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

Technische Samenvatting: Darshana Graph

Probleemstelling
De klassieke Indiase filosofie wordt fundamenteel gekenmerkt door eeuwen van argumentatie tussen verschillende tradities (hindoe, boeddhistisch en jaïstisch) die dezelfde fundamentele teksten interpreteren. Echter, bestaande digitale bronnen slagen er grotendeels niet in om deze comparatieve dimensie te vatten. De meeste beschikbare datasets presenteren een enkele vertaling vanuit een enkel standpunt, of aggregeren meerdere teksten zonder ze zodanig te structureren dat een directe vergelijking mogelijk is van hoe verschillende commentatoren dezelfde kernvers of sutra interpreteren. Bijgevolg missen machineleesbare bronnen de noodzakelijke structurele uitlijning om de interpretatieve divergentie tussen scholen te bestuderen.

Methodologie
De auteurs hebben Darshana Graph geconstrueerd, een corpus van meer dan 125.000 tekstrecords afkomstig uit publiek domein en onder open licentie staande bronnen. Het corpus wordt gedomineerd door de Pali Canon (114.591 records), maar bevat ook een structureel unieke subset van ongeveer 8.500 hindoeïstische en jaïstische records.

• Corpusconstructie: De kerninnovatie is het uitlijningsschema. Een enkel record vertegenwoordigt een kernvers of sutra (bijv. Brahma Sutra 1.1.1) en bevat parallelle velden voor meerdere commentaren van verschillende scholen (bijv. Advaita, Vishishtadvaita, Dvaita). De auteurs hebben aanzienlijke problemen met de datakwaliteit tijdens de constructie aangepakt, specifiek identifier-botsingen veroorzaakt door scraping-functies die interne tellers resetten, wat het genereren van globaal unieke identifiers vereiste om stilzwijgend dataverlies te voorkomen.
• Stylometrische Analyse: De eerste analyse maakt gebruik van puur statistische, niet-machine learning methoden om argumentatieve stijlen te vergelijken. De auteurs berekenden vijf metrieken: gemiddelde passage-lengte, woorden per zin, vocabulaire-diversiteit, de proportie passages met expliciete scripturale citaties, en de proportie met expliciete weerleggingsmarkeringen. Deze markeringen werden geïdentificeerd via eenvoudige, handmatig gedefinieerde reguliere expressies.
• Knowledge Graph Extractie: De tweede analyse maakt gebruik van een beperkte Large Language Model (LLM) pipeline (Llama 3.1 8B) om getypeerde filosofische relaties te extraheren. Om de controleerbaarheid te waarborgen, wordt het model beperkt tot een gesloten, vooraf gedefinieerde vocabulaire van dertien relatietypes en specifieke schoollabels. Elke output die buiten deze vocabulaire valt, wordt mechanisch weggegooid na de generatie, ongeacht de syntactische validiteit. Deze aanpak geeft prioriteit aan controleerbaarheid boven recall.

Belangrijkste Resultaten

• Stylometrische Patronen:
  • Citatie versus Weerlegging: Er werd een matige negatieve correlatie waargenomen tussen de dichtheid van scripturale citaties en de ratio van expliciete weerleggingen bij commentatoren. Degenen die zwaar leunden op geaccumuleerd tekstueel bewijs (bijv. Madhva) besteedden naar verwachting minder moeite aan het expliciet benoemen en weerleggen van rivaliserende posities, terwijl degenen met lagere citatieratio's (bijv. Nimbarka, Srinivasa) hogere weerleggingsratio's vertoonden.
  • Generationele Trends: Binnen een specifieke doctrinaire lijn werd een opvallende toename in de weerleggingsratio waargenomen over drie figuren die ongeveer zes eeuwen beslaan (Madhva op 2,0%, Nimbarka op 13,2%, en Srinivasa op 42,0%). De auteurs merken op dat dit een patroon is dat aandacht verdient van specialisten in plaats van een statistisch gevalideerde trend, waarbij zij verwijzen naar verstorende factoren zoals het specifieke genre van de sub-commentaar van Srinivasa.
  • Pali Canon Structuur: Interne analyse van de Pali Canon onthulde meetbare genre-specifieke verschillen in passage-lengte, waarbij aphoristische teksten zoals de Dhammapada gemiddeld 31 tekens per segment hebben versus meer discursieve collecties zoals de Udana met 74 tekens.
• Concept Graph Bevindingen:
  • De extractie-pipeline slaagde erin om cross-school onenigheidspatronen te identificeren. Het meest betwiste paar, atman en brahman, toonde aan dat Advaita identiteit (IS_IDENTICAL_TO) beweert, terwijl Vishishtadvaita en Dvaita onderscheidelijkheid (IS_DISTINCT_FROM) beweren, gebaseerd op verschillende bewijspassages.
  • Een tweede betwist paar, atman en jiva, toonde aan dat Advaita onderscheidelijkheid beweert terwijl andere scholen identiteit beweren, wat de standaard doctrinaire behandelingen van het empirisch geconditioneerde zelf reflecteert.
• Beperkingen en Foutmodi:
  • Ongeveer 70% van de geëxtraheerde edges droeg een algemene in plaats van een specifieke school-attributie, wat wordt toegeschreven aan modelbeperkingen in plaats van bron-ambiguïteit.
    {% end %} De relatietype IS_QUALIFIED_ASPECT_OF was significant oververtegenwoordigd, wat suggereert dat het model bij onzekerheid terugviel op dit label.
  • Een embedding-gebaseerde, extractievrije methode die werd gebruikt om de bevindingen te bevestigen, produceerde resultaten die in directe spanning stonden met de LLM-bevindingen voor het atman-brahman paar, wat wijst op een beperking van topic-niveau zin-embeddings bij het vastleggen van propositionele filosofische overeenstemming.

Betekenis en Claims
Het artikel positioneert de uitlijningsstructuur van het corpus — het koppelen van hetzelfde bronmateriaal aan achttien verschillende commentatoren uit vijf scholen — als de primaire en meest verdedigbare bijdrage, waarbij wordt opgemerkt dat een dergelijke structuur elders niet op deze schaal beschikbaar is.

De auteurs kaderen de stylometrische analyse expliciet als een transparant, reproduceerbaar startpunt voor filologische lezing in plaats van een gevalideerde theorie over retorische strategie. Evenzo wordt de kennisgrafiek-extractie gepresenteerd als "werkelijk nuttig maar expliciet minder volwassen", met een eerlijke verantwoording van de foutmodi. De betekenis van het werk ligt in:

1. Het bieden van een bron die een directe computationele vergelijking van onafhankelijke interpretatieve tradities mogelijk maakt.
2. Het demonstreren van een beperkte LLM-pipeline die de voorkeur geeft aan controleerbaarheid boven recall bij de analyse van historische teksten.
3. Het dienen als een gedocumenteerde casestudy over de praktische moeilijkheden van LLM-ondersteunde kennisextractie uit multi-perspectivische tekstuele tradities.

De auteurs stellen het volledige corpus, de geëxtraheerde relatiegrafiek en alle constructiecode beschikbaar, en nodigen uit tot verder werk op het gebied van formele precisie-evaluatie en de uitbreiding van het corpus om de geïdentificeerde hiaten in de dekking van scholen en het onderscheid tussen sub-tradities aan te pakken.