Attribution Bias in Philosophical Knowledge Graphs: Corpus Frequency versus Temporal Sourcing

Resumen Técnico: Sesgo de Atribución en Grafos de Conocimiento Filosófico

Planteamiento del Problema
El artículo identifica un fallo metodológico sistemático en la construcción de grafos de conocimiento computacional para la historia de la filosofía: la confluencia de la frecuencia del corpus con la prioridad histórica y la significación filosófica. En la práctica estándar, se atribuyen conceptos a una tradición específica basándose en qué escuela los menciona con mayor frecuencia en el corpus digitalizado disponible. Los autores argumentan que este enfoque asume implícitamente que el volumen textual correlaciona con el origen o la propiedad. Esta suposición es problemática porque confunde tres mediciones distintas:

1. Poder Textual: Qué tradición produjo y preservó la mayor cantidad de texto (a menudo influenciado por la continuidad institucional y los sesgos de digitalización).
2. Prioridad Histórica: Qué tradición documentó primero un concepto en una fuente datable.
3. Significación Filosófica: Qué tradición desarrolló el tratamiento más sofisticado de un concepto.

Al utilizar la frecuencia del corpus como la única métrica de atribución, los grafos de conocimiento (específicamente aquellos que cubren la filosofía india) atribuyen erróneamente conceptos de forma sistemática a escuelas posteriores (por ejemplo, Advaita Vedanta) que interactuaron extensamente con ellos, oscureciendo sus orígenes más tempranos en otras tradiciones (por ejemplo, el jainismo, el budismo o los textos védicos tempranos). Esto resulta en una narrativa histórica distorsionada donde la composición del corpus superviviente se confunde con la historia real de las ideas.

Metodología
El estudio utiliza el darshana-graph, un grafo de conocimiento que contiene 28.322 relaciones documentadas a través de las tradiciones hindú, budista y jaina. Los autores proponen e implementan una Capa de Atribución Temporal para corregir el sesgo de frecuencia del corpus.

1. Marco de Objetivos de Medición: Los autores distinguen tres preguntas de investigación, cada una de las cuales requiere un método de atribución diferente:

   • Pregunta 1 (Compromiso Textual): Resuelta por la atribución de frecuencia del corpus.
   • Pregunta 2 (Primera Atestación): Resuelta mediante la atribución temporal utilizando fechas de fuentes citadas por académicos.
   • Pregunta 3 (Profundidad Filosófica): Requiere juicio humanístico, no métodos computacionales.

2. Sistema de Datación de Tres Niveles: Para permitir instantáneas de red por eras, los autores desarrollaron un sistema de datación por niveles para los 2.349 nodos de conceptos:

   • Nivel 1 (Citación Explícita): Conceptos con una entrada directa en una capa curada de 40 fuentes académicas (por ejemplo, Witzel, Olivelle, Gombrich) que proporcionan una fuente datable y un rango de fechas específico. Esto cubre solo 24 conceptos (1.0% del grafo) pero sirve como la verdad fundamental para la atestación histórica.
   • Nivel 2 (Proxi de Escuela): Conceptos sin citaciones explícitas se asignan a la fecha de fundación de la escuela que los menciona con mayor frecuencia en el corpus. Esto se trata como un "límite de visibilidad textual" en lugar de un origen histórico.
   • Nivel 3 (Desconocido): Conceptos sin fecha asignable (ninguno presente en este conjunto de datos).

3. Enfoque de Análisis: Los autores comparan las métricas de red (específicamente la centralidad de intermediación) bajo dos condiciones:

   • Atribución de Frecuencia del Corpus: Asignar conceptos a la escuela con el mayor volumen textual.
   • Atribución Temporal: Filtrar la red por era utilizando el sistema de datación de tres niveles para observar cómo evoluciona la estructura de la red desde el 600 a.C. hasta el 1500 d.C.

Resultos Clave

• La Distorsión de la Frecuencia del Corpus: Bajo la atribución de frecuencia del corpus, los 25 conceptos principales por centralidad de intermediación se atribuyen exclusivamente a escuelas hindúes, con Advaita Vedanta dominando 16 de los 25. Ningún concepto budista o jaina aparece en los 25 principales.
• Desajustes Temporales: Siete de los 25 conceptos principales muestran desajustes temporales significativos cuando se analizan mediante la capa de Nivel 1. Sus atestaciones documentadas más tempranas preceden a la escuela atribuida por 288 a 2.288 años.
  • Ejemplo: Moksha (liberación), atribuido a Advaita Vedanta por la frecuencia del corpus, tiene su atestación soteriológica sistemática más temprana en fuentes jainas (Acaranga Sutra) más de 1.200 años antes de la existencia de Advaita como escuela.
  • Ejemplo: Brahman y Atman aparecen en fuentes védicas (1500–1200 a.C.) aproximadamente 2.288 años antes de su atribución a Advaita Vedanta (fundada ~788 d.C.).
• La Distorsión del 800 d.C. (Sesgo del Conjunto de Datos): Un hallazgo crítico es el "efecto de amplificación de Advaita". Entre el 300 d.C. y el 800 d.C., la red crece de 18 nodos a 1.028 nodos. De estos nuevos nodos, el 97.4% son proxies de Nivel 2 que portan la fecha de fundación de Advaita Vedanta (788 d.C.). Esta explosión no refleja un aumento histórico en la innovación filosófica, sino la supervivencia de la producción comentariística de Advaita, la destrucción de las tradiciones de manuscritos budistas y la ventaja de digitalización de los textos sánscritos. En consecuencia, la instantánea del 800 d.C. es un 97.4% Advaita, una cifra que los autores identifican como una medida del sesgo del conjunto de datos, no de la realidad histórica.
• La Instantánea del 300 a.C.: La instantánea más históricamente fiable (basada enteramente en las citaciones de Nivel 1) revela una red genuinamente pluralista: 59% Védica/Upanishádica temprana, 24% Jaina y 18% Budista. Esto contradice la imagen dominada por Advaita producida por la frecuencia del corpus.
• Homología Estructural: Al aplicar la atribución temporal, los autores permitieron el análisis estructural trans-tradicional. Utilizando vectores de características de redes ego, identificaron "homólogos estructurales": conceptos en diferentes tradiciones que ocupan posiciones de red similares a pesar de las diferencias doctrinales.
  • Validado: Purusha (Samkhya) y Jiva (Jain) puntuaron 0.990 de similitud; Prakriti (Samkhya) y Maya (Védica) puntuaron 0.972.
  • Novedoso: Nibbana (liberación budista) y Samsara (existencia cíclica védica) puntuaron 0.954. Aunque son doctrinalmente opuestos, ambos funcionan como el punto de referencia último en sus respectivas soteriologías.
  • Novedoso: Cetana (intención budista) y Ajiva (materia no viva jaina) puntuaron 0.923, identificados como categorías ontológicas secundarias estructuralmente análogas.

Significación y Reivindicaciones
El artículo no afirma que la atribución temporal sea una solución perfecta o que recupere el "verdadero" origen de los conceptos (lo cual es imposible debido a las tradiciones orales y textos perdidos). En su lugar, afirma lo siguiente:

1. Transparencia Metodológica: La contribución principal es el Marco de Objetivos de Medición, que obliga a los investigadores a declarar explícitamente si están midiendo el poder textual, la prioridad histórica o la significación filosófica. La confluencia de estos conduce a conclusiones sistemáticamente engañosas.
2. Visibilidad del Sesgo: El estudio demuestra que la atribución de frecuencia del corpus naturaliza las decisiones de la construcción del corpus (digitalización, preservación) como hechos históricos neutrales. El método temporal, incluso con sus limitaciones (1% de cobertura de Nivel 1), hace que estos sesgos sean visibles y medibles (por ejemplo, la cifra de 97.4% de Advaita en 800 d.C.).
3. Restauración del Pluralismo: La fundamentación temporal restaura una visión pluralista de la historia de la filosofía india, mostrando que las redes tempranas eran espacios compartidos que involucraban tradiciones védicas, jainas y budistas, en lugar de una dominancia hindú monolítica.
4. Nuevas Capacidades Analíticas: El artículo sostiene que la atribución temporal es un prerrequisito para un análisis estructural trans-tradicional válido. Sin ella, los conceptos de alta intermediación están todos anclados a una sola tradición, lo que imposibilita la detección de la homología estructural entre tradiciones. El artículo presenta la homología estructural no como una afirmación de equivalencia doctrinal, sino como un "espacio conceptual compartido" medible navegado por diferentes vocabularios.

En conclusión, el artículo afirma que la investigación en humanidades computacionales debe distinguir entre datos (composición del corpus), capta (selecciones construidas) e interpretación. Aboga por un enfoque modesto donde los métodos de atribución sean explícitamente justificados, y los resultados se enmarquen como mediciones de capas específicas (poder textual vs. atestación) en lugar de afirmaciones definitivas sobre la historia de la filosofía.