《PLOS One》：Markov reads Pu?kin, again: A statistical journey into the poetic world of Evgenij Onegin
编辑推荐：
本研究应用符号时间序列分析（symbolic time series analysis）与马尔可夫模型（Markov modeling），探究《叶甫盖尼·奥涅金》原文及其意大利文译本在音系结构层面的特征。研究采用受马尔可夫原始方案启发的二元编码，构建简约概率模
本研究应用符号时间序列分析（symbolic time series analysis）与马尔可夫模型（Markov modeling），探究《叶甫盖尼·奥涅金》原文及其意大利文译本在音系结构层面的特征。研究采用受马尔可夫原始方案启发的二元编码，构建简约概率模型以捕捉局部的元音/辅音（V/C）依赖关系及大尺度的序列模式。研究表明，紧凑的四状态马尔可夫链具有准确的描述性与生成性，能够复现原始序列的自相关（autocorrelation）与记忆深度（memory depth）等关键特征。所有发现均属探索性质，旨在揭示结构规律性并提出关于潜在叙事动态的假设。分析揭示了俄文原文与意大利文译本之间的显著不对称性：原文呈现记忆深度的逐渐下降趋势，而译本则保持更为均匀分布的特征。为深入探究这一分歧，研究人员引入语音探针（phonological probes）——即连接表层结构与叙事相关线索的短符号模式。追踪这些探针在文本展开过程中的分布，揭示了字形形式与主题发展之间的微妙关联，尤其在俄文原文中表现明显。通过重访马尔可夫将符号分析应用于文学文本的原始提议，并将其与当代计算统计学及数据科学工具相结合，本研究表明即使是最简约的马尔可夫模型也可支持对复杂诗学材料的探索性分析。当辅以粗粒度的语言标注时，此类模型为比较诗学提供了通用框架，并证明风格化的结构模式仍可通过基于语言形式的简约表征加以把握。
本研究发表于《PLOS One》，旨在通过符号时间序列分析与马尔可夫建模方法，重新审视俄国数学家安德烈·A·马尔可夫（Andrej A. Markov）的经典研究，探讨文学文本的音系结构规律及其与叙事动态的关联。
研究背景与问题缘起。1913年，马尔可夫通过对普希金《叶甫盖尼·奥涅金》前76个诗节进行二元元音/辅音（V/C）编码，首次提出了马尔可夫链（Markov chain）这一数学对象，证明了在序列统计依赖条件下大数定律依然成立。马尔可夫的研究开创了以统计方法分析语言形式的先河，但其直接应用于文学分析的路径并未形成持续传统。当代文体计量学（stylometry）主要关注词汇、句法及统计特征，忽视了子词汇层面的音系结构。近年研究虽逐步关注文学文本的韵律与音系维度，但直接继承马尔可夫原始方案的研究仍属少数。本研究在此背景下提出核心假设：文体与结构信号不仅存在于词汇或句法层面，也可能源于元音与辅音的基本交替模式。研究旨在检验这种最简约的字形结构能否反映更深层的文学设计意图，并通过比较俄文原文与意大利文译本，探索跨语言文本的结构差异。
研究人员开展的研究与主要结论。研究构建了二元V/C编码的符号时间序列，分别建立了两状态与四状态马尔可夫模型。四状态模型以重叠二元组（VV、VC、CV、CC）为基础状态，嵌入二阶依赖关系，同时保持一阶链的形式简洁性。研究引入修正因子CF（dispersion coefficient，即离散系数）及其衍生的记忆深度指数MD（memory depth），后者取值0至1，用以衡量高阶条件作用对局部可预测性的改善程度。研究采用移动块自助法（moving block bootstrap, MBB）进行重采样，设置块长度为10,000字符、子块长度为250字符，生成1,000个重复样本以估计置信区间。同时实施替代数据检验（surrogate-data test），通过打乱子块顺序保留局部结构而破坏全局序列顺序，作为零基线。
研究结果表明，四状态模型能够有效地作为生成模型，其模拟序列的MD分布与经验基准紧密吻合。俄文原文的MD呈现显著下降趋势，而意大利文译本保持稳定；线性回归模型中的交互项为负且置信区间不包含零，证实了两文本记忆动态的分歧。研究进一步提取并筛选语音探针，最终确定俄文辅音三元组"вст"为满足统计关联性、形态简单性与语义 coherence 三项标准的核心探针。该探针在单字语境中主要实现为"встр-"（遭遇）与"чувств-"（情感）等词根，其频率增长趋势与MD下降形成对应，且与主人公塔季扬娜·拉里娜（Tat'jana Larina）和叶甫盖尼·奥涅金（Evgenij Onegin）的名字出现存在显著的非随机关联。
研究方法的技术要点。研究样本为《叶甫盖尼·奥涅金》全本八章正文，排除献词及附录。俄文文本源自Litra数字化版本，经与Ghini译本所依据的印刷版进行抽样比对确认一致性；意大利文译本为Giuseppe Ghini的近期译本，采用无韵九音节诗行（novenari sciolti）形式。预处理包括在R环境中进行诗节级别的文本对齐、V/C二元编码（排除标点、空格及硬/软音符号）、以及基于正则表达式的拉丁字母外来词识别。统计建模主要运用四状态马尔可夫链、移动块自助法、Ljung-Box自相关检验、部分斯皮尔曼相关（partial Spearman correlation）以及线性回归模型。形态标注借助UDPipe库完成，词干提取采用SnowballC算法。
研究结果的详细展开。
追踪记忆深度（Tracking memory depth）。该部分通过连续10,000字符块估计MD，揭示俄文原文MD显著下降而意大利文译本稳定的分歧趋势。部分斯皮尔曼相关分析显示，二阶转移概率与MD高度相关。自相关函数（ACF）与Ljung-Box检验证实两文本均存在显著序列依赖性，拒绝独立同分布假设。模型充分性检验通过比较经验与模拟三元组分布实现，中位差异值微小（俄文：0.0058；意大利文：0.0035）。
记忆深度随文本的演变（Evolution of memory depth over text）。线性模型（MD ~ Block × Source）的自助分布显示交互项稳定为负，证实俄文斜率显著异于意大利文。替代数据检验表明该趋势并非局部字符聚类的产物。
探测音系结构（Probing the phonological structure）。该部分聚焦高关联度的三元组模式，区分持续性三元组（VVV、CCC）与交替性三元组（VVC、CCV）。俄文语料中持续性三元组频率上升、交替性三元组下降，反映元音与辅音聚类增强、短期可预测性提升。
高影响三元组的调查（Investigating high-impact trigrams）。通过扫描V/C编码序列提取所有匹配实例，基于统计关联、形态简单性与语义coherence三项后验标准筛选语音探针。候选探针中仅"вст"与"тра"满足全部标准，后者因语义扩散性最终被排除。
语音探针与关联词元：以"вст"为例（Phonological probes and associated lemmas: the case "вст"）。该部分详细追踪"вст"的分布特征：其在俄文语料中频率排名第19位（2.3%），兼具统计显著性与区分潜力。经UDPipe处理与SnowballC词干聚类，该探针主要分为"遭遇"类（встр-, вступ-, здравст-）与"情感"类（чувств-, предчувств-, девств-, бесчувст-）。遭遇相关形式呈现显著上升趋势，与MD下降平行；情感相关形式趋势较弱。与主人公名字的共现分析显示，25%的名字提及与探针共享诗节，30%的探针诗节包含相关主题形式，两者存在显著相关（Spearman's ρ，p < 0.05）。
讨论部分的学术总结。研究讨论了诗行层级字符与词数的高斯分布特征，将其归因于格律约束而非统计平均效应；俄文语言类型学上的形态紧凑型与意大利文分析性结构形成对比。外来词借用虽占比极低（<0.25%），但在城市框架的第1章与第8章呈现聚类分布，体现社会风格编码。记忆深度的文本间分歧经自助法验证具有稳健性，局部峰值与叙事转换节点常相吻合。四状态链作为生成模型可有效复现局部转移模式与全局离散特征。语音探针分析表明，"вст"作为持续性音系模式，其结构化分布与关键叙事语境形成非随机关联，这种信号在自动方法与人工校验相结合的混合策略下得以识别。研究明确指出所有推断均属探索性质，相关性不等于因果性，简约模型的价值在于假设生成而非确证检验。
研究结论部分的翻译。本研究表明，即使是最简约的建模方法，当根植于语言与文学结构时，也能够揭示统计稳健且主题有意义的模式。应用于俄文和意大利文《叶甫盖尼·奥涅金》元音辅音序列的简单四状态马尔可夫模型，结合分块分析与自助验证，成功捕捉了俄文语料中语音记忆逐渐缩短的特征。这一结果得到了二阶转移概率和目标化语音探针涌现的佐证。此类模式能够通过二元编码被检测，说明文学文本中的某些信号足够强，即便通过刻意简化的透镜也能浮现。这一发现与马尔可夫链——尽管简单——仍可能蕴含文学分析未开发潜力的观点相一致。这些发现可通过采用更丰富的编码方法（如结合潜在狄利克雷分配的主题建模）加以确认和扩展，以揭示潜在语义结构和更长程的叙事线索，这仍是未来研究中一个值得期待的方向，并构成了研究人员正在进行的研究议程的一部分。
