Markov reads Pushkin, again: A statistical journey into the poetic world of Evgenij Onegin

Resumen Técnico: Revisión Estadística de la Estructura Fonológica en Eugene Onegin

1. Planteamiento del Problema

El estudio busca reexaminar la propuesta original de Andrej A. Markov (1913) de aplicar análisis de series temporales simbólicas a textos literarios, específicamente a la novela en verso Eugene Onegin de Aleksandr S. Pushkin.

• Contexto: Aunque las cadenas de Markov son fundamentales en ciencias de la computación y física, su aplicación directa al análisis estilístico y narrativo de la literatura ha sido limitada históricamente.
• Objetivo: Determinar si las estructuras fonológicas básicas (la alternancia de vocales y consonantes) pueden capturar dinámicas estilísticas y narrativas profundas, y comparar cómo estas estructuras evolucionan en el texto original ruso frente a una traducción italiana contemporánea.
• Hipótesis: Las señales estilísticas y estructurales no solo residen en el léxico o la sintaxis, sino que también emergen de la alternancia básica de vocales (V) y consonantes (C), y que estas dinámicas pueden diferir significativamente entre el original y la traducción.

2. Metodología

A. Corpus y Preprocesamiento

• Datos: Se utilizó el texto completo de Eugene Onegin (8 capítulos, 421 estrofas) en ruso (ortografía post-1918) y una traducción al italiano de Giuseppe Ghini.
• Codificación Binaria: Se implementó un esquema inspirado en Markov donde cada carácter se codifica como V (vocal) o C (consonante).
  • Se excluyeron signos de puntuación, espacios y los signos duros/blandos del alfabeto cirílico (ъ, ь).
  • Se mantuvieron las expresiones extranjeras (latinas) dentro del texto ruso para preservar la heterogeneidad estilística.
• Alineación: Los textos se alinearon a nivel de estrofa para permitir comparaciones directas, ignorando epígrafes y anotando anomalías estructurales.

B. Modelado Estadístico
Se emplearon dos modelos de cadenas de Markov sobre las series temporales simbólicas:

1. Modelo de Dos Estados (Orden 1): Transiciones directas entre V y C.
2. Modelo de Cuatro Estados (Orden 2): El espacio de estados se expande a bigramas (VV, VC, CV, CC). Aunque formalmente es una cadena de primer orden, captura dependencias de segundo orden (memoria de dos símbolos).

C. Métricas Clave

• Profundidad de Memoria (MD - Memory Depth): Definida como $MD = 1 - CF$, donde $CF$ es el factor de corrección complejo (coeficiente de dispersión) derivado de la estructura del modelo de cuatro estados.
  • $MD \in [0, 1]$: Valores cercanos a 0 indican alta dependencia (memoria larga/predictibilidad), mientras que valores cercanos a 1 indican independencia (aleatoriedad).
• Análisis de Bloques: El texto se dividió en bloques consecutivos de 10,000 caracteres para analizar la evolución temporal de la MD.
• Validación:
  • Bootstrap de Bloques Móviles (MBB): Técnica de remuestreo no paramétrica para preservar las correlaciones a corto plazo y generar intervalos de confianza (95%).
  • Datos de Sustituto (Surrogate Data): Se barajaron subbloques para destruir el orden global manteniendo la estructura local, sirviendo como línea base nula.
  • Pruebas de Autocorrelación: Función de Autocorrelación (ACF) y prueba de Ljung-Box para rechazar la hipótesis de independencia.

D. Sondas Fonológicas (Phonological Probes)
Se identificaron trigramas específicos (VVV, CCC, VVC, CCV) y se rastrearon sus frecuencias a lo largo del texto. Se seleccionaron patrones que mostraran tendencias estadísticas consistentes y coherencia semántica para su análisis léxico (ej. el trígama "вст" en ruso).

3. Contribuciones Clave

1. Reactivación del Enfoque de Markov: Demuestra que los modelos de Markov minimalistas, combinados con herramientas estadísticas modernas (bootstrapping, análisis de series temporales), son herramientas válidas para la poética comparativa y el análisis estilístico.
2. Descubrimiento de Asimetría Translacional: Revela una divergencia estructural fundamental entre el original ruso y la traducción italiana que no es evidente a simple vista.
3. Método de "Sondas Fonológicas": Introduce una metodología híbrida (estadística + análisis léxico manual) para vincular patrones gráficos superficiales (V/C) con temas narrativos específicos (encuentros, emociones).
4. Validación Generativa: Confirma que un modelo de Markov de cuatro estados es suficiente para generar secuencias sintéticas que replican las propiedades estadísticas (autocorrelación, dispersión) del texto original.

4. Resultados Principales

• Evolución de la Memoria (MD):

  • Ruso (Original): Muestra una tendencia decreciente significativa en la Profundidad de Memoria a medida que avanza el poema. Esto indica que las restricciones secuenciales se aflojan gradualmente; el texto se vuelve más "aleatorio" o menos predecible en términos de alternancia V/C hacia el final.
  • Italiano (Traducción): Mantiene un perfil de MD estable y uniforme a lo largo de todo el texto, sin tendencia decreciente.
  • Significado: La traducción pierde la dinámica evolutiva de la estructura fonológica del original, manteniendo una regularidad que no refleja la narrativa cambiante del poema.

• Análisis de Trigramas y Sondas:

  • Se identificó que los trigramas "persistentes" (VVV, CCC) aumentan en frecuencia en el texto ruso, mientras que los "alternantes" (VVC, CCV) disminuyen, lo que contribuye a la caída de la MD.
  • Caso de Estudio ("вст"): El trígama consonántico "вst" (que aparece en palabras como встретить - encontrar, чувствовать - sentir) mostró una tendencia ascendente significativa en el texto ruso.
    • Este patrón se correlaciona temáticamente con momentos de "encuentro" y "emoción" en la narrativa.
    • Su frecuencia aumenta en estrofas donde interactúan los protagonistas (Tatiana y Onegin), sugiriendo que la estructura fonológica codifica la tensión narrativa.
  • En la traducción italiana, estos patrones no mostraron la misma coherencia temática o tendencia estadística.

• Validación del Modelo:

  • Las simulaciones generadas por el modelo de cuatro estados reprodujeron con alta precisión la distribución de trigramas y los valores de MD observados empíricamente, validando el modelo como una representación generativa adecuada de la estructura local.

5. Significado e Implicaciones

• Poética Computacional: El estudio demuestra que la "memoria" estilística de un texto literario puede cuantificarse y rastrear su evolución a través de representaciones binarias simples. La complejidad semántica y narrativa tiene un correlato en la estructura fonológica superficial.
• Análisis de Traducción: Proporciona una métrica objetiva para evaluar cómo una traducción altera no solo el significado, sino la "arquitectura rítmica" y la dinámica interna del texto original. La traducción italiana, aunque fiel en la forma, homogeneiza la variabilidad estructural del original.
• Limitaciones y Futuro: El enfoque es exploratorio y descriptivo, no causal. Reconoce que la codificación binaria pierde información léxica y sintáctica. Sin embargo, sugiere que futuros trabajos podrían integrar estos modelos minimalistas con representaciones semánticas más ricas (ej. LDA, embeddings contextuales) para desentrañar estructuras narrativas de largo alcance.

En conclusión, el artículo valida la intuición de Markov de que la literatura posee una estructura estadística subyacente medible, y demuestra que la pérdida de esta estructura en la traducción puede revelar dinámicas narrativas que de otro modo permanecerían ocultas.