Artificial Intelligence for Sentiment Analysis of Persian Poetry

Questo studio dimostra che i modelli linguistici avanzati, in particolare GPT-4o, possono analizzare efficacemente la poesia persiana di Rumi e Parvin E'tesami, rivelando che le opere di Rumi esprimono sentimenti più felici e utilizzano una maggiore varietà di metri rispetto a quelle di Parvin, offrendo così un approccio oggettivo e privo di bias agli studi semantici computazionali.

L'essenziale

Ecco una spiegazione semplice e creativa di questo studio, pensata per chiunque voglia capire di cosa parla senza dover essere un esperto di intelligenza artificiale o di poesia persiana.

Immagina di avere due grandi biblioteche antiche piene di poesie scritte in una lingua bellissima ma complessa: il persiano. Una biblioteca contiene le opere di Rumi, un mistico del XIII secolo, e l'altra quelle di Parvin E'tesami, una poetessa moderna del XX secolo.

Il problema? Leggere e capire le emozioni in queste poesie è come cercare di indovinare il sapore di un piatto segreto solo guardando la lista degli ingredienti: è difficile, soggettivo e richiede un'esperienza umana profonda.

Gli autori di questo studio hanno chiesto a dei "robot lettori" (l'Intelligenza Artificiale) di provare a fare questo lavoro. Ecco come hanno proceduto, spiegato con delle metafore:

1. I Robot Lettori (I Modelli AI)

Gli scienziati hanno messo alla prova quattro diversi "robot" con capacità di lettura diverse:

• Due robot "analisti" (BERT): Sono come studenti molto bravi che hanno letto milioni di testi per capire le parole, ma non sono creativi. Uno di questi (Pars-BERT) aveva studiato specificamente il persiano moderno (come i commenti su Facebook o le recensioni di ristoranti).
• Due robot "creatori" (GPT-4o e GPT-4o-mini): Questi sono come geni poliedrici che hanno letto quasi tutto internet. Non solo capiscono le parole, ma possono anche "immaginare" il contesto e le sfumature, proprio come un umano.

2. La Sfida: Assegnare un Voto alle Emozioni

Hanno chiesto a questi robot di leggere le poesie e dare un voto da 1 a 5:

• 1: Poesia molto triste.
• 3: Poesia neutra.
• 5: Poesia molto felice ed energica.

Per essere sicuri che i robot non stessero inventando cose, hanno anche chiesto a 4 esperti umani (due studiosi di letteratura e due appassionati) di fare lo stesso lavoro. Poi hanno confrontato i voti dei robot con quelli degli umani per vedere chi era più preciso.

3. Cosa è Emerso? (Le Scoperte)

A. Chi ha vinto la gara?
I robot "creatori" (GPT-4o) sono stati i migliori. Hanno capito le emozioni di Rumi e Parvin molto meglio degli "analisti" (BERT).

• La sorpresa: Il robot che aveva studiato il persiano moderno (Pars-BERT) è andato peggio di quello generico! È come se un cuoco specializzato in pizza moderna avesse fallito nel giudicare un piatto medievale complesso. Il motivo? Le poesie antiche usano un linguaggio vecchio e metafore che i robot moderni non avevano mai visto nei loro libri di testo digitali.

B. Rumi vs. Parvin: Chi è più felice?
Indipendentemente dal robot usato, tutti hanno concordato su un punto: Rumi è molto più felice di Parvin.

• Le poesie di Rumi tendono a essere più allegre, energetiche e spirituali.
• Le poesie di Parvin, invece, tendono ad essere più malinconiche o serie.
  È come se Rumi avesse scritto canzoni da ballare al sole, mentre Parvin avesse scritto canzoni per una pioggia d'autunno.

C. La Magia del Ritmo (I "Meters")
In poesia persiana, il ritmo (chiamato Vazn) è fondamentale. Gli scienziati hanno scoperto che:

• Rumi è un maestro del ritmo: usa lo stesso ritmo per esprimere emozioni diverse (a volte triste, a volte felice). È come un musicista che usa la stessa chitarra per suonare jazz, blues e rock.
• Parvin usa i ritmi in modo più costante e prevedibile.
  L'AI ha calcolato una sorta di "indice di diversità" (chiamato Entropia) e ha confermato che Rumi è molto più vario e creativo nell'uso dei ritmi per cambiare l'umore della poesia.

4. Perché è Importante?

Fino a poco tempo fa, per analizzare queste poesie servivano decenni di studio umano. Oggi, l'Intelligenza Artificiale può fare un'analisi rapida e su larga scala.

• Il limite: I robot non sono perfetti. A volte sbagliano il voto esatto (dicono che una poesia è "abbastanza felice" quando è "molto felice"), ma riescono a capire se è positiva o negativa.
• Il futuro: Questo studio ci dice che l'AI può essere un ottimo assistente per gli studiosi di letteratura, aiutandoli a vedere modelli e connessioni che l'occhio umano potrebbe perdere, specialmente in lingue antiche e complesse.

In sintesi:
Gli scienziati hanno usato l'Intelligenza Artificiale come una "lente magica" per guardare dentro le poesie persiane. Hanno scoperto che i robot più avanzati riescono a capire che Rumi è un poeta di gioia e varietà ritmica, mentre Parvin è più malinconica. Anche se i robot non sono ancora perfetti come gli umani, stanno aprendo una nuova porta per capire la letteratura antica senza bisogno di traduttori umani per ogni singola riga.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del documento "Artificial Intelligence for Sentiment Analysis of Persian Poetry", redatto in italiano.

Titolo: Analisi del Sentiment della Poesia Persiana tramite Intelligenza Artificiale

1. Problema e Contesto

L'analisi automatica della letteratura, e in particolare della poesia, rappresenta una sfida significativa per l'Intelligenza Artificiale (IA) a causa della complessità linguistica intrinseca, dell'uso di metafore, ambiguità e strutture metriche sofisticate. Sebbene i modelli linguistici moderni (LLM) abbiano fatto passi da gigante nell'analisi del testo, la loro applicazione alla poesia classica persiana è stata finora limitata.
Lo studio affronta due obiettivi principali:

1. Valutare la capacità dei moderni modelli linguistici (LLM) di comprendere e analizzare le complessità della poesia persiana classica.
2. Esplorare le correlazioni tra il sentiment (tono emotivo) dei versi e la loro struttura metrica (vazn), confrontando due poeti prominenti ma stilisticamente diversi: Jalāl al-Dīn Muḥammad Rūmī (Rumi, XIII secolo) e Parvin E'tesami (XX secolo).

2. Metodologia

La ricerca ha adottato un approccio computazionale rigoroso basato su dati e modelli avanzati:

• Dataset:

  • I testi provengono dal repository online Ganjoor.
  • Opere analizzate: Divan-i Shams di Rumi (ricco di oltre 50 metri, inclusi 13 inventati da Rumi) e Divan-i Ashaar di Parvin E'tesami.
  • I dati includono titolo, versi e il corrispondente metro poetico.

• Preprocessing:

  • I versi di ogni poesia sono stati concatenati in un unico documento e tokenizzati.
  • Per i modelli con limiti di lunghezza di input, le poesie più lunghe sono state suddivise in blocchi sequenziali; i punteggi di sentiment sono stati poi mediati per ottenere un punteggio globale.

• Modelli di Linguaggio Utilizzati:
  Sono stati impiegati quattro modelli basati su Transformer in modalità zero-shot (senza addestramento specifico sul dominio poetico):

  1. BERT Multilingual Uncased: Modello generico pre-addestrato su 102 lingue.
  2. Pars-BERT: Una versione di BERT monolingua e specificamente fine-tuned su dataset persiani moderni (Wikipedia persiana, commenti e-commerce, ecc.).
  3. GPT-4o-mini: Versione più leggera e veloce di GPT-4o.
  4. GPT-4o: Il modello multimodale più avanzato di OpenAI, con una finestra di contesto di 128.000 token.

• Sistema di Valutazione del Sentiment:

  • Scala numerica da 1 a 5 (1 = molto triste/negativo, 5 = molto felice/positivo, 3 = neutro).
  • Ground Truth (Verità di Riferimento): Per validare i modelli, 100 poesie di Rumi sono state valutate da 2 studiosi di umanistica e 2 annotatori con conoscenze letterarie generali.
  • Aggregazione: È stato confrontato il consenso umano utilizzando quattro strategie (Media, Mediana, Moda, Modello Dawid-Skene). La Media ha mostrato la migliore coerenza (QWK medio ~0.78) ed è stata adottata come Ground Truth.
  • Metriche di Valutazione: Coerenza (Fleiss' Kappa), Accuratezza Assoluta e Quadratic Weighted Kappa (QWK) rispetto al Ground Truth.

• Analisi Statistica Avanzata:

  • Calcolo dell'Entropia per misurare la diversità dei sentimenti espressi all'interno di uno specifico metro.
  • Analisi di Deviazione Standard e Polarizzazione per valutare la variabilità emotiva complessiva.

3. Risultati Chiave

• Performance dei Modelli:

  • GPT-4o si è rivelato il modello superiore, ottenendo un QWK di 0.60 rispetto al Ground Truth umano, dimostrando una correlazione significativa con l'interpretazione umana.
  • I modelli basati su BERT (Multilingual e Pars-BERT) hanno fallito nel catturare le sfumature, con QWK vicini a zero (0.0006 e 0.0467).
  • Sorprendentemente, Pars-BERT ha performato peggio del BERT Multilingual. Questo è attribuito allo "spostamento di dominio" (domain shift): il fine-tuning su testi persiani moderni (social media, e-commerce) ha compromesso la capacità del modello di generalizzare sulla struttura linguistica arcaica e metaforica di Rumi.
  • Sebbene l'accuratezza esatta nel punteggio numerico fosse bassa (~33% per GPT-4o), questo è considerato accettabile data la soggettività intrinseca del compito (anche gli umani hanno un'accuratezza esatta del 47-61%). I modelli GPT hanno mostrato ottima capacità nel rilevare la polarità direzionale (positivo vs negativo).

• Confronto tra Poeti:

  • Rumi vs. Parvin E'tesami: Indipendentemente dal modello utilizzato, le poesie di Rumi sono state classificate sistematicamente con un sentiment più felice rispetto a quelle di Parvin E'tesami.
  • Parvin E'tesami: La maggior parte delle sue poesie ha un sentiment medio inferiore a 3 (tendente alla tristezza) e una minore variabilità emotiva.
  • Rumi: Le sue poesie mostrano una deviazione standard del sentiment significativamente più alta, indicando una gamma emotiva molto più ampia e variegata.

• Correlazione tra Metrica e Sentiment:

  • Entropia: Rumi ha mostrato un'entropia di utilizzo dei metri significativamente più alta (fino a 2.25, vicino al massimo teorico) rispetto a Parvin (1.75). Questo conferma che Rumi utilizza gli stessi metri per esprimere una vasta gamma di emozioni, mentre Parvin tende a usare i metri in modo più coerente e monotono emotivamente.
  • Metrice Specifiche: Alcuni metri di Rumi (es. R24, R34) sono associati a un'alta percentuale di poesie felici (>60%), coerentemente con la funzione spirituale e comunitaria della sua poesia (Sufismo).

4. Contributi Principali

1. Validazione degli LLM nella Digital Humanities: Dimostra che i modelli generativi su larga scala (come GPT-4o) possono essere utilizzati efficacemente per studi semantici su testi poetici complessi e non inglesi, riducendo la necessità di interpretazioni umane dirette su larga scala.
2. Analisi Quantitativa della Metrica Persiana: Fornisce la prima analisi computazionale su larga scala che correla sistematicamente i metri poetici persiani con il sentiment emotivo, confermando intuizioni letterarie tradizionali (es. la natura gioiosa e ritmica di Rumi) attraverso dati oggettivi.
3. Avvertenza sul Fine-tuning: Evidenzia un rischio critico nell'uso di modelli fine-tuned su dati moderni per analizzare testi classici: l'addestramento su corpora contemporanei può degradare le prestazioni su testi arcaici a causa delle differenze strutturali e lessicali.

5. Significato e Conclusioni

Lo studio segna un punto di svolta nell'analisi della poesia persiana, dimostrando la fattibilità di condurre analisi concettuali e statistiche automatizzate senza intervento umano diretto. Sebbene i modelli attuali non siano ancora perfetti nel replicare la gradazione fine dell'intensità emotiva umana (a causa della complessità delle metafore antiche e della mancanza di dati di addestramento specifici), sono strumenti potenti per la classificazione macroscopica del sentiment.

Le conclusioni sottolineano che:

• Rumi utilizza i metri in modo più versatile ed espressivo rispetto a Parvin E'tesami.
• L'IA può validare ipotesi letterarie storiche (come la natura spirituale ed energica della poesia di Rumi) attraverso l'analisi dei dati.
• Il futuro della ricerca in questo campo richiede lo sviluppo di modelli linguistici specifici per le lingue classiche e la letteratura antica per superare i limiti attuali imposti dai corpora di addestramento moderni.