BhaRaTa: A Novel Framework for Emotion Analysis of Sanskrit Narratives

Imagina que eres un detective intentando comprender el estado de ánimo de una habitación simplemente escuchando a las personas que hablan dentro. En el mundo de la informática, esto se llama "análisis de emociones". Normalmente, las computadoras son bastante buenas detectando lo básico: ¿alguien está feliz o triste? ¿Es una reseña positiva o negativa? Pero la vida real, y especialmente las grandes historias, es mucho más complicada que un simple "pulgar arriba" o "pulgar abajo". Los humanos sentimos una mezcla vertiginosa de sentimientos a la vez, como estar emocionados pero también un poco nerviosos, o enojados pero también orgullosos.

Durante mucho tiempo, las computadoras han intentado comprender estos sentimientos complejos utilizando mapas psicológicos occidentales, que clasifican las emociones en categorías como "alegría", "miedo" o "ira". Pero, ¿y si hubiera un mapa diferente por completo? Uno que fue dibujado hace miles de años en la antigua India. Este artículo se sumerge en un rincón de la ciencia llamado Procesamiento de Lenguaje Natural (NLP), donde los investigadores enseñan a las computadoras a leer y comprender el lenguaje humano. La gran pregunta aquí es: ¿Podemos enseñar a una computadora a comprender las emociones profundas y matizadas de las historias antiguas en sánscrito utilizando una teoría india antigua llamada Rasa? Esta teoría sugiere que las historias no tratan solo de lo que sucede, sino del "sabor" o la experiencia estética específica que crean en la mente del lector, construida a partir de diminutos indicios emocionales. Si podemos descifrar este código, podría ayudar a las computadoras a comprender la literatura de una manera mucho más humana, respetando la historia cultural única de cómo se cuentan las historias.

---

La receta antigua para la emoción: BhaRaTa

Conoce al equipo detrás de BhaTa (que significa Bhāva & Rasa Tagging). Son un grupo de investigadores de IIIT-Hyderabad que decidieron abordar un rompecabezas muy específico y muy difícil: ¿Cómo se le enseña a una computadora a entender las emociones en las obras de teatro en sánscrito?

El sánscrito es una lengua antigua, como un fósil lingüístico. Es hermoso, pero también es raro en el mundo digital. No hay millones de tweets o publicaciones de Reddit en sánscrito para que las computadoras aprendan de ellos. Además, las obras de teatro son complejas. No son solo diálogos; son una mezcla de poesía y prosa, llenos de acciones físicas, susurros y pausas dramáticas. Los investigadores sabían que si intentaban usar las herramientas de emoción "occidentales" estándar (que buscan palabras simples como "feliz" o "triste"), perderían la magia. Así que construyeron un nuevo marco basado en el Nāṭyaśāstra, un antiguo tratado sobre el drama que actúa como un libro de recetas para crear experiencias emocionales.

Los ingredientes: Bhāva y Rasa

Para entender su experimento, tienes que entender sus ingredientes. Los investigadores utilizaron dos conceptos principales del texto antiguo:

1. Bhāva (Los ingredientes): Piensa en estos como los estados emocionales brutos. En una obra, un personaje puede sentir anhelo, miedo, alegría o determinación. Estos son los sentimientos específicos, momento a momento. Los investigadores identificaron 31 de estos "sabores" para etiquetar en el texto.
2. Rasa (El plato terminado): Este es el panorama general. Cuando mezclas todos esos pequeños bhāvas de una manera específica, crean un estado de ánimo dominante o una experiencia estética para toda la escena, llamada Rasa. Es como cómo mezclar harina, azúcar y huevos crea un pastel. Ya no saboreas solo la "harina"; saboreas el "pastel". En el drama sánscrito, una escena puede estar dominada por el Romance, el Heroísmo, el Horror o la Comedia.

El objetivo del equipo era ver si una computadora podía aprender a saborear el "pastel" (el estado de ánimo de la escena) analizando los "ingredientes" (las líneas individuales de diálogo).

El experimento: Alimentando a la máquina

Los investigadores reunieron 18 famosas obras de teatro en sánscrito, incluyendo obras del legendario dramaturgo Kālidāsa. Limpiaron el texto (lo cual fue sorprendentemente difícil porque las versiones digitales antiguas tenían palabras faltantes y errores tipográficos) y dividieron las obras en 6,947 líneas individuales de diálogo.

Luego, hicieron el trabajo duro: etiquetaron manualmente cada línea con el bhāva (emoción) correcto y cada escena con el sthāyībhāva (estado de ánimo dominante) correcto. Crearon una herramienta web especial para ayudarles a hacer esto, asegurando que dos personas diferentes estuvieran de acuerdo en las etiquetas la mayor parte del tiempo. Esto creó un conjunto de datos completamente nuevo, un tesoro de drama sánscrito anotado que nunca había existido antes.

Una vez que los datos estuvieron listos, se los lanzaron a las computadoras. Probaron dos enfoques principales:

1. La prueba línea por línea: ¿Puede la computadora mirar una sola oración y adivinar la emoción? (por ejemplo, "¿Es esta línea 'Alegría' o 'Ansiedad'?")
2. La prueba de la escena: ¿Puede la computadora mirar una escena completa y adivinar el estado de ánimo general? (por ejemplo, "¿Es esta escena 'Romántica' o 'Heroica'?")

Probaron muchos tipos diferentes de cerebros de computadora, desde modelos matemáticos simples y de la vieja escuela hasta sistemas de IA modernos y sofisticados que leen como los humanos (llamados Transformers).

Los resultados: Lo viejo vence a lo nuevo

Aquí es donde la historia se pone interesante. Podrías esperar que los modelos de IA modernos y súper inteligentes ganaran fácilmente. Después de todo, están entrenados con cantidades masivas de datos. Pero en este caso, los modelos simples, de la vieja escuela, hicieron un mejor trabajo.

¿Por qué? Los investigadores sugieren que es porque el conjunto de datos era demasiado pequeño para los gigantescos modelos de IA. Las obras de teatro en sánscrito solo tenían unas 7,000 líneas. Para una IA masiva, eso es como intentar aprender a tocar el piano escuchando solo tres canciones. La IA se confundió e intentó memorizar patrones que no funcionaban. Los modelos más simples, sin embargo, fueron como un detective agudo que podía detectar los "indicios" específicos en las palabras en sánscrito —ciertas frases que siempre significaban "ira" o "alegría"— sin verse abrumados.

Los investigadores descubrieron que la mejor manera de resolver el rompecabezas era utilizar un enfoque jerárquico. En lugar de pedirle a la computadora que adivinara una de las 32 emociones a la vez (que es como pedirle a un niño que adivine una carta específica en un mazo de 52 sin ninguna pista), le pidieron que adivinara primero la categoría (¿Es positiva, negativa o mixta?) y luego la emoción específica. Este método de "dos pasos" funcionó mucho mejor, aumentando significamente la precisión.

Cuando se trataba de adivinar el estado de ánimo de toda la escena, la computadora encontró que observar la distribución de las emociones era la clave. Si una escena tenía muchas líneas de "Alegría" y "Anhelo", la computadora podía adivinar correctamente que la escena era "Romántica". Curiosamente, intentar adivinar el estado de ánimo leyendo solo el texto bruto de la escena (sin contar primero las emociones) fue más difícil y menos preciso. Parece que para estas obras antiguas, la mezcla de pequeñas emociones es una pista más fuerte que las palabras puras mismas.

Lo que no funcionó

Los investigadores también intentaron usar los modelos de IA más nuevos y potentes disponibles (Modelos de Lenguaje Extensos como Llama 3.1). Les pidieron a estos modelos que adivinaran las emociones directamente. Los resultados fueron decepcionantes. Los modelos tuvieron un desempeño muy pobre, fallando a menudo más de lo que acertaban. Los investigadores sugieren que estos modelos de IA de propósito general aún no están listos para esta tarea específica; necesitan más entrenamiento específicamente en sánscrito antes de que puedan comprender los sutiles matices de estas obras antiguas.

La conclusión

Este artículo no pretende haber resuelto el misterio de la emoción humana. En cambio, sienta las bases. Demuestra que:

• Podemos enseñar con éxito a las computadoras a comprender las emociones antiguas de la India utilizando un marco basado en una teoría de hace 2,000 años.
• Para lenguas con pocos recursos como el sánscrito, los modelos más simples y astutos suelen funcionar mejor que la IA masiva que requiere grandes cantidades de datos.
• Descomponer un problema complejo (adivinar 32 emociones) en pasos más pequeños (adivinar la categoría primero) hace que la computadora sea mucho más precisa.

Los investigadores están emocionados porque esto es solo el comienzo. Esperan utilizar este marco "BhaRaTa" para analizar otros tipos de literatura en sánscrito, como épicas y poesía, y eventualmente aplicar estas ideas a otras lenguas indias. Han demostrado que la sabiduría antigua y la tecnología moderna pueden mezclarse para crear algo nuevo, ayudándonos a comprender las profundidades emocionales de las historias que han sobrevivido durante milenios.