naturales. Es como si te dijera: "Aquí huele a invierno, allá huele a fiesta".
El Chef 2 (sPLS-DA - El Detective): Este chef es un detective estricto. Le dice al Chef 1: "Espera, ¿estás seguro de que estas palabras pertenecen a esa fiesta? Déjame verificar". El detective busca las palabras clave que realmente definen cada tema y confirma si el Chef 1 no se ha equivocado. Es como un control de calidad que asegura que no estamos confundiendo "amor" con "odio" solo porque las palabras aparecen cerca.

Al combinarlos, obtienen un mapa temático muy preciso y fiable.

3. El Mapa del Tesoro: Los 5 Temas Principales

Al aplicar esta receta al libro, el ordenador descubrió 5 "sabores" o temas principales que se repiten a lo largo de la historia:

El Invierno y la Naturaleza (Tatiana): Palabras como nieve, bosque, luna, silencio. Es el mundo interior de la protagonista, Tatiana, quien ama la naturaleza y los sueños.
Las Aspiraciones y el Sueño: Palabras como gloria, mente, tiempo, vida. Es lo que piensan los personajes sobre su futuro y sus ideales románticos.
La Explosión de Sentimientos: Palabras como amor, corazón, alma, destino. Es el tema más emocional, donde se confiesan amores y se llora.
La Vida Social y el Aburrimiento: Palabras como baile, moda, ruido, multitud. Representa la vida de la alta sociedad en San Petersburgo, llena de fiestas pero vacía de alma.
El Conflicto y el Honor: Palabras como pistola, sangre, duelo, enemigo. Es el tema oscuro que lleva a la tragedia y al enfrentamiento entre amigos.

4. La Historia en Movimiento: Las "Hubs" (Nodos)

Los investigadores no solo miraron el libro entero, sino que dividieron la historia en 13 momentos clave (llamados "hubs" o nodos), como si fueran escenas de una película.

Usaron el mapa para ver cómo cambian los temas en momentos cruciales:

La Carta de Tatiana: Cuando Tatiana escribe su carta de amor, el mapa muestra una explosión de "Sentimientos" y "Naturaleza". Es puro corazón.
La Respuesta de Oneguin: Cuando él le responde, el mapa sigue mostrando sentimientos, pero se mezcla con "Aspiraciones" y un tono más frío y distante. Él intenta ser racional.
El Duelo: Aquí, el tema de "Conflicto y Honor" toma el control total, oscureciendo todo lo demás.

5. ¿Qué nos dice esto? (La Conclusión)

Lo más bonito de este estudio es que la máquina confirmó lo que los humanos ya intuían, pero lo hizo con datos duros.

Tatiana empieza siendo una chica del campo, llena de sueños y naturaleza, y termina convirtiéndose en una dama de sociedad, fría y respetable. El mapa muestra cómo su "tema" cambia de la naturaleza a las convenciones sociales.
Oneguin es un hombre atrapado en el aburrimiento y el egoísmo. El mapa muestra que, aunque intenta amar al final, nunca logra madurar. Se queda estancado en su "tema" de aburrimiento y conflicto.

En resumen

Este papel nos dice que no necesitamos ser robots para entender la literatura, pero que los robots pueden ayudarnos a ver cosas que a veces nos perdemos por estar demasiado cerca de la historia. Es como tener un GPS literario: tú sabes conducir (leer el libro), pero el GPS te muestra el mapa de los temas, las emociones y los giros de la historia, asegurándote de que no te estás perdiendo ningún detalle importante en el viaje.

Es una forma moderna de "leer de cerca" que respeta la belleza del arte, pero le da un empujón extra con la ciencia de datos.

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados:

**Resumen Técnico: Modelado de Temas Híbrido para la Lectura Cercana Computacional en Eugene Onegin de Puškin**

1. Planteamiento del Problema

El estudio aborda el desafío de aplicar el modelado de temas computacional a textos literarios de alta densidad, específicamente la poesía narrativa, donde las suposiciones tradicionales del modelo "bolsa de palabras" (bag-of-words) suelen fallar debido a la ambigüedad figurativa, la métrica y la estructura rítmica.

Limitaciones actuales: El modelado de temas a gran escala (distant reading) es efectivo para corpus extensos, pero su aplicación a un único texto poético (lectura cercana o close reading) presenta dificultades de estabilidad debido al tamaño reducido del corpus y la naturaleza ambigua del lenguaje poético.
Objetivo: Determinar si es posible generar mapas temáticos reproducibles y estables dentro de una sola obra literaria (Eugene Onegin de Aleksandr S. Puškin) utilizando un enfoque híbrido que combine modelos no supervisados y supervisados, priorizando la interpretabilidad sobre el descubrimiento a gran escala.

2. Metodología

El autor propone un marco de trabajo híbrido que integra Latent Dirichlet Allocation (LDA) con Análisis Discriminante de Mínimos Cuadrados Parciales Escaso (sPLS-DA).

Corpus y Preprocesamiento:
- Fuente: Traducción al italiano de Giuseppe Ghini (2021) de Eugene Onegin.
- Segmentación: El texto se dividió en 35 documentos (bloques), cada uno compuesto por 10-11 estanzas consecutivas, para garantizar una señal léxica suficiente para el modelado.
- Limpieza: Se aplicó lematización y etiquetado de partes del discurso (PoS). Se excluyeron los verbos (para evitar el predominio de la progresión narrativa sobre los temas descriptivos) y se mantuvieron los sustantivos, adjetivos y nombres propios (normalizados).
- Vocabulario: Se filtraron términos con frecuencia menor a 3, resultando en una matriz Documento-Término (DTM) de $35 \times 756$ con una dispersión del 84%.
Modelado No Supervisado (LDA):
- Se utilizó un muestreador de Gibbs colapsado con $K=5$ temas.
- Estabilidad: Se implementó un protocolo de consenso multi-semilla (100 cadenas independientes) con alineación post-hoc (asignación húngara) para resolver el problema de "cambio de etiquetas" y asegurar la estabilidad de los temas.
- Hiperparámetros: Se ajustaron priores simétricos ( $\alpha=2$ , $\beta=0.15$ ) para contrarrestar la longitud corta de los documentos y suavizar el vocabulario reducido.
Validación Supervisada (sPLS-DA):
- Se utilizó sPLS-DA como una "sonda" supervisada para validar la coherencia interna de los temas inducidos por LDA.
- Diseño: Se entrenaron clasificadores binarios "uno contra todos" (OvR) utilizando las etiquetas de tema de LDA como clase objetivo.
- Selección de Características: Se identificaron marcadores léxicos discriminantes (términos exclusivos y compartidos) mediante la frecuencia de selección y la magnitud de las cargas (loadings).
- Validación Cruzada: Se empleó validación cruzada estratificada de 5 pliegues para evaluar la precisión y la precisión balanceada.
Análisis de Nodos Narrativos (Narrative Hubs):
- Se definieron grupos de estanzas contiguas que corresponden a episodios clave (ej. cartas, duelos) para mapear cómo las mezclas de temas se alinean con la estructura narrativa y emocional del poema.

3. Contribuciones Clave

Marco Híbrido para Lectura Cercana: Propone un flujo de trabajo donde LDA proporciona coherencia probabilística y sPLS-DA introduce especificidad discriminativa, permitiendo una "lectura cercana computacional" reproducible.
Protocolo de Consenso para Corpus Pequeños: Introduce una metodología robusta para estabilizar el modelado de temas en textos únicos mediante la alineación de múltiples ejecuciones estocásticas, superando la inestabilidad típica en corpus pequeños.
Integración de Estructura Narrativa: Desarrolla un sistema de "tarjetas de nodo" (hub cards) que cuantifica la composición temática en episodios específicos, conectando directamente los resultados algorítmicos con la crítica literaria tradicional.
Validación de Traducción: Demuestra que un análisis léxico temático es viable y transparente incluso utilizando una traducción de alta calidad, sin necesidad de recuperar características fonológicas o morfológicas originales.

4. Resultados

Estabilidad del Modelo: La solución de 5 temas mostró una alta estabilidad tras la alineación (Jaccard@30 medio = 0.41, correlación de Spearman = 0.91) y un número efectivo de temas ( $N_{eff}$ ) de 4.52, indicando un equilibrio temático robusto.
Temas Identificados: Se extrajeron cinco temas coherentes:
1. Imágenes naturales y líricas (asociado a Tatiana, invierno, naturaleza).
2. Expectativas y aspiraciones individuales (gloria, mente, poesía).
3. Efusión lírico-sentimental (amor, corazón, sueños).
4. Entorno social y mundano (bailes, moda, convenciones).
5. Sentimientos y convenciones sociales (conflicto, honor, duelo).
Rendimiento de Validación: Los clasificadores sPLS-DA alcanzaron una precisión global del 85% y una precisión balanceada del 70%, superando significativamente a las líneas base aleatorias, lo que confirma que los temas de LDA reflejan contrastes léxicos reales y no ruido.
Análisis de Nodos Narrativos: El mapeo reveló cómo los temas evolucionan a lo largo de la obra. Por ejemplo, la carta de Tatiana está dominada por la "efusión lírico-sentimental", mientras que la respuesta de Onegin introduce tensiones con el tema de "sentimientos y convenciones sociales" (honor, duelo). La convergencia entre las listas de términos de LDA y sPLS-DA (diagonal en el mapa de calor) validó la solidez de los marcadores léxicos.

5. Significado e Impacto

Relevancia para los Estudios Literarios: El estudio demuestra que el modelado de temas no es solo una herramienta para el "distant reading" de grandes corpus, sino que puede servir como una herramienta de apoyo para la "lectura cercana", haciendo explícitas y trazables estructuras temáticas que los lectores humanos perciben intuitivamente pero que son difíciles de formalizar.
Reproducibilidad y Transparencia: Ofrece una plantilla metodológica transparente para el análisis de textos literarios densos, demostrando que incluso con una sola traducción y sin características estilísticas complejas (métrica, fonología), es posible recuperar mapas temáticos fiables.
Futuro: El marco se sugiere como base para estudios comparativos en otras narrativas poéticas de alta densidad, permitiendo explorar cómo la computación puede enriquecer, en lugar de reemplazar, la interpretación literaria tradicional.

En conclusión, el artículo valida que la combinación de inferencia probabilística no supervisada y discriminación supervisada permite una cartografía temática precisa y estable de obras literarias complejas, cerrando la brecha entre el análisis computacional y la crítica humanística.