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

技術要約：ダルシャナ・グラフ（Darshana Graph）

問題提起
古典的なインド哲学は、同一の基礎的テキストを解釈する異なる伝統（ヒンドゥー、仏教、ジャイナ教）の間で数世紀にわたって繰り広げられた論争によって根本的に特徴付けられる。しかし、既存のデジタル・リソースは、この比較的な側面を捉えきれていない。利用可能なデータセットの多くは、単一の視点による単一の翻訳を提示しているか、あるいは複数のテキストを集約してはいるものの、異なる注釈者が同じ根源的な節やスートラをどのように解釈しているかを直接比較できるように構造化されていない。その結果、機械可読なリソースには、諸学派間の解釈の相違を研究するために必要な構造的な整合性が欠如している。

手法
著者らは、パブリックドメインおよびオープンライセンスのソースからのみ抽出された125,000件以上のテキスト・レコードからなるコーパス、**ダルシャナ・グラフ（Darshana Graph）**を構築した。このコーパスはパーリ・カノン（114,591件のレコード）が支配的であるが、構造的にユニークなサブセットとして、約8,500件のヒンドゥーおよびジャイナ教のレコードを含んでいる。

• コーパス構築： コアとなる革新は、アライメント・スキーマである。単一のレコードは、一つの根源的な節またはスートラ（例：『ブラフマ・スートラ』1.1.1）を表し、異なる学派からの複数の注釈（例：アドヴァイタ、ヴィシシュト・アドヴァイタ、ドヴァイタ）に対応する並行フィールドを含んでいる。著者らは、構築過程における重大なデータ品質の問題、具体的には、内部カウンターをリセットしてしまうスクレイピング関数によって引き起こされた識別子の衝突に対処し、サイレントなデータ消失を防ぐために、グローバルに一意な識別子を再生成する必要があった。
• 文体論的分析（Stylometric Analysis）： 最初の分析では、純粋に統計的な非機械学習的手法を用いて、論証スタイルを比較している。著者らは5つの指標を算出した：平均的な一節の長さ、一文あたりの単語数、語彙の多様性、明示的な経典引用を含む一節の割合、および明示的な反駁マーカーを含む一節の割合である。これらのマーカーは、単純かつ手動で定義された正規表現を介して特定された。
• 知識グラフ抽出： 第二の分析では、制約付きの大規模言語モデル（LLM）パイプライン（Llama 3.1 8B）を利用して、型付けされた哲学的関係を抽出している。監査可能性を確保するため、モデルは13種類の関係タイプと特定の学派ラベルからなる閉じた事前定義済みの語彙に制限されている。生成された出力がこの語彙から外れる場合は、構文的に有効であるかに関わらず、生成後に機械的に破棄される。このアプローチは、再現率（Recall）よりも監査可能性を優先している。

主な結果

• 文体論的パターン：
  • 引用 vs 反駁： 経典の引用密度と明示的な反駁率の間には、中程度の負の相関が観察された。蓄積されたテキストによる証明（例：マドヴァ）に大きく依存する者は、対立する立場を明示的に名指しして反駁することにあまり労力を割かない傾向があったが、引用率が低い者（例：ニムバルカ、シュリニヴァサ）は、より高い反駁率を示した。
  • 世代的傾向： 特定の教義的系譜内において、約6世紀にわたる3人の人物（マドヴァ、ニムバルカ、シュリニヴァサ）の間で、反駁率の著しい上昇が観察された。著者らはこれを、統計的に検証された傾向というよりも、専門家による検討に値するパターンとして述べており、シュリニヴァサの注釈書という特定のジャンルによる混同因子を挙げている。
  • パーリ・カノンの構造： パーリ・カノンの内部分析により、一節の長さにおけるジャンルレベルの差異が明らかになった。例えば、『ダンマパダ』のような警句的なテキストはセグメントあたり平均31文字であったのに対し、より散文的なコレクションである『ウダーナ』は74文字であった。
• コンセプト・グラフの知見：
  • 抽出パイプラインは、学派を横断する意見の相違パターンを特定することに成功した。最も論争となったペアである「アートマン（atman）」と「ブラフマン（brahman）」では、アドヴァイタが同一性（IS_IDENTICAL_TO）を主張した一方で、ヴィシシュト・アドヴァイタとドヴァイタは、異なる証拠の節に基づき、別個性（IS_DISTINCT_FROM）を主張した。
  • 第二の論争ペアである「アートマン」と「ジーヴァ（jiva）」では、アドヴァイタが別個性を主張した一方で、他の学派は同一性を主張しており、これは経験的に条件付けられた自己に関する標準的な教義的扱いを反映している。
• 限界と失敗モード：
  • 抽出されたエッジの約70%が、ソースの曖昧さではなくモデルの限界に起因して、特定の学派属性を持たない一般的な属性を持っていた。
  • 関係タイプである IS_QUALIFIED_ASPECT_OF が著しく過剰に表現されており、これはモデルが確信が持てない場合にこのラベルをデフォルトとして使用したことを示唆している。
  • 知見を裏付けるために使用された、抽出を行わない埋め込みベースの手法は、「アートマン－ブラフマン」のペアにおいてLLMの知見と直接的な矛盾を示す結果を出しており、これはトピックレベルの文章埋め込みが命題的な哲学的合意を捉えることにおける限界を浮き彫りにした。

意義と主張
本論文は、コーパスのアライメント構造（同一のソース資料を5つの学派、18の異なる注釈者に結びつける構造）を、この規模では他に類を見ない主要かつ最も防御可能な貢献として位置づけている。

著者らは、文体論的分析を、弁論戦略の検証された理論としてではなく、文献学的読解のための透明かつ再現可能な出発点として明確に枠付けている。同様に、知識グラフの抽出については、「真に有用ではあるが、明らかに未熟である」と述べており、その失敗モードについても率直に記述している。本研究の意義は、以下の点にある：

1. 独立した解釈の伝統を直接的に計算論的に比較することを可能にするリソースを提供すること。
2. 歴史的なテキスト分析において、再現率よりも監査可能性をトレードオフとする、制約付きLLMパイプラインを実証すること。
3. 多角的な視点を持つテキストの記述から、LLMを用いた知識抽出を行う際の実際的な困難についての、文書化されたケーススタディを提供すること。

著者らは、フルコーパス、抽出された関係グラフ、およびすべての構築コードを公開しており、厳密な精度評価へのさらなる取り組みや、学派のカバー範囲や亜派の区別に関する特定されたギャップに対処するためのコーパスの拡張を呼びかけている。