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

Resumo Técnico: Darshana Graph

Definição do Problema
A filosofia indiana clássica é fundamentalmente caracterizada por séculos de argumentação entre tradições distintas (hindu, budista e jainista) interpretando os mesmos textos fundacionais. No entanto, os recursos digitais existentes falham amplamente em capturar essa dimensão comparativa. A maioria dos conjuntos de dados disponíveis apresenta traduções únicas com um único ponto de vista, ou agrega múltiplos textos sem estruturá-los para permitir a comparação direta de como diferentes comentadores interpretam o mesmo verso ou sutra raiz. Consequentemente, os recursos legíveis por máquina carecem da alinhamento estrutural necessário para estudar a divergência interpretativa entre as escolas.

Metodologia
Os autores construíram o Darshana Graph, um corpus de mais de 125.000 registros de texto extraídos exclusivamente de fontes de domínio público e de licença aberta. O corpus é dominado pelo Cânone Pali (114.591 registros), mas inclui um subconjunto estruturalmente único de aproximadamente 8.500 registros hindus e jainistas.

• Construção do Corpus: A inovação central é o esquema de alinhamento. Um único registro representa um verso ou sutra raiz (ex: Brahma Sutra 1.1.1) e contém campos paralelos para múltiplas interpretações de diferentes escolas (ex: Advaita, Vishishtadvaita, Dvaita). Os autores abordaram problemas significativos de qualidade de dados durante a construção, especificamente colisões de identificadores causadas por funções de raspagem (scraping) que resetavam contadores internos, o que exigiu a regeneração de identificadores globalmente únicos para evitar a perda silenciosa de dados.
• Análise Estilométrica: A primeira análise emprega métodos puramente estatísticos, não baseados em aprendizado de máquina, para comparar estilos argumentativos. Os autores computaram cinco métis: comprimento médio de passagem, palavras por sentença, diversidade de vocabulário, a proporção de passagens com citações de escrituras explícitas e a proporção com marcadores de refutação explícitos. Esses marcadores foram identificados via expressões regulares simples e manuais.
• Extração de Grafo de Conhecimento: A segunda análise utiliza um pipeline de Grande Modelo de Linguagem (LLM) restrito (Llama 3.1 8B) para extrair relações filosóficas tipadas. Para garantir a auditabilidade, o modelo é restrito a um vocabulário fechado e predefinido de treze tipos de relação e rótulos de escolas específicos. Qualquer saída que caia fora deste vocabulário é descartada mecanicamente após a geração, independentemente da validade sintática. Esta abordagem prioriza a auditabilidade sobre o recall.

Resultos Principais

• Padrões Estilométricos:
  • Citação vs. Refutação: Observou-se uma correlação negativa moderada entre a densidade de citação de escrituras e as taxas de refutação explícita entre comentadores. Aqueles que dependiam fortemente de provas textuais acumuladas (ex: Madhva) tendiam a dedicar menos esforço para nomear e refutar explicitamente posições rivais, enquanto aqueles com menores taxas de citação (ex: Nimbarka, Srinivasa) exibiam maiores taxas de refutação.
  • Tendências Geracionais: Dentro de uma linhagem doutrinária específica, observou-se um aumento marcante na taxa de refutação através de três figuras abrangendo aproximadamente seis séculos (Madhva com 2,0%, Nimbarka com 13,2% e Srinivasa com 42,0%). Os autores observam isso como um padrão digno de atenção especializada, e não como uma tendência estatisticamente validada, citando confusões (confounds) como o gênero específico do subcomentário de Srinivasa.
  • Estrutura do Cânone Pali: Uma análise interna do Cânone Pali revelou diferenças de gênero mensuráveis no comprimento das passagens, com textos aforísticos como o Dhammapada apresentando média de 31 caracteres por segmento, contra coleções mais discursivas como o Udana, com 74 caracteres.
• Descobertas do Grafo de Conceitos:
  • O pipeline de extração identificou com sucesso padrões de discordância entre escolas. O par mais contestado, atman e brahman, mostrou a Advaita afirmando identidade (IS_IDENTICAL_TO) enquanto a Vishishtadvaita e a Dvaita afirmavam distinção (IS_DISTINCT_FROM), fundamentadas em diferentes passagens de evidência.
  • Um segundo par contestado, atman e jiva, mostrou a Advaita afirmando distinção enquanto outras escolas afirmavam identidade, refletindo os tratamentos doutrinários padrão do eu empiricamente condicionado.
• Limitações e Modos de Falha:
  • Aproximadamente 70% das arestas extraídas carregavam uma atribuição de escola geral em vez de específica, atribuído a limitações do modelo e não à ambiguidade da fonte.
  • O tipo de relação IS_QUALIFIED_ASPECT_OF foi significativamente super-representado, sugerindo que o modelo recorria a este rótulo quando estava incerto.
  • Um método baseado em embeddings, sem extração, usado para corroborar os achados, produziu resultados em tensão direta com os achados do LLM para o par atman-brahman, destacando uma limitação dos embeddings de sentenças de nível de tópico em capturar o acordo proposicional filosófico.

Significância e Alegações
O artigo posiciona a estrutura de alinhamento do corpus — vinculando o mesmo material de origem a dezoito comentadores distintos em cinco escolas — como sua principal e mais defensável contribuição, observando que tal estrutura não está disponível em outro lugar nesta escala.

Os autores enquadram explicitamente a análise estilométrica como um ponto de partida transparente e reproduzível para a leitura filológica, e não como uma teoria validada de estratégia retórica. Da mesma forma, a extração do grafo de conhecimento é apresentada como "genuinamente útil, mas explicitamente menos madura", com um relato franco de seus modos de falha. A significância do trabalho reside em:

1. Fornecer um recurso que permite a comparação computacional direta de tradições interpretativas independentes.
2. Demonstrar um pipeline de LLM restrito que troca o recall pela auditabilidade na análise de textos históricos.
3. Oferecer um estudo de caso documentado sobre as dificuldades práticas da avaliação honesta da extração de conhecimento assistida por LLM a partir de tradições textuais de múltiplas perspectivas.

Os autores liberam o corpus completo, o grafo de relações extraído e todo o código de construção, convidando para trabalhos futuros sobre avaliação de precisão formal e a expansão do corpus para abordar as lacunas identificadas na cobertura de escolas e na distinção de subtradições.