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

Sintesi Tecnica: Darshana Graph

Problematica
La filosofia classica indiana è fondamentalmente caratterizzata da secoli di argomentazioni tra tradizioni distinte (Indù, Buddista e Jainista) che interpretano gli stessi testi fondamentali. Tuttavia, le risorse digitali esistenti falliscono ampiamente nel catturare questa dimensione comparativa. La maggior parte dei dataset disponibili presenta traduzioni singole con un unico punto di vista, o aggrega testi multipli senza strutturarli per consentire il confronto diretto di come diversi commentatori interpretino lo stesso verso o sutra radice. Di conseguenza, le risorse leggibili dalle macchine mancano della struttura di allineamento necessaria per studiare la divergenza interpretativa tra le scuole.

Metodologia
Gli autori hanno costruito Darshana Graph, un corpus di oltre 125.000 record testuali tratti esclusivamente da fonti di pubblico dominio e con licenza aperta. Il corpus è dominato dal Canone Pali (114.591 record) ma include un sottoinsieme strutturalmente unico di circa 8.500 record Indù e Jainisti.

• Costruzione del Corpus: L'innovazione principale è lo schema di allineamento. Un singolo record rappresenta un verso o un sutra radice (ad es. Brahma Sutra 1.1.1) e contiene campi paralleli per molteplici commenti provenienti da diverse scuole (ad es. Advaita, Vishishtadvaita, Dvaita). Gli autori hanno affrontato significativi problemi di qualità dei dati durante la costruzione, specificamente collisioni di identificatori causate da funzioni di scraping che resettavano i contatori interni, il che ha richiesto la rigenerazione di identificatori globalmente univoci per prevenire la perdita silenziosa di dati.
• Analisi Stilometrica: La prima analisi impiega metodi puramente statistici, non basati su machine learning, per confrontare gli stili argomentativi. Gli autori hanno calcolato cinque metrici: lunghezza media dei passaggi, parole per frase, diversità del vocabolario, la proporzione di passaggi con citazioni scritturali esplicite e la proporzione con marcatori di confutazione espliciti. Tali marcatori sono stati identificati tramite semplici espressioni regolari definite manualmente.
• Estrazione di Knowledge Graph: La seconda analisi utilizza una pipeline di Large Language Model (LLM) vincolata (Llama 3.1 8B) per estrarre relazioni filosofiche tipizzate. Per garantire l'auditabilità, il modello è limitato a un vocabolario chiuso e predefinito di tredici tipi di relazione e specifiche etichette di scuola. Qualsiasi output che esca da questo vocabolario viene meccanicamente scartato post-generazione, indipendentemente dalla validità sintattica. Questo approccio privilegia l'auditabilità rispetto al richiamo (recall).

Risultati Chiave

• Modelli Stilometrici:
  • Citazione vs. Confutazione: È stata osservata una moderata correlazione negativa tra la densità di citazione scritturale e i tassi di confutazione esplicita tra i commentatori. Coloro che si affidano pesantemente alla prova testuale accumulata (ad es. Madhva) tendevano a dedicare meno sforzo alla confutazione esplicita di posizioni rivali, mentre coloro con tassi di citazione inferiori (ad es. Nimbarka, Srinivasa) esibivano tassi di confutazione più elevati.
  • Tendenze Generazionali: All'interno di una specifica linea dottrinale, è stato osservato un sorprendente aumento del tasso di confutazione attraverso tre figure che coprono circa sei secoli (Madhva al 2,0%, Nimbarka al 13,2% e Srinivasa al 42,0%). Gli autori annotano questo come un modello degno di attenzione specialistica piuttosto che un trend statisticamente validato, citando fattori di confondimento come il genere specifico del sub-commento di Srinivasa.
  • Struttura del Canone Pali: L'analisi interna del Canone Pali ha rivelato differenze di genere misurabili nella lunghezza dei passaggi, con testi aforistici come il Dhammapada che mediano 31 caratteri per segmento rispetto alle collezioni più discorsive come l' Udana a 74 caratteri.
• Risultati del Concept Graph:
  • La pipeline di estrazione ha identificato con successo schemi di disaccordo tra le scuole. La coppia più contestata, atman e brahman, ha visto l'Advaita affermare l'identità (IS_IDENTICAL_TO) mentre la Vishishtadvaita e la Dvaita affermavano la distinzione (IS_DISTINCT_FROM), basandosi su diversi passaggi di evidenza.
  • Una seconda coppia contestata, atman e jiva, ha visto l'Advaita affermare la distinzione mentre altre scuole affermavano l'identità, riflettendo i trattamenti dottrinali standard del sé empiricamente condizionato.
• Limitazioni e Modalità di Fallimento:
  • Circa il 70% degli archi estratti portava un'attribuzione di scuola generale piuttosto che specifica, attribuibile ai limiti del modello piuttosto che all'ambiguità della fonte.
  • Il tipo di relazione IS_QUALIFIED_ASPECT_OF era significativamente sovrarappresentato, suggerendo che il modello defaultasse a questa etichetta in caso di incertezza.
  • Un metodo basato su embedding, privo di estrazione, utilizzato per corroborare i risultati ha prodotto risultati in diretta tensione con i risultati dell'LLM per la coppia atman-brahman, evidenziando un limite degli embedding di frase a livello di argomento nel catturare l'accordo proposizionale filosofico.

Significatività e Rivendicazioni
Il saggio pone la struttura di allineamento del corpus — che collega lo stesso materiale sorgente a diciotto distinti commentatori appartenenti a cinque scuole — come il suo contributo primario e più difendibile, notando che tale struttura non è disponibile altrove a questa scala.

Gli autori inquadrano esplicitamente l'analisi stilometrica come un punto di partenza trasparente e riproducibile per la lettura filologica piuttosto che come una teoria della strategia retorica validata. Allo stesso modo, l'estrazione del knowledge graph è presentata come "genuinamente utile ma esplicitamente meno matura", con un resoconto onesto delle sue modalità di fallimento. La significatività del lavoro risiede nel:

1. Fornire una risorsa che permetta il confronto computazionale diretto di tradizioni interpretative indipendenti.
2. Dimostrare una pipeline di LLM vincolata che scambia il richiamo con l'auditabilità nell'analisi di testi storici.
3. Offrire un caso studio documentato sulle difficoltà pratiche della costruzione e della valutazione onesta dell'estrazione di conoscenza assistita da LLM da tradizioni testuali multiprospettiche.

Gli autori rilasciano l'intero corpus, il grafo delle relazioni estratte e tutto il codice di costruzione, invitando a ulteriori lavori sulla valutazione della precisione formale e sull'espansione del corpus per affrontare le lacune identificate nella copertura delle scuole e nella distinzione delle sottotradizioni.