💬 NLP

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

Cet article présente une analyse stylométrique computationnelle du Canon pali anglais à travers les Pitakas Sutta, Vinaya et Abhidhamma, révélant des profils lexicaux distincts pour chaque corpus — tels que la diversité plus élevée et la densité numérique de l'Abhidhamma, l'héritage juridique partagé des Vinayas Theravada et Mulasarvastivada, ainsi que d'importantes variations de traduction au fil du temps — tout en confirmant que tous les textes adhèrent à la loi de Zipf.

Auteurs originaux : Joy Bose

Publié 2026-06-25

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Joy Bose

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le Canon bouddhiste (le Tipitaka) comme une immense bibliothèque contenant trois ailes distinctes, chacune écrite par des auteurs différents pour des objectifs différents. Pendant longtemps, les chercheurs ont étudié l'aile « Sutta » (les récits et les sermons). Ce document est comme un nouveau bibliothécaire qui décide de pénétrer dans les deux autres ailes, le Vinaya (le livre de règles pour les moines) et l'Abhidhamma (une encyclopédie technique de l'esprit), et d'exécuter un programme informatique pour voir comment le langage lui-même change d'une pièce à l'autre.

Le chercheur, Joy Bose, n'a pas lu chaque mot pour comprendre la philosophie profonde. Au lieu de cela, il a utilisé un « compteur de mots » et un « détecteur de motifs » pour voir comment le vocabulaire se comporte. Voici ce qu'il a trouvé, expliqué simplement :

1. Les trois « saveurs » du langage

Considérez les trois sections comme trois types de fêtes différentes :

L'aile Sutta (Les conteurs) : C'est la plus grande pièce. Le langage ici est comme un récit de feu de camp. Il répète souvent les mêmes expressions (comme « le moine dit » ou « quatre choses »). L'ordinateur a trouvé que les mots ici sont très répétitifs, créant un rythme régulier et cadencé.
L'aile Vinaya (Le livre de règles) : Cette pièce est remplie d'instructions juridiques. Elle est étonnamment similaire aux Conteurs par sa répétitivité. Que vous lisiez la traduction moderne (Brahmali) ou l'ancienne (Horner), le « rythme du vocabulaire » est presque identique. C'est comme si deux personnes différentes lisaient le même annuaire téléphonique ; les mots peuvent changer légèrement, mais la structure reste la même.
L'aile Abhidhamma (L'encyclopédie) : C'est l'intruse. C'est un manuel technique répertoriant 52 types de sentiments et 89 types de conscience. Parce qu'elle doit nommer tant de choses spécifiques et uniques, elle utilise une variété de mots beaucoup plus large. Elle est moins répétitive et ressemble plus à un manuel scientifique moderne qu'à un récit.

2. Le test « Zipf » : Qui est la star du spectacle ?

Les chercheurs ont utilisé une règle mathématique célèbre appelée la loi de Zipf. Imaginez un concert de rock où un chanteur interprète 50 % des chansons, le deuxième 25 %, et les autres se partagent le temps restant. Dans la plupart des textes, quelques mots communs (comme « le », « et », « il ») dominent les premières places.

Dans les récits et les règles : Les 10 premiers mots sont principalement des outils grammaticaux (comme « il » ou « ils »).
Dans l'encyclopédie : L'ordinateur a trouvé quelque chose d'étrange. Le mot « Conscience » a bondi dans le top 10, repoussant les mots grammaticaux. C'est comme si, dans une bibliothèque de manuels techniques, le mot « Moteur » apparaissait si souvent qu'il noie le mot « Le ». Cela prouve que l'Encyclopédie est obsédée par des concepts spécifiques, et non par la simple narration.

3. Le « chevauchement de vocabulaire » (Combien partagent-ils ?)

Les chercheurs ont demandé : Si vous prenez une poignée de mots dans le Livre de règles, combien d'entre eux trouveriez-vous aussi dans le Livre de récits ?

Le résultat : Environ la moitié des mots du Livre de règles se retrouvent aussi dans le Livre de récits. Ils partagent un langage commun car ils font partie de la même tradition.
Le test du voyage dans le temps : Les chercheurs ont comparé le Livre de règles Theravada (utilisé au Sri Lanka/Thaïlande) avec le Livre de règles Mulasarvastivada (utilisé au Tibet) d'il y a 2 000 ans. Bien qu'ils se soient séparés il y a deux millénaires, ils partagent toujours 50 % de leur vocabulaire. C'est comme découvrir qu'un dictionnaire d'anglais américain moderne et un dictionnaire britannique du XIXe siècle partagent encore la moitié de leurs mots, prouvant qu'ils appartiennent à la même famille.

4. Le « décalage de traduction » (Comment le langage change au fil du temps)

Les chercheurs ont pris le même texte de Livre de règles et ont comparé deux traductions : une de 1938 et une de 2026.

Le choc : Elles ne partageaient que 24 % de leur vocabulaire ! C'est un écart énorme pour le même texte.
La cause : Ce n'est pas que le sens a changé, mais les mots ont changé.
- Exemple 1 : En 1938, un état de méditation profonde était appelé « rêverie » (ce qui ressemble un peu à de la distraction). En 2026, il est appelé « absorption » (ce qui semble beaucoup plus concentré).
- Exemple 2 : Une offense grave était appelée « défaite » en 1938, mais « expulsion » en 2026.
- Exemple 3 : Le traducteur de 2026 était plus direct concernant l'anatomie et les questions de genre, tandis que le traducteur de 1938 utilisait un langage poli et vague.

5. Le compte des « nombres »

L'Encyclopédie (Abhidhamma) est obsédée par le comptage. Elle utilise des mots de nombres (un, deux, trois, quatre) 3,26 % du temps. Le Livre de récits ne les utilise que 2,09 % du temps. Cela est logique : si vous listez 89 types de conscience, vous devez dire « un », « deux », « trois » beaucoup plus souvent que si vous racontez simplement l'histoire d'un moine marchant dans les bois.

Résumé

Ce document est comme une radiographie linguistique. Il ne nous dit pas ce que le Bouddha a enseigné en détail, mais il montre comment l'enseignement a été emballé.

Les récits sont rythmiques et répétitifs.
Les règles sont procédurales et partagées à travers le temps.
Les encyclopédies sont denses, techniques et pleines de termes uniques.
Les traductions changent radicalement en 88 ans, remplaçant les mots vieillissants par des mots modernes et précis.

Le chercheur conclut que, bien que nous puissions observer ces modèles clairement avec des ordinateurs, la question plus profonde de savoir comment ces idées ont évolué au fil du temps nécessite une analyse humaine, au niveau des concepts, ce qui constitue la prochaine étape de ses travaux.

Résumé Technique : Stylométrie Computationnelle du Canon Pali en Anglais

Énoncé du Problème
Bien que l'analyse computationnelle des textes bouddhistes ait commencé à émerger, les études précédentes se sont largement limitées à des sous-ensembles spécifiques du Tipitaka (par exemple, le Sutta Pitaka en pali ou l'extraction de mots-clés au sein de Nikayas isolés). Il existe un manque d'analyse computationnelle unifiée et transversale couvrant les trois divisions majeures du Canon Pali (Sutta, Vinaya et Abhidhamma) dans leurs traductions anglaises. De plus, les travaux existants n'ont pas comparé systématiquement les structures lexicales des différentes traditions de Vinaya (Theravada vs Mulasarvastivada), ni analysé les glissements de traduction à travers près d'un siècle de rendus anglais du même texte source. Cet article comble ces lacunes en présentant une analyse descriptive, au niveau lexical, de l'ensemble du corpus du Tipitaka en anglais.

Méthodologie
L'étude construit un corpus d'environ 134 831 segments de texte provenant de cinq sources primaires :

Sutta Pitaka : 114 591 segments au niveau de la phrase issus de la traduction CC0 de Bhikkhu Sujato (bilara-data).
Vinaya Pitaka : 7 923 segments au niveau du paragraphe issus de la traduction 2026 de Bhikkhu Brahmali ; 2 826 segments de la traduction 1938 d'I.B. Horner ; 7 229 segments de la traduction 84000 Mulasarvastivada ; et un corpus préliminaire de 185 segments Dharmaguptaka.
Adjacent à l'Abhidhamma : 2 077 segments provenant de trois traductions anglaises de l'Abhidhammattha Sangaha (un compendium du XIe siècle), servant de substitut pour le vocabulaire de l'Abhidhamma.

L'analyse emploie quatre mesures computationnelles primaires :

Analyse de rang-fréquence de Zipf : Exposants de loi de puissance ajustés par OLS sur les 200 mots les plus fréquents pour mesurer l'écart par rapport à la pente idéale de Zipf (-1).
Diversité Lexicale (MATTR-500) : Rapport type-token avec moyenne mobile (Moving Average Type-Token Ratio) avec une fenêtre de 500 mots pour contrôler la taille du corpus et les différences de segmentation (phrase vs paragraphe).
Densité Numérale : Pourcentage de jetons correspondant à une liste de 32 termes numériques.
Recouvrement de Vocabulaire : Similitude de Jaccard et coefficient de recouvrement de Szymkiewicz-Simpson pour mesurer le vocabulaire partagé entre les corpus, ce dernier étant utilisé pour atténuer le biais dû aux déséquilibres de taille de corpus.

Toutes les analyses sont des estimations ponctuelles descriptives ; aucun test de signification formel ou test d'hypothèse n'est effectué.

Résultats Clés

Structure de Zipf : Les quatre corpus majeurs présentent des distributions de Zipf robustes ( $R^2 > 0,989$ ). Le Vinaya Theravada est le plus proche de la pente idéale (-0,949), tandis que le corpus Sangaha est celui qui s'en écarte le plus (-0,876). Cette déviation est caractérisée par une « tête plate », où des termes techniques comme « consciousness » (conscience) déplacent les particules grammaticales dans les 10 premiers rangs (apparaissant au rang 8), un phénomène non observé dans le Sutta ou le Vinaya.
Diversité Lexicale : Le TTR brut suggérait que le Sutta était moins diversifié que le Vinaya, mais cela a été attribué à des artefacts de segmentation (niveau de la phrase vs niveau du paragraphe). Mesuré via MATTR-500, le Sutta (0,399) et le Vinaya Theravada (0,400) sont presque identiques. En revanche, le corpus Sangaha est véritablement plus diversifié (0,560), ce qui est confirmé par un sous-échantillonnage contrôlé par la taille. Cette haute diversité reflète le format de compendium du texte, qui définit des catégories distinctes plutôt que la répétition formulée présente dans les Suttas.
Densité Numérale : Le corpus Sangaha possède la densité la plus élevée de mots numériques (3,26 %), ce qui est cohérent avec son énumération systématique de catégories mentales et matérielles. Le Vinaya Mulasarvastivada suit (2,76 %), tandis que le Sutta (2,09 %) et le Vinaya de Horner de 1938 (1,62 %) sont plus bas.
Recouvrement Inter-traditions : Les Vinayas Theravada et Mulasarvastivada partagent 20,0 % de vocabulaire (Jaccard) et 49,1 % (coefficient de recouvrement), indiquant un héritage juridique substantiel malgré deux millénaires de développement séparé. Le corpus Dharmaguptaka présente un Jaccard faible (0,082) dû à sa petite taille, mais un coefficient de recouvrement élevé (0,816), suggérant que la majeure partie de son vocabulaire limité est contenue dans la tradition Theravada.
Glissement de Traduction : La comparaison des traductions de Brahmali (2026) et de Horner (1938) du même texte de Vinaya révèle seulement 24,2 % de recouvrement de vocabulaire. Les glissements diagnostiqués incluent « musing » (Horner) contre « absorption » (Brahmali) pour jhana, et « defeat » contre « expulsion » pour parajika. Environ 20 % de cette divergence est attribuée à des variations d'orthographe et à des sections omises plutôt qu'à des changements terminologiques.

Signification et Revendications
L'article affirme étendre les découvertes computationnelles antérieures (spécifiquement Zigmond, 2020) du pali original vers les traductions anglaises, démontrant que les trois Pitakas restent computationnellement distincts, même en traduction. L'étude attribue la distinction du corpus adjacent à l'Abhidhamma non pas au Pitaka Abhidhamma canonique lui-même, mais au « format de compendium » spécifique de l'Abhidhammattha Sangaha, qui génère une haute diversité lexicale par l'énumération plutôt que par la répétition.

Les auteurs positionnent ce travail comme une fondation descriptive pour des recherches futures. L'article stipule explicitement que, bien qu'il documente des différences structurelles et lexicales, il ne répond pas à des questions doctrinales plus profondes (par exemple, l'évolution des règles de Vinaya ou l'absorption des catégories d'Abhidhamma dans le Mahayana). Au lieu de cela, il présente ces résultats comme la base lexicale nécessaire pour une future analyse conceptuelle utilisant le Darshana Graph (Bose, 2026a), spécifiquement en étendant les arêtes IS_PRECURSOR_OF et NEGATES pour inclure ces nouveaux corpus. L'article souligne que tout le code et les données sont publiés comme des extensions en libre accès (open-source) du jeu de données Darshana Graph.