پیوندهای مفید
آمار
| تعداد نشریات | 32 |
| تعداد شمارهها | 524 |
| تعداد مقالات | 5,105 |
| تعداد مشاهده مقاله | 7,825,254 |
| تعداد دریافت فایل اصل مقاله | 5,820,205 |
مدل سازی معنایی شعر ویلیام باتلر ییتس با شبکه های عصبی بازگشتی: کاربرد هوش مصنوعی در تحلیل و فهم ِ فلسفی نمادگرایی ادبی | ||
| پژوهشهای ادبی ـ فلسفی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 آذر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22080/lpr.2025.29194.1104 | ||
| نویسنده | ||
| آزاده مهرپویان* | ||
| استادیار، گروه آموزشی زبان و ادبیات انگلیسی، دانشگاه ولایت، ایرانشهر، ایران | ||
| تاریخ دریافت: 18 اردیبهشت 1404، تاریخ بازنگری: 26 مهر 1404، تاریخ پذیرش: 22 آذر 1404 | ||
| چکیده | ||
| این پژوهش با هدف بازخوانی فلسفی نمادگرایی در شعر ویلیام باتلر ییتس، به طراحی و پیادهسازی یک چارچوب میانرشتهای مبتنی بر نظریههای فلسفه ادبیات و الگوریتمهای یادگیری عمیق پرداخته است. ییتس، بهعنوان شاعر نئوافلاطونی و نمادگرای برجسته قرن بیستم، در آثار خود نظامی پیچیده از نمادهای چندلایه و ساختارهای چرخهای خلق کرده است که مفاهیم بنیادین هستیشناختی نظیر هویت متکثر، آگاهی انعکاسی و تضادهای وجودی را بازنمایی میکنند. این پژوهش با تمرکز بر تحلیل فلسفی این ساختارها، به دنبال ارائه مدلی دادهمحور برای کشف روابط غیرخطی میان نمادها و مفاهیم فلسفی در بستر متن شعری است. روش تحقیق شامل انتخاب و پیشپردازش مجموعهای منتخب از اشعار نمادین ییتس، برچسبگذاری معنایی، و مدلسازی توالیهای مفهومی با بهرهگیری از شبکههای عصبی بازگشتی (RNN) با معماری حافظه بلندمدت (LSTM) و مکانیزم توجه (Attention) در چارچوب پردازش زبان طبیعی است. این مدلها با قابلیت شناسایی وابستگیهای معنایی پیچیده، توالیهای تکرارشونده و ساختارهای چندسطحی، امکان تحلیل دقیقتر و نظاممندتر نمادگرایی فلسفی را فراهم میسازند. یافتههای پژوهش نشان میدهد که تلفیق الگوریتمهای یادگیری عمیق با مبانی نظری فلسفه ادبیات، نهتنها محدودیتهای روشهای تفسیری سنتی را رفع میکند، بلکه بستری مفهومی برای بازتعریف علمی نمادگرایی بهمثابه نظامی معرفتی و هستیشناختی فراهم میآورد. این رویکرد دادهمحور، ظرفیت تحلیل فلسفی متون ادبی را ارتقاء داده و زمینهساز تحول در روششناسی مطالعات نظری و کاربردی ادبیات در عصر علوم انسانی دیجیتال میگردد. | ||
| کلیدواژهها | ||
| ویلیام باتلر ییتس؛ نمادگرایی فلسفی؛ فلسفه ادبیات؛ مدلسازی معنایی؛ شبکههای عصبی بازگشتی (RNN)؛ یادگیری عمیق؛ تحلیل دادهمحور | ||
| 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 | ||
| نویسندگان [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 | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||