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

기술 요약: 다르샤나 그래프 (Darshana Graph)

문제 제념
고전 인도 철학은 근본적으로 동일한 기초 텍스트를 해석하는 서로 다른 전통(힌두, 불교, 자이나교) 간의 수 세기에 걸친 논쟁에 의해 특징지어집니다. 그러나 기존의 디지털 자원들은 이러한 비교적 차원을 포착하는 데 대부분 실패하고 있습니다. 사용 가능한 대부분의 데이터셋은 단일 번역과 단일 관점을 제시하거나, 여러 텍스트를 집계하기는 하지만 서로 다른 주석가들이 동일한 근본 구절이나 수트라(sutra)를 어떻게 해석하는지를 직접 비교할 수 있도록 구조화하지는 못합니다. 결과적으로, 기계 판독이 가능한 자원들은 학파 간의 해석적 이견을 연구하는 데 필요한 구조적 정렬 기능을 결여하고 있습니다.

방법론
저자들은 퍼블릭 도메인 및 오픈 라이선스 출처에서 추출한 125,000개 이상의 텍스트 레코드로 구성된 **다르샤나 그래프(Darshana Graph)**를 구축했습니다. 이 코퍼스는 팔리 경전(Pali Canon, 114,591개 레코드)이 주를 이루지만, 구조적으로 독특한 하위 집합으로서 약 8,500개의 힌두 및 자이나교 레코드를 포함하고 있습니다.

• 코퍼스 구축: 핵심 혁신은 정렬 스키마입니다. 단일 레코드는 하나의 근본 구절 또는 수트라(예: 브라마 수트라 1.1.1)를 나타내며, 여러 학파(예: 아드와이타, 비시슈타드와이타, 드와이타)의 다양한 주석에 대한 병렬 필드를 포함합니다. 저자들은 구축 과정에서 발생한 심각한 데이터 품질 문제, 특히 내부 카운터를 초기화하는 스크래핑 함수로 인한 식별자 충돌 문제를 해결하였으며, 이를 위해 데이터 손실을 방지하고자 전역적으로 고유한 식별자를 재생성해야 했습니다.
• 문체론적 분석 (Stylometric Analysis): 첫 번째 분석은 논쟁적 스타일을 비교하기 위해 순수하게 통계적인 비기계 학습 방법을 채택했습니다. 저자들은 다섯 가지 지표를 계산했습니다: 평균 구절 길이, 문장당 단어 수, 어휘 다양성, 명시적 경전 인용이 포함된 구절의 비율, 그리고 명시적 반박 표지가 포함된 구절의 비율입니다. 이러한 표지들은 단순하고 수동으로 정의된 정규 표현식을 통해 식별되었습니다.
• 지식 그래프 추출: 두 번째 분석은 유형화된 철학적 관계를 추출하기 위해 제약된 대규모 언어 모델(LLM) 파이프라인(Llama 3.1 8B)을 활용합니다. 감사 가능성을 보장하기 위해, 모델은 13가지 관계 유형과 특정 학파 레이블로 구성된 폐쇄적이고 사전 정의된 어휘 집합으로 제한됩니다. 생성된 내용이 문법적으로 유효하더라도, 해당 어휘 집합을 벗어나는 모든 출력은 생성 후 기계적으로 폐기됩니다. 이 접근 방식은 재현율(recall)보다 감사 가능성(auditability)을 우선시합니다.

주요 결과

• 문체론적 패턴:
  • 인용 대 반박: 경전 인용 밀도와 명시적 반박률 사이에는 완만한 음의 상관관계가 관찰되었습니다. 축적된 텍스트 증거(예: 마드바)에 크게 의존하는 이들은 경쟁하는 입장을 명시적으로 언급하고 반박하는 데 적은 노력을 기울이는 경향이 있었던 반면, 낮은 인용률을 보이는 이들(예: 님바르카, 스리니바사)은 더 높은 반박률을 보였습니다.
  • 세대적 추세: 특정 교리 계보 내에서, 약 6세기에 걸친 세 인물 사이에서 반박률의 현저한 증가가 관찰되었습니다(마드바 2.0%, 님바르카 13.2%, 스리니바사 42.0%). 저자들은 이를 통계적으로 검증된 추세라기보다는 전문가의 주의를 요하는 패턴으로 언급하며, 스리니바사의 하위 주석(sub-commentary)이라는 특정 장르적 특성 등의 혼란 변수를 언급했습니다.
  • 팔리 경전 구조: 팔리 경전에 대한 내부 분석 결과, 구절 길이에 있어 측정 가능한 장르 수준의 차이가 드러났습니다. 담마파다(Dhammapada)와 같은 격언적 텍스트는 세그먼트당 평균 31자였던 반면, 우다나(Udana)와 같은 더 담론적인 모음집은 74자였습니다.
• 개념 그래프 발견 사항:
  • 추출 파이프라인은 학파 간의 이견 패턴을 성공적으로 식별했습니다. 가장 논쟁이 된 쌍인 *아트만(atman)*과 *브라만(brahman)*의 경우, 아드와이타는 동일성(IS_IDENTICAL_TO)을 주장한 반면, 비시슈타드와이타와 드와이타는 서로 다른 증거 구절에 근거하여 구별됨(IS_DISTINCT_FROM)을 주장했습니다.
  • 두 번째 논쟁 쌍인 *아트만(atman)*과 *지바(jiva)*의 경우, 아드와이타는 구별됨을 주장한 반면 다른 학파들은 동일함을 주장했는데, 이는 경험적으로 조건 지어진 자아에 대한 표준적인 교리적 처리를 반영합니다.
• 한계 및 실패 사례:
  • 추출된 엣지(edge) 중 약 70%가 일반적인 학파 귀속을 가졌는데, 이는 소스의 모호함보다는 모델의 한계로 기인합니다.
  • IS_QUALIFIED_ASPECT_OF 관계 유형이 현저하게 과잉 대표되었으며, 이는 모델이 불확실할 때 이 레이블을 기본값으로 사용했음을 시사합니다.
  • 결과를 확증하기 위해 사용된 임베딩 기반의 추출 없는 방법은 아트만-브라만 쌍에 대해 LLM의 결과와 직접적인 대립을 보이는 결과를 생성했으며, 이는 주제 수준의 문장 임베딩이 명제적 철학적 합의를 포착하는 데 갖는 한계를 강조했습니다.

의의 및 주장
본 논문은 5개 학파의 18개 서로 다른 주석가를 동일한 소스 자료와 연결하는 정렬 구조를 가장 일차적이고 방어 가능한 기여로 설정하며, 이러한 구조는 다른 곳에서는 이 정도 규모로 존재하지 않는다고 명시했습니다.

저자들은 문체론적 분석을 검증된 수사 전략 이론이라기보다 투명하고 재현 가능한 필로로기(philological) 읽기의 출발점으로 명시적으로 규정합니다. 마찬가지로 지식 그래프 추출은 "진정으로 유용하지만 명백히 미성숙함"을 명시하며, 모델의 실패 사례에 대해 솔직하게 기술했습니다. 이 연구의 의의는 다음과 같습니다:

1. 독립적인 해석 전통 간의 직접적인 계산적 비교를 가능하게 하는 자원을 제공함.
2. 역사적 텍스트 분석에서 재현율을 희생하여 감사 가능성을 확보하는 제약된 LLM 파이프라인을 시연함.
3. 다중 관점의 텍스트 전통으로부터 LLM 보조 지식 추출을 수행할 때 발생하는 실제적인 어려움에 대한 기록된 사례 연구을 제공함.

저자들은 전체 코퍼스, 추출된 관계 그래프, 그리고 모든 구축 코드를 공개하여, 정밀도 평가의 공식적 검증과 학파 범위 및 하위 전통 구분을 위한 코퍼스 확장에 관한 후속 연구를 권장합니다.