BhaRaTa: A Novel Framework for Emotion Analysis of Sanskrit Narratives

Stel je voor dat je een detective bent die probeert de stemming van een kamer te begrijpen door alleen te luisteren naar de mensen die er praten. In de wereld van de informatica wordt dit "emotieanalyse" genoemd. Meestal zijn computers best goed in het herkennen van de basis: is iemand blij of verdrietig? Is een recensie positief of negatief? Maar het echte leven, en vooral geweldige verhalen, is veel ingewikkelder dan een simpele "duim omhoog" of "duim omlaag". Mensen voelen een duizelingwekkende mix van gevoelens tegelijkertijd—zoals enthousiast zijn maar ook een beetje zenuwachtig, of boos zijn maar ook trots.

Lama tijd hebben computers geprobeerd deze complexe gevoelens te begrijpen met behulp van westerse psychologische kaarten, die emoties categoriseren in termen als "vreugde", "angst" of "woede". Maar wat als er een totaal andere kaart bestaat? Eén die duizenden jaren geleden in het oude India werd getekend? Dit artikel duikt in een hoek van de wetenschap die Natural Language Processing (NLP) wordt genoemd, waar onderzoekers computers leren om menselijke taal te lezen en te begrijpen. De grote vraag hier is: kunnen we een computer leren om de diepe, genuanceerde emoties van oude Sanskriet-verhalen te begrijpen met behulp van een oude Indiase theorie genaamd Rasa? Deze theorie suggereert dat verhalen niet alleen gaan over wat er gebeurt, maar over de specifieke "smaak" of esthetische ervaring die ze creëren in de geest van de lezer, opgebouwd uit kleine emotionele aanwijzingen. Als we deze code kunnen kraken, kan dit computers helpen om literatuur op een veel menselijkere manier te begrijpen, waarbij de unieke culturele geschiedenis van hoe verhalen worden verteld, wordt gerespecteerd.

---

Het Oude Recept voor Emotie: BhaRaTa

Maak kennis met het team achter BhaRaTa (wat staat voor Bhāva & Rasa Tagging). Zij zijn een groep onderzoekers van IIIT-Hyderabad die besloten een zeer specifieke, zeer lastige puzzel aan te pakken: Hoe leer je een computer de emoties in Sanskriet-toneelstukken te begrijpen?

Sanskriet is een oude taal, een soort linguïstisch fossiel. Het is prachtig, maar het is ook zeldzaam in de digitale wereld. Er zijn geen miljoenen tweets of Reddit-berichten in het Sanskriet waar computers van kunnen leren. Bovendien zijn de toneelstukken zelf complex. Het zijn niet alleen dialogen; het is een mix van poëzie en proza, vol fysieke handelingen, gefluister en dramatische stiltes. De onderzoekers wisten dat als ze de standaard "westerse" emotietools zouden gebruiken (die zoeken naar simpele woorden als "blij" of "verdrietig"), ze de magie zouden missen. Daarom bouwden ze een nieuw kader gebaseerd op de Nāṭyaśāstra, een oud traktaat over drama dat fungeert als een receptenboek voor het creëren van emotionele ervaringen.

De Ingrediënten: Bhāva en Rasa

Om hun experiment te begrijpen, moet je hun ingrediënten begrijpen. De onderzoekers gebruikten twee hoofdconcepten uit de oude tekst:

1. Bhāva (De Ingrediënten): Beschouw deze als de ruwe emotionele staten. In een toneelstuk kan een personage verlangen, angst, vreugde of vastberadenheid voelen. Dit zijn de specifieke, momentopname-gevoelens. De onderzoekers identificeerden 31 van deze "smaken" om in de tekst te labelen.
2. Rasa (Het Gerecht): Dit is het grote plaatje. Wanneer je al die kleine bhāva's op een specifieke manier mengt, creëren ze een dominante stemming of esthetische ervaring voor de hele scène, genaamd Rasa. Het is net zoals het mengen van bloem, suiker en eieren om een cake te maken. Je proeft niet meer alleen "bloem"; je proeft "cake". In het Sanskriet-drama kan een scène worden gedomineerd door Romantiek, Heldendom, Horror of Komedie.

Het doel van het team was om te zien of een computer de "cake" (de stemming van de scène) kon proeven door de "ingrediënten" (de individuele regels dialoog) te analyseren.

Het Experiment: De Machine Voeden

De onderzoekers verzamelden 18 beroemde Sanskriet-toneelstukken, waaronder werken van de legendarische toneelschrijver Kālidāsa. Ze brachten de tekst op orde (wat verrassend moeilijk was omdat de oude digitale versies ontbrekende woorden en typefouten bevatten) en braken de stukken af in 6.947 individuele regels dialoog.

Daarna deden ze het zware werk: ze labelden elke regel handmatig met de juiste bhāva (emotie) en elke scène met de juiste sthāyībhāva (de dominante stemming). Ze creëerden een speciale webtool om hen hierbij te helpen, waardoor ervoor werd gezorgd dat twee verschillende mensen het meestal eens waren over de labels. Dit creëerde een gloednieuwe dataset, een schatkist aan geannoteerd Sanskriet-drama die daarvoor nog nooit had bestaan.

Toen de data klaar was, gooiden ze het naar de computers. Ze probeerden twee hoofdbenaderingen:

1. De Regel-voor-Regel Test: Kan de computer naar één enkele zin kijken en de emotie raden? (bijv. "Is deze regel 'Vreugde' of 'Angst'?")
2. De Scènetest: Kan de computer naar een hele scène kijken en de algemene stemming raden? (bijv. "Is deze scène 'Romantisch' of 'Heroïsch'?")

Ze testten veel verschillende soorten "computerbreinen", van eenvoudige, ouderwetse wiskundige modellen tot chique, moderne AI-systemen die lezen als mensen (genaamd Transformers).

De Resultaten: Oud Wins van Nieuw

Hier wordt het verhaal interessant. Je zou verwachten dat de superintelligente, moderne AI-modellen gemakkelijk zouden winnen. Ze zijn immers getraind op enorme hoeveelheden data. Maar in dit geval deden de eenvoudige, ouderwetse modellen het eigenlijk beter.

Waarom? De onderzoekers suggereren dat de dataset te klein was voor de gigantische AI-modellen. De Sanskriet-toneelstukken bevatten slechts ongeveer 7.000 regels. Voor een enorme AI is dat alsof je probeert piano te leren spelen door slechts drie liedjes te beluisteren. De AI raakte in de war en probeerde patronen te memoriseren die niet werkten. De eenvoudigere modellen waren echter als een scherpe detective die de specifieke "kenmerken" in de Sanskriet-woorden kon opmerken—bepaalde zinsneden die altijd "woede" of "vreugde" betekenden—zonder overweldigd te raken.

De onderzoekers ontdekten dat de beste manier om de puzzel op te lossen een hiërarchische aanpak was. In plaats van de computer te vragen om één van de 32 emoties in één keer te raden (wat is als een kind vragen om een specifieke kaart uit een dek van 52 te raden zonder enige aanwijzingen), vroegen ze hem eerst de categorie te raden (Is het positief, negatief of gemengd?) en daarna de specifieke emotie. Deze "tweestapsmethode" werkte veel beter en verhoogde de nauwkeurigheid aanzienlijk.

Wat betreft het raden van de stemming van de hele scène, ontdekte de computer dat het kijken naar de distributie van emoties de sleutel was. Als een scène veel regels met "Vreugde" en "Verlangen" had, kon de computer correct raden dat de scène "Romantisch" was. Interessant genoeg was het voor de computer moeilijker en minder nauwkeurig om de stemming te raden door alleen de ruwe tekst van de scène te lezen (zonder eerst de emoties te tellen). Het lijkt erop dat voor deze oude toneelstukken de mix van kleine emoties een sterkere aanwijzing is dan de ruwe woorden zelf.

Wat Niet Werkte

De onderzoekers probeerden ook de nieuwste, krachtigste AI-modellen beschikbaar te gebruiken (Large Language Models zoals Llama 3.1). Ze probeerden deze modellen direct de emoties te laten raden. De resultaten waren teleurstellend. De modellen presteerden erg slecht en hadden het vaker fout dan goed. De onderzoekers suggereren dat deze algemene AI-modellen nog niet klaar zijn voor deze specifieke taak; ze hebben meer training op specifiek Sanskriet nodig voordat ze de subtiele nuances van deze oude toneelstukken kunnen begrijpen.

De Conclusie

Dit artikel beweert niet dat het het mysterie van de menselijke emotie heeft opgelost. In plaats daarvan legt het de fundering. Het laat zien dat:

• We computers succesvol kunnen leren om oude Indiase emoties te begrijpen met een kader gebaseerd op een 2.000 jaar oude theorie.
• Voor talen met weinig middelen (low-resource languages) zoals het Sanskriet, werken eenvoudigere, slimmere modellen vaak beter dan enorme, data-hongerige AI's.
• Het opdelen van een complex probleem (het raden van 32 emoties) in kleinere stappen (eerst de categorie raden) maakt de computer veel nauwkeuriger.

De onderzoekers zijn enthousiast omdat dit pas het begin is. Ze hopen dit "BhaRaTa"-kader te gebruiken om andere soorten Sanskriet-literatuur te analyseren, zoals epen en poëzie, en uiteindelijk deze ideeën toe te passen op andere Indiase talen. Ze hebben bewezen dat oude wijsheid en moderne technologie kunnen mengen om iets nieuws te creëren, wat ons helpt de emotionele diepgang van verhalen te begrijpen die millennia lang hebben overleefd.