💬 NLP

Eigenmood Space: Uncertainty-Aware Spectral Graph Analysis of Psychological Patterns in Classical Persian Poetry

Cet article présente un cadre computationnel incertain qui, en exploitant l'analyse spectrale de graphes et l'abstention automatique, permet d'analyser les profils psychologiques de poètes persans classiques à grande échelle tout en préservant la rigueur interprétative grâce à la propagation des incertitudes.

Auteurs originaux : Kourosh Shahnazari, Seyed Moein Ayyoubzadeh, Mohammadali Keshtparvar

Publié 2026-02-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kourosh Shahnazari, Seyed Moein Ayyoubzadeh, Mohammadali Keshtparvar

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌹 L'Enquête sur les Âmes des Poètes Persans : Une Carte des Émotions

Imaginez que vous avez devant vous une immense bibliothèque remplie de 61 000 poèmes persans classiques, écrits sur une période de mille ans. Ces poèmes sont comme des diamants bruts : ils sont magnifiques, mais souvent cachés sous des métaphores, des mystères et des jeux de mots. Un poète peut parler de "l'amour" tout en parlant en réalité de Dieu, ou exprimer une tristesse profonde en décrivant une fête joyeuse.

Les chercheurs de cet article (Kourosh, Seyed Moein et Mohammadali) se sont demandé : Comment pouvons-nous comprendre la "psychologie" ou l'état d'esprit de ces poètes sans perdre le sens de leurs mots ?

Voici comment ils ont procédé, étape par étape, avec des analogies simples.

1. Le Problème : Lire entre les lignes est difficile

Traditionnellement, pour comprendre un poète, il faut lire chaque vers lentement (ce qu'on appelle la "lecture attentive"). Mais quand on a 60 000 vers, c'est impossible de tout lire à la main.
Si on utilise un ordinateur pour analyser les sentiments, on risque de faire des erreurs. Par exemple, un ordinateur pourrait dire "Ce poème est triste" alors qu'il s'agit en fait d'une satire ou d'une allusion mystique. L'ordinateur risque d'être trop confiant là où il devrait être prudent.

2. La Solution : L'IA "Honnête" (avec un bouton "Je ne sais pas")

Les chercheurs ont créé un système intelligent (basé sur une intelligence artificielle) qui ne se contente pas de donner une étiquette (comme "Tristesse" ou "Amour"). Il a deux fonctions spéciales :

Le Score de Confiance : Si l'IA est très sûre d'elle, elle dit "C'est de la tristesse, je suis à 90% sûre". Si elle hésite, elle dit "C'est peut-être de la tristesse, mais je ne suis qu'à 40% sûre".
Le Bouton "Je m'abstiens" : C'est le plus important. Si le poème est trop mystérieux, trop ambigu, ou si le sens n'est pas clair, l'IA appuie sur un bouton rouge : "Je ne sais pas, je ne vais pas deviner."

Dans cette étude, l'IA a décidé de ne pas répondre pour 22% des vers. C'est énorme ! Cela montre que l'humilité est cruciale : mieux vaut ne pas répondre que de mentir.

3. La Carte des Émotions (La "Maison des Poètes")

Une fois qu'ils ont collecté les réponses sûres, ils ont construit une carte pour chaque poète.

Imaginez que chaque poète est une maison.
Dans cette maison, il y a 9 pièces différentes représentant des émotions (comme la "Mélancolie", la "Dépendance Émotionnelle", le "Narcissisme Spirituel", etc.).
La taille de chaque pièce dans la maison du poète dépend de combien de fois ce thème apparaît dans ses poèmes.

Ensuite, ils comparent chaque maison à une "Maison Moyenne" (la moyenne de tous les poètes).

Si la maison du poète ressemble à la maison moyenne, il est très classique.
Si sa maison est bizarre (par exemple, une pièce "Narcissisme" géante et une pièce "Dépendance" minuscule), il est très unique.

Résultat : Ils ont découvert que Omar Khayyam (le plus célèbre) est le plus "étrange" par rapport à la moyenne. Il parle beaucoup de la fragmentation de l'identité et de la mélancolie, mais très peu de la dépendance amoureuse classique. À l'inverse, Hafez est très proche de la moyenne, ce qui signifie qu'il incarne parfaitement l'esprit général de la poésie persane.

4. Le "Eigenmood" : La Boussole des Relations

C'est la partie la plus magique. Les chercheurs ne se sont pas contentés de regarder les pièces une par une. Ils ont regardé comment les pièces sont connectées.

Imaginez un réseau de routes entre les émotions. Souvent, quand un poète parle de "Dépendance", il parle aussi de "Romance". Ces deux concepts sont liés.
Ils ont utilisé une technique mathématique (l'analyse spectrale) pour créer une boussole invisible appelée "Eigenmood".
Cette boussole ne dit pas juste "ce poète est triste". Elle dit : "Ce poète est triste, mais d'une manière qui est liée à la spiritualité, et non à la rupture amoureuse."

Cela permet de voir la direction de la singularité du poète, pas seulement son intensité.

5. Le Retour aux Sources (Du Grand au Petit)

Le système est conçu pour ne jamais perdre de vue le détail.

Si le système dit "Ce poète est très mélancolique", vous pouvez cliquer sur un bouton et le système vous montrera les 5 meilleurs vers qui prouvent cela, avec la traduction et la raison pour laquelle l'IA les a choisis.
C'est comme avoir une carte du monde (vue d'ensemble) et pouvoir zoomer instantanément sur une rue précise (le verset exact) pour vérifier l'histoire.

🎯 En Résumé : Pourquoi c'est génial ?

Ce papier nous apprend trois choses importantes :

L'incertitude est une force : Dire "je ne sais pas" (abstention) est plus important que de faire des erreurs. Cela protège l'analyse.
Chaque poète a une "signature" unique : Même si tous parlent d'amour et de douleur, la façon dont ils mélangent ces ingrédients est différente. Khayyam est un "philosophe sceptique", Jahan est une "amoureuse passionnée", etc.
L'ordinateur aide, mais ne remplace pas l'humain : Ce système ne donne pas de diagnostic médical (il ne dit pas "Khayyam était dépressif"). Il dit plutôt : "Voici comment Khayyam utilisait les mots pour exprimer la souffrance, et voici les preuves dans ses textes."

C'est une façon nouvelle, respectueuse et précise de lire les classiques, en utilisant la technologie pour éclairer les ombres du mystère, sans jamais les effacer.

1. Problématique et Contexte

L'étude aborde le défi de l'analyse psychologique à grande échelle de la poésie classique persane. Ce corpus, riche en métaphores, en conventions intertextuelles et en indirection rhétorique, rend la lecture attentive indispensable mais limite les comparaisons reproductibles à l'échelle d'un corpus.
Les approches computationnelles actuelles se heurtent à deux risques épistémiques majeurs :

L'ambiguïté littéraire peut conduire à un étiquetage trop confiant si l'incertitude n'est pas modélisée explicitement.
L'anachronisme : l'application de concepts psychologiques modernes à des textes pré-modernes peut être trompeuse si les étiquettes sont traitées comme des diagnostics littéraux.

L'objectif est donc de développer un cadre d'analyse qui préserve la prudence interprétative tout en permettant une comparaison quantitative robuste, en traitant l'incertitude non pas comme un bruit, mais comme une variable centrale.

2. Méthodologie

Les auteurs proposent un pipeline de traitement de données en plusieurs étapes, conçu pour propager l'incertitude depuis le niveau du vers jusqu'à l'inférence au niveau du poète.

A. Annotation et Gestion de l'Incertitude

Corpus : 61 573 vers de 10 poètes persans (dont Hafez, Saadi, Khayyam, Parvin, etc.) issus du corpus numérique Ganjoor.
Modèle : Utilisation de Gemini 2.5 Flash pour l'annotation automatique multi-étiquettes.
Ontologie : 9 concepts psychologiques opérationnels (ex. : Mélancolie, Dépendance émotionnelle, Obsession romantique, Narcissisme spirituel, etc.).
Mécanisme d'abstention : Le modèle est instruit de s'abstenir (flag abstain) s'il ne peut pas relier le vers à l'ontologie avec une fiabilité suffisante. Cela évite de convertir l'ambiguïté en fausses preuves.
Confiance : Chaque étiquette est associée à un score de confiance ( $p_{v,c}$ ) et une justification.

B. Agrégation et Profils de Poètes

Matrice Poète $\times$ Concept : Les preuves sont agrégées en pondérant les concepts par leur score de confiance et en excluant les vers abstentionnés.
Distribution de probabilité : Chaque poète est représenté comme une distribution de probabilité sur les concepts, normalisée par rapport à une ligne de base globale ( $P_0$ ).
Mesure d'individualité : La singularité d'un poète est quantifiée par sa divergence par rapport à la ligne de base du corpus, calculée via la Divergence de Jensen-Shannon (DJS) et la Divergence de Kullback-Leibler (KL).

C. Analyse Spectrale et Espace Eigenmood

Pour capturer la structure relationnelle au-delà des distributions marginales :

Graphe de co-occurrence : Un graphe pondéré par la confiance est construit entre les concepts, basé sur leur co-activation dans les vers.
Décomposition spectrale : La décomposition en valeurs propres du Laplacien du graphe permet de définir un espace d'embedding appelé Eigenmood.
Coordonnées Eigenmood : Les poètes sont projetés dans cet espace latent. Les axes (EM1, EM2, EM3) ne représentent pas seulement la variance des concepts, mais les directions de déviation basées sur les couplages empiriques observés entre les concepts (ex. : opposition entre projection interne et fragmentation identitaire).

D. Validation et Robustesse

Évaluation humaine : Un échantillon stratifié de 500 vers a été annoté par deux experts en psychologie pour valider l'accord, la précision et l'adéquation des décisions d'abstention.
Analyse de biais : Le traitement de l'abstention comme une catégorie explicite permet de diagnostiquer les biais de sélection introduits par le filtrage des vers incertains.
Workflow "Distant-to-Close" : Le système permet de remonter des vers spécifiques (exemplaires) alignés sur les axes spectraux pour une lecture attentive, en ne sélectionnant que les preuves à haute confiance.

3. Résultats Clés

Importance de l'incertitude : 22,2 % des vers ont été abstentionnés, soulignant que l'incertitude est une propriété substantielle du corpus et non une exception marginale.
Profilage des poètes :
- Khayyam se distingue comme le poète le plus divergent ($DJS = 0.0901$), caractérisé par une forte Mélancolie et une Fragmentation identitaire, mais une faible Dépendance émotionnelle.
- Parvin est le deuxième plus divergent, marquée par l'Idéalisation autodestructrice et la Mélancolie.
- Hafez et Shahriar sont proches de la ligne de base, suggérant une distribution plus équilibrée et représentative de la norme du corpus.
Structure Eigenmood :
- EM1 oppose le Narcissisme spirituel (distinction rhétorique) à la Dépendance mélancolique.
- EM2 oppose la Projection interne (mystique) à la Fragmentation identitaire.
- EM3 oppose l'Attachement ambivalent à la division ontologique.
Robustesse : Les classements des poètes restent stables même sous des seuils de confiance stricts ( $\tau = 0.7$ ) et lorsque l'abstention est traitée comme une catégorie. La corrélation entre les taux d'abstention et la divergence est modérée ( $r=0.644$ ), indiquant que l'individualité n'est pas un artefact de la taille du sous-corpus.
Validation : L'accord macro entre le modèle et les annotateurs humains est de 0.818 (Cohen's $\kappa$ ), avec une précision de 0.800. L'erreur d'étalonnage (ECE) est faible (0.0346), confirmant que les scores de confiance sont bien calibrés.

4. Contributions Principales

Formalisation de l'incertitude : Un cadre où l'abstention et la confiance sont des variables de premier ordre, influençant l'agrégation, le calcul de divergence et l'analyse de biais.
Espace Eigenmood : Une méthode d'embedding spectral basée sur un graphe de co-occurrence pondéré, qui capture la direction des déviations psychologiques au-delà des simples fréquences de concepts.
Workflow auditable : Une approche "distant-to-close" qui relie les résumés macroscopiques à des vers spécifiques et inspectables, permettant une validation humaine continue.
Profilage psychologique culturel : Une interprétation des profils non pas comme des diagnostics cliniques d'auteurs historiques, mais comme des résumés distributionnels de la disponibilité rhétorique et des couplages affectifs au sein d'une tradition littéraire.

5. Signification et Impact

Ce travail représente une avancée significative pour les Humanités Numériques et la psychologie computationnelle appliquée aux textes littéraires.

Épistémologie : Il démontre qu'il est possible d'effectuer une analyse psychologique à grande échelle sur des textes anciens sans tomber dans le réductionnisme, en intégrant explicitement les limites de l'interprétation automatique.
Méthodologie : Il offre un modèle reproductible pour traiter l'ambiguïté inhérente aux métaphores poétiques, transformant l'incertitude en un outil d'analyse plutôt qu'en un obstacle.
Applications : La méthode permet d'identifier des signatures stylistiques et affectives subtiles, de comparer des écoles poétiques et de guider les chercheurs vers des exemples textuels pertinents pour une analyse approfondie, tout en préservant la complexité du texte original.

En somme, l'article propose une "géométrie spectrale" de l'émotion poétique, où l'incertitude n'est pas supprimée mais propagée, permettant des comparaisons comparables et auditable entre les poètes classiques persans.