Eigenmood Space: Uncertainty-Aware Spectral Graph Analysis of Psychological Patterns in Classical Persian Poetry

1. Probleemstelling

Klassieke Perzische poëzie vormt een historisch archief waarin affectieve ervaringen worden uitgedrukt via metaforen, intertekstuele conventies en retorische indirectie. Deze eigenschappen maken een "close reading" (diepgaande analyse) onmisbaar, maar bemoeilijken tegelijkertijd reproduceerbare vergelijkingen op grote schaal.
De uitdagingen voor computationele analyse zijn tweeledig:

1. Onzekerheid: Literaire ambiguïteit kan leiden tot overmoedige labeling door automatische systemen, tenzij onzekerheid expliciet wordt gemodelleerd.
2. Anachronisme: Het toepassen van moderne psychologische constructen op pre-modere teksten kan leiden tot misleidende diagnoses als labels letterlijk worden opgevat.

Het doel van dit onderzoek is een raamwerk te ontwikkelen dat poet-level psychologische profielen genereert op basis van grote corpora, waarbij onzekerheid (abstentie en betrouwbaarheid) een centrale rol speelt en interpretatieve voorzichtigheid wordt gewaarborgd.

2. Methodologie

Het artikel introduceert een onzekerheidsbewust computationeel raamwerk dat bestaat uit de volgende kerncomponenten:

• Data en Annotatie:

  • Corpus: 61.573 verzen van 10 klassieke Perzische dichters (o.a. Hafez, Saadi, Khayyam, Parvin) afkomstig uit het Ganjoor-digitaal corpus.
  • Annotatie: Verzen werden automatisch geannoteerd met een Large Language Model (Gemini 2.5 Flash) als multi-label classifieerder voor negen psychologische concepten (bijv. Melancholia, Emotional Dependency, Identity Fragmentation).
  • Onzekerheidsmechanisme: Het model levert voor elk label een betrouwbaarheidsscore ($p_{v,c}$) en een expliciete abstentie-vlag ($a_v$) af. Als het model geen betrouwbaar psychologisch signaal kan identificeren, abstineert het in plaats van een onzeker label te forceren. Ongeveer 22,2% van de verzen werd geabstineerd.

• Aggregatie (Poet × Concept Matrix):

  • Verzen worden geaggregeerd tot een matrix waarbij elke dichter wordt weergegeven als een waarschijnlijkheidsverdeling over de concepten.
  • De aggregatie is vertrouwensgewogen: de bijdrage van een label wordt vermenigvuldigd met de confidence score.
  • Abstinerende verzen worden uitgesloten van de aggregatie, maar hun frequentie wordt vastgehouden voor bias-analyse.

• Divergentie en Individualiteit:

  • De "individualiteit" van een dichter wordt gemeten als de divergentie van hun verdeling ten opzichte van een corpus-baseline (de gemiddelde verdeling van alle dichters).
  • Er wordt gebruikgemaakt van Kullback-Leibler (KL) en Jensen-Shannon (JS) divergentie om de mate van afwijking te kwantificeren.

• Eigenmood Space (Spectrale Grafanalyse):

  • Om relationele structuren te vangen die niet zichtbaar zijn in marginale verdelingen, wordt een co-occurrence graf gebouwd tussen concepten, gewogen op vertrouwen.
  • Door de Laplacian spectrale decompositie van deze graf toe te passen, wordt een "Eigenmood embedding" gegenereerd.
  • De coördinaten in deze ruimte (Eigenmood axes) geven de richting van de afwijking weer in een door koppeling geïnformeerde latente ruimte, in plaats van alleen de grootte van de afwijking.

• Validatie:

  • Een gestratificeerde steekproef van 500 verzen werd handmatig geannoteerd door twee experts in psychologie.
  • De resultaten tonen een hoge overeenstemming (Macro $\kappa = 0.818$) en een goede kalibratie van de confidence scores (ECE = 0.0346), wat de validiteit van het onzekerheidsmodel bevestigt.

3. Belangrijkste Resultaten

• Onzekerheid is substantieel: 22,2% van de verzen werd geabstineerd, wat aantoont dat onzekerheid geen randgeval is maar een fundamenteel kenmerk van de analyse van metaforische poëzie.
• Dichterprofielen:
  • Khayyam toont de grootste divergentie ($D_{JS} = 0.0901$) en wordt gekenmerkt door een sterke oververtegenwoordiging van Melancholia en Identity Fragmentation, en een ondervertegenwoordiging van relationele afhankelijkheid.
  • Parvin staat tweede in divergentie, met een focus op Self-Destructive Idealization en Melancholia, maar met een hoge abstentiegraad.
  • Hafez en Shahriar liggen het dichtst bij de corpus-baseline, wat suggereert dat hun retorische-affectieve patronen representatief zijn voor de bredere traditie.
• Spectrale Structuur: De Eigenmood-assen onthullen interessante tegenstellingen. Bijvoorbeeld, EM2 contrasteert Internal Projection (interiorisatie) met Identity Fragmentation (verbrokkeling van het zelf), wat een nuance toevoegt die puur op frequentie gebaseerde analyses missen.
• Robuustheid: De rangschikking van dichters op basis van individualiteit blijft stabiel onder verschillende drempelwaarden voor confidence (van 0.5 tot 0.7) en bij het behandelen van abstentie als een aparte categorie.

4. Bijdragen

1. Onzekerheidsbewuste Aggregatie: Een methode om multi-label annotaties te aggregeren waarbij abstentie en confidence-scores als "first-class" variabelen worden behandeld, waardoor spurious evidence wordt voorkomen.
2. Eigenmood Embedding: Een nieuwe spectrale benadering die relationele affectieve structuren (hoe concepten samen voorkomen) codeert in een laag-dimensionale ruimte, wat gerichte "distant-to-close" zoekopdrachten mogelijk maakt.
3. Auditabel Raamwerk: Een workflow die macro-schaal statistieken koppelt aan micro-schaal voorbeelden (verzen) met transparante onzekerheidsmarges, waardoor digital humanities-analyses controleerbaar blijven.
4. Selectie-bias Diagnostiek: Een analyse die abstentie niet als "ontbrekende data" ziet, maar als een gestructureerd signaal dat de vergelijking tussen dichters kan beïnvloeden.

5. Betekenis en Conclusie

Dit onderzoek biedt een epistemisch bescheiden maar schaalbaar raamwerk voor de computationele psychologische analyse van klassieke literatuur. Het vermijdt het valkuil van het diagnosticeren van historische auteurs en positioneert de resultaten in plaats daarvan als distributionele samenvattingen van retorische-affectieve patronen binnen een traditie.

De belangrijkste implicatie is dat onzekerheid niet moet worden onderdrukt, maar moet worden doorgegeven van het verzniveau naar het dichter-niveau. Door dit te doen, kunnen onderzoekers betrouwbare vergelijkingen maken tussen dichters (bijv. Khayyam als existentieel outlier vs. Hafez als centraal ankerpunt) terwijl ze tegelijkertijd de interpretatieve complexiteit en de beperkingen van het model respecteren. De "Eigenmood Space" biedt een nieuwe manier om de richting en de aard van individuele dichterlijke stemmen te visualiseren binnen een gedeelde culturele context.