پژوهش‌های ادبی ـ فلسفی

شماره جاری

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

فرایند پذیرش مقالات

پذیرش مقالات و حق کپی رایت

مدل‌ سازی معنایی شعر ویلیام باتلر ییتس با شبکه‌های عصبی بازگشتی: کاربرد هوش مصنوعی در تحلیل و فهم نمادگرایی ادبی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسنده

استادیار، گروه آموزشی زبان و ادبیات انگلیسی، دانشگاه ولایت، ایرانشهر، ایران

10.22080/lpr.2025.29194.1104

چکیده

این پژوهش با هدف مدل‌سازی معنایی و تحلیل فلسفی نمادگرایی در شعر ویلیام باتلر ییتس، شاعر برجستۀ نمادگرا و نئوافلاطونی قرن بیستم، انجام شده است. در این مطالعه، از شبکه‌های عصبی بازگشتی (RNN) به‌عنوان روشی نوین در پردازش زبان طبیعی برای تحلیل ساختارهای معنایی و نمادهای پیچیده در اشعار ییتس بهره گرفته شده است. داده‌های پژوهش شامل گزیده‌ای از اشعار منتخب ییتس است که پس‌از پیش‌پردازش و برچسب‌گذاری معنایی، به مدل وارد وتحلیل‌های سنتی آن‌گونه که باید به کار گرفته نشده است. یافته‌های پژوهش نشان می‌دهد که کاربرد یادگیری عمیق در تحلیل متون ادبی، امکان بازخوانی دقیق‌تر و عمیق‌تر مفاهیم فلسفی مانند هویت، آگاهی و تضادهای وجودی در شعر ییتس را فراهم می‌آورد و می‌تواند به غنای فهم فلسفی نمادگرایی کمک کند. این رویکرد نوآورانه، علاوه‌بر ارائۀ چارچوبی علمی و داده‌محور، راهگشای پژوهش‌های میان‌رشته‌ای در حوزۀ ادبیات و فلسفه و نشان‌دهندۀ ظرفیت‌های بالقوۀ هوش مصنوعی در تحلیل متون ادبی-فلسفی است.

کلیدواژه‌ها

عنوان مقاله [English]

Semantic Modeling of William Butler Yeats’s Poetry Using Recurrent Neural Networks: Application of Artificial Intelligence in the Philosophical Interpretation of Literary Symbolism

نویسنده [English]

  • Azadeh Mehrpouyan

Assistant Professor, Department of English Language and Literature, Velayat University, Iranshahr, Iran

چکیده [English]

This study aims to philosophically reinterpret literary symbolism in the poetry of William Butler Yeats by designing and implementing an interdisciplinary framework grounded in theories of the philosophy of literature and deep learning algorithms. Yeats, as a prominent Neo-Platonic and symbolist poet of the twentieth century, constructs a complex system of multilayered symbols and cyclical structures that reflect fundamental ontological concepts, including plural identity, reflective consciousness, and existential contradictions. Focusing on the philosophical analysis of these structures, the research seeks to develop a data-driven model for uncovering nonlinear relationships between symbolic elements and philosophical concepts within poetic texts. The methodology involves selecting and preprocessing a curated corpus of Yeats’s symbolic poems, performing semantic annotation, and modeling conceptual sequences using Recurrent Neural Networks (RNNs) with Long Short-Term Memory (LSTM) architecture and Attention mechanisms within the framework of Natural Language Processing. These models, capable of identifying intricate semantic dependencies, recurring sequences, and multi-level structures, enable a more precise and systematic analysis of philosophical symbolism. Findings indicate that integrating deep learning algorithms with theoretical foundations in the philosophy of literature not only overcomes the limitations of traditional interpretive methods but also provides a conceptual basis for redefining symbolism as an epistemological and ontological system. This data-driven approach enhances the philosophical analysis of literary texts and contributes to methodological innovation in theoretical and applied literary studies within the emerging field of digital humanities.

کلیدواژه‌ها [English]

  • William Butler Yeats
  • Philosophical Symbolism
  • Philosophy of Literature
  • Semantic Modeling
  • Recurrent Neural Networks (RNN)
  • Deep Learning
  • Data-Driven Analysis
مراجع
Armstrong, K. (2020). Mysticism: A Study in the Nature and Development of Spiritual Consciousness. Oxford University Press
Bhandari, S. R. (2024). From Temporal Existence to Eternal Quest: Upanishadic Themes in Yeats’s “Sailing to Byzantium”. LITERARY ORACLE, 156.
Bipin, D. (2017). Symbolism in W. B. Yeats' poetry: A critical study. International Journal of Engineering Science.
Dash, B. B. (2022). Symbolism in W. B. Yeats' poetry: A critical study. International Journal of English and Studies, 4(3), 29. http://www.ijoes.in
Eagleton, T. (2008). Literary Theory: An Introduction (2nd ed.). University of Minnesota Press.
Elize, M. (1990). Symbolism and philosophy in Yeats’s poetry. Oxford University Press.
Goldberg, Y. (2017). Neural network methods for natural language processing. Morgan & Claypool.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Harper, M. (2004). Philosophical Symbolism in Yeats's Poetry. Routledge.
Harper, M. (2004). Philosophical symbolism in Yeats's poetry. Routledge.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
Hopkins, J. (2018). Deep learning approaches to poetry analysis: Uncovering semantic patterns. Journal of Literary Computing, 12(3), 45–62.
Hopkins, J., & Kiela, D. (2017). Automatically evaluating word metaphors in context. In Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing (pp. 2347–2353).
Johnson, R. (2020). Interdisciplinary approaches to philosophical literary analysis: Integrating AI and hermeneutics. Philosophy and Literature, 44(2), 150–172.
Kallaus, A. (2023). “Speech delighted with its own music”: Birds as symbols of the creative process in the poetry of W.B. Yeats and Edward Thomas. Crossroads: A Journal of English Studies, 41(2), Article 02. https://doi.org/10.15290/cr.2023.41.2.02
Leeper, J. R. (2023). WB Yeats’s A Vision: Magical and poetic symbols for personal, social, and historical contexts.
Levy, A., Chen, X., & Patel, S. (2018). Deep semantic analysis of poetic texts using recurrent neural networks. Computational Linguistics, 44(1), 89–110.
Li, K., Li, R., Liu, M., Liu, X., & Xie, B. (2023). A mysticism approach to Yeats Byzantium. Communications in Humanities and Social Sciences, 4(2), Article 0657. https://doi.org/10.54254/2753-7064/4/20220657
Liu, X., et al. (2018). Poetry generation with neural networks. In Proceedings of the AAAI Conference on Artificial Intelligence, 32(1).
Mann, N., Gibson, M., & Nally, C. (Eds.). (2012). W. B. Yeats's "A Vision": Explications and contexts. Clemson University Digital Press.
Marenbon, J. (2016). Neoplatonism. In E. N. Zalta (Ed.), The Stanford Encyclopedia of Philosophy (Fall 2016 Edition). Retrieved from https://plato.stanford.edu/entries/neoplatonism/
Mbah, A. A., Utobo, E. E., & Chukwu, N. E. (2024). COGNITION IN THE PHILOSOPHY OF SYMBOLS: A PHILOSOPHICAL EXAMINATION. NJIKO: A Multi-Disciplinary Journal of Humanities, Law, Education and Social Sciences, 2(1).
Mehrpouyan, A. (2024). A comparative hermeneutic study of Farrokhzad and Eliot: Cultural intersections and existential concerns. Literary-philosophical researches, 2(1), 121–146. https://doi.org/10.22080/lpr.2024.27289.1046
Mikolov, T., Karafiát, M., Burget, L., Černocký, J., & Khudanpur, S. (2013). Recurrent neural network-based language model. In Proceedings of the Annual Conference of the International Speech Communication Association (pp. 1045–1048).
Remes, P. (2014). Neoplatonism. Routledge.
Rim, D. (2008). Yeats's fool as a symbol of subjectivity. The Journal of Modern English Drama, 21(3), 205–233.
Salami, D., & Momtazi, S. (2020). Recurrent convolutional neural networks for poet identification. Digital Scholarship in the Humanities.
Smith, A. (2018). Symbolism and philosophy in Yeats’s poetry: A comparative study. Oxford Literary Review, 40(2), 210–235.
Sprugnoli, R., Mambrini, F., Passarotti, M., & Moretti, G. (2022). Sentiment analysis of Latin poetry: First experiments on the odes of Horace. Computational Linguistics CliC-it 2021, 314.
Subedi, B. P. (2024). Transgenerational burden in W. B. Yeats’s poem “Leda and the Swan”: A feminist study. Interdisciplinary Journal of Management and Social Sciences, 5(1). https://doi.org/10.3126/ijmss.v5i1.62658
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. In Advances in Neural Information Processing Systems (Vol. 30, pp. 5998-6008). https://arxiv.org/abs/1706.03762
Verhaar, P. A. F. (2016). Affordances and limitations of algorithmic criticism (Doctoral dissertation, Leiden University).
Vorhar, M. (2023). Data-driven approaches in philosophical literary analysis: Challenges and opportunities. Philosophy and Literature, 47(1), 78–95.
Yeats, W. B. (1925). A Vision. Macmillan.
 
پژوهش‌های ادبی ـ فلسفی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 07 اسفند 1404
فایل ها
هم رسانی
ارجاع به این مقاله
آمار