💬 NLP

Modeling Narrative Structure in Latin Epic Poetry with Automatically Generated Story Grammars

Dit artikel introduceert een interpreteerbare, op grote taalmodellen gebaseerde methode die gebruikmaakt van few-shot learning om automatisch story-grammatalabels te genereren voor Latijnse epische poëzie, waardoor computationele analyse en humanistisch onderzoek worden verbonden om het begrip van narratieve structuur en stijlanalyse te verbeteren.

Oorspronkelijke auteurs: Abigail Swenor, John James, Neil Coffee, Walter Scheirer

Gepubliceerd 2026-05-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Abigail Swenor, John James, Neil Coffee, Walter Scheirer

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert twee heel verschillende oude Romeinse verhalen te begrijpen: het ene is een lange, kronkelende reis (Vergilius' Aeneis), en het andere is een chaotische burgeroorlog (Lucanus' Bellum Civile).

Meestal, wanneer computers proberen deze verhalen te analyseren, zetten ze de woorden om in onzichtbare getallen (alsof je een schilderij omzet in een spreadsheet met kleuren). Dit helpt de computer bij het rekenen, maar het maakt het voor mensen moeilijk om te zien waarom de verhalen anders aanvoelen. Het is alsof je probeert een lied te begrijpen door naar het volume van de geluidsgolven te kijken in plaats van naar de melodie te luisteren.

Dit artikel stelt een nieuwe manier voor om naar de muziek te luisteren. In plaats van de tekst om te zetten in getallen, leren de auteurs een superintelligente AI om de tekst te labelen met verhaaltags, vergelijkbaar met hoe een bibliothecaris een boek zou labelen met "avontuur", "verdriet" of "gevecht".

Hier is hoe ze dit deden en wat ze ontdekten, eenvoudig uitgelegd:

1. Het "Verhaalgrammatica"-recept

De auteurs creëerden een speciale set regels, die ze een "verhaalgrammatica" noemen. Denk hierbij aan een recept voor een verhaal. Elk verhaal, hoe complex ook, bestaat uit basisbestanddelen:

Wie doet er iets? (Het Personage)
Wat doen ze? (De Actie)
Aan wie/wat? (Het Object)
Waar, wanneer en waarom? (De Omstandigheden)

In plaats van alleen naar de Latijnse woorden te kijken, breekt de AI elke zin op in deze ingrediënten. Bijvoorbeeld, in plaats van de Latijnse zin "Aeneas vluchtte de stad uit" te zien, ziet de AI een tag die zegt: [Personage: Aeneas] + [Actie: Vluchtte] + [Plaats: Stad].

2. De AI leren (De "Few-Shot"-truc)

De AI die ze gebruikten (een zeer geavanceerd taalmodel) kende dit specifieke "verhalrecept" van tevoren niet. Dus probeerden de auteurs niet de hele AI vanaf nul opnieuw te trainen. In plaats daarvan gebruikten ze een truc genaamd "few-shot learning".

Stel je voor dat je een kind leert blokken te sorteren. Je schrijft geen handleiding voor hen; je laat ze gewoon drie voorbeelden zien: "Deze rode blok gaat in de rode stapel. Deze blauwe blok gaat in de blauwe stapel." Dan zeg je: "Nu sorteer jij de rest."

De auteurs toonden de AI 30 voorbeelden van Latijnse tekst met de juiste verhaaltags die al waren toegepast. De AI bedacht het patroon snel en paste diezelfde tags toe op duizenden regels poëzie.

3. Wat ze ontdekten

Zodra de AI de twee gedichten had gelabeld, konden de auteurs de "tag-aantallen" vergelijken om de stijlen van de auteurs te zien. Het is alsof je twee chefs vergelijkt door te tellen hoe vaak ze zout versus peper hebben gebruikt.

De Reiziger versus de Strijder: Ze ontdekten dat Vergilius' Aeneis veel passages begint met het noemen van plaatsen (zoals "Aan de kust..."). Dit past bij het verhaal van een held die van plaats naar plaats reist.
De Naamnoemer: Lucanus' Bellum Civile begint passages veel vaker met het noemen van specifieke namen van personen of groepen. Dit past bij een verhaal dat zich richt op het chaos van oorlog en specifieke generaals.
De Negatieven: Lucanus gebruikte veel vaker woorden voor "nee" of "niet" dan Vergilius, wat de sombere, negatieve toon van een burgeroorlog weerspiegelt.

4. De "Magische Spiegel"-test (Semantische matching)

Om te bewijzen dat hun methode werkt, probeerden ze verborgen connecties tussen de twee gedichten te vinden. Meestal zoeken computers naar woorden die op elkaar lijken. Maar deze twee dichters gebruikten vaak verschillende woorden om hetzelfde idee te beschrijven.

De auteurs gebruikten hun verhaaltags om matches te vinden. Ze vonden een regel in het oorlogsgedicht en een regel in het reisgedicht die heel verschillende woorden hadden maar exact dezelfde verhaalstructuur (bijvoorbeeld "Kust tegen kust" versus "Vaandels tegen vaandels"). De AI gaf hen een hoge score, wat bewees dat de verhalen naar elkaar echootten, zelfs al waren de woorden verschillend. Dit is alsof je twee liedjes herkent als hetzelfde omdat ze hetzelfde ritme hebben, zelfs als het ene op een piano wordt gespeeld en het andere op een gitaar.

5. Waarom dit belangrijk is

Het belangrijkste punt van dit artikel is duidelijkheid.

Oude manier: Computers geven je een lijst met getallen die alleen andere computers begrijpen.
Nieuwe manier: Computers geven je een lijst met verhaaltags (zoals "Personage", "Actie", "Plaats") die mensen direct kunnen lezen en begrijpen.

Dit stelt scholars (humanisten) en computerwetenschappers in staat beter samen te werken. De computer doet het zware werk van het lezen van duizenden regels, maar de output is een duidelijk kaart van de structuur van het verhaal die iedereen kan interpreteren. Het helpt ons het "skelet" van het verhaal te zien, in plaats van alleen de "huid" (de specifieke woorden).

Kortom: Ze leerden een computer oude gedichten te lezen niet door woorden te tellen, maar door de bouwstenen van het verhaal te identificeren, waardoor de unieke "vingerafdruk" van de stijl van elke auteur wordt onthuld op een manier die voor mensen makkelijk te begrijpen is.

Technische Samenvatting: Modellering van Narratieve Structuur in Latijnse Epospoëzie met Automatisch gegenereerde Verhaalgrammatica's

Probleemstelling
Huidige computationele benaderingen voor "distant reading" in de literatuurwetenschap vertrouwen vaak op het omzetten van tekst naar vectorruimte-embeddings. Hoewel deze effectief zijn voor specifieke machine learning-taken, verduisteren deze abstracte representaties contextrijke literaire details en ontbreekt er interpretatievermogen voor humanisten. Traditionele methoden zijn vaak op maat gemaakt voor specifieke domeinen of taken, wat hun generaliseerbaarheid beperkt. Bovendien vereisen bestaande computationele analyses van klassieke teksten vaak gespecialiseerde datasets of modellen die niet eenvoudig vertaalbaar zijn naar verschillende literaire domeinen of talen. De auteurs identificeren de behoefte aan een kenmerkenset die zowel computationeel robuust als voor mensen leesbaar is, en die narratieve structuur kan vastleggen zonder te vertrouwen op ondoorzichtige statistische patronen.

Methodologie
Het artikel stelt een methode voor om automatisch "verhaalgrammatica"-labels te genereren voor invoerteksten met behulp van een Large Language Model (LLM)-pijplijn. De aanpak is geïnspireerd op de psychologie van het lezen, die suggereert dat mensen narratives begrijpen via impliciete verhaalgrammatica's.

Definitie van Verhaalgrammatica: De auteurs definiëren een aangepaste verhaalgrammatica gebaseerd op transformatiegrammatica's (Chomsky 1956). In tegenstelling tot standaard syntactische parsers die zich richten op formele relaties (bijvoorbeeld onderwerp, werkwoord, object), koppelt deze grammatica tekst aan narratieve functies. De kernunit is de "semantische triplet" (onderwerp, actie, object) omringd door omstandigheden (tijd, plaats, reden, instrument, resultaat). De grammatica omvat een hiërarchie van ongeveer 28 labels over vijf niveaus, variërend van structurele haakjes (bijvoorbeeld <narrative>, <event>, <trip>) tot terminale labels die specifieke narratieve rollen beschrijven (bijvoorbeeld ind-name, circum-place, act-neg).
Model en Training: De studie maakt gebruik van GPT-5 (OpenAI 2025) om deze labels te genereren. Vanwege het ontbreken van bestaande grond-waarheidsdata voor dit specifieke labelschema, maken de auteurs gebruik van few-shot learning. Ze hebben handmatig 30 regels uit Vergilius' Eclogae gelabeld om te dienen als trainingsset. Deze voorbeelden, samen met de grammatica-definitie en taakbeschrijving, werden via prompts aan het model aangeboden.
Dataverwerking: De methode werd toegepast op twee Latijnse eposgedichten: Vergilius' Aeneis en Lucanus' Bellum Civile. Teksten werden voorverwerkt door ze op te delen in individuele dichtregels (passages). Het model genereerde een reeks verhaalgrammatica-labels voor elk woord in een passage, waardoor effectief een boomstructuur ontstond die de narratieve functie van de tekst vertegenwoordigt.
Analysetechnieken: De auteurs hanteerden twee primaire analysemethoden:
1. Frequentieanalyse: Het tellen van het voorkomen van specifieke labels en subreeksen om stijlpatronen te identificeren.
2. Semantische matching: Het gebruik van de gegenereerde labelreeksen als kenmerkvectoren voor een gewogen cosinusgelijkheidsmetriek. Deze metriek berekent gelijkenis op basis van knopen (labels), randen (ouder-kind-relaties) en paden (reeksen van lengte $n=3$ ) om intertekstuele parallellen te identificeren zonder te vertrouwen op lexicaal overlap.

Belangrijkste Resultaten
De studie paste deze pijplijn toe op de Aeneis (9.897 regels) en Bellum Civile (8.060 regels), evenals op een prozatekst, Livius' Ab urbe condita (Boek 1).

Stylometrische Verschillen: De labelfrequenties onthulden distincte narratieve strategieën. Bellum Civile vertoonde een hogere frequentie van ind-name (1,047 per regel) in vergelijking met de Aeneis (0,641), wat aansluit bij wetenschappelijke observaties over Lucanus' catalogisering van eigennamen. Omgekeerd gebruikte de Aeneis vaker circum-place aan het begin van passages (0,500 versus 0,470), wat Vergilius' itinerante structuur en ruimtelijke kadering weerspiegelt.
Subreekspatronen: Veelvoorkomende subreeksen, zoals event, trip, subj, subj-ind, ind-name, waren wijdverbreid in beide teksten, wat gedeelde eposconventies aangeeft. Echter, event, trip, act, act-circum, circum-place was significant vaker voorkomend in de Aeneis, wat de bevinding bevestigt dat Vergilius de setting prioriteit geeft boven de actie.
Proza versus Poëzie: Bij toepassing op Livius' proza had het model moeite met de langere, complexere zinsstructuren en gebruikte het overmatig het label obj-subj. Dit benadrukte de noodzaak van op stijl afgestemde few-shot voorbeelden voor optimale prestaties.
Semantische matching: In een case study waarbij de Aeneis en Bellum Civile werden vergeleken, herstelde de op verhaalgrammatica gebaseerde semantische matching 501 van de 3.410 bekende interteksten (uit de Tesserae-benchmark) binnen de top 10% van de resultaten. Opmerkelijk was dat het hoge scores (bijvoorbeeld score 0,975) identificeerde tussen passages met weinig lexicaal overlap maar vergelijkbare narratieve structuren, wat het vermogen van de methode demonstreert om parallellen op basis van functie en niet van vocabulaire te detecteren.

Betekenis en Aanspraken
De auteurs stellen dat deze methode een "voor mensen leesbare en generaliseerbare kenmerkenset" biedt die de kloof overbrugt tussen computationele analyse en traditionele literaire wetenschap.

Interpreteerbaarheid: In tegenstelling tot op embedding gebaseerde methoden, bestaat de output uit expliciete narratieve labels (bijvoorbeeld "benoemd individu", "vertrekactie", "plaats") die onderzoekers direct kunnen interpreteren. Dit maakt het mogelijk patronen te ontdekken die "toegankelijk zijn voor zowel humanisten als technici".
Generaliseerbaarheid: Door te voorkomen dat er vaste vocabulaire-mappings worden gebruikt en te vertrouwen op een structurele grammatica, kan de methode worden aangepast aan diverse literaire domeinen en talen, mits geschikte few-shot voorbeelden beschikbaar zijn.
Complementariteit: De auteurs positioneren deze aanpak niet als vervanging voor bestaande NLP-taken, maar als een complementaire kenmerkenset. Het kan worden geïntegreerd in ensemble learning-pijplijnen voor taken zoals stylistiek, auteurschapsattributie, allusiedetectie en semantische matching.
Validatie: De methode slaagde erin gevestigde literaire inzichten te herstellen (bijvoorbeeld Vergilius' ruimtelijke oriëntatie versus Lucanus' actiegedreven openings) en nieuwe structurele patronen te identificeren, waarmee de bruikbaarheid van verhaalgrammatica's als instrument voor computationele literaire analyse wordt gevalideerd.

Het artikel concludeert dat deze aanpak rijkere samenwerking tussen humanisten en technici bevordert door narratieve structuur op schaal leesbaar te maken, terwijl het blijft gebaseerd op humanistische categorieën.