A Word-Level Digital Reader of the Prasthanatrayi with Sankara's Bhasya: Corpus, Method, and an Open, Offline Reading Aid for the Advaita Vedanta Canon

技術要約：シャンカラのバーシャ（注釈）を伴うプラスタナトラーイーイの語彙レベル・デジタル・リーダー

問題提起
プラスタナトラーイー（主要な十のウパニシャッド、ブラフマスートラ、およびバガヴァッド・ギーター）と、それに付随するシャンカラのバーシャ（注釈）は、アドヴァイタ・ヴェーダーンタの基礎となるコーパスを構成している。しかし、これらのテキストを語彙レベルの粒度でアクセスすることは、専門外の学習者や学生にとって極めて困難である。古典サンスクリット語は、連続的な連声（サンドヒ／sandhi）や複雑な名詞複合（サマーサ／samāsa）を用いるため、語の境界や形態構造が不明瞭になる。ページ上の単一の表記単位が、複数の単語や隠れた語幹を表していることも少なくない。その結果、学習者は辞書を効果的に活用することができない。なぜなら、表面的な形態が辞書の見出し語（レマ）と一致しないことがほとんどだからである。バガヴァッド・ギーターのような特定のテキストについては語ごとに分割された版が存在するが、プラスタナトラーイー全体、特にシャンカラの膨大な散文による注釈に対して、一律の語彙レベルの分析装置は存在しない。

手法：ハイブリッド分析パイプライン
著者らは、一様に語彙分析されたデジタル版を生成するために設計された、再現可能なハイブリッド・パイプラインを提示する。プロセスは以下の5つの段階で構成される。

1. テキスト正規化： 共通のトークナイザーが、レンダリングの痕跡（ゼロ幅接合子、プライベート・ユース・グリフ）を除去し、分割された単語を再結合する。これはヴェーダ文字（例：アヌスヴァーラ）を保持し、オフライン抽出とブラウザ内トークナイゼーションが同一の文字クラスを使用することを保証する。
2. 決定的言語分析： AIを呼び出す前に、システムは以下の3つの権威あるリソースを優先順位に従って参照する。
   • 既知のコーパス： 注釈付きコーパスに見られる分割（約24万エントリー）が優先される。
   • 屈折レキシコン： 92万形態を持つレキシコン（Huet's Heritageエンジンから抽出）が、認識された表面形態に対して形態論的な読みを提供する。
   • ルールベース・エンジン： 未解決の形態を処理するためのフォールバックとしてのサンドヒ分割器。
3. LLM支援分析と敵対的検証： 決定的に解決できなかった形態（およびすべての本文中の単語）に対して、大規模言語モデル（LLM）が採用される。決定的な点は、LLMが検証ハーネス内で動作することである。
   • 本文（ルート・テキスト）： 二段階のプロトコルが用いられる。「検証（verify）」パスが分割と文法を提案し、別の「反駁（refute）」パスがエラーを見つけ出し修正を試みる。この敵対的チェックを生き残った分析のみが保持される。
   • 注釈（コンメンタリー）： 異なる表面形態がバッチ処理で分析される。
   • 整合性チェック： すべての提案された分割は、元の表面形態へと前方サンドヒによって再結合されることが機械的に検証される。
4. 集計と信頼度ラベル付け： 結果は、表面形態をキーとするグローバル辞書に統合される。各エントリーには、解決経路とLLMによる自己評価に基づき、信頼度ラベル（高、中、低）が割り当てられる。
5. 人間による専門家レビュー・ループ： 低信頼度の形態は、サンスクリット学者向けのワークリストとして書き出される。修正は永続的なオーバーレイ・ファイルに保存される。再構築のたびに、このオーバーレイが最後に再適用されることで、専門家の修正が永久的かつ累積的であり、将来の機械パイプラインによる再生成時にも失われないようにする。

システム・アーキテクチャと成果物
最終出力は、サーバーやネットワークへのアクセスを必要としない、自己完結型のオフラインHTMLファイルの一対である。

• ムーラ・リーダー（Mūla Reader）： 本文に対するクリック可能な分析。
• ディテール・リーダー（Detail Reader）： シャンカラの注釈のクリック可能な分析を含む、より広範なもの。
• 設計上の決定：
  • カーソルベースの解決： すべての単語をHTMLタグで囲む（ファイルサイズを肥大化させるため）のではなく、抽出フェーズと同一のトークナイザーを用いて、読取時にカーソル下の単語を解決する。
  • ルートB（表面分析）： 注釈については、各々の異なる表面形態が一度だけ分析され、グローバル辞書（95,587の異なる形態）に格納される。これにより内部の一貫性が確保され計算負荷が軽減されるが、同形異義語に対する局所的な文脈による曖昧性解消は犠牲となる。本文については、詩の文脈を保持するために出現ごとに分析される。

主な貢献

1. コーパス・リソース： シャンカラのバーシャを伴う、完全なプラスタナトラーイーの、一様に分析されたデジタル版。これは2,971の節／スートラ／セクション、および36,881の本文中の単語出現をカバーしている。
2. 発見ツール（レマ索引コンコーダンス）： すべての単語がレマ・タグ付けされているため、リーダーはコンコーダンスとして機能する。ユーザーは辞書の見出し語（例：ātman）を検索することで、本文と注釈の両方にわたる、屈折、サンドヒによる隠蔽、および複合語内部のすべての出現箇所を検索できる。
3. 方法論的枠組み： 決定的なリソースと、敵対的検証プロトコル下でのLLM支援分析を組み合わせたハイブリッド・パイプライン、および人間によるヒューマン・イン・ザ・ループの修正システムによって上限を設けた枠組み。
4. アクセシブルな成果物： インフラストラクチャの障壁を取り除くため、依存関係のない単一のHTMLファイルとして設計された、教育補助ツールおよび学術的修正のためのプラットフォーム。

評価結果
システムは、2つの補完的な方法で評価された。

• 決定的合致： 高信頼度の分析は、既知のHeritageレキシコンにおける既知の名詞形態（格／数）において99.6%、および性別を含めて**99.4%**の割合で一致した。一致度は信頼度帯（高 ＞ 中 ＞ 低）に従って予測通り低下しており、信頼度ラベルが品質指標として有効であることを裏付けている。
• 独立した判定： 180項目の盲検化された層化サンプルが、独立したLLMによって判定された。高および中信頼度の分析は、ほぼすべてのケースで「許容可能」以上と判定された。すべての「誤り」の判定は低信頼度帯に発生しており、レビュー・ワークリストが最も信頼性の低いデータを正しく標的にしていることが確認された。

意義と主張
本論文は、このリソースを不完全な神託としてではなく、高度な文法訓練を受けていない学生が、アドヴァイタ・ヴェーダーンタの基礎的なテキストを語彙レベルで利用できるようにするための「足場（スキャフォールド）」として位置づけている。その主な意義は以下の通りである。

• 規模と一様性： シャンカラの注釈の散文部分にわたって、一様に分析された初の語彙レベルの装置を提供すること。
• 学術的有用性： テキストを、表面レベルの制限（屈折、複合、サンドヒ）を超越した検索可能なコンコーダンスへと変貌させること。
• 持続可能性： 「ヒューマン・イン・ザ・ループ」のオーバーレイにより、リソースが累積的であることを保証する。専門家の修正は永久的であり、再生成によって失われることなく、時間をかけてシステムを改善していく。
• アクセシビリティ： 単一のオフラインファイルであることにより、インフラの障壁を取り除き、インターネット環境のない場所でも自由に配布・利用できるようにしている。

著者らは、限界についても認めている。具体的には、「ルートB（表面分析）」による注釈の文脈依存的な曖昧性解消の欠如、および、最終的な権威ではなく足場としてのLLMへの依存である。彼らは、システムの役割は一貫した第一段階の分析を生成し、低信頼度の出力を人間のレビューのためにフラグ立てすることであり、最終的な学術的権威は人間の編集者に委ねられていることを強調している。