A Word-Level Digital Reader of the Prasthanatrayi with Sankara's Bhasya: Corpus, Method, and an Open, Offline Reading Aid for the Advaita Vedanta Canon

Resumen Técnico: Un Lector Digital a Nivel de Palabra del Prasthānatrayī con el Bhāṣya de Śaṅkara

Planteamiento del Problema
El Prasthānatrayī (los diez Upaniṣads principales, el Brahmasūtra y la Bhagavadgītā) junto con los comentarios (bhāṣya) de Śaṅkara constituye el corpus fundacional del Advaita Vedānta. Sin embargo, acceder a este texto de manera granular, a nivel de palabra, resulta prohibitivamente difícil para los no especialistas e incluso para los estudiantes. El sánscrito clásico emplea la combinación eufónica continua (sandhi) y complejos compuestos nominales (samāsa), lo que oscurece los límites de las palabras y la estructura morfológica. Una sola unidad ortográfica en la página puede representar múltiples palabras o raíces ocultas. En consecuencia, los estudiantes no pueden consultar eficazmente los diccionarios porque la forma superficial rara vez coincide con la entrada del diccionario (lema). Aunque existen ediciones impresas palabra por palabra para textos selectos como la Bhagavadgītā, no existe un aparato analítico uniforme a nivel de palabra para todo el Prasthānatrayī, particularmente para la extensa prosa continua del comentario de Śaṅkara.

Metodología: El Pipeline de Análisis Híbrido
Los autores presentan un pipeline híbrido y reproducible diseñado para generar una edición digital uniformemente analizada a nivel de palabra. El proceso consta de cinco etapas:

1. Normalización del Texto: Un tokenizador compartido elimina artefactos de renderizado (uniones de ancho cero, glifos de uso privado) y vuelve a unir palabras fragmentadas erróneamente. Preserva los caracteres védicos (p. ej., anusvāra) y asegura que la extracción fuera de línea y la tokenización en el navegador utilicen las mismas clases de caracteres.
2. Análisis Lingüístico Determinista: Antes de invocar la IA, el sistema prioriza tres recursos autoritativos en este orden:
   • Corpus Atestiguado: Se prefieren las divisiones encontradas en corpus anotados (aproximadamente 240,000 entradas).
   • Léxico Inflexionado: Un léxico de 927,000 formas (extraído del motor Heritage de Huet) proporciona lecturas morfológicas para superficies reconocidas.
   • Motor Basado en Reglas: Un divisor de sandhi de respaldo gestiona las formas no resueltas.
3. Análisis Asistido por LLM con Verificación Adversaria: Para las formas no resueltas determinísticamente (y todas las palabras del texto raíz), se emplea un Modelo de Lenguaje Grande (LLM). Crucialmente, el LLM opera dentro de un armazón de verificación:
   • Texto Raíz: Se utiliza un protocolo de dos pasadas: una pasada de "verificación" propone divisiones y gramática; una pasada de "refutación" separada intenta encontrar y corregir errores. Solo las análisis que sobreviven a este control adversario se conservan.
   • Comentario: Las formas superficiales distintas se analizan por lotes.
   • Control de Consistencia: Todas las divisiones propuestas se verifican mecánicamente para asegurar que se vuelven a unir mediante sandhi hacia adelante con la superficie original.
4. Agregación y Etiquetado de Confianza: Los resultados se integran en un diccionario global indexado por la forma superficial. A cada entrada se le asigna una etiqueta de confianza (Alta, Media, Baja) basada en la ruta de resolución y la autoevaluación del LLM.
5. Bucle de Revisión por Expertos Humanos: Las formas de baja confianza se exportan a una lista de trabajo para sánscritistas. Las correcciones se almacenan en un archivo de superposición (overlay) duradero. En cada reconstrucción, esta superposición se reaplica al final, asegurando que las correcciones de los expertos sean permanentes, acumulativas y sobrevivan a futuras regeneraciones del pipeline de la máquina.

Arquitectura del Sistema y Entregables
El producto final es un par de archivos HTML autónomos que no requieren servidor ni acceso a la red:

• El Lector Mūla: Análisis cliqueable para el texto raíz.
• El Lector de Detalle: Un superconjunto que incluye el análisis cliqueable para el comentario de Śaṅkara.
• Decisiones de Diseño:
  • Resolución basada en el cursor (caret): En lugar de envolver cada palabra en etiquetas HTML (lo que inflaría el archivo), el sistema resuelve los clics para la palabra bajo el cursor en el momento de la lectura utilizando un tokenizador idéntico al de la fase de extracción.
  • Ruta B (Análisis de Superficie): Para el comentario, cada forma superficial distinta se analiza exactamente una vez y se almacena en un diccionario global (95,587 formas distintas). Esto garantiza la consistencia interna y reduce la carga computacional, aunque sacrifica la disambiguación del contexto local para los homógrafos. El texto raíz se analiza por ocurrencia para preservar el contexto del verso.

Contribuciones Clave

1. Recurso de Corpus: Una edición digital uniformemente analizada del Prasthānatrayī completo con el bhāṣya de Śaṅkara, que cubre 2,971 versos/sūtras/secciones y 36,881 ocurrencias de palabras del texto raíz.
2. Herramienta de Descubrimiento (Concordancia Indexada por Lema): Debido a que cada palabra está etiquetada con su lema, el lector funciona como una concordancia. Los usuarios pueden buscar una entrada de diccionario (p. ej., ātman) y recuperar todas las ocurrencias inflectadas, ocultas por sandhi y dentro de compuestos, tanto en el texto raíz como en el comentario.
3. Marco Metodológico: Un pipeline híbrido que combina recursos deterministas con análisis asistido por LLM bajo un protocolo de verificación adversaria, limitado por un sistema de corrección humano-en-el-bucle duradero.
4. Artefacto Accesible: Un único archivo HTML sin dependencias, diseñado como una herramienta de enseñanza y una plataforma para la corrección académica.

Resultados de la Evaluación
El sistema fue evaluado mediante dos métodos complementarios:

• Acuerdo Determinista: Los análisis de alta confianza coincidieron con el léxico inflexionado de Heritage en el 99.6% de las formas nominales atestiguadas (caso/número) y en el 99.4% incluyendo género. El acuerdo disminuyó de forma predecible a través de las bandas de confianza (Alta > Media > Baja), validando las etiquetas de confianza como indicadores de calidad.
• Adjudicación Independiente: Una muestra ciega y estratificada de 180 elementos fue juzgada por un LLM independiente. Los análisis de alta y media confianza fueron calificados como "aceptables" o superiores en casi todos los casos. Todos los veredictos "erróneos" ocurrieron en la banda de baja confianza, confirmando que la lista de trabajo de revisión apunta correctamente a los datos menos fiables.

Significancia y Reivindicaciones
El artículo posiciona este recurso no como un oráculo infalible, sino como un "andamio" que hace que los textos fundacionales del Advaita Vedānta sean accesibles a nivel de palabra para estudiantes que carecen de un entrenamiento gramatical extenso. Su significancia principal radica en:

• Escala y Uniformidad: Proporcionar el primer aparato uniforme y de consulta a nivel de palabra a través de la prosa continua del comentario de Śaṅkara.
• Utilidad Académica: Transformar el texto en una concordancia buscable que trasciende las limitaciones de la superficie (inflexión, composición, sandhi).
• Sostenibilidad: La superposición "humano-en-el-bucle" asegura que el recurso sea acumulativo; las correcciones de los expertos son permanentes y mejoran el sistema con el tiempo sin perderse en la regeneración.
• Accesibilidad: Al ser un único archivo sin conexión, elimina las barreras de infraestructura, permitiendo que el recurso se redistribuya libremente y se utilice en entornos sin acceso a Internet.

Los autores reconocen las limitaciones, específicamente la falta de disambiguación sensible al contexto para el comentario (debido al "Análisis de Superficie de la Ruta B") y la dependencia de los LLM como un andamio en lugar de una autoridad final. Enfatizan que el papel del sistema es producir un análisis de primera pasada consistente y señalar la salida de baja confianza para la revisión humana, dejando la autoridad académica final en manos del editor humano.