Darshana Graph: A Parallel Commentary Corpus for Comparative Indian Philosophy, with Stylometric and Exploratory Graph Analyses

Resumen Técnico: Darshana Graph

Planteamiento del Probleza
La filosofía clásica india se caracteriza fundamentalmente por siglos de argumentación entre distintas tradiciones (hindú, budista y jaina) que interpretan los mismos textos fundacionales. Sin embargo, los recursos digitales existentes fallan en gran medida al no capturar esta dimensión comparativa. La mayoría de los conjuntos de datos disponibles presentan traducciones únicas con un solo punto de vista, o agregan múltiples textos sin estructurarlos para permitir la comparación directa de cómo diferentes comentaristas interpretan el mismo verso o sutra raíz. En consecuencia, los recursos legibles por máquina carecen de la alineación estructural necesaria para estudiar la divergencia interpretativa entre las escuelas.

Metodología
Los autores construyeron Darshana Graph, un corpus de más de 125.000 registros de texto extraídos exclusivamente de fuentes de dominio público y con licencias abiertas. El corpus está dominado por el Canon Pali (114.591 registros), pero incluye un subconjunto estructuralmente único de aproximadamente 8.500 registros hindúes y jainas.

• Construcción del Corpus: La innovación central es el esquema de alineación. Un registro único representa un verso o sutra raíz (p. ej., Brahma Sutra 1.1.1) y contiene campos paralelos para múltiples comentarios de diferentes escuelas (p. ej., Advaita, Vishishtadvaita, Dvaita). Los autores abordaron problemas significativos de calidad de datos durante la construcción, específicamente colisiones de identificadores causadas por funciones de raspado (scraping) que reiniciaban contadores internos, lo que requirió la regeneración de identificadores globalmente únicos para evitar la pérdida silenciosa de datos.
• Análisis Estilométrico: El primer análisis emplea métodos puramente estadísticos, no de aprendizaje automático, para comparar estilos argumentativos. Los autores computaron cinco métricas: longitud promedio de los pasajes, palabras por oración, diversidad de vocabulario, la proporción de pasajes con citas de escrituras explícitas y la proporción con marcadores de refutación explícitos. Estos marcadores fueron identificados mediante expresiones regulares simples y definidas manualmente.
• Extracción de Grafo de Conocimiento: El segundo análisis utiliza un flujo de trabajo de Modelo de Lenguaje de Gran Escala (LLM) restringido (Llama 3.1 8B) para extraer relaciones filosóficas tipadas. Para asegurar la auditabilidad, el modelo está restringido a un vocabulario cerrado y predefinido de trece tipos de relación y etiquetas de escuela específicas. Cualquier salida que caiga fuera de este vocabulario es descartada mecánicamente tras la generación, independientemente de su validez sintáctica. Este enfoque prioriza la auditabilidad sobre la exhaustividad (recall).

Resultados Clave

• Patrones Estilométricos:
  • Citación vs. Refutación: Se observó una correlación negativa moderada entre la densidad de citación de escrituras y las tasas de refutación explícita entre comentaristas. Aquellos que dependen fuertemente de la prueba textual acumulada (p. ej., Madhva) tendieron a dedicar menos esfuerzo a nombrar y refutar explícitamente posiciones rivales, mientras que aquellos con menores tasas de citación (p. ej., Nimbarka, Srinivasa) exhibieron tasas de refutación más altas.
  • Tendencias Generacionales: Dentro de un linaje doctrinal específico, se observó un aumento sorprendente en la tasa de refutación a través de tres figuras que abarcan aproximadamente seis siglos (Madhva al 2.0%, Nimbarka al 13.2% y Srinivasa al 42.0%). Los autores señalan esto como un patrón digno de atención especializada en lugar de una tendencia validada estadísticamente, citando confusiones como el género específico del subcomentario de Srinivasa.
  • Estructura del Canon Pali: El análisis interno del Canon Pali reveló diferencias de género mensurables en la longitud de los pasajes, con textos aforísticos como el Dhammapada que promedian 31 caracteres por segmento frente a colecciones más discursivas como el Udana con 74 caracteres.
• Hallazgos del Grafo de Conceptos:
  • El flujo de extracción de conocimiento identificó con éxito patrones de desacuerdo entre escuelas. El par más disputado, atman y brahman, mostró a Advaita afirmando la identidad (IS_IDENTICAL_TO) mientras que Vishishtadvaita y Dvaita afirmaban la distinción (IS_DISTINCT_FROM), fundamentado en diferentes pasajes de evidencia.
  • Un segundo par disputado, atman y jiva, mostró a Advaita afirmando la distinción mientras otras escuelas afirmaban la identidad, reflejando los tratamientos doctrinales estándar del yo empíricamente condicionado.
• Limitaciones y Modos de Fallo:
  • Aproximadamente el 70% de las aristas extraídas portaban una atribución de escuela general en lugar de específica, atribuido a limitaciones del modelo más que a la ambigüedad de la fuente.
  • El tipo de relación IS_QUALIFIED_ASPECT_OF estuvo significativamente sobre-representado, sugiriendo que el modelo recurría a esta etiqueta cuando no estaba seguro.
  • Un método basado en embeddings, sin extracción, utilizado para corroborar los hallazgos produjo resultados en tensión directa con los hallazgos del LLM para el par atman-brahman, resaltando una limitación de los embeddings de oraciones a nivel de tema para capturar el acuerdo proposicional filosófico.

Significancia y Reivindicaciones
El artículo posiciona la estructura de alineación del corpus —vinculando el mismo material de origen con dieciocho comentaristas distintos de cinco escuelas— como su contribución principal y más defendible, señalando que tal estructura no está disponible en otro lugar a esta escala.

Los autores enmarcan explícitamente el análisis estilométrico como un punto de partida transparente y reproducible para la lectura filológica en lugar de una teoría validada de estrategia retórica. Del mismo modo, la extracción del grafo de conocimiento se presenta como "genuinamente útil pero explícitamente menos madura", con un relato sincero de sus modos de fallo. La significancia del trabajo reside en:

1. Proporcionar un recurso que permita la comparación computacional directa de tradiciones interpretativas independientes.
2. Demostrar un flujo de trabajo de LLM restringido que intercambia la exhaustividad por la auditabilidad en el análisis de textos históricos.
3. Ofrecer un caso de estudio documentado sobre las dificultades prácticas de la extracción de conocimiento asistida por LLM desde tradiciones textuales de múltiples perspectivas.

Los autores liberan el corpus completo, el grafo de relaciones extraído y todo el código de construcción, invitando a más trabajos sobre la evaluación de precisión formal y la expansión del corpus para abordar las brechas identificadas en la cobertura de escuelas y la distinción de subtradiciones.