Sintesi Tecnica: Classificazione Automatica della Letteratura Araba in Epoche Storiche

Definizione del Problema

La lingua araba ha subito significative trasformazioni semantiche e lessicali nel corso dei suoi circa 1.500 anni di storia, caratterizzate dall'emergere di un nuovo vocabolario, dall'obsolescenza di termini più antichi e da cambiamenti nell'uso. Sebbene gli storici e i linguisti abbiano tradizionalmente suddiviso la letteratura araba in epoche distinte (ad es. pre-islamica, islamica, abbaside, ottomana, moderna), si riscontra una nota mancanza di ricerca riguardante la classificazione automatica dei testi arabi per periodo temporale, in particolare al di fuori del dominio della poesia. I compiti esistenti di classificazione del testo in arabo si concentrano spesso sul sentimento o sull'argomento, lasciando in gran parte inesplorata la periodizzazione temporale. Inoltre, i confini tra le epoche letterarie sono spesso oggetto di dibattito, sovrapposti e non definiti in modo netto, rendendo l'assegnazione di un testo a uno specifico periodo storico una sfida complessa per i modelli di machine learning.

Metodologia

Lo studio impiega tecniche di reti neurali e deep learning per classificare automaticamente i testi arabi in epoche storiche. La ricerca utilizza due corpora pubblicamente disponibili:

1. OpenITI: Un corpus su larga scala di prosa letteraria araba (circa 1,5 miliardi di parole) che copre testi religiosi e letterari di vari autori.
2. APCD (Arabic Poem Comprehensive Dataset): Un dataset contenente circa 1,8 milioni di versi di 3.701 poeti distribuiti in 12 epoche distinte.

Progettazione Sperimentale

Gli esperimenti sono stati condotti sotto due protocolli distinti per valutare l'impatto dello stile autoriale:

• Author-Disjoint (Autore Disgiunto): Gli autori nel set di valutazione sono assenti dal set di addestramento, costringendo il modello a imparare segnali stilometrici a livello di periodo piuttosto che stili specifici dell'autore.
• Merged-Author (Autore Fuso): Gli autori compaiono sia nei set di addestramento che di valutazione, permettendo al modello di sfruttare lo stile autoriale come caratteristica.

Configurazioni di Classe

Lo studio ha valutato varie granularità di classificazione:

• Binaria: Classico vs Moderno.
• Epoche Storiche Predefinite: Basate sugli schemi di Daif (1982), Al-Fakhoury (1951) e Ghoniem (2017), che variano da 3 a 5 epoche.
• Periodizzazioni Personalizzate: Intervalli di tempo fissi di 300, 200 e 100 anni (risultando in 5, 8 e 15 classi).

Modelli e Pre-elaborazione

• Modelli: Le architetture primarie testate sono state le Reti Neurali Artificiali (ANN) Fully Connected Feed-Forward e le Reti Neurali Ricorrenti (RNN), utilizzando specificamente LSTM, GRU e BiGRU (Bidirectional GRU). Le Reti Neurali Convoluzionali (CNN) e la Regressione Logistica hanno servito come baseline.
• Tokenizzazione: Sono state esplorate sia la tokenizzazione a livello di parola che a livello di carattere per le RNN.
• Pre-elaborazione: Le fasi hanno incluso la pulizia dei dati (rimozione di HTML, cifre non arabe), la normalizzazione (rimozione di diacritici e Kashida) e la rimozione delle stop-word. La lemmatizzazione (utilizzando Farasa) è stata applicata selettivamente, in particolare per i dataset poetici, per ridurre la dimensione del vocabolario e mitigare l'overfitting.
• Valutazione: Le prestazioni sono state misurate utilizzando Accuratezza, Precisione, Recall e F1-score medio macro. La significatività statistica è stata valutata tramite il test della differenza tra due proporzioni.

Contributi Chiave

1. Esplorazione Sistematica: Questo è il primo studio a investigare sistematicamente la classificazione automatica dei testi letterari arabi (sia prosa che poesia) in distinte epoche storiche.
2. Analisi di Dual Dataset: Il lavoro valuta i modelli su due corpora diversi e pubblicamente disponibili (OpenITI per la prosa, APCD per la poesia) che coprono lo spettro dall'era pre-islamica a quella moderna.
3. Impatto dello Stile Autoriale: Lo studio isola esplicitamente l'effetto dello stile autoriale confrontando i protocolli sperimentali author-disjoint e merged-author.
4. Confronto della Granularità: Esamina le prestazioni di classificazione attraverso vari livelli di risoluzione temporale, dalla classificazione binaria alle configurazioni a 15 epoche più fini, e confronta le epoche storiche predefinite con i bin temporali personalizzati.
5. Valutazione dei Modelli: Fornisce un'analisi comparativa di ANN e RNN (livello parola e carattere) per questo specifico compito temporale in arabo.

Risultati

Lo studio riporta i seguenti risultati chiave:

• Fattibilità: La classificazione automatica delle epoche è fattibile ma impegnativa. I modelli hanno costantemente superato l'indovinare casuale, sebbene le prestazioni siano variate significativamente in base al numero di classi e al dataset.
• Prestazioni dei Modelli:
  • Le ANN hanno generalmente superato le RNN nella maggior parte delle configurazioni multi-classe su entrambi i dataset.
  • Le RNN (specificamente a livello di parola) hanno ottenuto prestazioni competitive nella classificazione binaria, raggiungendo risultati comparabili o superiori alle precedenti baseline basate su CNN (Orabi et al., 2020) sui dati poetici.
• Specifiche del Dataset:
  • OpenITI (Prosa): La classificazione binaria ha raggiunto un F1-score di 0,67 (author-disjoint) e 0,83 (merged). Le prestazioni sono diminuite significativamente all'aumentare del numero di classi (ad es. F1 a 15 classi ≈ 0,20). L'era Abbaside è stata la più facilmente identificabile, mentre le ere Islamica e Moderna sono state le più difficili.
  • APCD (Poesia): La classificazione binaria ha raggiunto un F1-score di 0,78 (author-disjoint) e 0,79 (merged). La lemmatizzazione ha fornito un netto incremento per la classificazione poetica. La configurazione a 12 epoche ha prodotto prestazioni inferiori (F1 ≈ 0,18–0,25), indicando la difficoltà della distinzione fine.
• Influenza Autoriale: La fusione degli autori tra i set ha generalmente migliorato le prestazioni per la prosa (OpenITI), suggerendo che lo stile autoriale è un forte predittore dell'epoca. Tuttavia, per la poesia (APCD), la fusione degli autori ha avuto scarso effetto, implicando che lo stile poetico è meno dipendente dall'identità specifica dell'autore in questo contesto o che i modelli si affidano maggiormente a caratteristiche specifiche del periodo.
• Pre-elaborazione: La rimozione delle stop words non ha migliorato le prestazioni; mantenerle ha prodotto risultati migliori. La lemmatizzazione ha migliorato i risultati per il dataset poetico ma è stata meno critica per la prosa.
• Modelli di Confusione: Le misclassificazioni si sono verificate prevalentemente tra epoche consecutive (ad es. Islamica vs Abbaside, Ottomana vs Moderna), supportando l'ipotesi che l'evoluzione letteraria sia un continuum con confini porosi piuttosto che una sequenza di passi discreti. La fusione di epoche adiacenti ha aumentato significativamente l'accuratezza (ad es. l'accuratezza di OpenITI è salita dal 43,6% al 76,6% quando le epoche sono state fuse).

Significato e Rivendicazioni

Il documento afferma con modestia che, sebbene la classificazione automatica della letteratura araba nelle epoche storiche sia difficile a causa della natura graduale del cambiamento linguistico e dei confini sovrapposti, è un compito praticabile per il machine learning.

• Continuum Letterario: I risultati suggeriscono che la storia letteraria araba è meglio modellata come un continuum. Gli alti tassi di confusione tra epoche adiacenti indicano che i confini temporali netti sono costrutzioni artificiali che non sempre si allineano con la realtà linguistica.
• Utilità: La classificazione automatica può aiutare a organizzare i dati letterari, tracciare il cambiamento della lingua e autenticare opere attribuite a specifiche epoche. Facilita l'analisi su larga scala di tendenze, temi ed elementi stilistici attraverso il tempo.
• Direzioni Future: Gli autori suggeriscono che il lavoro futuro potrebbe coinvolgere il miglioramento della lemmatizzazione per l'arabo classico, la valutazione di transformer pre-addestrati (ad es. AraBERT, MARBERT) tenendo conto del bias temporale, e l'integrazione di conoscenze esterne come il Named Entity Recognition (NER) per collegare il testo a risorse biografiche. Propongono inoltre di investigare l'impatto della rilevazione della riutilizzazione del testo (rimozione di passaggi boilerplate) sulle prestazioni di classificazione.