Computational Analysis of Semantic Connections Between Herman Melville Reading and Writing

Resumo Técnico: Análise Computacional de Conexões Semânticas entre a Leitura e a Escrita de Herman Melville

1. Problema e Contexto

O estudo aborda o desafio de identificar influências literárias e apropriação de fontes na obra de autores históricos, especificamente Herman Melville (século XIX). Tradicionalmente, a identificação de fontes envolve a leitura atenta e comparação manual por especialistas, um processo limitado pela vastidão de dados textuais disponíveis e pela dificuldade de rastrear reescritas complexas onde o autor altera vocabulário e estrutura, mantendo o significado original.
O problema central é: Como identificar sistematicamente traços de influência literária entre as obras de um autor e os livros que ele leu ou possuiu, especialmente quando a influência não é uma citação direta, mas sim uma reescrita semântica ou parafraseada?

2. Metodologia

Os autores propõem uma abordagem baseada em análise de similaridade semântica computacional utilizando o modelo BERTScore. O processo metodológico envolve as seguintes etapas:

• Dados:
  • Corpus de Escrita: Passagens selecionadas das obras de Melville (ex: Typee, Moby Dick, Israel Potter).
  • Corpus de Leitura: Textos de livros conhecidos por terem sido lidos ou possuídos por Melville, com datas de aquisição documentadas (ex: A Visit to the South Seas, Life and Remarkable Adventures of Israel R. Potter).
  • As fontes dos dados incluem o Project Gutenberg e o Internet Archive.
• Estratégia de Segmentação (Chunking):
  Para capturar diferentes níveis de granularidade, os textos foram divididos de duas formas:
  1. N-gramas não sobrepostos (5-gramas): Foca em sobreposição lexical fina e frases curtas recorrentes.
  2. Segmentação por Frase: Mantém unidades semânticas maiores e informações sintáticas, embora resulte em comprimentos de bloco desiguais.
• Métrica de Similaridade (BERTScore):
  • Utiliza embeddings contextualizados de modelos pré-treinados (variante Microsoft/deberta-xlarge-mnli) para calcular a similaridade semântica.
  • Diferente de métricas tradicionais como BLEU ou ROUGE (baseadas em sobreposição de palavras exatas), o BERTScore captura correspondências de significado e paráfrase.
  • Métricas de Saída: Precisão ($P$), Recuperação ($R$) e F1-score.
• Abordagem de Interpretação:
  Ao invés de aplicar um limiar fixo para determinar "plágio" ou "uso", os autores interpretam as pontuações (especialmente F1 mais altos) como indicadores de alinhamento semântico que merecem investigação qualitativa por especialistas.

3. Contribuições Principais

• Aplicação de BERTScore em Estudos Literários: Posiciona o BERTScore como uma ferramenta viável para investigar influências de leitura na escrita de autores, deslocando o foco da detecção de plágio para a descoberta de fontes literárias.
• Estudo de Viabilidade: Apresenta um estudo piloto comparando passagens específicas de Melville com seus textos de referência, validando se métricas semânticas podem destacar sobreposições conhecidas e descobrir novas.
• Análise Multigranular: Demonstra a utilidade de combinar segmentação por 5-gramas (para sobreposições locais) e por frase (para relações semânticas mais amplas).
• Insights sobre Limitações: Identifica que métricas baseadas em embeddings podem gerar falsos positivos em frases curtas e genéricas, sugerindo a necessidade de futuras ponderações por especificidade.

4. Resultados Experimentais

Os experimentos foram realizados em quatro pares de textos (casos de estudo validados por especialistas):

• Validação de Casos Conhecidos: O modelo conseguiu detectar com sucesso as similaridades já identificadas por estudiosos.
  • Exemplo 1 (Typee vs. Stewart): O modelo identificou picos de F1-score (ex: 0,77 em 5-gramas e 0,63 em nível de frase) em passagens onde Melville reescreveu o texto de Stewart, mesmo com alterações vocabulares.
  • Exemplo 4 (Moby Dick vs. Beale): O estudo mostrou que, quando uma ideia de uma única frase na fonte é expandida em múltiplas frases na obra de Melville, o score de similaridade por frase diminui (diluição do sinal), mas a precisão ainda indica correspondência forte nos tokens compartilhados.
• Descoberta de Novos Paralelos: Ao analisar o caso de Israel Potter, o modelo identificou não apenas a reescrita direta (diagonal de alta similaridade no mapa de calor), mas também passagens com alta similaridade semântica que não haviam sido marcadas previamente.
• Comparação de Granularidade:
  • 5-gramas: Mais eficaz para capturar sobreposições lexicais localizadas e frases curtas.
  • Frase: Oferece contexto mais amplo, mas sofre com variações de precisão e recuperação devido a diferenças no tamanho das frases.
• Limitações Identificadas: Frases curtas e genéricas (ex: "Ao meio-dia, o cavaleiro visitou seus trabalhadores") tendem a produzir scores de precisão altos erroneamente (falsos positivos) devido à natureza genérica dos embeddings, destacando a necessidade de filtragem humana.

5. Significado e Conclusão

O estudo conclui que métodos de similaridade semântica, especificamente o BERTScore, fornecem um framework computacional robusto para apoiar estudos de fontes e influência literária.

• Valor Acadêmico: A abordagem permite escalar a análise de grandes corpora, indo além da capacidade da leitura manual tradicional.
• Processo Híbrido: O sistema não substitui o especialista, mas atua como uma ferramenta de triagem que destaca passagens candidatas para análise qualitativa profunda.
• Futuro: Os autores sugerem o desenvolvimento de estratégias de segmentação adicionais (nível de parágrafo) e a implementação de técnicas para reduzir falsos positivos em textos genéricos, visando uma análise de corpus completo das obras de Melville e de outros autores.

Em suma, o trabalho demonstra que é possível quantificar e visualizar a "pegada" semântica de livros lidos dentro das obras escritas, mesmo quando o autor reescreve o material de forma criativa e não literal.