Attribution Bias in Philosophical Knowledge Graphs: Corpus Frequency versus Temporal Sourcing

技术摘要：哲学知识图谱中的归因偏差

问题陈述
本文指出，在构建哲学史计算知识图谱时存在一种系统性的方法论缺陷：将语料库频率（corpus frequency）与历史优先性（historical priority）及哲学重要性（philosophical significance）混为一谈。在标准实践中，概念被归属于某一特定传统的依据是该学派在现有数字化语料库中提及该概念的频率最高。作者认为，这种方法隐含地假设了文本量与起源或所有权相关。这一假设是有问题的，因为它混淆了三个截然不同的测量维度：

1. 文本权力（Textual Power）：哪个传统生产并保存了最多的文本（这通常受制度连续性和数字化偏差的影响）。
2. 历史优先性（Historical Priority）：哪个传统在可定年的来源中首先记录了某一概念。
3. 哲学重要性（Philosophical Significance）：哪个传统对某一概念进行了最成熟的阐述。

通过将语料集频率作为唯一的归属度量指标，知识图谱（特别是涵盖印度哲学的图谱）会系统性地将概念错误地归属于后期学派（如吠檀多不二论/Advaita Vedanta），因为这些学派对这些概念进行了大量的论述，从而掩盖了它们在其他传统（如耆那教、佛教或早期吠陀文献）中的早期起源。这导致了一种扭曲的历史叙事，即将幸存的语料构成误认为是实际的思想史。

方法论
本研究利用了 darshana-graph，这是一个包含跨越印度教、佛教和耆那教传统的 28,322 个记录关系的知识图谱。作者提出了并实施了一个时间归属层（Temporal Attribution Layer），以纠正语料频率偏差。

1. 测量目标框架：作者区分了三个研究问题，每个问题都需要不同的归属方法：

   • 问题 1（文本参与度）： 由语料频率归属解决。
   • 问题 2（最早证成）： 通过使用学术引用来源日期的时间归属来解决。
   • 问题 3（哲学深度）： 需要人文判断，而非计算方法。

2. 三层定年系统：为了实现特定时代的网络快照，作者为 2,349 个概念节点开发了一个分层定年系统：

   • 第一层（显式引用）： 拥有在 40 个精选学术来源（如 Witzel, Olivelle, Gombrich）中直接条目的概念，这些来源提供了可定年的来源及具体的日期范围。这仅覆盖了 24 个概念（占图谱的 1.0%），但作为历史证成的“地面真值”（ground truth）。
   • 第二层（学派代理）： 对于没有显式引用的概念，将其分配给在语料库中提及该概念频率最高的学派的创立日期。这被视为一种“文本可见性边界”，而非历史起源。
   • 第三层（未知）： 无可分配日期的概念（本数据集中不存在）。

3. 分析方法：作者比较了两种条件下的网络指标（特别是介数中心性 / betweenness centrality）：

   • 语料频率归属：将概念分配给文本量最高的学派。
   • 时间归属：利用三层定年系统按时代过滤网络，以观察网络结构如何从公元前 600 年演变至公元 1500 年。

关键结果

• 语料频率造成的扭曲：在语料频率归属下，介数中心性排名前 25 的概念全部被归属于印度教学派，其中吠檀多不二论在 25 个概念中占据了 16 个。没有任何佛教或耆那教的概念进入前 25 名。
• 时间错位：通过第一层进行分析时，前 25 个概念中有 7 个显示出显著的时间错位。它们的最早文献证成早于所归属的学派 288 年至 2,288 年。
  • 示例： Moksha（解脱），按语料频率被归属于吠檀多不二论，但其最早的系统性解脱论证出现在耆那教来源（《阿查兰加经》/ Acaranga Sutra）中，比吠檀多不二论作为一个学派出现早了 1,200 多年。
  • 示例： Brahman（梵）和 Atman（我）出现在吠陀文献中（公元前 1500–1200 年），比它们被归属于吠檀多不二论（约公元 788 年成立）早了约 2,288 年。
• 公元 800 年的扭曲（数据集偏差）：一个关键发现是“吠檀多不二论放大效应”。在公元 300 年至 800 年之间，网络从 18 个节点增长到 1,028 个节点。在这些新增节点中，97.4% 是携带吠檀多不二论成立日期（公元 788 年）的第二层代理节点。这种爆发并不反映历史上的哲学创新激增，而是反映了吠檀多不二论注释产出的存续、佛教手稿传统的毁灭以及梵文文本的数字化优势。因此，公元 800 年的快照中，97.4% 是吠檀多不二论，作者将此数字识别为数据集偏差的度量，而非历史现实。
• 公元前 300 年的快照：基于完全由第一层引用构成的最可靠历史快照揭示了一个真正的多元化网络：59% 为吠陀/早期奥义书，24% 为耆那教，18% 为佛教。这与语料频率产生的由吠檀多不二论主导的图景相矛盾。
• 结构同构性：通过应用时间归属，作者实现了跨传统的结构分析。通过使用自我网络特征向量（ego-network feature vectors），他们识别出了“结构同构体”——即在不同传统中占据相似网络位置的概念，尽管其教义不同。
  • 已验证： Purusha（数论派/Samkhya）与 Jiva（耆那教）的相似度得分 0.990；Prakriti（数论派）与 Maya（吠陀）得分 0.972。
  • 新颖发现： Nibbana（佛教解脱）与 Samsara（吠陀轮回）得分 0.954。尽管两者教义相反，但在各自的解脱论中都充当了终极参照点。
  • 新颖发现： Cetana（佛教意念）与 Ajiva（耆那教非生物质）得分 0.923，被识别为结构上类似的次级本体论范畴。

意义与主张
本文并非声称时间归属是一个完美的解决方案，或声称它恢复了概念的“真实”起源（由于失传的口头传统和文献，这是不可能实现的）。相反，它提出了以下主张：

1. 方法论透明度：主要贡献在于测量目标框架，它迫使研究者明确说明他们是在测量文本权力、历史优先性还是哲学重要性。混淆这些概念会导致系统性的误导性结论。
2. 偏差的可视化：研究表明，语料频率归属将语料库构建（数字化、保存）的决策自然化为中立的历史事实。时间方法即使具有局限性（第一层覆盖率仅 1%），也使这些偏差变得可见且可衡量（例如公元 800 年 97.4% 的吠檀多不二论占比）。
3. 恢复多元主义：时间定位恢复了印度哲学史的多元视角，展示了早期网络是涉及吠陀、耆那教和佛教的共享空间，而非单一的印度教统治。
4. 新的分析能力：论文认为，时间归属是进行有效的跨传统结构分析的前提。如果没有时间归属，高介数概念都会锚定在单一传统上，从而无法检测到跨传统的结构同构。论文将结构同构呈现为一种可测量的“共享概念空间”，而非教义等价性的主张。

总之，本文断言，计算人文研究必须区分数据（语料库组成）、捕获物（constructed selections/capta）与解释。它倡导一种谦逊的方法，即归属方法必须得到明确的辩证，且研究结果应被界定为对特定层面（文本权力 vs. 证成）的测量，而非对哲学史的确定性主张。