L'esperimento

Abbiamo condotto un esperimento di lettura cieca per testare un motore di interpretazione astrologica basato sull'intelligenza artificiale basato sul sistema determinativo del XVII secolo di Jean-Baptiste Morin. L'obiettivo era vedere se l'analisi dettagliata dei grafici potesse identificare personaggi famosi solo dai loro dati di nascita.

Metodologia

Come funziona il motore: architettura tecnica

1. Struttura e schema dei dati

Il motore elabora i dati della carta natale come JSON strutturato contenente:

{
  "pianeta_forza": {
    "top": [{"planet": "Mars", "dignity": 3, "house_position": 5.5, "total": 37.15}],
    "debole": []
  },
  "case": [{
    "casa": 1,
    "segno": "Cancro",
    "determinatori": {
      "presenza": {"pianeta": "Luna", "rango": "dominante"},
      "governance": {"planet": "Luna", "type": "rulership"},
      "aspetto": {"pianeta": "Saturno", "aspetto": "Sestile", "orb": 2.51}
    }
  }],
  "ricevimenti": {
    "reciproco": [],
    "top_unilaterale": []
  }
}

Ogni elemento del grafico è contrassegnato con:

2. L'algoritmo di determinazione di Morin

Il motore interpretativo principale applica il sistema di priorità a tre livelli di Morin:

Livello 1: Posizione (Presenza in casa)

Livello 2: Governo (governance)

Livello 3: Aspettivo (Attivazione Dinamica)

L’algoritmo genera un punteggio di determinazione ponderato:

Casa_Influenza = (Presenza_Punteggio x 1,5) + (Governazione_Punteggio x 1,2) + (Aspetto_Punteggio x 1,0)

3. Interpretazione ponderata per lo Stato

4. Pipeline di sintesi

  1. Analisi del grafico - convalida lo schema, calcola i valori derivati, segnala condizioni speciali.
  2. Mappatura della determinazione - applica la priorità Morin per casa, costruisce descrizioni di percorsi e grafici tra case.
  3. Estrazione dei tratti - mappa le combinazioni pianeta-casa sui profili dei tratti, sui pesi per determinanti e sullo stato.
  4. Generazione di sintesi - compone risultati a livello di casa dando priorità ai determinanti ad alto peso e alle catene di governanti.
  5. Corrispondenza dei modelli - estrae le firme e classifica le corrispondenze dei candidati in base all'allineamento del modello.

5. Logica di identificazione

def identifica_candidato(chart_patterns, candidate_pool):
    punteggi = {}
    per il candidato in candidate_pool:
        modelli_biografici = extract_bio_patterns(candidato)
        punteggio_allineamento = 0

        per chart_pattern in chart_patterns:
            se corrisponde(modello_grafico, modelli_biografici):
                punteggio_allineamento += pattern.weight * pattern.confidence

        punteggi[candidato] = punteggio_allineamento

    restituisce ranking_by_score(punteggi)

Tipi di modelli chiave: Segni di carriera (H10 + aspetti MC), modelli di relazione (H7 + stato di Venere/Marte), vulnerabilità sanitarie (H6 + H1), espressione creativa (H5 + Mercurio/Venere) e vita pubblica vs privata (distribuzione angolare vs cadente).

6. Calibrazione della confidenza

L'identificazione di Van Gogh ha ottenuto un punteggio di confidenza dell'87% a causa di combustione + afflizione + posizionamento angolare (raro triplo), righello H10 cadente ma dignitoso (riconoscimento ritardato) e dominanza mutabile del fuoco corrispondente allo stile creativo noto.

I risultati

Schema 1: Vincent van Gogh -

Grafico 2: Justin Trudeau -

Grafico 3: Dua Lipa - (identificata come Taylor Swift)

La mancanza è istruttiva: entrambi gli artisti condividono firme simili:

Cosa rivela questo

Punti di forza del sistema

  1. Eccellenza nel riconoscimento dei modelli: 2 identificazioni corrette su 3 dimostrano un'autentica capacità di corrispondenza dei modelli.
  2. Quadro sistematico: il sistema di priorità Morin (Posizione - Governazione - Aspettuale) crea interpretazioni riproducibili e verificabili.
  3. Analisi dello stato sfumato: dignità, combustione, stato retrogrado e angolosità aggiungono profondità interpretativa.
  4. Validità interdominio: lo stesso framework ha funzionato nell’arte, nella politica e nell’intrattenimento.

Limitazioni tecniche esposte

  1. Firme convergenti: individui diversi possono condividere modelli simili: necessita di euristiche di disambiguazione.
  2. Strati di contesto mancanti: fattori culturali, generazionali e socioeconomici non ancora integrati.
  3. Esigenze di calibrazione: gli intervalli di confidenza necessitano di perfezionamento su set di dati più grandi.
  4. Granularità temporale: l'attuale analisi degli snapshot non dispone di tempistiche di progressione/direzione.

Sostegno alla pratica astrologica

Il tasso di identificazione del 67% (2/3) supera l'aspettativa casuale per le letture alla cieca dei gruppi di candidati, suggerendo che il quadro cattura modelli simbolici significativi, anche se questi modelli sono astrologici o archetipici/psicologici rimane una questione aperta.

Tabella di marcia per lo sviluppo futuro

  1. Libreria di pattern migliorata: crea un corpus di oltre 1000 coppie grafico-biografia verificate.
  2. Livello contesto culturale: aggiungi pesi dei modificatori socioeconomici e geografici.
  3. Integrazione temporale: incorporare progressioni, direzioni e transiti per il timing della vita.
  4. Modulo di analisi differenziale: quando le firme si sovrappongono, genera vettori di probabilità comparativa.
  5. Ricalibrazione della fiducia: implementare l'aggiornamento bayesiano man mano che il corpus cresce.

L'esperimento convalida il quadro interpretativo fondamentale rivelando allo stesso tempo dove è necessaria ulteriore complessità. Ciò che è degno di nota non è la perfezione, ma il fatto che le tecniche classiche, se applicate sistematicamente attraverso il pattern-matching dell'intelligenza artificiale, hanno prodotto risultati significativamente migliori rispetto alle ipotesi casuali.

Articoli correlati