Comparative Analysis of Rule Based Symbolic Logic and a Large Language Model in Sanskrit Morphological Analysis
Este estudio exploratorio compara un clasificador simbólico basado en reglas y un Modelo de Lenguaje de Gran Escala en el análisis morfológico del sánscrito utilizando datos de la Bhagavad Gita, encontrando que ambos enfoques mantienen una compatibilidad estable bajo el desorden del orden de las palabras, con el LLM logrando una precisión ligeramente superior (86.43%) que el sistema simbólico (81.43%).
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
El lenguaje suele concebirse como un flujo de palabras que fluye en un orden específico, donde la posición de una palabra determina su significado. En muchos idiomas, cambiar el orden de las palabras cambia la oración por completo. Sin embargo, el sánscrito, una lengua antigua de la India, opera de manera diferente. Está construido sobre un sistema de terminaciones adheridas a las palabras, de forma muy parecida a etiquetas que te indican quién hace qué a quién, independientemente de dónde se sitúe la palabra en la oración. Esta flexibilidad permite a los hablantes reorganizar las palabras para dar énfasis o efecto poético sin perder la lógica gramatical. Durante siglos, los estudiosos han dependido de reglas escritas estrictas para decodificar estas terminaciones, un método conocido como lógica basada en reglas. Hoy en día, ha surgido un nuevo tipo de herramienta: los modelos de lenguaje de gran tamaño. Estos son sistemas informáticos entrenados con vastas cantidades de texto que predicen la siguiente palabra o el significado de una palabra basándose en patrones que han aprendido, en lugar de seguir un conjunto fijo de instrucciones. La pregunta que los investigadores se han estado planteando es cómo estos dos enfoques tan diferentes manejan el desafío único del sánscrito cuando el orden de las palabras se altera.
Un estudio reciente se propuso probar esto enfrentando un programa informático tradicional basado en reglas contra un sistema moderno de inteligencia artificial. Los investigadores utilizaron una colección de cien versos del Bhagavad Gita, un texto sagrado hindú. Tomaron las palabras de estos versos y crearon dos versiones del texto para cada verso. En la primera versión, las palabras aparecían en su orden natural y original. En la segunda versión, las mismas palabras fueron mezcladas, o desordenadas, de modo que la secuencia era completamente diferente, aunque la colección de palabras permanecía exactamente igual. El objetivo era ver si los sistemas informáticos aún podían identificar correctamente la función gramatical de cada palabra —como si una palabra era el sujeto, el objeto o un verbo— cuando se eliminaba el contexto de su posición.
El estudio se centró en una tarea específica: observar palabras individuales que ya habían sido separadas de las oraciones y pedir a los sistemas que las etiquetaran. Los investigadores utilizaron un programa de Python que seguía reglas explícitas y paso a paso para comprobar las terminaciones de las palabras. Si una palabra terminaba de una forma específica, el programa le asignaba una etiqueta basándose en una lista de posibilidades preescrita. Este sistema no observa las palabras circundantes ni la estructura de la oración; solo observa la palabra en sí misma. Por otro lado, los investigadores utilizaron archivos de predicción generados por Gemini, un modelo de lenguaje de gran tamaño. Estos archivos contenían las conjeturas del modelo sobre las etiquetas gramaticales de las mismas palabras, basándose en instrucciones (prompts) que le pedían centrarse en las terminaciones de las palabras en lugar de en la traducción o el contexto.
Cuando los investigadores compararon los resultados, encontraron algo sorprendente. El programa basado en reglas funcionó exactamente igual en el orden natural y en el orden desordenado. Esto era de esperar, porque el programa fue diseñado para ignorar el orden de las palabras por completo; simplemente comprobaba la palabra que se le entregaba contra su lista de reglas. Sin embargo, el modelo de lenguaje de gran tamaño también mostró una estabilidad notable. Incluso cuando las palabras estaban desordenadas, las predicciones del modelo para las etiquetas gramaticales no cambiaron de ninguna manera significativa. De 280 palabras específicas que fueron cotejadas contra una guía de referencia, el modelo identificó correctamente la categoría gramatical en el 86,43 por ciento de los casos, ya fuera con las palabras en su orden original o mezcladas. El sistema basado en reglas fue ligeramente menos preciso, logrando un 81,43 por ciento de aciertos, pero fue igualmente consistente en ambas versiones del texto.
Los investigadores fueron cuidadosos al señalar que esta estabilidad no significa que el modelo de lenguaje de gran tamaño esté ignorando el orden de las palabras o que haya aprendido las reglas de la gramática sánscrita de la misma manera que un erudito humano. El estudio no demostró que el modelo trabaje sin contexto, ni mostró que pudiera manejar un conjunto de palabras completamente nuevo que no hubiera visto antes. Los resultados solo mostraron que, para este conjunto específico de palabras, la salida del modelo se mantuvo estable incluso cuando la entrada fue desordenada. Es posible que el modelo reconociera las palabras de sus datos de entrenamiento o que los prompts específicos utilizados desincentivaran el uso del contexto. El estudio también destacó que la guía de referencia utilizada para verificar las respuestas no era perfecta; contenía algunas ambigüedades y no fue revisada por múltiples expertos, lo que significa que las puntuaciones son una medida de compatibilidad con la guía proporcionada más que una verdad absoluta.
Lo que esta investigación revela en última instancia es una instantánea de cómo se comportan estos dos tipos de tecnologías bajo una prueba específica. El sistema basado en reglas se comportó exactamente como su diseño pretendía, permaneciendo inalterado porque fue construido para ser ciego al orden de las palabras. El modelo de lenguaje de gran tamaño, que a menudo se piensa que depende fuertemente de la secuencia de palabras para comprender el significado, también produjo los mismos resultados cuando la secuencia se rompió. Esto sugiere que, para esta tarea en particular, las predicciones del modelo fueron robustas frente al desorden de la entrada. Sin embargo, el autor advierte que esto no significa que el modelo haya dominado el sánscrito o que se comportará de esta manera en todas las situaciones. El estudio sirve como un registro claro de lo que sucedió con estos archivos específicos y estos prompts específicos, mostrando que, en esta comparación registrada, el orden de las palabras no cambió el resultado. Esto deja abierta la pregunta de si esta estabilidad se mantiene para oraciones más complejas, diferentes modelos o textos que no formaban parte de los datos de entrenamiento, señalando la necesidad de realizar más pruebas con estándares más rigurosos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.