Darshana Graph: A Parallel Commentary Corpus for Comparative Indian Philosophy, with Stylometric and Exploratory Graph Analyses

Résumé Technique : Darshana Graph

Énoncé du Problème
La philosophie indienne classique est fondamentalement caractérisée par des siècles d'argumentation entre des traditions distinctes (hindoue, bouddhiste et jaïne) interprétant les mêmes textes fondateurs. Cependant, les ressources numériques existantes échouent largement à capturer cette dimension comparative. La plupart des ensembles de données disponibles présentent une traduction unique avec un point de vue unique, ou agrègent plusieurs textes sans les structurer pour permettre une comparaison directe de la manière dont différents commentateurs interprètent le même verset ou sutra racine. Par conséquent, les ressources exploitables par machine manquent de l'alignement structurel nécessaire pour étudier la divergence interprétative entre les écoles.

Méthodologie
Les auteurs ont construit le Darshana Graph, un corpus de plus de 125 000 enregistrements textuels tirés exclusivement de sources appartenant au domaine public ou sous licences libres. Le corpus est dominé par le Canon Pali (114 591 enregistrements) mais inclut un sous-ensemble structurellement unique d'environ 8 500 enregistrements hindous et jaïnes.

• Construction du Corpus : L'innovation centrale est le schéma d'alignement. Un enregistrement unique représente un verset ou un sutra racine (par exemple, Brahma Sutra 1.1.1) et contient des champs parallèles pour plusieurs commentaires de différentes écoles (par exemple, Advaita, Vishishtadvaita, Dvaita). Les auteurs ont traité d'importants problèmes de qualité de données lors de la construction, spécifiquement des collisions d'identifiants causées par des fonctions de scraping qui réinitialisaient les compteurs internes, ce qui a nécessité la régénération d'identifiants globalement uniques pour éviter toute perte de données silencieuse.
• Analyse Stylométrique : La première analyse emploie des méthodes purement statistiques, non basées sur l'apprentissage automatique, pour comparer les styles argumentatifs. Les auteurs ont calculé cinq métriques : la longueur moyenne des passages, le nombre de mots par phrase, la diversité du vocabulaire, la proportion de passages avec des citations scripturaires explicites et la proportion avec des marqueurs de réfutation explicites. Ces marqueurs ont été identifiés via des expressions régulières simples et définies manuellement.
• Extraction de Graphe de Connaissances : La seconde analyse utilise un pipeline de Large Language Model (LLM) contraint (Llama 3.1 8B) pour extraire des relations philosophiques typées. Pour garantir l'auditabilité, le modèle est restreint à un vocabulaire fermé et prédéfini de treize types de relations et de labels d'écoles spécifiques. Tout résultat tombant en dehors de ce vocabulaire est mécaniquement écarté après génération, indépendamment de sa validité syntaxique. Cette approche privilégie l'auditabilité sur le rappel.

Résultats Clés

• Motifs Stylométriques :
  • Citation vs Réfutation : Une corrélation négative modérée a été observée entre la densité de citation scripturaire et les taux de réfutation explicites entre les commentateurs. Ceux qui s'appuient fortement sur des preuves textuelles accumulées (ex. Madhva) avaient tendance à consacrer moins d'efforts à nommer et réfuter explicitement les positions rivales, tandis que ceux ayant des taux de citation plus faibles (ex. Nimbarka, Srinivasa) présentaient des taux de réfutation plus élevés.
  • Tendances Générationnelles : Au sein d'une lignée doctrinale spécifique, une augmentation frappante du taux de réfutation a été observée à travers trois figures s'étendant sur environ six siècles (Madhva à 2,0 %, Nimbarka à 13,2 %, et Srinivasa à 42,0 %). Les auteurs notent cela comme un motif méritant l'attention des spécialistes plutôt qu'une tendance statistiquement validée, citant des facteurs de confusion tels que le genre spécifique du sous-commentaire de Srinivasa.
  • Structure du Canon Pali : Une analyse interne du Canon Pali a révélé des différences de genre mesurables dans la longueur des passages, les textes aphoristiques comme le Dhammapada mesurant en moyenne 31 caractères par segment contre 74 caractères pour les collections plus discursives comme l' Udana.
• Résultats du Graphe de Concepts :
  • Le pipeline d'extraction a réussi à identifier des modèles de désaccord inter-écoles. La paire la plus contestée, atman et brahman, a montré l'Advaita affirmant l'identité (IS_IDENTICAL_TO) tandis que le Vishishtadvaita et le Dvaita affirmaient la distinction (IS_DISTINCT_FROM), fondées sur des passages de preuves différents.
  • Une seconde paire contestée, atman et jiva, a montré l'Advaita affirmant la distinction tandis que d'autres écoles affirmaient l'identité, reflétant les traitements doctrinaux standards du soi empiriquement conditionné.
• Limites et Modes de Défaillance :
  • Environ 70 % des arêtes extraites portaient une attribution d'école générale plutôt que spécifique, attribuée aux limitations du modèle plutôt qu'à l'ambiguïté de la source.
  • Le type de relation IS_QUALIFIED_ASPECT_OF était significativement surreprésenté, suggérant que le modèle revenait par défaut à ce label en cas d'incertitude.
  • Une méthode basée sur les embeddings, sans extraction, utilisée pour corroborer les résultats, a produit des résultats en tension directe avec les découvertes de l'LLM pour la paire atman-brahman, soulignant une limite des embeddings de phrases au niveau thématique pour capturer l'accord propositionnel philosophique.

Signification et Revendications
Le papier positionne la structure d'alignement du corpus — reliant le même matériel source à dix-huit commentateurs distincts répartis sur cinq écoles — comme sa contribution primaire et la plus défendable, notant qu'une telle structure n'est disponible ailleurs qu'à cette échelle.

Les auteurs présentent explicitement l'analyse stylométrique comme un point de départ transparent et reproductible pour la lecture philologique plutôt que comme une théorie de la stratégie rhétorique validée. De même, l'extraction du graphe de connaissances est présentée comme « véritablement utile mais explicitement moins mature », avec un compte rendu candide de ses modes de défaillance. La signification de ce travail réside dans :

1. La fourniture d'une ressource permettant la comparaison computationnelle directe de traditions interprétatives indépendantes.
2. La démonstration d'un pipeline d'LLM contraint qui échange le rappel contre l'auditabilité dans l'analyse de textes historiques.
3. L'offre d'une étude de cas documentée sur les difficultés pratiques de la construction et de l'évaluation honnête de l'extraction de connaissances assistée par LLM à partir de traditions textuelles multiperspectives.

Les auteurs publient l'intégralité du corpus, le graple de relations extrait et tout le code de construction, invitant à de nouveaux travaux sur l'évaluation de la précision formelle et l'expansion du corpus pour combler les lacunes identifiées en matière de couverture des écoles et de distinction des sous-traditions.