Markov reads Pushkin, again: A statistical journey into the poetic world of Evgenij Onegin

Título: Markov lê Puškin, novamente: Uma jornada estatística para o mundo poético de Evgenij Onegin

Autor: Angelo Maria Sabatini (Instituto de BioRobótica, Scuola Superiore Sant'Anna, Pisa, Itália)

---

1. Problema e Contexto

O artigo propõe uma reavaliação da abordagem original de Andrej A. Markov (1913), que aplicou cadeias de Markov para analisar a estrutura fonológica de Evgenij Onegin, de Aleksandr Puškin. O objetivo central é investigar se modelos probabilísticos minimalistas, baseados apenas na alternância de vogais e consoantes (V/C), podem capturar dinâmicas estruturais e narrativas complexas em textos literários.

O estudo busca responder a duas questões principais:

1. É possível modelar a estrutura fonológica de uma obra poética clássica e sua tradução contemporânea usando cadeias de Markov de baixa ordem?
2. Existem assimetrias estruturais entre o texto original russo e a tradução italiana que reflitam diferenças estilísticas ou narrativas, e como essas diferenças evoluem ao longo da obra?

2. Metodologia

Corpus e Pré-processamento

• Dados: O estudo utiliza o texto completo de Evgenij Onegin (8 capítulos, 421 estrofes) em russo (ortografia pós-1918) e uma tradução italiana recente de Giuseppe Ghini.
• Codificação Binária: Inspirado no esquema original de Markov, o texto foi codificado como uma série temporal simbólica binária: V (vogal) e C (consoante).
  • Punctuation, espaços e sinais "duros" (ъ) e "moles" (ь) foram excluídos.
  • Expressões em alfabeto latino presentes no texto russo foram mantidas.
• Alinhamento: Os textos foram alinhados ao nível da estrofe para permitir comparações estruturais, embora a segmentação em blocos para análise estatística tenha sido feita independentemente.

Modelagem Estatística

Dois modelos de Markov foram considerados, mas a análise focou em um Modelo de Markov de Quatro Estados (ordem 2 implícita):

1. Estado de 2 estados (Clássico): Transições V $\to$ C ou C $\to$ V.
2. Estado de 4 estados (Proposto): O espaço de estados é expandido para bigramas de V/C: VV, VC, CV, CC.
   • Isso permite capturar dependências de segunda ordem (a probabilidade do próximo símbolo depende dos dois anteriores) mantendo a formalidade de uma cadeia de primeira ordem sobre os bigramas.
   • O modelo calcula probabilidades de transição condicionais (ex: $P(V | VV)$).

Métricas e Validação

• Profundidade de Memória (MD - Memory Depth): Definida como $MD = 1 - CF$, onde $CF$ é o fator de correção complexo (dispersão).
  • $MD = 0$: Dependência perfeita (memória máxima).
  • $MD = 1$: Independência perfeita (aleatoriedade).
  • A métrica quantifica o quanto o contexto local (2 símbolos anteriores) melhora a previsibilidade.
• Análise de Blocos: O texto foi dividido em blocos de 10.000 caracteres para analisar a evolução temporal das métricas.
• Validação:
  • Bootstrap de Blocos Móveis (MBB): Técnica de reamostragem não paramétrica para gerar intervalos de confiança robustos, preservando a dependência temporal de curto prazo.
  • Dados Surrogados: Sequências reordenadas aleatoriamente (mantendo estrutura local, mas destruindo ordem global) para testar a significância das tendências observadas.
  • Teste de Ljung-Box: Para rejeitar a hipótese nula de independência serial.

Probes Fonológicos

Foi introduzida uma abordagem para identificar "sondas fonológicas": padrões de trigramas (ex: VVV, CCC, VVC, CCV) cujas frequências apresentam tendências estatísticas significativas ao longo do texto, correlacionadas com o desenvolvimento narrativo.

3. Resultados Principais

Divergência na Profundidade de Memória (MD)

• Texto Russo: Apresenta uma tendência de declínio significativa na MD ao longo dos blocos. Isso indica que a dependência local (memória de curto prazo) diminui gradualmente à medida que o poema avança, tornando a sequência de V/C mais "aleatória" ou menos previsível baseada apenas nos dois últimos símbolos.
• Tradução Italiana: Mantém uma MD estável e uniforme ao longo de todo o texto, sem tendência de declínio.
• Validação: O termo de interação no modelo linear (Bloco $\times$ Fonte) é consistentemente negativo, confirmando que a divergência não é um artefato de amostragem, mas uma diferença estrutural real entre as versões.

Análise de Autocorrelação e Adequação do Modelo

• O teste de Ljung-Box rejeitou a hipótese de independência serial ($p < 0.0001$) para ambos os textos, validando o uso de cadeias de Markov.
• Simulações geradas pelo modelo de 4 estados reproduziram com alta precisão as distribuições empíricas de trigramas e a evolução da MD, confirmando que o modelo é um gerador adequado da estrutura local.

Sondas Fonológicas e o Caso "вст"

• A análise focou em trigramas persistentes (VVV, CCC) e alternantes (VVC, CCV).
• No russo, a frequência de trigramas persistentes aumenta, enquanto a de alternantes diminui, correlacionando-se com a queda na MD.
• Caso de Estudo ("вст"): O trígamo consonantal "вst" (que aparece em palavras como встретить - encontrar, чувство - sentimento) foi identificado como uma sonda fonológica robusta.
  • Sua frequência apresenta uma tendência de aumento estatisticamente significativa ao longo do poema.
  • A análise léxica revelou que "вst" está fortemente associado a temas de encontro e emoção.
  • Há uma correlação significativa entre a ocorrência de "вst" e a menção dos protagonistas (Tatiana e Onegin) nas estrofes correspondentes, sugerindo que a estrutura fonológica superficial reflete o arco narrativo emocional.

4. Contribuições Chave

1. Reavaliação Histórica com Ferramentas Modernas: O estudo atualiza a metodologia de Markov de 1913 utilizando estatística computacional moderna (Bootstrap, modelos de dados surrogados), demonstrando a validade contínua da abordagem simbólica.
2. Modelo Generativo Minimalista: Demonstra que um modelo de Markov de apenas 4 estados (baseado em bigramas V/C) é suficiente para capturar não apenas a estrutura local, mas também padrões de memória de longo prazo e tendências estilísticas em textos complexos.
3. Descoberta de Assimetria Tradução-Original: Revela que a tradução italiana, embora fiel metricamente, perde a dinâmica de "afrouxamento" da estrutura fonológica presente no original russo, sugerindo uma perda de complexidade estilística ou narrativa na transposição linguística.
4. Conexão Estrutura-Fonologia-Narrativa: Estabelece uma ligação empírica entre padrões fonológicos simples (trigramas de V/C) e temas narrativos complexos (encontros, emoções), validando a ideia de que a "forma" gráfica carrega informações semânticas profundas.

5. Significado e Implicações

O artigo conclui que modelos estatísticos minimalistas, quando aplicados a textos literários com uma camada de anotação linguística grosseira (codificação V/C), podem servir como uma ferramenta poderosa para a poética comparativa.

• Implicação Teórica: A estrutura fonológica de um texto não é apenas ruído de fundo, mas um componente estrutural que evolui em sincronia com a narrativa. A capacidade de detectar isso através de uma representação binária sugere que certas regularidades estilísticas são robustas e independentes de camadas léxicas ou sintáticas mais complexas.
• Aplicabilidade: A metodologia oferece um framework geral para analisar a evolução de textos, comparar traduções e investigar a "assinatura" estilística de autores, sem depender de processamento de linguagem natural (NLP) complexo ou embeddings semânticos.
• Futuro: O estudo sugere que a combinação de modelos Markovianos com representações mais ricas (como tópicos ou embeddings) poderia revelar estruturas semânticas latentes ainda mais profundas, mas já prova que a simplicidade tem valor analítico inegável.

Em suma, o trabalho demonstra que, ao "ler" Puškin através das lentes de Markov e da ciência de dados moderna, é possível revelar padrões ocultos de memória, estilo e narrativa que conectam a forma gráfica à substância emocional da obra.