💬 NLP

Hybrid topic modelling for computational close reading: Mapping narrative themes in Pushkin's Evgenij Onegin

Deze studie presenteert een hybride topic-modellingframework dat LDA en sPLS-DA combineert om thematische structuren en longitudinale dynamiek in Pushkins *Evgenij Onegin* te analyseren, waarmee een reproduceerbare vorm van computationele close reading wordt geboden voor complexe poëtische teksten.

Oorspronkelijke auteurs: Angelo Maria Sabatini

Gepubliceerd 2026-03-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Angelo Maria Sabatini

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 een heel lang, complex verhaal leest, zoals een roman in gedichten. Het verhaal is vol met gevoelens, veranderingen en geheimen. Vaak zeggen we: "Ik heb een gevoel dat dit thema hier een rol speelt," maar dat is lastig om te bewijzen.

Dit artikel beschrijft een slimme manier om die "gevoelens" van een tekst te meten met een computer, zonder de magie van het verhaal te vernietigen. De auteurs gebruiken een combinatie van twee digitale methoden om het beroemde gedicht Evgenij Onegin van de Russische dichter Puškin te analyseren.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Een naaimachine zonder draad

Stel je voor dat je een enorme lade vol met losse stoffen hebt (woorden uit het gedicht). Je wilt weten welke patronen erin zitten.

De oude manier (LDA): Dit is als een robot die blindelings stoffen bij elkaar plakt die vaak samen voorkomen. "Ah, 'winter' en 'sneeuw' komen vaak samen, dus dat is een thema." Dit werkt goed voor grote bibliotheken, maar bij één specifiek, kort gedicht kan de robot soms de draad kwijtraken of te veel ruis horen.
Het risico: Als je alleen naar de robot kijkt, krijg je misschien een lijstje met woorden die niet echt iets zeggen over het verhaal.

2. De Oplossing: Twee detectives in één team

De auteurs van dit artikel hebben een hybride (gemengde) methode bedacht. Ze laten twee detectives samenwerken:

Detective 1 (De Dromer - LDA): Deze kijkt naar het hele verhaal en zegt: "Ik zie hier een groep woorden die vaak samen zijn. Laten we dit 'Liefde en dromen' noemen." Hij werkt op basis van intuïtie en patronen.
Detective 2 (De Criticus - sPLS-DA): Deze is wat strenger. Hij zegt: "Oké, Dromer, jij denkt dat dit 'Liefde' is. Maar laten we kijken: welke woorden zijn echt uniek voor dit deel van het verhaal en niet voor het andere?" Hij fungeert als een controlemechanisme.

Door deze twee te combineren, krijgen ze een kaart van het verhaal die niet alleen logisch is, maar ook betrouwbaar. Het is alsof je een schets maakt (de dromer) en die vervolgens laat nakijken door een expert (de criticus) om zeker te weten dat je de juiste gebouwen hebt getekend.

3. De Toepassing: Het gedicht als een kaart

Ze hebben Evgenij Onegin opgedeeld in stukjes (blokken van ongeveer 10 strofen). Vervolgens hebben ze gekeken welke "thema's" (zoals natuurschoon, sociale druk, of hartstocht) in welke stukken voorkomen.

Ze hebben een heel mooie analogie gebruikt: De "Narrative Hubs" (Verhaal-Knopen).
Stel je het gedicht voor als een lange treinreis. Er zijn bepaalde stations waar het verhaal echt iets belangrijks gebeurt (bijvoorbeeld: Tat'jana schrijft haar liefdesbrief, of het duel tussen de vrienden).
De computer heeft laten zien dat op die specifieke stations de "temperatuur" van het verhaal verandert.

Als Tat'jana verliefd wordt, springt de kaart naar het thema "Liefde en dromen".
Als er een duel dreigt, springt de kaart naar "Eer en conflict".

4. Wat hebben ze ontdekt?

Het mooie aan dit onderzoek is dat de computer precies dat zag wat een menselijke lezer ook zou zien, maar dan in cijfers:

Tat'jana is verbonden met natuur, dromen en eenzaamheid (winter, sneeuw, maan).
Evgenij is verbonden met saaiheid, sociale druk en een gebrek aan gevoelens.
Het verhaal laat zien hoe Tat'jana verandert van een dromerig meisje in een strenge dame, terwijl Evgenij vast blijft zitten in zijn eigen saaiheid. De computer kan dit "reisverloop" van de personages precies in kaart brengen.

Waarom is dit belangrijk?

Vaak denken mensen dat computers literatuur "doodmaken" door alles in cijfers te zetten. Dit artikel bewijst het tegenovergestelde.
Het is alsof je een bril opzet die je laat zien waar de kleuren in een schilderij het felst zijn. De computer vervangt niet de lezer; hij helpt de lezer om te zien hoe het verhaal is opgebouwd. Het is een digitale close reading: een manier om heel nauwkeurig te lezen, maar dan met de hulp van een slimme rekenmachine.

Kortom: Ze hebben een nieuwe manier gevonden om de ziel van een oud gedicht te meten, door een robot en een menselijke criticus samen te laten werken. Het resultaat is een heldere kaart van de gevoelens en thema's in Puškin's meesterwerk.

Probleemstelling

Traditionele thematische modellering, zoals Latent Dirichlet Allocation (LDA), is zeer effectief voor grote corpora (bijv. duizenden romans), maar stuit op uitdagingen bij de analyse van een enkel, dicht gedicht of een roman in vers (zoals Puškins Evgenij Onegin).

Uitdagingen: Poëtische teksten bevatten veel figuratieve taal, ritme en klankpatronen die de "bag-of-words"-aannames van LDA ondermijnen.
Kleine corpus-instabiliteit: Bij een klein corpus (in dit geval slechts 35 documenten) zijn LDA-resultaten vaak onstabiel en moeilijk te interpreteren door toevalseffecten en het ontbreken van voldoende co-occurrence-data.
Doel: De auteur wil een methode ontwikkelen die "computational close reading" mogelijk maakt. Het doel is niet om nieuwe, onbekende patronen in een groot corpus te vinden, maar om de thematische structuur en narratieve dynamiek van een enkel, goed gedefinieerd werk te formaliseren en te visualiseren, waarbij interpretatie voorrang krijgt boven schaalbaarheid.

Methodologie

De studie introduceert een hybride framework dat onbeheerde (unsupervised) en beheerde (supervised) leertechnieken combineert om de interpretatie van thematische structuren te versterken.

1. Corpusvoorbereiding en Preprocessing:

Bron: Een Italiaanse vertaling van Evgenij Onegin (Ghini, 2021).
Tokenisatie: Gebruik van UDPipe voor part-of-speech (PoS) tagging en lemmatisatie.
Filtering:
- Alleen inhoudsworden (NOUN, PROPN, ADJ) werden behouden; werkwoorden (VERB) werden verwijderd omdat deze vooral narratieve voortgang markeren in plaats van thematische stabiliteit.
- Eigenaarsnamen werden genormaliseerd (bijv. diminutieven samengevoegd) maar behouden als ze dienen als thematische ankers.
- Stopwoorden werden minimaal gefilterd om stilistische nuances te behouden.
Segmentatie: In plaats van per strofe te werken (te kort voor stabiele signalen), werden de 366 strofen gegroepeerd in 35 blokken (documenten) van elk 10-11 strofen. Dit resulteerde in een Document-Term Matrix (DTM) van $35 \times 756$ termen.

2. Onbeheerde Modellering (LDA):

Model: Latent Dirichlet Allocation (LDA) met een Gibbs-sampler.
Parameters: $K=5$ thema's. Hyperparameters $\alpha=2$ (voor gemengde distributies in korte documenten) en $\beta=0.15$ (voor smoothing).
Stabiliteitsprotocol: Vanwege de stochasticiteit van LDA werd een multi-seed consensus protocol toegepast. 100 onafhankelijke runs werden uitgevoerd en uitgelijnd via een "Hungarian assignment" op basis van Jaccard-overlap van termen en Spearman-correlatie van document-thema-mixtures. Alleen runs die aan strenge stabiliteitscriteria voldeden, werden meegenomen in het consensusmodel.

3. Beheerde Validatie (sPLS-DA):

Techniek: Sparse Partial Least Squares Discriminant Analysis (sPLS-DA).
Doel: Fungeert als een "supervised probe" om te testen of de door LDA gegenereerde thema's lexicaal onderscheidend zijn.
Implementatie: Een "one-versus-rest" (OvR) strategie werd gebruikt om vijf binaire classifiers te trainen.
Lexicon-consolidatie: Termen werden gerangschikt op selectiefrequentie en lading (loading). Een "exclusivity index" ( $E$ ) en een "weighted exclusivity score" ( $W$ ) werden berekend om kern-exclusieve termen (sterk verbonden met één thema) te onderscheiden van gedeelde termen.

4. Narratieve Mapping:

Narrative Hubs: Specifieke, aaneengesloten groepen strofen die belangrijke plotmomenten vertegenwoordigen (bijv. brieven, het duel). Deze werden gemapt op de thematische distributie van de blokken om te zien hoe thema's samenvallen met het narratieve boog.

Belangrijkste Resultaten

1. De Vijf Thema's:
Het model identificeerde vijf stabiele en interpreteerbare thema's die de narratieve arc van het gedicht volgen:

Natural & lyrical imagery: Gerelateerd aan natuur, seizoenen (winter, sneeuw) en Tat'jana's innerlijke wereld.
Individual expectations & aspirations: Romantische zelfreflectie, dromen en poëtische ambities (vooral bij de verteller en Evgenij).
Lyrical–sentimental effusion: Emotie, liefde, hart en ziel; domineert de briefwisseling en emotionele momenten.
Social & mundane milieu: Maatschappelijke conventies, ballen, mode en oppervlakkige interacties (St. Petersburg).
Feelings & social conventions: Conflict, eercode, het duel en de botsing tussen privégevoel en sociale regels.

2. Validatie en Stabiliteit:

LDA-stabiliteit: De consensus-metingen toonden hoge stabiliteit (gemiddelde Jaccard@30 $\approx$ 0,41; Spearman $\approx$ 0,91).
sPLS-DA Performance: De beheerde classificatie bereikte een balanced accuracy van 70% (tegenover 51% voor een willekeurige baseline), wat aantoont dat de LDA-thema's sterke, onderscheidende lexicale patronen vertegenwoordigen.
Convergentie: Er was een sterke overeenkomst tussen de LDA-top-termen en de sPLS-DA discriminant-termen (zichtbaar in de diagonale overeenkomst in de heatmaps), wat de betrouwbaarheid van de thematische indeling bevestigt.

3. Narratieve Inzicht:

De analyse toont aan hoe thema's verschuiven tijdens cruciale momenten. Bijvoorbeeld:
- Tat'jana's brief: Wordt gedomineerd door Lyrical–sentimental effusion en Natural & lyrical imagery.
- Evgenij's antwoord: Behoudt het sentimentele thema, maar krijgt een zwaardere Individual expectations en Social conventions component (afstand en beheersing).
- Het duel: Wordt geassocieerd met een piek in Feelings & social conventions (bloed, eer, dood).
De methode maakt het mogelijk om de emotionele en structurele boog van het gedicht kwantitatief te volgen, waarbij de rol van tijd (seizoenen) en de transformatie van de personages zichtbaar wordt.

Bijdragen en Significantie

Methodologische Innovatie:

Hybride Aanpak: Het artikel demonstreert succesvol hoe LDA (voor probabilische coherentie) en sPLS-DA (voor discriminatieve specificiteit) kunnen worden gecombineerd om de beperkingen van kleine corpora te overwinnen.
Computational Close Reading: Het biedt een template voor "close reading" op computergestuurde wijze. In plaats van "distant reading" (grote corpora), wordt de technologie gebruikt om de interne dynamiek van één complex werk te ontrafelen.
Stabiliteitsprotocol: Het gebruik van multi-seed consensus en post-hoc uitlijning biedt een robuuste oplossing voor de instabiliteit die vaak optreedt bij LDA op kleine datasets.

Literaire Relevantie:

De studie bevestigt en formaliseert literaire interpretaties die door menselijke lezers al intuïtief worden waargenomen (bijv. de tegenstelling tussen Tat'jana's natuurverbondenheid en Evgenij's maatschappelijke gevangenis).
Het toont aan dat zelfs zonder analyse van prosodie of fonologie (alleen lemmatiserde tekst), een transparante methodologie kan leiden tot reproduceerbare thematische kaarten van complexe poëzie.

Conclusie:
De auteur concludeert dat dit hybride framework een waardevol hulpmiddel is voor de computergestunde literatuurwetenschap. Het vervangt niet de traditionele interpretatie, maar biedt een kwantitatieve, reproduceerbare basis die de close reading kan sturen, verfijnen en visueel maken, zelfs binnen de strikte beperkingen van een enkel vertaald gedicht.