BhaRaTa: A Novel Framework for Emotion Analysis of Sanskrit Narratives

Imaginez que vous soyez un détective essayant de comprendre l'ambiance d'une pièce simplement en écoutant les gens qui parlent à l'intérieur. Dans le monde de l'informatique, cela s'appelle l'« analyse des émotions ». Habituellement, les ordinateurs sont plutôt doués pour repérer les bases : quelqu'un est-il heureux ou triste ? Un avis est-il positif ou négatif ? Mais la vie réelle, et surtout les grandes histoires, est bien plus complexe qu'un simple « pouce levé » ou « pouce baissé ». Les humains ressentent un mélange vertigineux de sentiments à la fois — comme être excité mais aussi un peu nerveux, ou en colère mais aussi fier.

Pendant longtemps, les ordinateurs ont essayé de comprendre ces sentiments complexes en utilisant des cartes psychologiques occidentales, qui classent les émotions dans des catégories telles que la « joie », la « peur » ou la « colère ». Mais et s'il existait une carte totalement différente ? Une carte dessinée il y a des milliers d'années dans l'Inde ancienne ? Ce document plonge dans un recoin de la science appelé le Traitement du Langage Naturel (NLP), où les chercheurs apprennent aux ordinateurs à lire et à comprendre le langage humain. La grande question est la suivante : pouvons-nous apprendre à un ordinateur à comprendre les émotions profondes et nuancées des récits sanskrits anciens en utilisant une théorie indienne ancienne appelée Rasa ? Cette théorie suggère que les histoires ne sont pas seulement ce qui se passe, mais qu'elles sont le résultat d'une « saveur » ou d'une expérience esthétique spécifique qu'elles créent dans l'esprit du lecteur, construite à partir de minuscules indices émotionnels. Si nous pouvons percer ce code, cela pourrait aider les ordinateurs à comprendre la littérature de manière plus humaine, en respectant l'histoire culturelle unique de la façon dont les histoires sont racontées.

---

La recette ancienne de l'émotion : BhaRaTa

Rencontrez l'équipe derrière BhaRaTa (qui signifie Bhāva & Rasa Tagging). Il s'agit d'un groupe de chercheurs de l'IIIT-Hyderabad qui a décidé de s'attaquer à un puzzle très spécifique et très difficile : comment enseigner à un ordinateur à comprendre les émotions dans les pièces de théâtre sanskrites ?

Le sanskrit est une langue ancienne, comme un fossile linguistique. Elle est magnifique, mais elle est aussi rare dans le monde numérique. Il n'existe pas des millions de tweets ou de publications Reddit en sanskrit pour que les ordinateurs puissent apprendre. De plus, les pièces elles-mêmes sont complexes. Elles ne sont pas seulement composées de dialogues ; elles sont un mélange de poésie et de prose, remplies d'actions physiques, de chuchotements et de pauses dramatiques. Les chercheurs savaient que s'ils utilisaient les outils d'émotion « occidentaux » standards (qui recherchent des mots simples comme « heureux » ou « triste »), ils passeraient à côté de la magie. Ils ont donc construit un nouveau cadre basé sur le Nāṭyaśāstra, un ancien traité sur le drame qui agit comme un livre de recettes pour créer des expériences émotionnelles.

Les ingrédients : Bhāva et Rasa

Pour comprendre leur expérience, vous devez comprendre leurs ingrédients. Les chercheurs ont utilisé deux concepts principaux du texte ancien :

1. Bhāva (Les ingrédients) : Considérez-les comme les états émotionnels bruts. Dans une pièce, un personnage peut ressentir de la nostalgie, de la peur, de la joie ou de la détermination. Ce sont les sentiments spécifiques, de moment en moment. Les chercheurs ont identifié 31 de ces « saveurs » à étiqueter dans le texte.
2. Rasa (Le plat fini) : C'est la vue d'ensemble. Lorsque vous mélangez tous ces petits bhāvas d'une certaine manière, ils créent une humeur dominante ou une expérience esthétique pour toute la scène, appelée Rasa. C'est comme la façon dont le mélange de farine, de sucre et d'œufs crée un gâteau. On ne goûte plus seulement la « farine », on goûte le « gâteau ». Dans le drame sanskrit, une scène peut être dominée par le Romantisme, l'Héroïsme, l'Horreur ou la Comédie.

L'objectif de l'équipe était de voir si un ordinateur pouvait apprendre à goûter le « gâteau » (l'humeur de la scène) en analysant les « ingrédients » (les lignes de dialogue individuelles).

L'expérience : Nourrir la machine

Les chercheurs ont rassemblé 18 pièces sanskrites célèbres, incluant des œuvres du légendaire dramaturge Kālidāsa. Ils ont nettoyé le texte (ce qui fut étonnamment difficile car les versions numériques anciennes contenaient des mots manquants et des fautes de frappe) et ont décomposé les pièces en 6 947 lignes de dialogue individuelles.

Ensuite, ils ont fait le travail difficile : ils ont manuellement étiqueté chaque ligne avec le bon bhāva (émotion) et chaque scène avec le bon sthāyībhāva (l'humeur dominante). Ils ont créé un outil web spécial pour les aider à faire cela, garantissant que deux personnes différentes étaient d'accord sur les étiquettes la plupart du temps. Cela a créé un tout nouveau jeu de données, un trésor de drames sanskrits annotés qui n'avait jamais existé auparavant.

Une fois les données prêtes, ils les ont jetées aux ordinateurs. Ils ont testé deux approches principales :

1. Le test ligne par ligne : L'ordinateur peut-il regarder une seule phrase et deviner l'émotion ? (ex : « Est-ce que cette ligne est de la 'Joie' ou de l' 'Anxiété' ? »)
2. Le test de la scène : L'ordinateur peut-il regarder une scène entière et deviner l'humeur globale ? (ex : « Cette scène est-elle 'Romantique' ou 'Héroïque' ? »)

Ils ont testé de nombreux types de cerveaux informatiques, des modèles mathématiques simples et anciens aux systèmes d'IA sophistiqués et modernes qui lisent comme des humains (appelés Transformers).

Les résultats : L'ancien style bat le nouveau style

C'est ici que l'histoire devient intéressante. Vous pourriez vous attendre à ce que les modèles d'IA modernes et super intelligents gagnent facilement. Après tout, ils sont entraînés sur des quantités massives de données. Mais dans ce cas, les modèles simples et anciens ont en fait mieux réussi.

Pourquoi ? Les chercheurs suggèrent que c'est parce que l'ensemble de données était trop petit pour les géants modèles d'IA. Les pièces sanskrites ne comptaient qu'environ 7 000 lignes. Pour une IA massive, c'est comme essayer d'apprendre à jouer du piano en écoutant seulement trois chansons. L'IA s'est emmêlée les pinceaux et a essayé de mémoriser des motifs qui ne fonctionnaient pas. Les modèles plus simples, en revanche, étaient comme un détective perspicace capable de repérer les « signes distinctifs » spécifiques dans les mots sanskrits — certaines phrases qui signifiaient toujours « colère » ou « joie » — sans être submergés.

Les chercheurs ont découvert que la meilleure façon de résoudre l'énigme était d'utiliser une approche hiérarchique. Au lieu de demander à l'ordinateur de deviner l'une des 32 émotions à la fois (ce qui revient à demander à un enfant de deviner une carte spécifique dans un jeu de 52 sans aucun indice), ils lui ont demandé de deviner d'abord la catégorie (Est-ce positif, négatif ou mixte ?) puis l'émotion spécifique. Cette méthode en « deux étapes » a bien mieux fonctionné, augmentant considérablement la précision.

Lorsqu'il s'agissait de deviner l'humeur de toute la scène, l'ordinateur a découvert que l'examen de la distribution des émotions était la clé. Si une scène contenait beaucoup de lignes de « Joie » et de « Nostalgie », l'ordinateur pouvait deviner correctement que la scène était « Romantique ». Curieusement, essayer de deviner l'humeur en lisant simplement le texte brut de la scène (sans compter les émotions d'abord) était plus difficile et moins précis. Il semble que pour ces pièces anciennes, le mélange de petites émotions est un indice plus fort que les mots bruts eux-mêmes.

Ce qui n'a pas fonctionné

Les chercheurs ont également essayé d'utiliser les modèles d'IA les plus récents et les plus puissants disponibles (les Large Language Models comme Llama 3.1). Ils ont essayé de demander à ces modèles de deviner les émotions directement. Les résultats ont été décevants. Les modèles ont très mal performé, se trompant souvent plus qu'ils ne réussissaient. Les chercheurs suggèrent que ces modèles d'IA à usage général ne sont pas encore prêts pour cette tâche spécifique ; ils ont besoin d'un entraînement plus approfondi sur le sanskrit avant de pouvoir comprendre les nuances subtiles de ces pièces anciennes.

La conclusion

Ce document ne prétend pas avoir résolu le mystère de l'émotion humaine. Il pose plutôt les fondations. Il montre que :

• Nous pouvons enseigner avec succès aux ordinateurs à comprendre les émotions indiennes anciennes en utilisant un cadre basé sur une théorie vieille de 2 000 ans.
• Pour les langues à faibles ressources comme le sanskrit, des modèles plus simples et plus intelligents fonctionnent souvent mieux que les IA massives gourmandes en données.
• Décomposer un problème complexe (deviner 32 émotions) en étapes plus petites (deviner la catégorie d'abord) rend l'ordinateur beaucoup plus précis.

Les chercheurs sont enthousiastes car ce n'est que le début. Ils espèrent utiliser ce cadre « BhaRaTa » pour analyser d'autres types de littérature sanskrite, comme les épopées et la poésie, et finalement appliquer ces idées à d'autres langues indiennes. Ils ont prouvé que la sagesse ancienne et la technologie moderne peuvent se mélanger pour créer quelque chose de nouveau, nous aidant à comprendre la profondeur émotionnelle d'histoilles qui ont survécu pendant des millénaires.