💬 NLP

Three Buddhist Vocabularies: Computational Stylometry of the English Pali Canon across Sutta, Vinaya, and Abhidhamma

Este artículo presenta un análisis estilométrico computacional del Canon Pali en inglés a través de los Pitakas Sutta, Vinaya y Abhidhamma, revelando perfiles léxicos distintos para cada corpus —tales como la mayor diversidad y densidad numeral del Abhidhamma, la herencia legal compartida de los Vinayas de la tradición Theravada y Mulasarvastivada, y variaciones de traducción significativas a lo largo del tiempo— al tiempo que confirma que todos los textos se adhieren a la ley de Zipf.

Autores originales: Joy Bose

Publicado 2026-06-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Joy Bose

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el Canon Budista (el Tipitaka) como una biblioteca masiva que contiene tres alas distintas, cada una escrita por diferentes autores para propósitos diferentes. Durante mucho tiempo, los investigadores han estudiado el ala de los "Sutta" (las historias y sermones). Este artículo es como un nuevo bibliotecario que decide entrar en las otras dos alas, el Vinaya (el libro de reglas para los monjes) y el Abhidhamma (una enciclopedia técnica de la mente), y ejecutar un programa informático para ver cómo cambia el lenguaje mismo de una habitación a otra.

El investigador, Joy Bose, no leyó cada palabra para comprender la filosofía profunda. En su lugar, utilizó un "contador de palabras" y un "detector de patrones" para ver cómo se comporta el vocabulario. Esto es lo que encontró, explicado de forma sencilla:

1. Los tres "sabores" del lenguaje

Piensa en las tres secciones como tres tipos diferentes de fiestas:

El ala de los Sutta (Los cuentacuentos): Esta es la sala más grande. El lenguaje aquí es como una historia de fogata. Repite las mismas frases con frecuencia (como "el monje dijo" o "cuatro cosas"). La computadora encontró que las palabras aquí son muy repetitivas, creando un ritmo constante y rítmico.
El ala del Vinaya (El libro de reglas): Esta sala está llena de instrucciones legales. Es sorprendentemente similar a la de los Cuentacuentos en cuanto a su repetitividad. Tanto si lees la traducción moderna (Brahmali) como la antigua (Horner), el "ritmo del vocabulario" es casi idéntico. Es como si dos personas distintas estuvieran leyendo la misma guía telefónica; las palabras pueden cambiar ligeramente, pero la estructura es la misma.
El ala del Abhidhamma (La enciclopedia): Esta es la que resulta extraña. Es un manual técnico que enumera 52 tipos de sentimientos y 89 tipos de conciencia. Debido a que tiene que nombrar tantos elementos únicos y específicos, utiliza una variedad de palabras mucho más amplia. Es menos repetitiva y se siente más como un libro de texto científico moderno que como una historia.

2. La prueba de "Zipf": ¿Quién es la estrella del espectáculo?

Los investigadores utilizaron una famosa regla matemática llamada Ley de Zipf. Imagina un concierto de rock donde un cantante canta el 50% de las canciones, el segundo cantante el 25%, y el resto se reparten el tiempo restante. En la mayoría de los textos, unas pocas palabras comunes (como "el", "y", "eso") dominan los primeros puestos.

En las Historias y las Reglas: Las 10 palabras principales son principalmente conectores gramaticales (como "eso" o "ellos").
En la Enciclopedia: La computadora encontró algo extraño. La palabra "Conciencia" saltó al top 10, desplazando a las palabras gramaticales. Es como si, en una biblioteca de manuales técnicos, la palabra "Motor" apareciera con tanta frecuencia que ahoga a la palabra "El". Esto demuestra que la Enciclopedia está obsesionada con conceptos específicos, no solo con la narración de historias.

3. El "Solapamiento de Vocabulario" (¿Cuánto comparten?)

Los investigadores preguntaron: Si tomas un puñado de palabras del Libro de Reglas, ¿cuántas de ellas encontrarías también en el Libro de Historias?

El resultado: Aproximadamente la mitad de las palabras en el Libro de Reglas también están en el Libro de Historias. Comparten un lenguaje común porque forman parte de la misma tradición.
La prueba del "Viaje en el Tiempo": Los investigadores compararon el Libro de Reglas Theravada (utilizado en Sri Lanka/Tailandia) con el Libro de Reglas Mulasarvastivada (utilizado en el Tíbet) de hace 2.000 años. Aunque se separaron hace dos milenios, todavía comparten el 50% de su vocabulario. Es como descubrir que un diccionario estadounidense moderno y uno británico del siglo XIX todavía comparten la mitad de sus palabras, demostiendo que provienen de la misma familia.

4. El "Cambio de Traducción" (Cómo cambia el lenguaje con el tiempo)

Los investigadores tomaron exactamente el mismo texto del Libro de Reglas y compararon dos traducciones: una de 1938 y una de 2026.

La sorpresa: ¡Solo compartían el 24% de su vocabulario! Esa es una brecha enorme para el mismo texto.
La causa: No fue que el significado cambiara, sino que las palabras cambiaron.
- Ejemplo 1: En 1938, un estado profundo de meditación se llamaba "musing" (que suena un poco como "soñar despierto"). En 2026, se llama "absorption" (que suena mucho más enfocado).
- Ejemplo 2: Una falta grave se llamaba "defeat" (derrota) en 1938, pero "expulsion" (expulsión) en 2026.
- Ejemplo 3: El traductor de 2026 fue más directo sobre la anatomía y los temas de género, mientras que el traductor de 1938 utilizó un lenguaje cortés y vago.

5. El conteo de "Números"

La Enciclopedia (Abhidhamma) está obsesionada con contar. Utiliza palabras numéricas (uno, dos, tres, cuatro) el 3,26% de las veces. El Libro de Historias las utiliza solo el 2,09% de las veces. Esto tiene sentido: si estás enumerando 89 tipos de conciencia, tienes que decir "uno", "dos", "tres" mucho más a menudo que si solo estás contando la historia de un monje caminando por el bosque.

Resumen

Este artículo es como una radiografía lingüística. No nos dice qué enseñó el Buda en detalle profundo, sino que nos muestra cómo se empaquetó la enseñanza.

Las Historias son rítmicas y repetitivas.
Las Reglas son procedimentales y compartidas a través del tiempo.
Las Enciclopedias son densas, técnicas y llenas de términos únicos.
Las Traducciones cambian drásticamente en 88 años, intercambiando palabras anticuadas por otras modernas y precisas.

El investigador concluye que, si bien podemos ver estos patrones claramente con computadoras, la pregunta más profunda sobre cómo evolucionaron estas ideas a lo largo del tiempo requiere un análisis humano más profundo a nivel de concepto, lo cual es el siguiente paso en su trabajo.

Resumen Técnico: Estilometría Computacional del Canon Pali en Inglés

Planteamiento del Problema
Aunque el análisis computacional de textos budistas ha comenzado a emerger, los estudios previos se han limitado en gran medida a subconjuntos específicos del Tipitaka (por ejemplo, el Sutta Pitaka en pali o la extracción de palabras clave dentro de Nikayas individuales). Existe una falta de análisis computacional unificado y trans-corpus que cubra las tres divisiones principales del Canon Pali (Sutta, Vinaya y Abhidhamma) en su traducción al inglés. Además, el trabajo existente no ha comparado sistemáticamente las estructuras léxicas de diferentes tradiciones de Vinaya (Theravada frente a Mulasarvastivada) ni ha analizado los cambios de traducción a lo largo de casi un siglo de versiones en inglés del mismo texto fuente. Este artículo aborda estas brechas presentando un análisis descriptivo, a nivel léxico, de todo el corpus del Tipitaka en inglés.

Metodología
El estudio construye un corpus de aproximadamente 134.831 segmentos de texto provenientes de cinco fuentes primarias:

Sutta Pitaka: 114.591 segmentos a nivel de oración de la traducción de Bhikkhu Sujato (bilara-data), bajo licencia CC0.
Vinaya Pitaka: 7.923 segmentos a nivel de párrafo de la traducción de 2026 de Bhikkhu Brahmali; 2.826 segmentos de la traducción de 1938 de I.B. Horner; 7.229 segmentos de la traducción 84000 Mulasarvastivada; y un corpus preliminar de 185 segmentos de Dharmaguptaka.
Adyacente al Abhidhamma: 2.077 segmentos de tres traducciones al inglés del Abhidhammattha Sangaha (un compendio del siglo XI), que sirven como un proxy para el vocabulario del Abhidhamma.

El análisis emplea cuatro métricas computacionales primarias:

Análisis de Frecuencia-Rango de Zipf: Exponentes de la ley de potencia ajustados mediante OLS sobre las 200 palabras principales para medir la desviación de la pendiente ideal de Zipf (-1).
Diversidad Léxica (MATTR-500): Relación Tipo-Token de Media Móvil con una ventana de 500 palabras para controlar el tamaño del corpus y las diferencias de segmentación (oración frente a párrafo).
Densidad Numérica: Porcentaje de tokens que coinciden con una lista de 32 términos numéricos.
Solapamiento de Vocabulario: Similitud de Jaccard y el coeficiente de solapamiento de Szymkiewicz-Simpson para medir el vocabulario compartido entre corpus, utilizando este último para mitigar el sesgo derivado de los desequilibrios en el tamaño de los corpus.

Todos los análisis son estimaciones puntuales descriptivas; no se realiza ninguna prueba de significancia formal ni de hipótesis.

Resultados Clave

Estructura de Zipf: Los cuatro corpus principales exhiben distribuciones de Zipf robustas ( $R^2 > 0.989$ ). El Vinaya Theravada es el más cercano a la pendiente ideal (-0.949), mientras que el corpus del Sangaha es el que más se desvía (-0.876). Esta desviación se caracteriza por una "cabeza plana", donde términos técnicos como "conciencia" desplazan a las partículas gramaticales en los 10 primeros rangos (apareciendo en el rango 8), un fenómeno no observado en el Sutta o el Vinaya.
Diversidad Léxica: El TTR bruto sugirió que el Sutta era menos diverso que el Vinaya, pero esto se atribuyó a artefactos de segmentación (segmentos a nivel de oración frente a nivel de párrafo). Al medirse mediante MATTR-500, el Sutta (0.399) y el Vinaya Theravada (0.400) son casi idénticos. En contraste, el corpus del Sangaha es genuinamente más diverso (0.560), lo cual es confirmado mediante un submuestreo controlado por tamaño. Esta alta diversidad refleja el formato de compendio del Sangaha, que consiste en la definición de categorías distintas en lugar de la repetición formulaica propia de los Suttas.
Densidad Numérica: El corpus del Sangaha tiene la mayor densidad de palabras numéricas (3.26%), lo cual es consistente con su enumeración sistemática de categorías mentales y materiales. El Vinaya Mulasarvastivada le sigue (2.76%), mientras que el Sutta (2.09%) y el Vinaya de Horner de 1938 (1.62%) son menores.
Solapamiento Trans-tradición: Los Vinayas Theravada y Mulasarvastivada comparten un 20.0% de vocabulario (Jaccard) y un 49.1% (coeficiente de solapamiento), lo que indica un sustancial patrimonio legal compartido a pesar de dos milenios de desarrollo separado. El corpus Dharmaguptaka muestra un Jaccard bajo (0.082) debido a su pequeño tamaño, pero un alto coeficiente de solapamiento (0.816), lo que sugiere que la mayor parte de su vocabulario limitado está contenido dentro de la tradición Theravada.
Cambio de Traducción: Al comparar las traducciones de Brahmali (2026) y Horner (1938) del mismo texto de Vinaya, se revela solo un 24.2% de solapamiento de vocabulario. Los cambios diagnósticos incluyen "musing" (Horner) frente a "absorption" (Brahmali) para jhana, y "defeat" frente a "expulsion" para parajika. Aproximadamente el 20% de esta divergencia se atribuye a variaciones ortográficas y secciones omitidas en lugar de cambios terminológicos.

Significancia y Reivindicaciones
El artículo afirma extender los hallazgos computacionales previos (específicamente Zigmond, 2020) desde el original en pali hacia las traducciones al inglés, demostrando que los tres Pitakas siguen siendo computacionalmente distintos incluso en traducción. El estudio atribuye la distintividad del corpus adyacente al Abhidhamma no al propio Abhidhamma canónico, sino al "formato de compendio" específico del Abhidhammattha Sangaha, el cual genera una alta diversidad léxica mediante la enumeración en lugar de la repetición.

Los autores posicionan este trabajo como una base descriptiva para investigaciones futuras. El artículo establece explícitamente que, si bien documenta diferencias estructurales y léxicas, no responde a cuestiones doctrinales más profundas (por ejemplo, la evolución de las reglas del Vinaya o la absorción de las categorías del Abhidhamma en el Mahayana). En su lugar, enmarca estos resultados como la línea base léxica necesaria para futuros análisis de nivel conceptual utilizando el Darshana Graph (Bose, 2026a), específicamente extendiendo las aristas IS_PRECURSOR_OF y NEGATES para incluir estos nuevos corpus. El artículo enfatiza que todo el código y los datos se liberan como extensiones de código abierto al conjunto de datos del Darshana Graph.