Information Processing and

Management of Uncertainty in
Knowledge Based Systems 15th
International Conference IPMU 2014
Montpellier France July 15 19 2014
Proceedings Part III 1st Edition Anne
Laurent
Visit to download the full and correct content document:
https://textbookfull.com/product/information-processing-and-management-of-uncertai
nty-in-knowledge-based-systems-15th-international-conference-ipmu-2014-montpellie
r-france-july-15-19-2014-proceedings-part-iii-1st-edition-anne-laurent/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Information Processing and Management of Uncertainty in

Knowledge Based Systems 18th International Conference
IPMU 2020 Lisbon Portugal June 15 19 2020 Proceedings
Part III Marie-Jeanne Lesot
https://textbookfull.com/product/information-processing-and-
management-of-uncertainty-in-knowledge-based-systems-18th-
international-conference-ipmu-2020-lisbon-portugal-
june-15-19-2020-proceedings-part-iii-marie-jeanne-lesot/

Information Processing and Management of Uncertainty in

Knowledge Based Systems 18th International Conference
IPMU 2020 Lisbon Portugal June 15 19 2020 Proceedings
Part II Marie-Jeanne Lesot
https://textbookfull.com/product/information-processing-and-
management-of-uncertainty-in-knowledge-based-systems-18th-
international-conference-ipmu-2020-lisbon-portugal-
june-15-19-2020-proceedings-part-ii-marie-jeanne-lesot/

Natural Language Processing and Information Systems

19th International Conference on Applications of
Natural Language to Information Systems NLDB 2014
Montpellier France June 18 20 2014 Proceedings 1st
Edition Elisabeth Métais
https://textbookfull.com/product/natural-language-processing-and-
information-systems-19th-international-conference-on-
applications-of-natural-language-to-information-systems-
nldb-2014-montpellier-france-june-18-20-2014-proceedings-1s/

Information Systems for Crisis Response and Management

in Mediterranean Countries First International
Conference ISCRAM med 2014 Toulouse France October 15
17 2014 Proceedings 1st Edition Chihab Hanachi
https://textbookfull.com/product/information-systems-for-crisis-
response-and-management-in-mediterranean-countries-first-
international-conference-iscram-med-2014-toulouse-france-
Web Information Systems Engineering WISE 2014 15th
International Conference Thessaloniki Greece October 12
14 2014 Proceedings Part II 1st Edition Boualem
Benatallah
https://textbookfull.com/product/web-information-systems-
engineering-wise-2014-15th-international-conference-thessaloniki-
greece-october-12-14-2014-proceedings-part-ii-1st-edition-
boualem-benatallah/

Web Information Systems Engineering WISE 2014 15th

International Conference Thessaloniki Greece October 12
14 2014 Proceedings Part I 1st Edition Boualem
Benatallah
https://textbookfull.com/product/web-information-systems-
engineering-wise-2014-15th-international-conference-thessaloniki-
greece-october-12-14-2014-proceedings-part-i-1st-edition-boualem-
benatallah/

Automated Reasoning 7th International Joint Conference

IJCAR 2014 Held as Part of the Vienna Summer of Logic
VSL 2014 Vienna Austria July 19 22 2014 Proceedings 1st
Edition Stéphane Demri
https://textbookfull.com/product/automated-reasoning-7th-
international-joint-conference-ijcar-2014-held-as-part-of-the-
vienna-summer-of-logic-vsl-2014-vienna-austria-
july-19-22-2014-proceedings-1st-edition-stephane-demri/

Knowledge Engineering and Knowledge Management 19th

International Conference EKAW 2014 Linköping Sweden
November 24 28 2014 Proceedings 1st Edition Krzysztof
Janowicz
https://textbookfull.com/product/knowledge-engineering-and-
knowledge-management-19th-international-conference-
ekaw-2014-linkoping-sweden-november-24-28-2014-proceedings-1st-
edition-krzysztof-janowicz/

Nonlinear Dynamics of Electronic Systems 22nd

International Conference NDES 2014 Albena Bulgaria July
4 6 2014 Proceedings 1st Edition Valeri M. Mladenov

https://textbookfull.com/product/nonlinear-dynamics-of-
electronic-systems-22nd-international-conference-
ndes-2014-albena-bulgaria-july-4-6-2014-proceedings-1st-edition-
Anne Laurent
Olivier Strauss
Bernadette Bouchon-Meunier
Ronald R. Yager (Eds.)

Communications in Computer and Information Science 444

Information Processing
and Management
of Uncertainty in
Knowledge-Based Systems
15th International Conference, IPMU 2014
Montpellier, France, July 15-19, 2014
Proceedings, Part III

Part 3

123
Communications
in Computer and Information Science 444

Editorial Board
Simone Diniz Junqueira Barbosa
Pontifical Catholic University of Rio de Janeiro (PUC-Rio),
Rio de Janeiro, Brazil
Phoebe Chen
La Trobe University, Melbourne, Australia
Alfredo Cuzzocrea
ICAR-CNR and University of Calabria, Italy
Xiaoyong Du
Renmin University of China, Beijing, China
Joaquim Filipe
Polytechnic Institute of Setúbal, Portugal
Orhun Kara
TÜBİTAK BİLGEM and Middle East Technical University, Turkey
Igor Kotenko
St. Petersburg Institute for Informatics and Automation
of the Russian Academy of Sciences, Russia
Krishna M. Sivalingam
Indian Institute of Technology Madras, India
Dominik Śle˛zak
University of Warsaw and Infobright, Poland
Takashi Washio
Osaka University, Japan
Xiaokang Yang
Shanghai Jiao Tong University, China
Anne Laurent Olivier Strauss
Bernadette Bouchon-Meunier
Ronald R. Yager (Eds.)

Information Processing
and Management
of Uncertainty in
Knowledge-Based Systems
15th International Conference, IPMU 2014
Montpellier, France, July 15-19, 2014
Proceedings, Part III

13
Volume Editors
Anne Laurent
Université Montpellier 2, LIRMM, France
E-mail: laurent@lirmm.fr
Olivier Strauss
Université Montpellier 2, LIRMM, France
E-mail: olivier.strauss@lirmm.fr
Bernadette Bouchon-Meunier
Sorbonne Universités, UPMC Paris 6, France
E-mail: bernadette.bouchon-meunier@lip6.fr
Ronald R. Yager
Iona College, New Rochelle, NY, USA
E-mail: ryager@iona.edu

ISSN 1865-0929 e-ISSN 1865-0937

ISBN 978-3-319-08851-8 e-ISBN 978-3-319-08852-5
DOI 10.1007/978-3-319-08852-5
Springer Cham Heidelberg New York Dordrecht London

Library of Congress Control Number: 2014942459

© Springer International Publishing Switzerland 2014
This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of
the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology
now known or hereafter developed. Exempted from this legal reservation are brief excerpts in connection
with reviews or scholarly analysis or material supplied specifically for the purpose of being entered and
executed on a computer system, for exclusive use by the purchaser of the work. Duplication of this publication
or parts thereof is permitted only under the provisions of the Copyright Law of the Publisher’s location,
in ist current version, and permission for use must always be obtained from Springer. Permissions for use
may be obtained through RightsLink at the Copyright Clearance Center. Violations are liable to prosecution
under the respective Copyright Law.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
While the advice and information in this book are believed to be true and accurate at the date of publication,
neither the authors nor the editors nor the publisher can accept any legal responsibility for any errors or
omissions that may be made. The publisher makes no warranty, express or implied, with respect to the
material contained herein.
Typesetting: Camera-ready by author, data conversion by Scientific Publishing Services, Chennai, India
Printed on acid-free paper
Springer is part of Springer Science+Business Media (www.springer.com)
 Preface

Here we provide the proceedings of the 15th International Conference on In-

formation Processing and Management of Uncertainty in Knowledge-based Sys-
tems, IPMU 2014, held in Montpellier, France, during July 15–19, 2014. The
IPMU conference is organized every two years with the focus of bringing to-
gether scientists working on methods for the management of uncertainty and
aggregation of information in intelligent systems.
This conference provides a medium for the exchange of ideas between theo-
reticians and practitioners working on the latest developments in these and other
related areas. This was the 15th edition of the IPMU conference, which started
in 1986 and has been held every two years in the following locations in Eu-
rope: Paris (1986), Urbino (1988), Paris (1990), Palma de Mallorca (1992), Paris
(1994), Granada (1996), Paris (1998), Madrid (2000), Annecy (2002), Perugia
(2004), Malaga (2008), Dortmund (2010) and Catania (2012).
Among the plenary speakers at past IPMU conferences, there have been three
Nobel Prize winners: Kenneth Arrow, Daniel Kahneman, and Ilya Prigogine. An
important feature of the IPMU Conference is the presentation of the Kampé de
Fériet Award for outstanding contributions to the field of uncertainty. This year,
the recipient was Vladimir N. Vapnik. Past winners of this prestigious award were
Lotfi A. Zadeh (1992), Ilya Prigogine (1994), Toshiro Terano (1996), Kenneth
Arrow (1998), Richard Jeffrey (2000), Arthur Dempster (2002), Janos Aczel
(2004), Daniel Kahneman (2006), Enric Trillas (2008), James Bezdek (2010),
Michio Sugeno (2012).
The program of the IPMU 2014 conference consisted of 5 invited academic
talks together with 180 contributed papers, authored by researchers from 46
countries, including the regular track and 19 special sessions. The invited aca-
demic talks were given by the following distinguished researchers: Vladimir
N. Vapnik (NEC Laboratories, USA), Stuart Russell (University of California,
Berkeley, USA and University Pierre et Marie Curie, Paris, France), Inés Couso
(University of Oviedo, Spain), Nadia Berthouze (University College London,
United Kingdom) and Marcin Detyniecki (University Pierre and Marie Curie,
Paris, France).
Industrial talks were given in complement of academic talks and highlighted
the necessary collaboration we all have to foster in order to deal with current
challenges from the real world such as Big Data for dealing with massive and
complex data.
The success of IPMU 2014 was due to the hard work and dedication of a
large number of people, and the collaboration of several institutions. We want to
acknowledge the industrial sponsors, the help of the members of the International
Program Committee, the reviewers of papers, the organizers of special sessions,
the Local Organizing Committee, and the volunteer students. Most of all, we
VI Preface

appreciate the work and effort of those who contributed papers to the conference.
All of them deserve many thanks for having helped to attain the goal of providing
a high quality conference in a pleasant environment.

May 2014 Bernadette Bouchon-Meunier

Anne Laurent
Olivier Strauss
Ronald R. Yager
 Conference Committee
General Chairs
Anne Laurent
Olivier Strauss
Executive Directors
Bernadette Bouchon-Meunier
Ronald R. Yager
Web Chair
Yuan Lin
Proceedings Chair
Jérôme Fortin
International Advisory Board
Giulianella Coletti (Italy)
Miguel Delgado (Spain)
Mario Fedrizzi (Italy)
Laurent Foulloy (France)
Salvatore Greco (Italy)
Julio Gutierrez-Rios (Spain)
Eyke Hüllermeier(Germany)
Luis Magdalena (Spain)
Christophe Marsala (France)
Special Session Organizers
Jose M. Alonso
Michal Baczynski
Edurne Barrenechea
Zohra Bellahsene
Patrice Buche
Thomas Burger
Tomasa Calvo
Université Montpellier 2, France
Université Montpellier 2, France
CNRS-UPMC, France
Iona College, USA
INRA, SupAgro, France
Université Montpellier 2, France
Benedetto Matarazzo (Italy)
Manuel Ojeda-Aciego (Spain)
Maria Rifqi (France)
Lorenza Saitta (Italy)
Enric Trillas (Spain)
Llorenç Valverde (Spain)
José Luis Verdegay (Spain)
Maria-Amparo Vila (Spain)
Lotfi A. Zadeh (USA)
European Centre for Soft Computing, Spain
University of Silesia, Poland
Universidad Pública de Navarra, Spain
University Montpellier 2, France
INRA, France
CEA, France
Universidad de Alcalá, Spain
VIII Conference Committee

Brigitte Charnomordic INRA, France

Didier Coquin University of Savoie, France
Cécile Coulon-Leroy École Supérieure d’Agriculture d’Angers,
France
Sébastien Destercke CNRS, Heudiasyc Lab., France
Susana Irene Diaz
Rodriguez University of Oviedo, Spain
Luka Eciolaza European Centre for Soft Computing, Spain
Francesc Esteva IIIA - CSIC, Spain
Tommaso Flaminio University of Insubria, Italy
Brunella Gerla University of Insubria, Italy
Manuel González Hidalgo University of the Balearic Islands, Spain
Michel Grabisch University of Paris Sorbonne, France
Serge Guillaume Irstea, France
Anne Laurent University Montpellier 2, France
Christophe Labreuche Thales Research and Technology, France
Kevin Loquin University Montpellier 2, France
Nicolás Marı́n University of Granada, Spain
Trevor Martin University of Bristol, UK
Sebastia Massanet University of the Balearic Islands, Spain
Juan Miguel Medina University of Granada, Spain
Enrique Miranda University of Oviedo, Spain
Javier Montero Complutense University of Madrid, Spain
Jesús Medina Moreno University of Cádiz, Spain
Manuel Ojeda Aciego University of Málaga, Spain
Martin Pereira Farina Universidad de Santiago de Compostela, Spain
Olga Pons University of Granada, Spain
Dragan Radojevic Serbia
Anca L. Ralescu University of Cincinnati, USA
François Scharffe University Montpellier 2, France
Rudolf Seising European Centre for Soft Computing, Spain
Marco Elio Tabacchi Università degli Studi di Palermo, Italy
Tadanari Taniguchi Tokai University, Japan
Charles Tijus LUTIN-CHArt, Université Paris 8, France
Konstantin Todorov University Montpellier 2, France
Lionel Valet University of Savoie, France

Program Committee

Michal Baczynski Ulrich Bodenhofer Rita Casadio

Gleb Beliakov P. Bonissone Yurilev Chalco-Cano
Radim Belohlavek Bernadette Brigitte Charnomordic
Salem Benferhat Bouchon-Meunier Guoqing Chen
H. Berenji Patrice Buche Carlos A. Coello Coello
Isabelle Bloch Humberto Bustince Giulianella Coletti
 Conference Committee IX

Oscar Cordón Jérôme Lang Simon Parsons

Inés Couso Henrik L. Larsen Gabriella Pasi
Keeley Crockett Anne Laurent W. Pedrycz
Bernard De Baets Marie-Jeanne Lesot Fred Petry
Sébastien Destercke Churn-Jung Liau Vincenzo Piuri
Marcin Detyniecki Yuan Lin Olivier Pivert
Antonio Di Nola Honghai Liu Henri Prade
Gerard Dray Weldon Lodwick Anca Ralescu
Dimiter Driankov Kevin Loquin Dan Ralescu
Didier Dubois Thomas Lukasiewicz Mohammed Ramdani
Francesc Esteva Luis Magdalena Marek Reformat
Mario Fedrizzi Jean-Luc Marichal Agnes Rico
Janos Fodor Nicolás Marı́n Maria Rifqi
David Fogel Christophe Marsala Enrique H. Ruspini
Jérôme Fortin Trevor Martin Glen Shafer
Laurent Foulloy Mylène Masson J. Shawe-Taylor
Sylvie Galichet Silvia Massruha P. Shenoy
Patrick Gallinari Gilles Mauris P. Sobrevilla
Maria Angeles Gil Gaspar Mayor Umberto Straccia
Siegfried Gottwald Juan Miguel Medina Olivier Strauss
Salvatore Greco Jerry Mendel M. Sugeno
Steve Grossberg Enrique Miranda Kay-Chen Tan
Serge Guillaume Pedro Miranda S. Termini
Lawrence Hall Paul-André Monney Konstantin Todorov
Francisco Herrera Franco Montagna Vicenc Torra
Enrique Herrera-Viedma Javier Montero I. Burhan Turksen
Kaoru Hirota Jacky Montmain Barbara Vantaggi
Janusz Kacprzyk Serafı́n Moral José Luis Verdegay
A. Kandel Yusuke Nojima Thomas Vetterlein
James M. Keller Vilem Novak Marco Zaffalon
E.P. Klement Hannu Nurmi Hans-Jürgen
Laszlo T. Koczy S. Ovchinnikov Zimmermann
Vladik Kreinovich Nikhil R. Pal Jacek Zurada
Christophe Labreuche Endre Pap

Additional Members of the Reviewing Committee

Iris Ada Derek Anderson Rosangela Ballini
Jesús Alcalá-Fernandez Plamen Angelov Carlos Barranco
Cristina Alcalde Violaine Antoine Edurne Barrenechea
José Marı́a Alonso Alessandro Antonucci Gleb Beliakov
Alberto Alvarez-Alvarez Alain Appriou Zohra Bellahsene
Leila Amgoud Arnaud Martin Alessio Benavoli
Massih-Reza Amini Jamal Atif Eric Benoit
X Conference Committee

Moulin Bernard Jozo Dujmovic Berrahou Lilia

Christophe Billiet Fabrizio Durante Chin-Teng Lin
Fernando Bobillo Luka Eciolaza Xinwang Liu
Gloria Bordogna Nicola Fanizzi Nicolas Madrid
Christian Borgelt Christian Fermüller Ricardo A. Marques
Stefan Borgwardt Javier Fernandez Pereira
Carole Bouchard Tommaso Flaminio Luis Martinez
Antoon Bronselaer Carl Frélicot Carmen Martinez-Cruz
Thomas Burger Ramón Sebastià Massanet
Ana Burusco Fuentes-González Brice Mayag
Manuela Busaniche Louis Gacogne Gaspar Mayor
Silvia Calegari Jose Galindo Jesús Medina Moreno
Tomasa Calvo José Luis Corrado Mencar
Jesus Campaña Garcı́a-Lapresta David Mercier
Andrés Cano Brunella Gerla Radko Mesiar
Philippe Capet Maria Angeles Gil Andrea Mesiarova
Arnaud Castelltort Lluis Godo Arnau Mir
Laëtitia Chapel Manuel Gonzalez Franco Montagna
Yi-Ting Chiang Michel Grabisch Susana Montes
Francisco Chiclana Salvatore Greco Tommaso Moraschini
Laurence Cholvy Przemyslaw Marı́a Moreno Garcı́a
Davide Ciucci Grzegorzewski Olivier Naud
Chloé Clavel Kevin Guelton Manuel Ojeda-Aciego
Ana Colubi Thierry Marie Guerra Daniel Paternain
Arianna Consiglio Robert Hable Andrea Pedrini
Didier Coquin Allel Hadjali Carmen Peláez
Pablo Cordero Pascal Held Martı́n Pereira-Farina
Marı́a Eugenia Cornejo Sascha Henzgen David Perez
Chris Cornelis Hykel Hosni Irina Perfilieva
Cécile Coulon-Leroy Celine Hudelot Nathalie Perrot
Fabio Cozman Julien Hué Valerio Perticone
Madalina Croitoru Eyke Hüllermeier Davide Petturiti
Jc Cubero Atsushi Inoue Pascal Poncelet
Fabio Cuzzolin Uzay Kaymak Olga Pons
Inmaculada de Las Peñas Anna Kolesarova Thierry Pun
Cabrera Jan Konecny Erik Quaeghebeur
Gert Decooman Stanislav Krajci Benjamin Quost
Afef Denguir Ondrej Kridlo Dragan Radojevic
Thierry Denœux Rudolf Kruse Eloisa Ramı́rez
Lynn D’Eer Naoyuki Kubota Jordi Recasens
Guy De Tré Maria Teresa Lamata Juan Vicente Riera
Irene Diaz Rodriguez Cosmin Lazar Antoine Rolland
Juliette Florence Le Ber Daniel Ruiz
Dibie-Barthélémy Fabien Lehuede M. Dolores Ruiz
Pawel Drygaś Ludovic Lietard Nobusumi Sagara
 Conference Committee XI

Daniel Sanchez Eulalia Szmidt Luigi Troiano

Sandra Sandri Marcoelio Tabacchi Wolfgang Trutschnig
Francois Scharffe Eiichiro Takahagi Esko Turunen
Johan Schubert Nouredine Tamani Lionel Valet
Rudolf Seising Tadanari Taniguchi Francisco Valverde
Carlo Sempi Elizabeth Tapia Arthur Vancamp
Robin Senge Joao Manuel R.S. Barbara Vantaggi
Ammar Shaker Tavares Jirina Vejnarova
Prakash Shenoy Maguelonne Teisseire Paolo Vicig
Beatriz Sinova Matthias Thimm Amparo Vila
Damjan Skulj Rallou Thomopoulos Pablo Villacorta
Dominik Slezak Charles Tijus Serena Villata
Roman Slowinski Joan Torrens Sofı́a Vis
Alejandro Sobrino Carmen Torres Paul Weng
Hélène Soubaras Gwladys Toulemonde Dongrui Wu
Jaume Suner Nicolas Tremblay Slawomir Zadrozny
Nicolas Sutton-Charani Gracián Trivino
Ronan Symoneaux Matthias Troffaes
 Table of Contents – Part III

Similarity Analysis
Robust Selection of Domain-Specific Semantic Similarity Measures
from Uncertain Expertise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Stefan Janaqi, Sébastien Harispe, Sylvie Ranwez, and
Jacky Montmain

Coping with Imprecision during a Semi-automatic Conceptual Indexing

Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Nicolas Fiorini, Sylvie Ranwez, Jacky Montmain, and
Vincent Ranwez

A Fuzzy R Code Similarity Detection Algorithm . . . . . . . . . . . . . . . . . . . . . 21

Maciej Bartoszuk and Marek Gagolewski

Fuzzy Logic, Formal Concept Analysis and Rough Set

L-Fuzzy Context Sequences on Complete Lattices . . . . . . . . . . . . . . . . . . . . 31
Cristina Alcalde and Ana Burusco

Variable-Range Approximate Systems Induced by Many-Valued

L-Relations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Aleksandrs Eļkins, Sang-Eon Han, and Alexander Šostak

Introducing Similarity Relations in a Framework for Modelling

Real-World Fuzzy Knowledge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Vı́ctor Pablos-Ceruelo and Susana Muñoz-Hernández

An Approach Based on Rough Sets to Possibilistic Information . . . . . . . . 61

Michinori Nakata and Hiroshi Sakai

Antitone L-bonds . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Jan Konecny

Minimal Solutions of Fuzzy Relation Equations with General Operators

on the Unit Interval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Jesús Medina, Esko Turunen, Eduard Bartl, and
Juan Carlos Dı́az-Moreno

Generating Isotone Galois Connections on an Unstructured

Codomain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Francisca Garcı́a-Pardo, Inma P. Cabrera, Pablo Cordero,
Manuel Ojeda-Aciego, and Francisco J. Rodrı́guez
XIV Table of Contents – Part III

Intelligent Databases and Information Systems

Fuzzy Core DBScan Clustering Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Gloria Bordogna and Dino Ienco

Estimating Null Values in Relational Databases Using Analogical

Proportions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
William Correa Beltran, Hélène Jaudoin, and Olivier Pivert

Exception-Tolerant Skyline Queries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

Héléne Jaudoin, Olivier Pivert, and Daniel Rocacher

Towards a Gradual QCL Model for Database Querying . . . . . . . . . . . . . . . 130

Ludovic Liétard, Allel Hadjali, and Daniel Rocacher

A Vocabulary Revision Method Based on Modality Splitting . . . . . . . . . . . 140

Grégory Smits, Olivier Pivert, and Marie-Jeanne Lesot

Dealing with Aggregate Queries in an Uncertain Database Model Based

on Possibilistic Certainty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Olivier Pivert and Henri Prade

Bipolar Comparison of 3D Ear Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

Guy De Tré, Dirk Vandermeulen, Jeroen Hermans, Peter Claeys,
Joachim Nielandt, and Antoon Bronselaer

Theory of Evidence
A Logical Version of the Belief Function Theory . . . . . . . . . . . . . . . . . . . . . 170
Laurence Cholvy

Evidential-EM Algorithm Applied to Progressively Censored

Observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
Kuang Zhou, Arnaud Martin, and Quan Pan

A First Inquiry into Simpson’s Paradox with Belief Functions . . . . . . . . . . 190

François Delmotte, David Mercier, and Frédéric Pichon

Comparison of Credal Assignment Algorithms in Kinematic Data

Tracking Context . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
Samir Hachour, François Delmotte, and David Mercier

Towards a Conflicting Part of a Belief Function . . . . . . . . . . . . . . . . . . . . . . 212

Milan Daniel

Representing Interventional Knowledge in Causal Belief Networks:

Uncertain Conditional Distributions Per Cause . . . . . . . . . . . . . . . . . . . . . . 223
Oumaima Boussarsar, Imen Boukhris, and Zied Elouedi
 Table of Contents – Part III XV

An Extension of the Analytic Hierarchy Process Method under the

Belief Function Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
Amel Ennaceur, Zied Elouedi, and Eric Lefèvre

Aggregation Functions
Pairwise and Global Dependence in Trivariate Copula Models . . . . . . . . . 243
Fabrizio Durante, Roger B. Nelsen, José Juan Quesada-Molina, and
Manuel Úbeda-Flores

On Additive Generators of Grouping Functions . . . . . . . . . . . . . . . . . . . . . . 252

Graçaliz Pereira Dimuro, Benjamı́n Bedregal, Humberto Bustince,
Radko Mesiar, and Marı́a José Asiain

Fusion Functions and Directional Monotonicity . . . . . . . . . . . . . . . . . . . . . . 262

Humberto Bustince, Javier Fernandez, Anna Kolesárová, and
Radko Mesiar

Solving Multi-criteria Decision Problems under Possibilistic Uncertainty

Using Optimistic and Pessimistic Utilities . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Nahla Ben Amor, Fatma Essghaier, and Hélène Fargier

Copula - Based Generalizations of OWA Operators . . . . . . . . . . . . . . . . . . . 280

Radko Mesiar and Andrea Stupňanová

Generalized Product . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289

Salvatore Greco, Radko Mesiar, and Fabio Rindone

Improving the Performance of FARC-HD in Multi-class Classification

Problems Using the One-Versus-One Strategy and an Adaptation of
the Inference System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
Mikel Elkano, Mikel Galar, José Sanz, Edurne Barrenechea,
Francisco Herrera, and Humberto Bustince

Pre-orders and Orders Generated by Conjunctive Uninorms . . . . . . . . . . . 307

Dana Hliněná, Martin Kalina, and Pavol Král’

On Extensional Fuzzy Sets Generated by Factoraggregation . . . . . . . . . . . 317

Pavels Orlovs and Svetlana Asmuss

Preassociative Aggregation Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327

Jean-Luc Marichal and Bruno Teheux

An Extended Event Reasoning Framework for Decision Support under

Uncertainty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
Wenjun Ma, Weiru Liu, Jianbing Ma, and Paul Miller

Adjoint Triples and Residuated Aggregators . . . . . . . . . . . . . . . . . . . . . . . . . 345

Marı́a Eugenia Cornejo, Jesús Medina, and Eloisa Ramı́rez-Poussa
XVI Table of Contents – Part III

First Approach of Type-2 Fuzzy Sets via Fusion Operators . . . . . . . . . . . . 355

Marı́a Jesús Campión, Juan Carlos Candeal, Laura De Miguel,
Esteban Induráin, and Daniel Paternain

Weakly Monotone Averaging Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 364

Tim Wilkin, Gleb Beliakov, and Tomasa Calvo

Big Data - The Role of Fuzzy Methods

F-transform and Its Extension as Tool for Big Data Processing . . . . . . . . 374
Petra Hodáková, Irina Perfilieva, and Petr Hurtı́k

Fuzzy Queries over NoSQL Graph Databases: Perspectives for

Extending the Cypher Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384
Arnaud Castelltort and Anne Laurent

Learning Categories from Linked Open Data . . . . . . . . . . . . . . . . . . . . . . . . 396

Jesse Xi Chen and Marek Z. Reformat

The X-μ Approach: In Theory and Practice . . . . . . . . . . . . . . . . . . . . . . . . . 406

Daniel J. Lewis and Trevor P. Martin

Imprecise Probabilities: From Foundations to

Applications
Kolmogorov-Smirnov Test for Interval Data . . . . . . . . . . . . . . . . . . . . . . . . . 416
Sébastien Destercke and Olivier Strauss

A Continuous Updating Rule for Imprecise Probabilities . . . . . . . . . . . . . . 426

Marco E.G.V. Cattaneo

Stable Non-standard Imprecise Probabilities . . . . . . . . . . . . . . . . . . . . . . . . . 436

Hykel Hosni and Franco Montagna

Coherent T -conditional Possibility Envelopes and Nonmonotonic

Reasoning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 446
Giulianella Coletti, Davide Petturiti, and Barbara Vantaggi

Decision Making with Hierarchical Credal Sets . . . . . . . . . . . . . . . . . . . . . . . 456

Alessandro Antonucci, Alexander Karlsson, and David Sundgren

A Propositional CONEstrip Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 466

Erik Quaeghebeur

Multinomial Logistic Regression on Markov Chains for Crop Rotation

Modelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 476
Lewis Paton, Matthias C.M. Troffaes, Nigel Boatman,
Mohamud Hussein, and Andy Hart
 Table of Contents – Part III XVII

Approximate Inference in Directed Evidential Networks with

Conditional Belief Functions Using the Monte Carlo Algorithm . . . . . . . . 486
Wafa Laâmari, Narjes Ben Hariz, and Boutheina Ben Yaghlane

A Note on Learning Dependence under Severe Uncertainty . . . . . . . . . . . . 498

Matthias C.M. Troffaes, Frank P.A. Coolen, and Sébastien Destercke

Intelligent Measurement and Control for Nonlinear

Systems
Brain Computer Interface by Use of Single Trial EEG on Recalling of
Several Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 508
Takahiro Yamanoi, Hisashi Toyoshima, Mika Otsuki,
Shin-ichi Ohnishi, Toshimasa Yamazaki, and Michio Sugeno

Model Reference Gain Scheduling Control of a PEM Fuel Cell Using

Takagi-Sugeno Modelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 518
Damiano Rotondo, Vicenç Puig, and Fatiha Nejjari

Non-quadratic Stabilization for T-S Systems with Nonlinear Consequent

Parts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 528
Hoda Moodi, Jimmy Lauber, Thierry Marie Guerra, and
Mohamad Farrokhi

Model Following Control of a Unicycle Mobile Robot via Dynamic

Feedback Linearization Based on Piecewise Bilinear Models . . . . . . . . . . . 539
Tadanari Taniguchi, Luka Eciolaza, and Michio Sugeno

An Anti-windup Scheme for PB Based FEL . . . . . . . . . . . . . . . . . . . . . . . . . 549

Luka Eciolaza, Tadanari Taniguchi, and Michio Sugeno

Aggregation Functions
Some Aggregation Operators of General Misinformation . . . . . . . . . . . . . . 559
Doretta Vivona and Maria Divari

Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 565

Robust Selection of Domain-Specific Semantic Similarity
Measures from Uncertain Expertise

Stefan Janaqi*, Sébastien Harispe, Sylvie Ranwez, and Jacky Montmain

LGI2P/ENSMA Research Centre, Parc Scientifique G. Besse,

30035 Nîmes Cedex 1, France
firstname.name@mines-ales.fr

Abstract. Knowledge-based semantic measures are cornerstone to exploit on-

tologies not only for exact inferences or retrieval processes, but also for data
analyses and inexact searches. Abstract theoretical frameworks have recently
been proposed in order to study the large diversity of measures available; they
demonstrate that groups of measures are particular instantiations of general pa-
rameterized functions. In this paper, we study how such frameworks can be
used to support the selection/design of measures. Based on (i) a theoretical
framework unifying the measures, (ii) a software solution implementing this
framework and (iii) a domain-specific benchmark, we define a semi-supervised
learning technique to distinguish best measures for a concrete application. Next,
considering uncertainty in both experts’ judgments and measures’ selection
process, we extend this proposal for robust selection of semantic measures that
best resists to these uncertainties. We illustrate our approach through a real use
case in the biomedical domain.

Keywords: semantic similarity measures, ontologies, unifying semantic simi-

larity measures framework, measure robustness, uncertain expertise.

1 Introduction

Formal knowledge representations (KRs) can be used to express domain-specific

knowledge in a computer-readable and understandable form. These KRs, generally
called ontologies, are commonly defined as formal, explicit and shared conceptualiza-
tions [3]. They bridge the gap between domain-specific expertise and computer re-
sources by enabling a partial transfer of expertise to computer systems. Intelligence
can further be simulated by developing reasoners which will process KRs w.r.t. the
semantics of the KR language used for their definition (e.g., OWL, RDFS).
From gene analysis to recommendation systems, knowledge-based systems are to-
day the backbones of numerous business and research projects. They are extensively
used for the task of classification or more generally to answer exact queries w.r.t.
domain-specific knowledge. They also play an important role for knowledge discov-
ery, which, contrary to knowledge inferences, relies on inexact search techniques.
Cornerstones of such algorithms are semantic measures, functions used to estimate
the degree of likeness of concepts defined in a KR [12, 15]. They are for instance

A. Laurent et al. (Eds.): IPMU 2014, Part III, CCIS 444, pp. 1–10, 2014.
© Springer International Publishing Switzerland 2014
2 S. Janaqi et al.

used to estimate the semantic proximity of resources (e.g., diseases) indexed by con-
cepts (e.g., syndromes) [9]. Among the large diversity of semantic measures (refer to
[5] for a survey), knowledge-based semantic similarity measures (SSM) can be used
to compare how similar the meanings of concepts are according to taxonomical evi-
dences formalized in a KR. Among their broad range of practical applications, SSMs
are used to disambiguate texts, to design information retrieval algorithms, to suggest
drug repositioning, or to analyse genes products [5]. Nevertheless, most SSMs were
designed in an ad hoc manner and only few domain-specific comparisons involving
restricted subsets of measures have been made. It is therefore difficult to select a SSM
for a specific usage. Moreover, in a larger extent, it is the study of SSM and all know-
ledge-based systems relying on SSMs which are hampered by this diversity of
proposals since it is difficult today to distinguish the benefits of using a particular
measure.
In continuation of several contributions which studied similitudes between meas-
ures [2, 13, 15], a theoretical unifying framework of SSMs has recently been pro-
posed [4]. It enables the decomposition of SSMs through a small set of intuitive core
elements and parameters. This highlights the fact that most SSMs can be instantiated
from general similarity formula. This result is not only relevant for theoretical studies;
it opens interesting perspectives for practical applications of measures, such as the
definition of new measures or the characterization of measures best performing in
specific application contexts. To this end, the proposal of the theoretical framework
has been completed by the development of the Semantic Measures Library (SML)
1
[6] , an open source generic software solution dedicated to semantic measures.
Both the theoretical framework of SSMs and the SML can be used to tackle
fundamental questions regarding SSMs: which measure should be considered for a
concrete application? Are there strong implications associated to the selection of a
specific SSM (e.g., in term of accuracy)? Do some of the measures have similar be-
haviours? Is the accuracy of a measure one of its intrinsic properties, i.e., are there
measures which always better perform? Is a given measure sensitive w.r.t. uncertainty
in data or selection process? Can the impact of these uncertainties be estimated?
In this paper, we focus on the uncertainty relative to the selection of a SSM in a
particular context of use. Considering that a representative set of pairs of concepts
, and expected similarities , have been furnished by domain experts,
we propose to use the aforementioned framework and its implementation, to study
SSMs and to support context-specific selection of measures. Applying semi-
supervised learning techniques, we propose to ‘learn’ the core elements and the pa-
rameters of general measures in order to fit domain-expert’s knowledge. Moreover,
we focus on the impact of experts’ uncertainty on the selection of measures that is: to
which extent can a given SSM be reliably used knowing that similarities provided by
experts are inherently approximate assessments? We define the robustness of a SSM
as its ability to remain a reliable model in presence of uncertainties in the learning
dataset.

1
http://www.semantic-measures-library.org
 Robust Selection of Domain-Specific Semantic Similarity Measures 3

The rest of the paper is organized as follows. Section 2 presents the unifying
framework of SSMs. Section 3 describes a learning procedure for choosing the core
elements and parameters on the basis of expert’s knowledge. A simple, yet realistic,
model of uncertainty for experts’ assessments and indicators of robustness are intro-
duced. Section 4 illustrates the practical application of our proposal in the biomedical
domain. Finally, section 5 provides conclusions as well as some lines of future work.

2 Semantic Similarity Measures and Their Unification

This section briefly introduces SSMs for the comparison of two concepts defined in a
KR, more details are provided in [5]. We present how the unifying framework
recently introduced in [4] can be used to define parametric measures from which ex-
isting and new SSMs can be expressed. We focus on semantic similarity which is
estimated based on the taxonomical relationships between concepts; we therefore
focus on the taxonomy of concepts of a KR. This taxonomy is a rooted direct acyclic
graph denoted ; it defines a partial order among the set of concepts . We use
these notations:

• : the ancestors of the concept , i.e., | .

• : the length of the shortest-path linking to the root of the taxonomy.
• , : the Least Common Ancestor of concepts and , i.e. their deeper
common ancestor.
• : the information content of , e.g., originally defined as log , with
the probability of usage of concept , e.g., in a text corpus. Topological al-
ternatives have also been proposed (see [5, 15]).
• , the Most Informative Common Ancestor of concepts and .
In [4], it is shown that a large diversity of SSMs can easily be expressed from a
small set of primitive components. The framework is composed of two main ele-
ments: a set of primitive elements used to compose measures, and general measure
expressions which define how these primitives can be associated to build a concrete
measure. With a domain containing any subset of the taxonomy (e.g., , the
subgraph of induced by ), the primitives used by the framework are:

• Semantic representation ( ): Canonical form adopted to represent a concept and

derive evidences of semantic similarity, with ρ: . We note ρ or , the
semantic representation of the concept . As an example, a concept can be seen as
the set of senses it encompasses, i.e., its subsumers in .
• Specificity of a concept ( ): The specificity of a concept is estimated by a func-
tion θ: , with θ θ , e.g., IC, depth of a concept.
• Specificity of a concept representation ( ): The specificity of a concept repre-
sentation , Θ , is estimated by a function: Θ: . Θ decreases from the
leaves to the root of , i.e., Θ Θ .
4 S. Janaqi et al.

• Commonality ( ): The commonality of two concepts , according to their

semantic representations , is given by a function Ψ , , Ψ: .
• Difference ( ): The amount of knowledge represented in not found in is es-
timated using a function Φ , : Φ: .
The abstract functions ρ, Ψ, Φ are the core elements of most SSMs, numerous
general measures can be expressed from them; we here present , an abstract
formulation of the ratio model introduced by Tversky [16]:
Ψ ,
,
Φ , Φ , Ψ ,
Note that , are positive, bounded, and that important , values have no appeal in
our case. can be used to express numerous SSMs [4]; using the core elements
of Table 1, some well known SSMs instantiations of are provided in Table 2
(in all cases, Φ , Θ Ψ , ). Please refer to [4, 5] for citations and for a
more extensive list of both abstract measures and instantiations.

Table 1. Examples of instantiations of the primitive components defined by the framework

Case 1 2 3 4
ρ

Θ | |

Ψ , , , | |

Table 2. Instantiations of SSMs which can be used to assess the similarity of concepts

Measures Case Parameters

,
& , 1 α 0.5, 0.5

,
, 2 α 0.5, 0.5

,
, 2 α 1, 1
,

∑ 3 α 0.5, 0.5
, ∑ ∑

| |
, 4 α 1, 1
| |
 Robust Selection of Domain-Specific Semantic Similarity Measures 5

3 Learning Measures Tuning from Expert Knowledge

Considering a particular abstract expression of a measure, here , the objective
is to define the “right” combination of parameters ρ, Θ, Ψ, Φ, α, β . Following the
framework presented in section 2, this choice proceeds through two steps:
- Step 1: Define a finite list Π | ρ ,Θ ,Ψ ,Φ , 1, … , of possible
instantiations of the core elements ρ, Θ, Ψ, Φ , see Table 1. This choice can be guided
by semantic concerns and application constraints, e.g., based on: (i) the analysis of the
assumptions on which rely specific instantiations of measures [5], (ii) on the will to
respect particular mathematical properties such as the identity of the indiscernibles or
(iii) the computational complexity of measures.
- Step 2: Choose the couples of parameters α , β , 1, … , to be associated to
in . A couple α , β may be selected in an ad hoc manner from a finite list
of well known instantiations (see Table 2), e.g., based on the heavy assumption that
measures performing correctly in other benchmarks are suited for our specific use
case. Alternatively, knowing the expected similarities , furnished by domain
experts on a learning dataset, α , β can also be obtained from a continuous optimi-
zation process over this dataset. This latter issue is developed hereafter.
For any instantiation , α , β of the abstract measure , let us denote,
, , , , for any couple of concepts , . Suppose now that
experts have given the expected similarities s s , , 1, … , for a subset
of couples of concepts , . Let s , … , s T be the vector of these ex-
pected similarity values. It is then possible to estimate the quality of a particular SSM
tuning through the value of a fitting function. We denote the vector which con-
tains the similarities obtained by for each pair of concepts evaluated to build ,
with: , ,…, . Given , the similarities , only depend on
α , β ; it is thus possible to find the optimal α , β values that optimize a fitting
function, e.g. the correlation between and :

max , ,
(1)
0 α, β
The bound constraint of this optimization problem (1) is reasonable since the
case ∞ or ∞ should imply , 0 which have no appeal for us.
6 S. Janaqi et al.

FEATURE-BASED - Correlation; Corr. Max = 0.7589 FEATURE-BASED - Correlation

10 0.75
0.

0 65413
70
9 6 48

0.66285
0.67158
0.8
8

0.6803
0.68903
0.7

5
0.6977
0.75 7

6 48
0. 7
0.7 06
48

0.70
15 2
0.7 6 52

0 6454
71
0. 0.65

beta

0.65413
0.65 5 0.7
0.72393 15 2

0.66285
80358
4 0.72

0.671
0.6

77 3
3 93
0.73

0. 0.690
0 636680 62795

71056 48 5
0.732 65 0. 73

0 0.6968

3
3

39
65 0.6

0. 2
0.55 0.7326
32

72
5
20 0. 7 0.74138

0..7
0.741 38
2

0.6454
15 20 0.750 1
15 0.7501

0.7
10 1

0.6

0.7
10 0.74

50
1 38

54 1

3
5 0.6
0.6 0.7
0.7 0.7501 0.55

1
5 20.
67
0. 68
0.6 32
23152
9365 0.7501 0.74138
0 868
1 558
03 3 0.7
9097
0.7 064
75 8 0.74138
0.73
0 0.73265
72393 0 0.73265
0.73
72393

3
beta 0 0 0 2 4 6 8 10
alpha
alpha

Fig. 1. The fitting function , α, β and its level lines for choice 4 (see Table 1)

Fig. 1 presents an experiment which has been made to distinguish the optimal
α , β parameters for instantiation of using case 4, and considering a bio-
medical benchmark (discussed in section 4). The maximal correlation value is 0.759,
for α 6.17 and β 0.77 (the dot in the right image). The strong asymmetry in
the contour lines is a consequence of Φ , Φ , . This approach is efficient to
derive the optimal configuration considering a given vector of similarities ( ). Never-
theless it does not take into account the fact that expert assessments of similarity are
inherently marred by uncertainty.
In our application domain, expected similarities are often provided in a finite ordi-
nal linear scale of type ∆, 1. . . (e.g., 1, 2, 3, 4 in the next
section). If ∆ denotes the difference between two contiguous levels of the scale, then
we assume in this case that ∆, 0, ∆ with probability 0
, ∆ ∆ . This model of uncertainty merely means that
expert assessment errors cannot exceed ∆. In addition, it allows computing the prob-
ability distributions of the optimal couples α ,β ~ , with α ,β
being the solution of problem (1) with instead of as inputs, and the
uncertainty parameter ( ) (note that α , β α 0 , β 0 ).
The aim is to quantify the impact of uncertainty in expert assessments on the selec-
tion of a measure instantiation, i.e. selection of , α , β . We are interested in the
evaluation of SSM robustness w.r.t. expert uncertainty, and we more particularly fo-
cus on the relevance to consider α , β in case of uncertain expert assessments.
Finding a robust solution to an optimization problem without knowing the probability
density of data is well known [1, 7]. In our case, we do not use any hypothesis on the
distribution of . We define a set of near optimal (α , β ) using a threshold value
(domain-specific). The near optimal solutions are those in the level set:
α ,β | , , i.e. the set of pairs of parameters α, β giving good
correlation values w.r.t the threshold . The robustness is therefore given by:
, α β ; the bigger , the more robust the model α , β is. Nev-
ertheless, given that analytical form for the distribution , cannot be established,
 Robust Selection of Domain-Specific Semantic Similarity Measures 7

even in the normal case ~ 0, Σ , estimation techniques are used, e.g., Monte Carlo
method.
The computation of , allows identifying a robust couple α , β for a given
uncertainty level . An approximation of this point, named α , β , is given by the
median of points α ,β generated by Monte Carlo method. Note that α , β
coincides with α , β for 0 or little values of . Therefore α , β remains
inside for most and is significantly different from α , β when increases.

4 Practical Choice of a Robust Semantic Similarity Measure

Most algorithms and treatments based on SSMs require measures to be highly corre-
lated with human judgement of similarity [10–12]. SSMs are thus commonly evalu-
ated regarding their ability to mimic human appreciation of similarity between
domain-specific concepts. In our experiment, we considered a benchmark commonly
used in biomedicine to evaluate SSMs according to similarities provided by medical
experts [12]. The benchmark contains 29 pairs of medical terms which have been
associated to pairs of concepts defined in the Medical Subject Headings (MeSH) the-
saurus [14]. Despite its reduced size – due to the fact that benchmarks are hard to
produce – we used this benchmark since it is commonly used in the biomedical do-
main to evaluate SSM accuracy. The average of expert similarities is given for each
pair of concepts; initial ratings are of the form 1, 2, 3, 4 . As a consequence, the
uncertainty is best modelled defining 1, 0, 1 with probability distribution:
0 , 1 1 .
The approach described in Section 3 is applied with instantiations presented in
Table 2. Optimal (α, β were found by resolving Problem (1); SSMs computations
were performed by the Semantic Measures Library [6]. Table 3 shows that one of the
optimal configuration is obtained using Case 2 expressions (with , ):

,
18.62 4.23

Table 3. Best correlations of parametric SSMs, refer to Table 2 for case details

Case 1 (C1) Case 2 (C2) Case 3 (C3) Case 4 (C4)

Max. Correlation 0.719 0.768 0.736 0.759
Optimal α , β (9.89,1.36) (18.62,4.23) (7.26,0.40) (6.17,0.77)

It can be observed from the analysis of the results that, naturally, the choice of core
elements affects the maximal correlation; instantiations C2 and C4 always resulted in
the highest correlations (results are considered to be significant since the accuracies of
C2 and C4 are around 5% better than C1 and C3). Another interesting aspect of the
results is that asymmetrical measures provide best results: all experiments provided
the best correlations by tuning the measures with asymmetric contributions of and
8 S. Janaqi et al.

parameters – which can be linked to the results obtained in [4, 8]. Note that best
tunings and , ratio vary depending on the core elements considered.
Setting a threshold of correlation at 0.75, we now focus on the instantiations C2
and C4; they have comparable results (respectively 0.768/0.759, Δ 0.009). The aim
is to evaluate their robustness according to the framework introduced in section 3.
Considering inter-agreements between pools of experts reported in [12] (0.68/0.78),
the level of near optimality is fixed to 0.73. We also choose uncertainty
values 0.9, 0.8, 0.7, 0.6, 0.5 . The probability for the expert(s) to give erroneous
values, i.e. their uncertainty, is 1 0.1, 0.2, 0.3, 0.4, 0.5 . For each -value, a
large number of -vectors are generated to derive α , β . Estimated values of the
robustness and α , β for measures C2 and C4 are given in Table 4 and are
illustrated in Fig. 2.

Table 4. Robustness of parametric SSMs for case 2 (C2) and case 4 (C4) measures

1 0.1 1 0.2 1 0.3 1 0.4 1 0.5

0.83 0.70 0.56 0.49 0.39
α ,β (18.62, 4.23) (18.62, 4.23) (15.31, 4.23) (16.70, 4.07) (13.71, 4.02)
0.76 0.54 0.46 0.39 0.35
α ,β (6.17,0.77) (6.17,0.76) (5.52,0.71) (5.12,0.64) (4.06,0.70)

ሺȽ଴௟ ǡ Ⱦ଴௟ ሻ

ሺȽ‫כ‬௟ ǡ Ⱦ‫כ‬௟ ሻ

ሺȽ଴௟ ǡ Ⱦ଴௟ ሻ

ሺȽ‫כ‬௟ ǡ Ⱦ‫כ‬௟ ሻ

Fig. 2. Robustness of case 2 (C2) and case 4 (C4) measures for 10% and 40% of uncertainty. In
each figure the solutions α , β , α , β and are plotted.
 Robust Selection of Domain-Specific Semantic Similarity Measures 9

Fig. 2 shows the spread of the couples α , β for measures C2 and C4 consid-
ering the levels of uncertainty set to 10% and 40%. An interesting aspect of the results
is that robustness is significantly different depending on the case considered, 83% for
C2 and 76% for C4. Therefore, despite their correlations were comparable ( Δ
0.009), C2 is less sensible to uncertainty w.r.t. to the learning dataset used to distin-
guish best-suited parameters Indeed, only based on correlation analysis, SSM users
will most of the time prefer measures which have been derived from C2 since their
computational complexity is lower than those derived from C4 (computations of the
IC and the MICA are more complex). Nevertheless, C4 appears to be a more risky
choice considering the robustness of the measures and the uncertainty inherently as-
sociated to expert evaluations. In this case, one can reasonably conclude that α , β
of C2 is robust for uncertainty lower than 10% ( 1 0.1; 0.83). The size of
the level set is also a relevant feature for the selection of SSMs; it indicates the
size of the set of parameters α , β that give high correlations considering imprecise
human expectations. Therefore, an analytical (and its graphical counterpart) estimator
of robustness is introduced. Another interesting finding of this study is that, even if
human observations are marred by uncertainty and the semantic choice of measures
parameters, ρ , Θ , Ψ , Φ , is not a precise process, the resulting SSM is not so
sensitive to all these uncertainty factors.

5 Conclusions and Future Work

Considering the large diversity of measures available, an important contribution for
end-users of SSMs would be to provide tools to select best-suited measures for do-
main-specific usages. Our approach paves the way to the development of such tool
and can more generally be used to perform detailed evaluations of SSMs in other
contexts and applications (i.e., other knowledge domains, ontologies and training
data). In this paper, we used the SSM unifying framework established in [4] and a
well-established benchmark in order to design a SSM that fits the objectives of a prac-
titioner/designer in a given application context.
We particularly focused on the fact that the selection of the best-suited SSM is af-
fected by uncertainties, in particular due to the uncertainty associated to the ratings of
human experts used to evaluate the measures, etc. To our knowledge, we are the first to
propose an approach that finds/creates a best-suited SM which is robust to these uncer-
tainties. Indeed, contrary to most of existing studies which only compare measures
based on their correlation with expected scores of similarity (e.g., human appreciation of
similarity), our study highlights the fact that robustness of measures is an essential crite-
ria to better understand measures’ behaviour and therefore drive their comparison and
selection. We therefore propose an analytical estimator of robustness, and its graphical
counterpart, which can be used to characterize this important property of SSM. There-
fore, by putting into light the limit of existing estimator of measures’ accuracy, espe-
cially when uncertainty is regularly impacting measures (evaluation and definition), we
are convinced that our proposals open interesting perspectives for measure characteriza-
tion and will therefore ease their accurate selection for domain specific studies.
In addition, results of the real-world example used to illustrate our approach
give us the opportunity to capture new insights about specific types of measures
10 S. Janaqi et al.

(i.e. particular instantiation of an abstract measure, ). Nevertheless, the obser-

vations made in this experiment have been made based on the analysis of specific
configurations of measures, using a single ontology and a unique (unfortunately re-
duced) benchmark. More benchmarks have thus to be studied to derive more general
conclusions and the sensitivity of our approach w.r.t the benchmark properties (e.g.
size) have to be discussed. This will help to better understanding SSMs and more
particularly to better analyse the role and connexions between abstract measures ex-
pressions, core elements instantiations and extra parameters (e.g. α, β) regarding the
precision and the robustness of SSMs. Finally, note that a similar approach can be
used to study SSMs expressed from abstract formulae other than , and therefore
study the robustness of a large diversity of measures not presented in this study.

References
1. Ben-Tal, A., et al.: Robust optimization. Princeton series in applied mathematics. Priceton
University Press (2009)
2. Blanchard, E., et al.: A generic framework for comparing semantic similarities on a sub-
sumption hierarchy. In: 18th Eur. Conf. Artif. Intell., pp. 20–24 (2008)
3. Gruber, T.: A translation approach to portable ontology specifications. Knowl. Ac-
quis. 5(2), 199–220 (1993)
4. Harispe, S., et al.: A Framework for Unifying Ontology-based Semantic Similarity Meas-
ures: a Study in the Biomedical Domain. J. Biomed. Inform. (in press, 2013)
5. Harispe, S., et al.: Semantic Measures for the Comparison of Units of Language, Concepts
or Entities from Text and Knowledge Base Analysis. ArXiv.1310.1285 (2013)
6. Harispe, S., et al.: The Semantic Measures Library and Toolkit: fast computation of se-
mantic similarity and relatedness using biomedical ontologies. Bioinformatics 30(5), 740–
742 (2013)
7. Janaqi, S., et al.: Robust real-time optimization for the linear oil blending. RAIRO - Oper.
Res. 47, 465–479 (2013)
8. Lesot, M.-J., Rifqi, M.: Order-based equivalence degrees for similarity and distance meas-
ures. In: Hüllermeier, E., Kruse, R., Hoffmann, F. (eds.) IPMU 2010. LNCS (LNAI),
vol. 6178, pp. 19–28. Springer, Heidelberg (2010)
9. Mathur, S., Dinakarpandian, D.: Finding disease similarity based on implicit semantic si-
milarity. J. Biomed. Inform. 45(2), 363–371 (2012)
10. Pakhomov, S., et al.: Semantic Similarity and Relatedness between Clinical Terms: An
Experimental Study. In: AMIA Annu. Symp. Proc. 2010, pp. 572–576 (2010)
11. Pakhomov, S.V.S., et al.: Towards a framework for developing semantic relatedness refer-
ence standards. J. Biomed. Inform. 44(2), 251–265 (2011)
12. Pedersen, T., et al.: Measures of semantic similarity and relatedness in the biomedical do-
main. J. Biomed. Inform. 40(3), 288–299 (2007)
13. Pirró, G., Euzenat, J.: A Feature and Information Theoretic Framework for Semantic Similari-
ty and Relatedness. In: Patel-Schneider, P.F., Pan, Y., Hitzler, P., Mika, P., Zhang, L.,
Pan, J.Z., Horrocks, I., Glimm, B. (eds.) ISWC 2010, Part I. LNCS, vol. 6496, pp. 615–630.
Springer, Heidelberg (2010)
14. Rogers, F.B.: Medical subject headings. Bull. Med. Libr. Assoc. 51, 114–116 (1963)
15. Sánchez, D., Batet, M.: Semantic similarity estimation in the biomedical domain: An on-
tology-based information-theoretic perspective. J. Biomed. Inform. 44(5), 749–759 (2011)
16. Tversky, A.: Features of similarity. Psychol. Rev. 84(4), 327–352 (1977)
 Coping with Imprecision During
a Semi-automatic Conceptual Indexing Process

Nicolas Fiorini1 , Sylvie Ranwez1 , Jacky Montmain1 , and Vincent Ranwez2

1
Centre de recherche LGI2P de l’école des mines d’Alès,
Parc Scientifique Georges Besse, F-30 035 Nı̂mes cedex 1, France
{nicolas.fiorini,sylvie.ranwez,jacky.montmain}@mines-ales.fr
2
Montpellier SupAgro, UMR AGAP, F-34 060 Montpellier, France
vincent.ranwez@supagro.inra.fr

Abstract. Concept-based information retrieval is known to be a pow-

erful and reliable process. It relies on a semantically annotated corpus,
i.e. resources indexed by concepts organized within a domain ontology.
The conception and enlargement of such index is a tedious task, which
is often a bottleneck due to the lack of (semi-)automated solutions. In
this paper, we first introduce a solution to assist experts during the in-
dexing process thanks to semantic annotation propagation. The idea is
to let them position the new resource on a semantic map, containing
already indexed resources and to propose an indexation of this new re-
source based on those of its neighbors. To further help users, we then
introduce indicators to estimate the robustness of the indexation with
respect to the indicated position and to the annotation homogeneity of
nearby resources. By computing these values before any interaction, it
is possible to visually inform users on their margins of error, therefore
reducing the risk of having a non-optimal, thus unsatisfying, annotation.

Keywords: conceptual indexing, semantic annotation propagation, im-

precision management, semantic similarity, man-machine interaction.

1 Introduction

Nowadays, information technologies allow to handle huge quantity of resources

of various types (images, videos, text documents, etc.). While they provide tech-
nical solutions to store and transfer almost infinite quantity of data, they also
induce new challenges related to collecting, organizing, curating or analyzing
information. Information retrieval (IR) is one of them and is a key process for
scientific research or technology watch. Most information retrieval systems (IRS)
rely on NLP (natural language processing) algorithms and on indexes — of both
resources and queries to catch them — based on potentially weighted keywords.
Nevertheless, those approaches are hampered by ambiguity of keywords in the
indexes. There is also no structure acknowledged among the terms, e.g., “car” is
not considered to have anything in common with “vehicle”. Concept-based infor-
mation retrieval overcomes these issues when a semantically annotated corpus is

A. Laurent et al. (Eds.): IPMU 2014, Part III, CCIS 444, pp. 11–20, 2014.

c Springer International Publishing Switzerland 2014
12 N. Fiorini et al.

available [1]. The vocabulary used to describe the resources is therefore controlled
and structured as it is limited to the concepts available in the retained domain
ontology. The latter also provides a framework to calculate semantic similarities
to assess the relatedness between two concepts or between two groups of con-
cepts. For instance, the relevance score between a query and a document can be
computed using such measures, thus taking into account specialization and gen-
eralization relationships defined in the ontology. However, the requirement of an
annotated corpus is a limit of such semantic based approach because augmenting
a concept-based index is a tedious and time-consuming task which needs a high
level of expertise. Here we propose an assisted semantic indexing process build
upon a solution that we initially developed for resources indexed by a series of
numerical values. Indeed, few years ago we proposed a semi-automatic indexing
method to ease and support the indexing process of music pieces [2]. The goal
of this approach was to infer a new annotation thanks to existing ones: what we
called annotation propagation. A representative sample of the corpus is displayed
on a map to let the expert point out (e.g. by clicking) the expected location of a
new item in a neighborhood of similar resources. An indexation is then proposed
to characterize the new item by summarizing those of nearby resources. In prac-
tice, this is done by taking the mean of the annotations of the closest neighbors,
weighted by their distances to the click location. According to experts (DJs),
the generated annotations were satisfying and our method greatly sped up their
annotation process (the vector contained 23 independent dimensions and more
than 20 songs were indexed in less than five minutes by an expert). We also
successfully applied it in another context, to annotate photographs [3].
Here we propose a solution to extend this approach to a concept-based in-
dexing process. Indeed, using indexation propagation is not straightforward in
the semantic framework since concepts indexing a resource are not necessarily
independent and the average of a set of concepts is not as obvious as the average
of a set of numerical values. Summarizing the annotations of the closest neigh-
bors cannot be done using a mere barycenter anymore. In our approach, we rely
on semantic similarity measures in order to define the new item’s annotation,
thanks to its neighbors’ ones. The exact location of the user click may have more
or less impact on the proposed indexation depending on the resources’ index-
ation and density in the selected area. To further support the user during the
indexation process, we thus propose to analyze the semantic map to give him
a visual indication of this impact. The user can then pay more attention to his
selection when needed and go faster when possible.
After having described the annotation propagation related works in section 2,
section 3 introduces our framework. We explain the objective function leading
to the annotation and the impact of expert’s imprecision withing the annotation
propagation process. Section 4 focuses on the management of this imprecision
and more specifically on solutions to help the user to take it into account within
the indexing process. Results are discussed in section 5 with a special care of
visual rendering proposed to assist the end-user.
 Coping with Imprecision During an Indexing Process 13

2 Related Work
The need of associating metadata to increasingly numerous documents led the
community to conceive approaches easing and supporting this task. Some of them
infer new annotations thanks to existing ones [4]. The propagation of annotations
then relies on existing links among entities to determine the propagation rules.
For instance, [5] proposes to propagate metadata on the Internet by using the
webpages hyperlinks, while [6] uses document citations. However, such propaga-
tion strategies only rely on application specific links and not on the underlying
semantics of entities. A document cited as a counter example will thus inherit
from metadata which are possibly irrelevant.
Some propagation methods have been specifically designed to handle media-
specific resources not easily applicable in our context, e.g. picture annotation.
They generally rely on image analysis of other pictures to define, thanks to
probabilistic approaches, which terms to pick in order to annotate the new one.
Some of them are based on maximal entropy [7], n-grams, bayesian inference
[8] or SVM — Support Vector Machine. [9] proposed to propagate WordNet1
based indexations rather than mere terms. [4] proposed a different approach in
which resources are not necessarily pictures and their associated annotations
are based on concepts. During the manual indexing process, they propose to
assist the end user by propagating annotation from a newly annotated entity
to the rest of the corpus. This led to a very fast solution, able to deal with
millions of images, that assign the exact same annotation to several resources
without any expert validation of the propagated information. We propose to use
the opposite strategy and to assist the user by providing him with an initial
annotation of the new resource based on existing ones. Indeed we believe this
strategy is better adapted for the numerous contexts in which a smaller corpus
is used but a high quality annotation is crucial. Each annotation should thus
be specific and validated by a human expert. Maintaining and augmenting an
index is always mentioned as a tedious task for the experts in the literature [9].
This issue is yet more problematic when the annotation is made of concepts
because it requires an expertise of the whole knowledge model (e.g. a domain
ontology). This means that, besides high-level knowledge of a specific domain,
the user is also supposed to perfectly control the concepts and their structure,
i.e. the model that analysts impose on him. While it is difficult to imagine a
fully automatic annotation process (probably including NLP, clustering, etc.),
we propose a semi-automatic approach supporting the expert’s task.

3 A New Semantic Annotation Propagation Framework

Since it is difficult to visualize, analyze and understand the whole corpus at
once (even with zoom and pan tools), we suggest presenting a semantic map
displaying an excerpt of entities from the indexed corpus to the user (see Fig. 1).
When having a new item to index, the expert is asked to identify, by clicking
1
http://wordnet.princeton.edu
Another random document with
no related content on Scribd:
»Onhan selvää, että vapautetaan.» He kaikki valmistautuivat yleisen
innostuksen vaikuttavaan hetkeen. Myönnän, että salin
miespuolisessakin aineksessa oli tavattoman paljon niitä, jotka olivat
vakuutettuja siitä, että syytetty ehdottomasti julistetaan syyttömäksi.
Toiset olivat iloissaan, toiset rypistivät kulmiaan, jotkut taas
suorastaan nyrpistivät nenäänsä: he eivät halunneet syyttömäksi
julistamista! Fetjukovitš itse oli vahvasti vakuutettu menestyksestä.
Hänen ympärilleen kokoonnuttiin, hän otti vastaan onnentoivotuksia,
häntä mielisteltiin.

— On, — sanoi hän eräässä ryhmässä, niin kuin myöhemmin

kerrottiin, — on olemassa näkymättömät langat, jotka yhdistävät
puolustajan ja valamiehet. Ne syntyvät ja tuntuvat jo puheen aikana.
Minä tunsin ne, ne ovat olemassa. Voitto on meidän, olkaa levolliset.

— Mutta mitähän talonpoikamme nyt mahtavat sanoa? — lausui

eräs kulmiaan rypistävä, paksu ja rokonarpinen herra, lähellä
kaupunkia asuva tilanomistaja, astuen erään keskustelevan
herrasmiesryhmän luo.

— Eihän siinä ole yksinomaan talonpoikia. Siellä on neljä

virkamiestä.

— Niin, ovathan ne virkamiehiä, — lausui ryhmää lähestyen eräs

kihlakunnan maalaishallituksen jäsen.

— Tunnetteko Nazarjevin, Prohor Ivanovitšin, sen kauppiaan, jolla

on mitali, valamiehen?

— Mitä hänestä?

— Se on hyvin viisas mies.

 — Hänhän on kaiken aikaa vaiti.

— Niinpä kyllä, mutta sitä parempihan se onkin. Ei tarvitse

pietarilaisen häntä opettaa, itse hän pystyy opettamaan koko
Pietaria. Kaksitoista lasta, ajatelkaahan!

— Hyväinen aika, eivätkö he todellakaan julista syyttömäksi? —

huusi toisessa ryhmässä eräs nuorista virkamiehistä.

— Aivan varmasti julistavat syyttömäksi, — kuului päättäväinen

ääni.

— Olisi kerrassaan häpeä, jos eivät julistaisi syyttömäksi! —

huudahti virkamies. — Olkoonpa, että on tappanut, mutta onhan
erotus isällä ja isällä! Ja sitäpaitsi hän oli niin raivostunut… Hän
saattoi todellakin vain heilauttaa survinta, ja toinen tuupertui. Paha
vain, että lakeija tähän sotkettiin. Se on suorastaan naurettava
episodi. Minä puolustajan sijassa olisin sanonut suoraan ja muitta
mutkitta: tappoi, mutta ei ole syyllinen, piru teidät vieköön!

— Niinhän tekikin, paitsi ettei sanonut piru teidät vieköön.

— Ei, Mihail Semjonytš, melkein hän sanoi senkin, — yhtyi

puheeseen kolmas ääni.

— Hyväinen aika, hyvät herrat, vapautettiinhan meillä suuren

paaston aikana näyttelijätär, joka oli leikannut kaulan poikki
rakastajansa lailliselta vaimolta.

— Eihän hän saanut sitä leikatuksi.

— Sama se, sama se, hän alkoi leikata!

 — Mutta miten hän puhuikaan lapsista! Suurenmoista!

— Entäpä mystiikasta, mystiikasta, mitä?

— Antakaa te mystiikan olla, — huudahti vielä joku, — asettukaa

Ippolitin asemaan, hänen kohtaloonsa tästä päivästä lähtien!
Huomispäivänähän prokuraattorin rouva raapii häneltä silmät päästä
Mitenjkan tähden.

— Onko hän täällä?

— Kuinka hän täällä olisi? Jos olisi täällä, niin täällä raapisikin.
Kotonaan istuu, hampaita kivistää. Hehehee!

— Hehehee!

Kolmannessa ryhmässä:

— Ehkäpä Mitenjka todellakin julistetaan syyttömäksi.

— Mitäpä hyvää siitä olisi. Huomenna hän hajoittaa koko

»Pääkaupungin», juopottelee kymmenen päivää.

— Äh, onhan se koko piru!

— Pirupa piru, ei pirutta tultu toimeen, missäs se olisi, jollei täällä.

— Hyvät herrat, olkoonpa, että se on kaunopuheisuutta. Mutta

eihän saa isienkään päitä puhkoa puntareilla. Mitä siitä semmoisesta
tulee?

— Mutta vaunut, vaunut, muistatteko?

— Niin, hän teki rattaista vaunut,

 — Ja tekee huomenna vaunuista rattaat, »mikäli tarvitaan, aina
mikäli tarvitaan».

— Taitavaa väkeä on liikkeessä. Onko meillä Venäjällä totuutta vai

eikö sitä ole ollenkaan?

Mutta kello soi. Valamiehet olivat neuvotelleet täsmälleen tunnin,

ei enempää eikä vähempää. Syntyi syvä hiljaisuus heti, kun yleisö oli
asettunut paikoilleen. Muistan, miten valamiehet astuivat sisälle
saliin. Vihdoinkin! En esitä tässä kysymyksiä kohta kohdalta enkä
niitä enää muistakaan. Muistan vain vastauksen puheenjohtajan
ensimmäiseen ja tärkeimpään kysymykseen, nimittäin »tappoiko
ryöstämistarkoituksessa vakain tuumin?» (tekstiä en muista). Kaikki
odottivat henkeään pidätellen. Valamiehistön puheenjohtaja, juuri se
virkamies, joka oli nuorin kaikista, lausui kuuluvasti ja selvästi
kuolemanhiljaisuuden vallitessa salissa:

— Kyllä, hän on syyllinen!

Ja sitten oli tulos kaikissa eri kohdissa sama: syyllinen, kyllä, hän
on syyllinen, ja näin lausuttiin ilman vähintäkään suopeutta! Tätä ei
kukaan ollut odottanut, ainakin suopeudesta olivat melkein kaikki
olleet varmoja. Kuolonhiljaisuus salissa ei keskeytynyt, kaikki olivat
aivan kuin sananmukaisesti kivettyneet, — sekä ne, jotka olivat
toivoneet langettamista, että ne, jotka olivat toivoneet syyttömäksi
julistamista. Mutta tätä kesti vain ensimmäisten minuuttien ajan.
Sitten alkoi hirveä sekamelska. Yleisön miespuolisista jäsenistä
monet näyttivät olevan hyvin tyytyväisiä. Jotkut suorastaan hieroivat
käsiään salaamatta iloaan. Tyytymättömät olivat kuin puserruksissa,
kohauttelivat olkapäitään, kuiskuttelivat, mutta eivät näyttäneet yhä
vieläkään oikein käsittävän. Mutta, hyvä Jumala, miten naisten laita
oli! Minä luulin, että he tekevät kapinan. Alussa, he eivät näyttäneet
uskovan korviaan. Ja yhtäkkiä alkoi yli koko salin kajahdella
huudahduksia: »Mutta mitä tämä on? Mitä tämä taas on?» He
hyppelivät pois paikoiltaan. Luultavasti he arvelivat, että tuon kaiken
voi heti taas muuttaa ja järjestää toisin. Tällä hetkellä yhtäkkiä Mitja
nousi seisomaan ja huusi päästäen vihlovan parkaisun ja ojennellen
käsiään eteensä:

— Vannon Jumalan ja Hänen viimeisen tuomionsa kautta, etten

ole syypää isäni vereen! Katja, minä annan sinulle anteeksi! Veljet,
ystävät, armahtakaa tuota toista naista!

Hän ei jaksanut puhua loppuun ja alkoi itkeä, niin että se kuului yli
koko salin, ääneensä, omituisella uudella, vieraalla,
odottamattomalla äänellä, jonka mistä lieneekin yhtäkkiä saanut.
Parvekkeelta, ylhäältä, perimmäisestä nurkasta kuului läpitunkeva
naisen kirkaisu: se oli Grušenjka. Hän oli äsken saanut jonkun
taipumaan, ja hänet oli uudelleen päästetty saliin jo ennen syytös- ja
puolustuspuheitten alkamista. Mitja vietiin pois. Tuomion julistaminen
lykättiin seuraavaan päivään. Koko sali nousi paikoiltaan
epäjärjestyksessä, mutta minä en jäänyt enää odottamaan enkä
kuuntelemaan. Muistan vain muutamia huudahduksia, jotka kuulin
portailla, ulos mentäessä.

— Kaksikymmentä vuotta saa haistella vuorikaivosta.

— Ei vähempää.

— Niin, talonpoikamme olivat miehiä puolestaan.

— Ja tekivät lopun Mitenjkastamme!

 Epilogi

1.

Suunnitelmat Mitjan pelastamiseksi

Viidentenä päivänä sen jälkeen kuin Mitja oli tuomittu, hyvin

varhain aamulla, kellon käydessä vasta yhdeksättä, saapui Katerina
Ivanovnan luo Aljoša sopimaan lopullisesti eräästä heille molemmille
tärkeästä asiasta, jotapaitsi hän oli saanut tehtäväkseen toimittaa
tämän luona erään asian. Katerina Ivanovna istui ja puheli hänen
kanssaan samassa huoneessa, jossa oli aikoinaan vastaanottanut
Grušenjkan; viereisessä huoneessa makasi kuumeessa ja
tiedottomana Ivan Fjodorovitš. Katerina Ivanovna oli heti oikeudessa
sattuneen kohtauksen jälkeen käskenyt viemään sairaan ja
tajuntansa menettäneen Ivan Fjodorovitšin kotiinsa, välittämättä
ollenkaan siitä, että yhteiskunnan keskuudessa siitä ehdottomasti
syntyisi paljon puheita ja lausuttaisiin tuomitsevia arvosteluja. Toinen
hänen luonaan asuneista naispuolisista sukulaisista matkusti heti
oikeudessa sattuneen kohtauksen jälkeen Moskovaan, toinen oli
jäänyt taloon. Mutta vaikka molemmat olisivat lähteneet pois, niin
Katerina Ivanovna ei olisi muuttanut päätöstään, vaan olisi jäänyt
hoitamaan sairasta ja istumaan hänen vuoteensa ääressä yöt päivät.
Sairasta parantelivat Varvinski ja Herzenstube; moskovalainen
tohtori oli lähtenyt takaisin Moskovaan kieltäytyen sanomasta
edeltäpäin mielipidettään taudin mahdollisesta kehittymisestä.
Vaikka jäljellejääneet tohtorit rohkaisivatkin Katerina Ivanovnaa ja
Aljošaa, niin näkyi, että he eivät vielä voineet antaa varmaa toivoa.
Aljoša kävi sairasta veljeään katsomassa kahdesti päivässä. Mutta
tällä kertaa hänellä oli erikoinen, paljon huolta antava asia, ja hän
aavisti, miten vaikeata hänen oli ryhtyä siitä puhumaan, ja samalla
hänellä kuitenkin oli hyvin kiire: hänen oli välttämättömästi
toimitettava toinenkin asia tänä samana aamuna toisessa paikassa,
ja täytyi pitää kiirettä. He olivat puhelleet jo noin neljännestunnin.
Katerina Ivanovna oli kalpea, tavattoman väsynyt ja samalla
sairaalloisen kiihtynyt: hän aavisteli, mille asialle Aljoša muun
muassa oli nyt tullut hänen luokseen.

— Älkää olko huolissanne siitä, mitä hän päättää, — lausui hän

lujasti ja itsepintaisesti Aljošalle. — Oli miten hyvänsä, niin hän
lopuksi kuitenkin tulee tähän tulokseen: hänen on paettava! Tuo
onneton, tuo kunnian ja omantunnon sankari, — ei se toinen, ei
Dmitri Fjodorovitš, vaan se, joka makaa tuolla oven takana ja joka
uhrautui veljensä puolesta (lisäsi Katja säkenöivin silmin) — hän on
jo kauan sitten ilmaissut minulle tuon pakosuunnitelman. Tiedättekö,
hän on asettunut yhteyteen eräitten kanssa… Olen jo kertonut teille
yhtä ja toista… Näettekö, se tapahtuu luultavimmin kolmannella
matkavankiasemalla täältä, kun pakkotyöläisjoukkuetta viedään
Siperiaan. Oi, siihen on vielä pitkä matka. Ivan Fjodorovitš on jo
käynyt kolmannen matkavankiaseman päällikön luona. On vain
epätietoista, kuka tulee olemaan joukkueen kuljetuspäällikkönä, eikä
sitä voi näin ennakolta saada tietää. Huomenna kenties näytän teille
koko yksityiskohtaisen suunnitelman, jonka Ivan Fjodorovitš jätti
minulle ennen oikeudenistuntoa, siltä varalta, että jotakin sattuisi…
Se oli sillä samalla kertaa, jolloin te, muistatteko, tapasitte meidät
riidassa: hän oli jo menossa portaita alas, mutta minä nähtyäni teidät
sain hänet tulemaan takaisin — muistatteko? Tiedättekö te, mistä me
silloin riitaannuimme?
 — En, en tiedä, — sanoi Aljoša.

— Tietysti hän piti sen silloin salassa teiltä: juuri tuosta

pakosuunnitelmasta. Hän oli jo kolme päivää aikaisemmin ilmaissut
minulle pääkohdat — silloinpa me aloimmekin riidellä ja olimme siitä
asti olleet kolme päivää riidassa. Riitaannuimme siitä, että kun hän
ilmoitti minulle Dmitri Fjodorovitšin, jos tulee tuomituksi, karkaavan
ulkomaille yhdessä tuon elukan kanssa, niin minä yhtäkkiä vihastuin,
— en sano teille mistä syystä, en tiedä itsekään mistä syystä… Oi,
tietysti tuon elukan, tuon elukan vuoksi minä silloin vihastuin, ja
nimenomaan siksi, että hänkin pakenee yhdessä Dmitri Fjodorovitšin
kanssa ulkomaille! — huudahti yhtäkkiä Katerina Ivanovna vihasta
väräjävin huulin. — Heti kun Ivan Fjodorovitš näki minun niin
suuttuvan tuon elukan takia, niin hän samassa silmänräpäyksessä
luuli, että minä olen tälle mustasukkainen Dmitrin vuoksi ja että minä
siis edelleen rakastan Dmitriä. Siitä syntyi silloin ensimmäinen riita.
Minä en tahtonut antaa selityksiä, en voinut pyytää anteeksi; minusta
oli raskasta, että sellainen mies saattoi epäillä minun rakastavan
niinkuin ennenkin tuota… Ja tätä hän saattoi luulla silloin, kun minä
itse, jo paljon aikaisemmin, olin sanonut suoraan hänelle, etten
rakasta Dmitriä, vaan rakastan ainoastaan häntä! Vain vihani tuota
elukkaa kohtaan sai minut silloin suuttumaan! Kolmen päivän
kuluttua, juuri sinä iltana, kun te tulitte tänne, hän toi minulle suljetun
kirjekuoren, joka minun pitäisi avata, jos hänelle jotakin tapahtuu. Oi,
hän aavisti ennakolta sairautensa! Hän ilmaisi minulle, että
kirjekuoressa oli yksityiskohtainen pakosuunnitelma, jotta minä, jos
hän itse sattuisi kuolemaan tai vaarallisesti sairastumaan, yksinäni
pelastaisin Mitjan. Samalla hän antoi minulle rahoja, melkein
kymmenentuhatta, — samat rahat, joista prokuraattori, saatuaan
joltakulta tietää, että hän oli lähettänyt niitä vaihdettaviksi, mainitsi
puheessaan. Minua hämmästytti suuresti, että Ivan Fjodorovitš, joka
yhä vielä oli mustasukkainen minun tähteni ja yhä oli vakuutettu siitä,
että minä rakastan Mitjaa, ei kuitenkaan ollut luopunut ajatuksesta
pelastaa veljensä ja uskoi minulle, minulle itselleni, tuon
pelastustehtävän! Oi, se oli uhraus! Ei, te ette ymmärrä sellaista
uhrautuvaisuutta koko täydellisyydessään, Aleksei Fjodorovitš! Minä
tahdoin langeta hartain mielin hänen jalkoihinsa, mutta kun yhtäkkiä
tulin ajatelleeksi, että hän pitää sitä vain minun riemastuksenani sen
johdosta, että Mitja pelastetaan (ja sitä hän olisi ehdottomasti
ajatellut!), niin minua siinä määrin suututti pelkkä niin epäoikeutetun
ajatuksen mahdollisuuskin hänen puoleltaan, että minä taaskin
kiivastuin ja sen sijaan, että olisin suudellut hänen jalkojaan, minä
taas panin toimeen riitakohtauksen! Oi, minä olen onneton! Sellainen
on minun luonteeni — kauhea, onneton luonne! Oi, te saatte vielä
nähdä: minä teen vielä sen, johdan asiat siihen, että hänkin niinkuin
Dmitri hylkää minut toisen tähden, jonka kanssa on helpompi elää,
mutta silloin… ei, silloin minä en enää jaksa kestää, minä tapan
itseni! Mutta kun te silloin astuitte sisälle, ja kun minä teitä kutsuin ja
käskin häntä palaamaan takaisin, niin hänen tullessaan huoneeseen
teidän kanssanne minut valtasi sellainen viha sen vihamielisen,
halveksivan katseen johdosta, jonka hän yhtäkkiä minuun loi, että —
muistatteko — minä yhtäkkiä huusin teille, että vain hän, hän yksin
oli saanut minut uskomaan, että hänen veljensä, Dmitri on murhaaja!
Minä panettelin tahallani saadakseni vielä kerran pistää häntä, hän
ei ollut koskaan, ei koskaan koettanut saada minua uskomaan, että
veljensä on murhaaja, päinvastoin minä, minä koetin saada hänet
sitä uskomaan! Oi, kaikkeen, kaikkeen on syynä minun hillitön
raivoni! Minä, minä juuri valmistinkin tuon kirotun kohtauksen
oikeuden edessä! Hän tahtoi osoittaa minulle, että hän on jalo ja että
vaikka minä rakastankin hänen veljeään, niin hän ei kuitenkaan
syökse veljeään onnettomuuteen kostonhimosta ja
mustasukkaisuudesta. Niinpä hän esiintyikin oikeudessa… Minä olen
syypää kaikkeen, minä yksin olen syyllinen!

Ei vielä koskaan Katja ollut tehnyt tällaisia tunnustuksia Aljošalle,

ja Aljoša tunsi hänen olevan nyt juuri semmoisen sietämättömän
kärsimyksen asteella, jolloin kaikkein ylpeinkin sydän kipua tuntien
murskaa ylpeytensä ja lankeaa maahan murheen voittamana. Oi,
Aljoša tunsi vielä yhden kauhean lisäsyyn hänen tuskaansa tällä
hetkellä, niin paljon kuin hän kaikkina näinä päivinä Mitjan tuomion
jälkeen olikin koettanut sitä häneltä salata; mutta hänestä tuntui
jostakin syytä liian tuskalliselta, jos Katerina Ivanovna olisi päättänyt
alentua niin syvälle, että olisi alkanut puhua hänelle itse, nyt, tällä
hetkellä, myöskin siitä syystä. Katerina Ivanovna kärsi
»kavalluksestaan» oikeudessa, ja Aljoša aavisti, että omatunto
pakotti häntä tunnustamaan syynsä nimenomaan hänen, Aljošan,
edessä, kyynelsilmin, vikisten hysteerisesti, lattialla kiemurrellen.
Mutta Aljoša pelkäsi tätä hetkeä ja tahtoi sääliä kärsivää. Sitä
vaikeammaksi kävi sen tehtävän suorittaminen, jota varten hän oli
tullut. Hän alkoi taas puhua Mitjasta.

— Ei mitään, ei mitään, älkää pelätkö hänen puolestaan! — alkoi

Katja taas itsepäisesti ja tiukasti. — Kaikki tuo on hänessä vain
hetkellistä, minä tunnen hänet, tunnen kovin hyvin hänen
sydämensä. Olkaa varma siitä, että hän suostuu pakenemaan. Ja
pääasia on, ettei se tapahdukaan heti, hänellä on vielä aikaa tehdä
päätöksensä. Siihen mennessä Ivan Fjodorovitš tervehtyy ja
järjestää itse kaikki, niin ettei minun tarvitse tehdä mitään. Älkää olko
huolissanne, hän suostuu pakenemaan. Ja onhan hän jo
suostunutkin: voiko hän jättää elukkansa? Pakkotyöhön mukaan tätä
ei päästetä, niin että miksi Mitja ei pakenisi? Pääasia on, että hän
pelkää teitä, pelkää, että te siveelliseltä kannalta ette hyväksy pakoa,
mutta teidän täytyy jalomielisesti sallia se hänelle, jos teidän
juhlallinen vahvistuksenne tässä kerran on niin välttämätön, — lisäsi
Katja myrkyllisesti. Hän oli vähän aikaa vaiti ja naurahti sitten.

— Hän puhelee siellä, — alkoi hän taas puhua, — joistakin

hymneistä, rististä, joka hänen on kannettava, jostakin
velvollisuudesta, minä muistan, minulle kertoi tästä silloin Ivan
Fjodorovitš, ja jospa tietäisitte, miten hän puhui! — huudahti Katja
yhtäkkiä hillittömän tunteikkaasti, — jospa tietäisitte, miten hän
rakasti tuota onnetonta sillä hetkellä, kun hän kertoi minulle hänestä,
ja kuinka hän kenties vihasi häntä samalla hetkellä! Mutta minä, oi,
minä kuuntelin silloin hänen kertomustaan ja katselin hänen
kyyneliään ylpeästi naureskellen! Oi, elukka! Minä juuri olen elukka,
minä! Minä olen tuottanut hänelle kuumeen! Mutta tuo toinen,
tuomittu, — onko hän valmis kärsimään, — lopetti Katja vihaisesti, —
ja semmoinenko mies voisi kärsiä? Sellaiset kuin hän eivät kärsi
koskaan.

Jonkinmoinen vihan ja inhoavan halveksimisen tunne tuntui näissä

sanoissa. Ja kuitenkin juuri hän itse oli tuon miehen kavaltanut.
»Mitäs, kenties sen tähden, että tuntee olevansa niin syyllinen hänen
edessään ja että vihaa häntä joinakin hetkinä», ajatteli itsekseen
Aljoša. Hän olisi tahtonut, että tätä olisi tapahtunut ainoastaan
»joinakin hetkinä». Katjan viimeisissä sanoissa hän kuuli
taisteluhaasteen, mutta ei ottanut sitä vastaan.

— Sentähden minä teidät tänään kutsuinkin, että lupaisitte itse

suostuttaa hänet. Vai onko teidänkin mielestänne pakeneminen
epärehellistä, vähemmän uljasta tai kuinka sanoisin… epäkristillistä,
vai kuinka? — lisäsi Katja vielä enemmän taisteluhaluisena.
 — Ei, ei se mitään. Minä sanon hänelle kaikki… — mutisi Aljoša.
— Hän pyytää teitä käymään tänään luonaan, — sanoa paukahdutti
hän yhtäkkiä katsoen lujasti häntä silmiin. Katerina Ivanovna vavahti
ja oli vähällä vetäytyä edemmäksi hänestä sohvalla.

— Minua… onko se mahdollista? — sopersi hän kalveten.

— Se on mahdollista ja niin täytyy! — alkoi Aljoša lujasti ja

vilkastuen. — Te olette hänelle hyvin tarpeen, juuri nyt. Minä en
rupeaisi puhumaan tästä enkä ennen aikojani teitä kiusaamaan, jollei
se olisi välttämätöntä. Hän on sairas, hän on kuin sekapäinen, hän
pyytää kaiken aikaa teitä luokseen. Hän ei pyydä teitä luokseen
sovintoa rakentaakseen, kunhan te vain tulisitte ja näyttäytyisitte
kynnyksellä. Hänelle on tapahtunut paljon sen päivän jälkeen. Hän
ymmärtää, miten äärettömän syyllinen hän on edessänne. Ei hän
tahdo teidän anteeksiantoanne: »Minulle ei voi antaa anteeksi»,
sanoo hän itse, vaan ainoastaan sitä, että te näyttäytyisitte
kynnyksellä…

— Te minut yhtäkkiä… — sopersi Katja, — minä olen joka päivä

aavistellut, että te tulette tälle asialle… Minä tiesin, että hän kutsuisi
minua!… Se on mahdotonta!

— Olkoon vain mahdotonta, mutta tehkää se. Muistakaa, että

häntä ensimmäisen kerran liikuttaa se, että hän on teitä loukannut,
ensimmäisen kerran elämässä, ei koskaan hän ole sitä niin
täydellisesti käsittänyt! Hän sanoo: jos hän kieltäytyy tulemasta, niin
minä »olen koko elämäni ajan nyt onneton». Kuuletteko:
kahdeksikymmeneksi vuodeksi pakkotyöhön tuomittu pyrkii vielä
olemaan onnellinen — eikö se herätä sääliä? Ajatelkaa: te käytte
syyttömästi onnettomuuteen joutunutta katsomassa, — pääsi
taisteluhaasteen tavoin Aljošan suusta, — hänen kätensä ovat
puhtaat, ne eivät ole veren tahrimat! Hänen tulevien lukemattomien
kärsimystensä tähden käykää hänen luonaan nyt! Tulkaa, saattakaa
häntä pimeyteen… tulkaa ainoastaan kynnykselle… Teidänhän on
velvollisuus, on velvollisuus tehdä se! — lopetti Aljoša alleviivaten
uskomattoman voimakkaasti sanaa »velvollisuus».

— On velvollisuus, mutta… en voi, — sanoi Katja aivan kuin

vaikeroiden, — hän katsoo silloin minuun… minä en voi.

— Teidän katseittenne täytyy yhtyä. Kuinka voitte elää koko

elämänne, jos nyt ette sitä tee?

— Parempi on kärsiä koko ikänsä.

— Teidän on velvollisuus tulla, teidän on velvollisuus tulla, — sanoi

Aljoša taas järkähtämättömästi.

— Mutta miksi tänään, miksi heti?… Minä en voi jättää sairasta…

— Hetkiseksi voitte, sehän kestää vain hetken ajan. Jos te ette

tule, niin hän yöksi sairastuu kuumeeseen. Minä en puhu
semmoista, mikä ei ole totta, säälikää!

— Säälikää te minua, — soimasi Katja katkerasti ja rupesi

itkemään.

— Te siis tulette! — lausui Aljoša lujasti nähtyään kyynelet hänen

silmissään. — Minä menen sanomaan hänelle, että te tulette heti.

— Ei, älkää suinkaan sanoko! — huudahti Katja pelästyneenä. —

Minä tulen, mutta älkää te puhuko hänelle siitä edeltäpäin, sillä minä
tulen, mutta kenties en astu sisälle… Minä en tiedä vielä…
 Hänen äänensä katkesi. Hän hengitti raskaasti. Aljoša nousi
lähteäkseen.

— Entäpä jos kohtaan siellä jonkun? — lausui hän yhtäkkiä hiljaa

ja kalpeni taas.

— Siksi juuri onkin lähdettävä heti, ettette kohtaisi siellä ketään.

Siellä ei ole ketään, voin sen vakuuttaa. Me odotamme, — lopetti
hän lujasti ja lähti huoneesta.

2.

Hetken ajaksi valhe muuttui totuudeksi

Hän kiiruhti sairashuoneeseen, jossa Mitja nyt makasi. Tuomion

langettamisen jälkeisenä päivänä hän oli sairastunut
hermokuumeeseen ja hänet oli lähetetty kaupungin sairaalaan,
vankien osastoon. Mutta lääkäri Varvinski ei, Aljošan ja monien
muitten (rouva Hohlakovin, Lisen y.m.) pyynnöstä, ollut sijoittanut
Mitjaa vankien joukkoon, vaan erilleen, siihen samaan pikku
huoneeseen, jossa aikaisemmin oli maannut Smerdjakov. Tosin
käytävän päässä seisoi vahti ja ikkunassa oli rautaristikko, niin että
Varvinski saattoi olla levollinen, vaikka hänen osoittamansa hempeys
ei ollutkaan aivan lain mukaista, mutta hän oli hyväsydäminen ja
sääliväinen nuori mies. Hän ymmärsi, miten vaikeata sellaisen kuin
Mitjan on heti siirtyä murhaajien ja roistojen pariin, ja että siihen
täytyi ensin tottua. Omaisille ja tutuille olivat sekä lääkäri että
tarkastaja, vieläpä poliisipäällikkökin, antaneet luvan käydä häntä
tervehtimässä, kaikki salaisesti. Mutta näinä päivinä olivat käyneet
Mitjaa tervehtimässä ainoastaan Aljoša ja Grušenjka. Pari kertaa oli
häntä yrittänyt saada tavata Rakitin; mutta Mitja oli tiukasti pyytänyt,
ettei Varvinski päästäisi tätä sisälle.

Aljoša tapasi hänet istumassa makuulavitsalla sairasviitta yllään,

hiukan kuumeessa, etikansekaisella vedellä kostutettu pyyheliina
käärittynä pään ympäri. Hän katsoi sisälle tullutta Aljošaa
epämääräisellä katseella, mutta katseessa välähti kuitenkin
ikäänkuin jonkinlainen pelästys.

Yleensä hän oli ollut tuomion julistamisesta asti hirveän

miettiväinen. Toisinaan hän oli puoli tuntia yhtä mittaa vaiti miettien
jotakin raskaasti ja kärsien ja unohtaen seurassaan olijan. Jos hän
heräsi mietteistään ja alkoi puhua, niin hän aina rupesi puhumaan
hyvin äkkiä ja ehdottomasti muuta kuin mitä hänen oikeastaan olisi
pitänyt sanoa. Toisinaan hän kärsien katseli veljeään. Grušenjkan
seurassa hänen olonsa näytti tuntuvan helpommalta kuin Aljošan
parissa. Tosin hän ei puhellut Grušenjkan kanssa juuri ollenkaan,
mutta heti, kun tämä astui sisälle, kirkastuivat hänen kasvonsa
riemusta. Aljoša istuutui ääneti hänen viereensä makuulavitsalle.
Tällä kertaa hän oli levottomana odottanut Aljošaa, mutta ei
uskaltanut mitään kysyä. Hänen käsityksensä mukaan ei voinut
ajatellakaan, että Katja suostuisi tulemaan, ja samalla hän tunsi, että
jos tämä ei tule, niin tapahtuu jotakin aivan mahdotonta. Aljoša
ymmärsi hänen tunteensa.

— Trifonhan, — alkoi Mitja hätäisesti puhua, — Borisytšhan,

kerrotaan, on hajoittanut koko matkustajakotinsa: nostelee
lattialautoja, kiskoo lautoja irti, on koko »parvekkeen», kuulemma,
hajoittanut pieniksi palasiksi — etsii yhä vain aarretta, niitä samoja
rahoja, puoltatoista tuhatta, joista prokuraattori sanoi, että minä olen
ne piilottanut sinne. Heti kotiin palattuaan kuuluu alkaneen
hassutella. Se on oikein sille konnalle! Vahti täällä kertoi minulle
eilen; hän on sieltä.

— Kuule, — lausui Aljoša, — hän tulee, mutta minä en tiedä

milloin, kenties tänään, kenties näinä päivinä, mutta tulee, tulee, se
on varma. — Mitja vavahti, tahtoi lausua jotakin, mutta oli vaiti.
Uutinen teki häneen hirveän voimakkaan vaikutuksen. Näkyi, että
hän kovin mielellään olisi tahtonut kuulla seikkaperäisesti
keskustelusta, mutta että häntä taaskin peloitti kysyä: jokin kova tai
halveksiva sana Katjan puolelta olisi hänestä ollut kuin puukon isku
sillä hetkellä.

— Hän sanoi muun muassa tätä: että minä välttämättömästi

rauhoittelisin sinun omaatuntoasi pakoon nähden. Jos Ivan ei
tulisikaan siihen mennessä terveeksi, niin Katja itse järjestää asian.

— Sinä olet jo puhunut minulle siitä, — huomautti Mitja miettivänä.

— Ja sinä olet jo kertonut sen Grušenjkalle, — huomautti Aljoša.

— Niin, — myönsi Mitja. — Hän ei tule tänä aamuna, — sanoi hän

katsahtaen arasti veljeensä. — Hän tulee vasta illalla. Kun minä
eilen sanoin hänelle, että Katja toimii, niin hän heti vaikeni ja hänen
huulensa vääristyivät. Hän kuiskasi vain »olkoon»! Ymmärsi, että se
on tärkeätä. Minä en uskaltanut kiduttaa häntä enempää. Kai hän jo
ymmärtää, että Katja ei rakasta minua, vaan Ivania?

— Näinköhän? — pääsi Aljošan suusta.

— Kenties ei ole niin. Mutta nyt aamulla hän ei tule, — kiiruhti

Mitja vielä kerran huomauttamaan, — minä annoin hänelle erään
asian toimitettavaksi… Kuule, veli Ivan on paras kaikista. Hänen
pitää saada elää, eikä meidän. Hän tulee terveeksi.

— Ajattelehan, vaikka Katja vapiseekin hänen tähtensä, niin hän ei

juuri ollenkaan epäile hänen tervehtymistään, — sanoi Aljoša.

— Hän on siis varma siitä, että hän kuolee. Hän on pelosta

vakuutettu
Ivanin tulevan terveeksi.

— Veljellämme on voimakas ruumiinrakenne. Minäkin toivon

suuresti, että hän tulee terveeksi, — huomautti Aljoša
huolestuneena.

— Niin, hän tulee terveeksi. Mutta Katja on vakuutettu hänen

kuolemastaan. Paljon on hänellä surua… — Syntyi hiljaisuus.

Jokin hyvin tärkeä asia kiusasi Mitjaa.

— Aljoša, minä rakastan hirveästi Grušaa, — lausui hän yhtäkkiä

väräjävällä, kyyneleisellä äänellä.

— Ei häntä päästetä sinun luoksesi sinne, — puuttui Aljoša heti

puheeseen.

— Ja vielä tahdoin sanoa sinulle erään asian, — jatkoi Mitja

äänellä, joka yhtäkkiä oli saanut heleän soinnun. — Jos lyödään
matkalla tai siellä, niin minä en antaudu, vaan tapan ja minut
ammutaan. Ja sitähän on kaksikymmentä vuotta! Täällä alkavat jo
sinutella. Vartijat sinuttelevat minua. Minä makasin ja tuomitsin koko
viime yön itseäni: en ole valmis! Minulla ei ole voimia ottaa vastaan!
Tahdoin laulaa »hymnin», mutta vartijain sinuttelua en jaksa sietää!
Grušan takia kestäisin kaikkea, kaikkea… paitsi lyömistä. Mutta
häntä ei päästetä sinne.

Aljoša hymyili hiljaa.

— Kuule, veli, kerta kaikkiaan, — sanoi hän, — sanon sinulle

ajatukseni tästä asiasta. Ja sinähän tiedät, etten minä valehtele
sinulle. Kuule siis: sinä et ole valmis, eikä sellainen risti ole sinua
varten. Vieläpä enemmänkin: sellainen suuren marttyyrin risti ei ole
tarpeellinenkaan sinulle, joka et ole valmis. Jos sinä olisit tappanut
isän, niin minä valittaisin sitä, että kieltäydyt kantamasta ristiäsi.
Mutta sinä olet syytön, ja tuollainen risti on liikaa sinulle. Sinä tahdoit
kärsimyksillä synnyttää itsessäsi eloon uuden ihmisen; minun
mielestäni riittää sinulle, kun aina, koko elämäsi ajan ja minne ikinä
paennetkin, vain muistat tätä toista ihmistä. Se, että sinä et ottanut
kantaaksesi suurta ristin kärsimystä, vaikuttaa vain sen, että sinä
tunnet olevasi vieläkin suuremmassa velassa, ja tämä alinomainen
tunne on vastaisuudessa, koko elämän aikana, auttava sinun
uudestisyntymistäsi kenties enemmän, kuin jos menisit sinne. Sillä
siellä et sinä jaksa kestää ja rupeat napisemaan, ehkäpä lopulta
suorastaan sanot: »Me olemme kuitit.» Advokaatti sanoi tässä
kohdin totuuden. Eivät raskaat taakat ole kaikkia varten, muutamille
ne ovat mahdottomia… Nämä ovat minun ajatukseni, jos ne ovat
sinulle niin tarpeen. Jos sinun pakenemisestasi jäisivät vastaamaan
toiset: upseerit, sotamiehet, niin minä en »antaisi sinulle lupaa»
paeta, — hymyili Aljoša. — Mutta sanotaan ja vakuutetaan (itse
vankimajapaikan päällikkö sanoi sen Ivanille), ettei suurta
seuraamusta voi tullakaan, jos asia taitavasti hoidetaan, ja että siitä
voi selvitä aivan mitättömillä rangaistuksilla. Tietysti lahjominen on
epärehellistä siinäkin tapauksessa, mutta tässä minä en rupea
millään ehdolla tuomitsemaan, nimenomaan siitä syystä, että jos
esimerkiksi Ivan ja Katja olisivat antaneet minun tehtäväkseni toimia
tässä asiassa sinun hyväksesi, niin minä, tiedän sen, olisin mennyt
ja lahjonut; se minun on totuuden nimessä sanottava sinulle. Ja
senvuoksi minä en ole sinun tuomarisi, teitpä sinä itse miten
tahansa. Mutta tiedä, että minäkään en koskaan sinua tuomitse. Ja
omituista olisikin, jos minä voisin olla tässä asiassa sinun tuomarisi.
No, nyt olen luullakseni selittänyt kaikki.

— Mutta sen sijaan minä itse tuomitsen itseni! — huudahti Mitja.

— Minä karkaan, se oli jo päätetty ennen tuloasi: voisiko Mitja
Karamazov olla karkaamatta? Mutta sen sijaan tuomitsen itse itseni
ja rukoilen siellä kaiken ikäni syntiäni anteeksi! Näinhän jesuiitat
puhuvat, eikö niin? Kas, millaiset puheet meillä nyt on, mitä?

— Näin ne puhuvat, — hymähti Aljoša hiljaa.

— Minä rakastan sinua sen tähden, että sinä aina sanot koko
totuuden etkä salaa mitään! — huudahti Mitja iloisesti nauraen. —
Siis olen saanut Aljoškani kiinni siitä, että hän on jesuiitta! Suudella
sinua siitä pitää, toden totta! No, kuule nyt siis loputkin, levitän
nähtäväksesi sieluni jäljelläolevankin puolen. Näin olen ajatellut ja
päättänyt: jos minä pakenenkin, vieläpä rahaa ja passi mukanani ja
vaikkapa Amerikkaan, niin minua rohkaisee vielä se ajatus, etten
minä pakene iloa enkä onnea etsimään, vaan totisesti toiseen
pakkotyöhön, joka kenties ei ole huonompi tätä! Ei ole huonompi,
Aleksei, totisesti sanon sen, ettei se ole huonompi! Minä vihaan jo
nyt tuota Amerikkaa, piru sen vieköön! Olkoon vain Gruša kanssani,
mutta katsohan häntä: onko hän mikään amerikkalainen? Hän on
venäläinen nainen, sormenpäitä myöten venäläinen, hän rupeaa
ikävöimään emoansa synnyinmaata, ja minä saan nähdä joka hetki,
että hän kärsii tätä ikävää minun tähteni, otti minun takiani sellaisen
ristin kannettavakseen, ja miten hän siihen on syypää? Ja jaksanko
minä sietää sikäläisiä orjia, vaikka he kenties jokikinen ovat
parempia kuin minä? Minä vihaan tuota Amerikkaa jo nyt! Ja
olkootpa he siellä joka mies suurenmoisia konemiehiä tai muuta
sellaista, — niin piru heidän kanssaan, eivät ne ole minun väkeäni,
eivät ole minun hengenheimolaisiani! Venäjää minä rakastan,
Aleksei, venäläistä Jumalaa rakastan, vaikka itse olenkin lurjus!
Minähän menehdyn siellä! — huudahti hän, ja hänen silmänsä
alkoivat säkenöidä. Hänen äänensä värisi itkusta.

— No, näin minä siis olen päättänyt, Aleksei, kuule! — alkoi hän
taas voittaen liikutuksensa. — Grušan kanssa saavumme sinne — ja
siellä heti kyntämään, tekemään työtä, korven kontioiden parissa,
yksinäisyydessä, jossakin kaukana. Löytyyhän sieltäkin jokin etäinen
paikka! Siellä kuuluu vielä olevan punanahkoja, jossakin siellä
näköpiirin rajalla, no, siihen maahan viimeisten mohikaanien luo. No,
ja heti käsiksi kielioppiin, minä ja Gruša. Työtä ja kielioppia, ja noin
kolmen vuoden aikana. Noina kolmena vuotena opimme engelskan
kieltä niin että osaamme sitä kuin syntyperäiset englantilaiset. Ja heti
kun olemme oppineet, niin — lopussa on Amerikassa-olo!
Riennämme tänne, Venäjälle, Amerikan kansalaisina. Älä ole
huolissasi, tähän kaupunkirähjään emme tule. Kätkeydymme
jonnekin kauemmaksi, pohjoiseen tai etelään. Minä muutun siihen
mennessä ja hän myöskin, siellä Amerikassa, minulle laittaa tohtori
jonkinmoisen syylän naamaan, eiväthän ne suotta ole mekaanikkoja.
Mutta ei, minä puhkaisen itseltäni toisen silmän, annan parran
kasvaa arssinan pituiseksi, se on harmaa (harmaannun
ikävöidessäni Venäjää) — ehkäpä minua ei tunneta. Ja jos
tunnetaan, niin lähettäkööt maanpakoon, se on silloin kohtalon
sallimaa! Täällä me jossakin syrjäseudussa kynnämme maata, ja
minä näyttelen koko ikäni amerikkalaista. Mutta sen sijaan saamme