💬 NLP

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

Este estudo apresenta uma estrutura híbrida de modelagem de tópicos que integra LDA e sPLS-DA para realizar uma leitura próxima computacional de *Evgenij Onegin* de Pushkin, demonstrando como modelos probabilísticos leves podem mapear temas narrativos e dinâmicas longitudinais em textos poéticos de pequeno corpus, mesmo utilizando apenas uma tradução lematizada.

Autores originais: Angelo Maria Sabatini

Publicado 2026-03-23

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Angelo Maria Sabatini

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um livro gigante, cheio de palavras, e quer descobrir quais são os "temas secretos" que correm por dentro dele, sem ter que ler cada página manualmente. É aí que entra este estudo, que usa a inteligência artificial para fazer uma "leitura de perto" de Eugênio Onegin, um clássico poema russo escrito por Pushkin.

Aqui está a explicação do que os pesquisadores fizeram, usando uma analogia simples:

1. O Problema: A Montanha de Palavras

Pense no poema como uma floresta densa. Se você olhar para a floresta inteira de cima, vê apenas árvores verdes. Se você olhar muito de perto, vê apenas folhas individuais. O desafio é entender como as árvores se agrupam para formar clareiras, rios e montanhas (os temas da história).

Os pesquisadores queriam mapear essa floresta. Eles usaram uma tradução italiana do poema, porque o foco era nas palavras e nos significados, não na música ou na rima original russa.

2. A Ferramenta Mágica: O "Detetive" e o "Criticador"

Para entender a floresta, eles usaram uma equipe de dois especialistas (um método híbrido):

O Detetive (LDA): Imagine um detetive que lê todas as páginas e diz: "Ei, notei que as palavras 'neve', 'inverno' e 'sonho' aparecem juntas muito frequentemente. Vamos chamar isso de Tema A." Ele faz isso de forma automática, sem saber a história de antemão. Ele agrupa as palavras que costumam andar juntas.
O Criticador (sPLS-DA): Agora, imagine um crítico de arte rigoroso. Ele pega o trabalho do Detetive e diz: "Espere, você disse que isso é o Tema A? Deixe-me verificar se as palavras que você escolheu realmente definem esse tema e não se misturam com o Tema B." Ele atua como um filtro de qualidade, garantindo que os temas sejam claros e distintos.

Juntos, eles criam um mapa muito mais confiável do que qualquer um faria sozinho.

3. O Mapa da Floresta: Os 5 Temas Principais

Ao aplicar essa dupla de especialistas no poema, eles descobriram que a história de Eugênio Onegin gira em torno de 5 grandes temas (como se fossem 5 cores diferentes de tinta misturadas na tela):

Imagens Naturais e Líricas: É o mundo de Tatiana. Neve, inverno, florestas, silêncio e sonhos. É a parte poética e solitária da história.
Expectativas e Aspirações: É a mente dos personagens. Glória, mente, tempo, vida. É sobre o que eles desejam ser e o que a vida pode oferecer.
Efluxo Sentimental Lírico: O coração da história. Amor, coração, alma, destino. É onde as emoções explodem, especialmente nas cartas de amor.
Meio Social e Comum: A vida na cidade, bailes, moda, fofocas e a "máscara" que as pessoas usam na sociedade. É o mundo de Eugênio em São Petersburgo.
Sentimentos e Convenções Sociais: O conflito. Amigos vs. inimigos, honra, duelos, sangue. É onde o amor bate de frente com as regras da sociedade.

4. A Jornada da História (O Mapa Dinâmico)

O mais legal é que eles não apenas listaram os temas, mas viram como eles mudam ao longo do livro, como se estivessem assistindo a um filme em câmera lenta.

No início: O tema "Social" domina (Eugênio entediado na cidade).
No meio: O tema "Natural" e "Sentimental" explodem quando Tatiana se apaixona e escreve a carta.
No clímax: O tema "Conflito/Honra" assume o controle durante o duelo que mata o amigo de Eugênio.
No final: Os temas se misturam novamente, mostrando como Tatiana amadureceu (mudando de "Natural" para "Aspirações") e como Eugênio ficou preso no tempo, incapaz de mudar.

5. Por que isso é importante?

Muitas vezes, a tecnologia tenta ler livros de longe (como contar quantas vezes a palavra "amor" aparece em 10.000 livros). Mas aqui, a tecnologia foi usada para ler um único livro com muito cuidado.

É como se eles tivessem criado uma lupa digital. Eles não substituem a leitura humana; eles dão ao leitor uma nova lente para ver padrões que o olho humano poderia perder, confirmando o que os críticos literários já sentiam intuitivamente, mas agora com dados concretos.

Resumo da Ópera:
Os pesquisadores usaram dois tipos de inteligência artificial para desenhar um mapa colorido de Eugênio Onegin. Eles mostraram como as emoções, a natureza e a sociedade se misturam e se separam ao longo da história, provando que a tecnologia pode ser uma grande aliada para entender a beleza e a complexidade da literatura clássica.

1. Problema e Objetivo

O estudo aborda o desafio de aplicar modelagem de tópicos (uma técnica de processamento de linguagem natural não supervisionada) a textos literários curtos e densos, especificamente poemas narrativos.

O Desafio: A modelagem de tópicos tradicional (como LDA) é otimizada para grandes corpora de textos científicos ou técnicos. Em poesia, a aplicação enfrenta dificuldades devido à ambiguidade figurativa, padrões de rima, métrica e à suposição de "saco de palavras" (bag-of-words), que ignora a estrutura sintática e a ordem das palavras.
O Contexto Específico: O objetivo não é a "leitura distante" (distant reading) de milhares de livros, mas sim a "leitura próxima computacional" (computational close reading) de uma única obra: Evgenij Onegin, de Aleksandr S. Puškin.
A Questão de Pesquisa: É possível que estruturas lexicais não supervisionadas (LDA) e supervisionadas converjam para revelar temas estáveis e interpretáveis em um corpus pequeno (um único poema em verso), servindo como uma ferramenta para formalizar a interpretação literária?

2. Metodologia

O autor propõe um framework híbrido que combina modelagem probabilística não supervisionada com análise discriminante supervisionada.

A. Preparação do Corpus e Pré-processamento

Fonte: Tradução italiana de Evgenij Onegin por Giuseppe Ghini (2021), escolhida por sua fidelidade filológica e estrutura estrofica preservada.
Segmentação: O poema foi dividido em 35 documentos (blocos contíguos de 10 a 11 estrofes cada). Essa agregação foi necessária para garantir um sinal lexical estável para o modelo, evitando a instabilidade de estrofes individuais muito curtas.
Limpeza e Tokenização:
- Uso de lematização (redução de palavras à forma de dicionário) para controlar a variabilidade morfológica.
- Filtragem de Classes Gramaticais: Apenas substantivos (incluindo nomes próprios), adjetivos e nomes próprios foram mantidos. Verbos foram excluídos intencionalmente para evitar que a progressão narrativa dominasse os tópicos temáticos, focando na estrutura descritiva e temática.
- Palavras estrangeiras (principalmente francês) foram tratadas como tokens normais.
Matriz Documento-Termo (DTM): Resultou em uma matriz de 35 documentos x 756 lemas.

B. Modelagem Não Supervisionada (LDA)

Algoritmo: Latent Dirichlet Allocation (LDA) com amostragem Gibbs.
Configuração: Fixado em K = 5 tópicos.
Hiperparâmetros: Prioris de Dirichlet ajustados especificamente para corpus pequeno ( $\alpha = 2$ , $\beta = 0.15$ ) para evitar tópicos esparsos e garantir misturas temáticas mais suaves.
Estabilidade: Para lidar com a aleatoriedade do amostrador, foi utilizado um protocolo de consenso multi-semente (100 cadeias independentes). Os resultados foram alinhados usando o algoritmo de atribuição húngara, garantindo que os tópicos fossem consistentes entre as execuções.

C. Validação Supervisionada (sPLS-DA)

Algoritmo: Análise Discriminante de Mínimos Quadrados Parciais Esparsos (sPLS-DA).
Função: Atuar como uma "sonda supervisionada". As etiquetas dos tópicos geradas pelo LDA foram usadas como classes de verdade para treinar classificadores binários (One-vs-Rest).
Objetivo: Identificar quais lemas são mais discriminantes para cada tema e verificar se a estrutura latente do LDA é recuperável sob supervisão. Isso ajuda a refinar os tópicos e identificar marcadores lexicais específicos.

D. Análise Narrativa (Hubs)

Foram definidos "Hubs Narrativos": grupos de estrofes contíguas que correspondem a episódios chave reconhecidos pela crítica literária (ex: a carta de Tatiana, o duelo).
Esses hubs foram mapeados sobre a distribuição de tópicos para visualizar como os temas evoluem ao longo da narrativa.

3. Resultados Principais

Estrutura Temática (5 Tópicos)

O modelo identificou cinco temas coerentes e interpretáveis:

Imagens Naturais e Líricas: Focado em Tatiana, inverno, natureza, sonhos e folclore russo.
Expectativas e Aspirações Individuais: Relacionado à reflexão romântica, glória, mente e o papel do poeta.
Efusão Sentimental Lírica: O tema mais carregado emocionalmente (amor, coração, alma), predominante nas cartas e confissões.
Meio Social e Cotidiano: Focado em bailes, moda, convenções sociais e a vida em São Petersburgo.
Sentimentos e Convenções Sociais: O tema do conflito, honra, violência (duelo) e a tensão entre emoção privada e códigos sociais.

Validação e Estabilidade

Consistência: O modelo mostrou alta estabilidade entre as execuções (Jaccard médio de 0,41 e correlação de Spearman de 0,91).
Desempenho do sPLS-DA: Os classificadores supervisionados alcançaram 85% de precisão geral e 70% de precisão balanceada, superando significativamente as linhas de base aleatórias. Isso confirma que os tópicos do LDA representam contrastes lexicais robustos e não apenas ruído de amostragem.
Convergência: Houve uma forte sobreposição (diagonal no heatmap) entre os termos principais do LDA e os termos discriminantes do sPLS-DA, validando a estrutura temática.

Análise dos Hubs Narrativos

A aplicação aos hubs revelou nuances dinâmicas:

Cartas e Respostas: A análise comparou a carta apaixonada de Tatiana com a resposta fria de Evgenij, e vice-versa no final. O modelo capturou a mudança de tom: enquanto Tatiana usa o tema "Efusão Sentimental" misturado com "Imagens Naturais", a resposta de Evgenij introduz o tema "Sentimentos e Convenções Sociais", refletindo sua repressão e distância.
Evolução dos Personagens: O mapeamento longitudinal mostra a transformação de Tatiana (da natureza para a sociedade) e a estagnação existencial de Evgenij.

4. Contribuições Chave

Framework Híbrido para Leitura Próxima: Demonstra que a combinação de LDA (para descoberta de padrões) e sPLS-DA (para validação e refinamento discriminante) é eficaz para analisar obras literárias únicas e pequenas, onde métodos tradicionais de "leitura distante" falham.
Validação de Pequenos Corpora: Propõe um protocolo robusto (consenso multi-semente e validação supervisionada) para lidar com a instabilidade estatística inerente a corpora pequenos (n=35 documentos).
Mapeamento de Arcos Narrativos: Introduz o conceito de "hubs narrativos" para conectar a análise quantitativa de tópicos diretamente com a estrutura episódica da narrativa, permitindo uma leitura computacional que respeita a arquitetura literária.
Reprodutibilidade: Oferece um template metodológico transparente aplicável a outros textos literários densos e de alta complexidade.

5. Significado e Conclusão

O estudo conclui que a modelagem de tópicos, quando adaptada e validada criticamente, não substitui a interpretação literária humana, mas oferece uma forma computacional de leitura próxima.

O framework torna explícitas e rastreáveis estruturas temáticas que leitores atentos percebem intuitivamente.
A abordagem valida que, mesmo abstraindo características estilísticas como métrica e fonologia, os padrões de co-ocorrência lexicais podem mapear com precisão a arquitetura emocional e narrativa de um poema complexo.
O trabalho abre caminho para futuras aplicações comparativas em outras narrativas em verso, sugerindo que métodos probabilísticos leves podem ser ferramentas poderosas para a crítica literária digital.