💬 NLP

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

Dit artikel presenteert een computationele stilometrische analyse van de Engelse Pali-canon over de Sutta-, Vinaya- en Abhidhamma-Pitaka's heen, die uiteenlopende lexicale profielen voor elk corpus onthult — zoals de hogere diversiteit en numerieke dichtheid van de Abhidhamma, het gedeelde juridische erfgoed van de Theravada- en Mulasarvastivada-Vinaya's, en significante vertaalvariaties in de loop van de tijd — terwijl het bevestigt dat alle teksten voldoen aan de wet van Zipf.

Oorspronkelijke auteurs: Joy Bose

Gepubliceerd 2026-06-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Joy Bose

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de boeddhistische canon (de Tipitaka) voor als een enorme bibliotheek met drie verschillende vleugels, elk geschreven door verschillende auteurs voor verschillende doeleinden. Een lange tijd hebben onderzoekers de "Sutta"-vleugel (de verhalen en preken) bestudeerd. Dit artikel is als een nieuwe bibliothecaris die besluit naar de andere twee vleugels te lopen — de Vinaya (het regelboek voor monniken) en de Abhidhamma (de technische encyclopedie van de geest) — en een computerprogramma te draaien om te zien hoe de taal zelf verandert van kamer naar kamer.

De onderzoeker, Joy Bose, heeft niet elk woord gelezen om de diepe filosofie te begrijpen. In plaats daarvan gebruikte zij een "woordteller" en een "patroondetector" om te zien hoe de woordenschat zich gedraagt. Dit is wat zij vond, eenvoudig uitgelegd:

1. De drie "smaken" van taal

Beschouw de drie secties als drie verschillende soorten feestjes:

De Sutta-vleugel (De Verhalenvertellers): Dit is de grootste kamer. De taal hier is als een kampvuurverhaal. Het herhaalt vaak dezelfde zinnen (zoals "de monnik zei" of "vier dingen"). De computer ontdekte dat de woorden hier erg repetitief zijn, wat een gestage, ritmische beat creëert.
De Vinaya-vleugel (Het Regelboek): Deze kamer zit vol juridische instructies. Het is verrassend vergelijkbaar met de Verhalenvertellers in hoe repetitief het is. Of je nu de moderne vertaling (Brahmali) of de oude (Horner) leest, de "woordenschatritme" is bijna identiek. Het is alsolijk twee verschillende mensen die hetzelfde telefoonboek lezen; de woorden kunnen iets veranderen, maar de structuur blijft hetzelfde.
De Abhidhamma-vleugel (De Encyclopedie): Dit is de vreemde eend in de bijt. Het is een technisch handboek dat 52 soorten gevoelens en 89 soorten bewustzijn opsomt. Omdat het zoveel specifieerbare, unieke zaken moet benoemen, gebruikt het een veel bredere variëteit aan woorden. Het is minder repetitief en voelt meer als een modern wetenschappelijk tekstboek dan als een verhaal.

2. De "Zipf-test": Wie is de ster van de show?

De onderzoekers gebruikten een beroemde wiskundige regel genaamd Zipf's Wet. Stel je een rockconcert voor waarbij één zanger 50% van de nummers zingt, de tweede zanger 25%, en de rest de resterende tijd verdeelt. In de meeste teksten domineren een paar veelvoorkomende woorden (zo zoals "de", "en", "het") de bovenste plaatsen.

In de Verhalen en de Regels: De top 10 woorden zijn voornamelijk grammatica-hulpmiddelen (zoals "het" of "zij").
In de Encyclopedie: De computer vond iets vreemds. Het woord "Bewustzijn" sprong in de top 10, waardoor de grammatica-woorden naar beneden werden gedrukt. Het is alsof, in een bibliotheek van technische handleidingen, het woord "Motor" zo vaak voorkomt dat het het woord "De" overstemt. Dit bewijst dat de Encyclopedie geobsedeerd is door specifieke concepten, niet alleen door het vertellen van verhalen.

3. De "Woordenschatoverlap" (Hoeveel delen ze?)

De onderzoekers vroegen: Als je een handvol woorden uit het Regelboek neemt, hoeveel daarvan zou je dan ook in het Verhaalboek vinden?

Het resultaat: Ongeveer de helft van de woorden in het Regelboek komt ook voor in het Verhaalboek. Ze delen een gemeenschappelijke taal omdat ze deel uitmaken van dezelfde traditie.
De Tijdreis-test: De onderzoekers vergeleken het Theravada-Regelboek (gebruikt in Sri Lanka/Thailand) met het Mulasarvastivada-Regelboek (gebruikt in Tibet) van 2.000 jaar geleden. Zelfs al zijn ze twee millennia geleden uit elkaar gegaan, ze delen nog steeds 50% van hun vocabulaire. Het is alsof je ontdekt dat een modern Amerikaans Engels woordenboek en een 19e-eeuws Brits woordenboek nog steeds de helft van hun woorden delen, wat bewijst dat ze uit dezelfde familie stammen.

4. De "Vertalingsverschuiving" (Hoe taal verandert over de tijd)

De onderzoekers namen exact hetzelfde Regelboek-tekst en vergeleken twee vertalingen: één uit 1938 en één uit 2026.

De schok: Ze deelden slechts 24% van hun vocabulaire! Dat is een enorme kloof voor dezelfde tekst.
De oorzaak: Het was niet dat de betekenis veranderde, maar de woorden veranderden.
- Voorbeeld 1: In 1938 werd een diepe meditatieve staat "musing" (wat een beetje klinkt als dagdromen) genoemd. In lu 2026 wordt het "absorption" (absorptie/opgaan in) genoemd (wat veel meer gefocust klinkt).
- Voorbeeld 2: Een ernstige overtreding werd in 1938 een "defeat" (nederlaag) genoemd, maar in 2026 is het "expulsion" (verbanning/uitsluiting).
- Voorbeeld 3: De vertaler uit 2026 was directer over anatomie en genderkwesties, terwijl de vertaler uit 1938 beleefde, vage taal gebruikte.

5. De "Aantal"-telling

De Encyclopedie (Abhidhamma) is geobsedeerd door tellen. Het gebruikt getalwoorden (één, twee, drie, vier) 3,26% van de tijd. Het Verhaalboek gebruikt ze slechts 2,09% van de tijd. Dit is logisch: als je 89 soorten bewustzijn opsomt, moet je veel vaker "één", "twee", "drie" zeggen dan wanneer je gewoon een verhaal vertelt over een monnik die door het bos wandelt.

Samenvatting

Dit artikel is als een linguïstische röntgenfoto. Het vertelt ons niet in diepe details wat de Boeddha leerde, maar het laat zien hoe de leer werd verpakt.

Verhalen zijn ritmisch en repetitief.
Regels zijn procedureel en gedeeld over de tijd heen.
Encyclopedieën zijn dicht, technisch en vol unieke termen.
Vertalingen veranderen drastisch in 88 jaar, waarbij oude woorden worden ingeruild voor moderne, preciezere termen.

De onderzoeker concludeert dat hoewel we deze patronen duidelijk met computers kunnen zien, de diepere vraag over hoe deze ideeën in de loop van de tijd evolueerden, een meer menselijke, conceptuele analyse vereist, wat de volgende stap in hun werk is.

Technische Samenvatting: Computationele Stylometrie van de Engelse Pali-canon

Probleemstelling
Hoewel computationele analyse van boeddhistische teksten in opkomst is, bleven eerdere studies grotendeels beperkt tot specifieke deelverzamelingen van de Tipitaka (bijv. de Sutta Pitaka in het Pali of trefwoordextractie binnen individuele Nikaya's). Er is een gebrek aan een verenigde, cross-corpus computationele analyse die alle drie de grote divisies van de Pali-canon (Sutta, Vinaya en Abhidhamma) in Engelse vertaling beslaat. Bovendien heeft bestaand werk de lexicale structuren van verschillende Vinaya-tradities (Theravada versus Mulasarvastivada) niet systematisch vergeleken, noch de verschuivingen in vertaling over bijna een eeuw van Engelse weergaven van dezelfde brontekst geanalyseerd. Dit artikel adresseert deze hiaten door een beschrijvende, op lexicaal niveau uitgevoerde analyse van de gehele Engelse Tipitaka-corpus te presenteren.

Methodologie
De studie construeert een corpus van ongeveer 134.831 tekstsegmenten uit vijf primaire bronnen:

Sutta Pitaka: 114.591 segmenten op zinsniveau uit de CC0-vertaling van Bhikkhu Sujato (bilara-data).
Vinaya Pitaka: 7.923 paragraaf-segmenten uit de 2026-vertaling van Bhikkhu Brahmali; 2.826 segmenten uit de 1938-vertaling van I.B. Horner; 7.229 segmenten uit de 84000 Mulasarvastivada-vertaling; en een voorlopige Dharmaguptaka-corpus van 185 segmenten.
Abhidhamma-gerelateerd: 2.077 segmenten uit drie Engelse vertalingen van de Abhidhammattha Sangaha (een 11e-eeuwse compendium), dienend als proxy voor de Abhidhamma-vocabulaire.

De analyse maakt gebruik van vier primaire computationele metrieken:

Zipf Rang-Frequentie Analyse: OLS-gepaste power-law exponenten op de top 200 woorden om de afwijking van de ideale Zipf-helling (-1) te meten.
Lexicale Diversiteit (MATTR-500): Moving Average Type-Token Ratio met een venster van 500 woorden om de verschil in corpusgrootte en segmentatie (zin vs. paragraaf) te controleren.
Numerieke Dichtheid: Percentage tokens dat overeenkomt met een lijst van 32 numerieke termen.
Vocabulaire Overlap: Jaccard-gelijkenis en de Szymkiewicz-Simpson overlapcoëfficiënt om gedeelde vocabulaire tussen corpora te meten, waarbij de laatste wordt gebruikt om bias door onbalans in corpusgrootte te mitigeren.

Alle analyses zijn beschrijvende punt-schattingen; er vindt geen formele significantietoetsing of hypothesetoetsing plaats.

Belangrijkste Resultaten

Zipf-structuur: Alle vier de grote corpora vertonen sterke Zipfiaanse distributies ( $R^2 > 0,989$ ). De Theravada Vinaya ligt het dichtst bij de ideale helling (-0,949), terwijl de Sangaha-corpus het meest afwijkt (-0,876). Deze afwijking wordt gekenmerkt door een "vlakkere kop", waarbij technische termen zoals "consciousness" grammaticale partikels in de top 10 rangen verdringen (verschijnen op rang 8), een fenomeen dat niet wordt gezien in de Sutta of Vinaya.
Lexicale Diversiteit: De ruwe TTR suggereerde dat de Sutta minder divers was dan de Vinaya, maar dit werd toegeschreven aan segmentatie-artefacten (zinsniveau vs. paragraafniveau). Wanneer gemeten via MATTR-500, zijn de Sutta (0,399) en de Theravada Vinaya (0,400) bijna identiek. In contrast hiermee is de Sangaha-corpus werkelijk diverser (0,560), bevestigd door grootte-gecontroleerde subsampling. Deze hoge diversiteit weerspiegelt het compendium-formaat van het definiëren van onderscheidende categorieën in plaats van de formuleuze herhaling die in de Sutta's wordt gevonden.
Numerieke Dichtheid: De Sangaha-corpus heeft de hoogste dichtheid van numerieke woorden (3,26%), consistent met de systematische enumeratie van mentale en materiële categorieën. De Mulasarvastivada Vinaya volgt (2,76%), terwijl de Sutta (2,09%) en Horners 1938 Vinaya (1,62%) lager zijn.
Cross-Traditie Overlap: De Theravada en Mulasarvastivada Vinaya delen 20,0% vocabulaire (Jaccard) en 49,1% (overlapcoëfficiënt), wat wijst op een aanzienlijke gedeelde juridische erfenis ondanks twee millennia van gescheiden ontwikkeling. De Dharmaguptaka-corpus vertoont een lage Jaccard (0,082) vanwege de kleine omvang, maar een hoge overlapcoëfficiënt (0,816), wat suggereert dat de meeste van de beperkte vocabulaire binnen de Theravada-traditie valt.
Vertalingsverschuiving: Het vergelijken van de Brahmali (2026) en Horner (1938) vertalingen van dezelfde Vinaya-tekst onthult slechts 24,2% vocabulaire-overlap. Diagnostische verschuivingen zijn onder meer "musing" (Horner) versus "absorption" (Brahmali) voor jhana, en "defeat" versus "expulsion" voor parajika. Ongeveer 20% van deze divergentie wordt toegeschreven aan spellingvariaties en weggelaten secties in plaats van terminologische verschuivingen.

Significantie en Claims
Het artikel claimt de eerdere computationele bevindingen (specifiek Zigmond, 2020) uit te breiden van het originele Pali naar Engelse vertalingen, en aantoont dat de drie Pitaka's zelfs in vertaling computationeel onderscheidend blijven. De studie schrijft de onderscheidbaarheid van de Abhidhamma-gerelateerde corpus niet toe aan de canonieke Abhidhamma Pitaka zelf, maar aan het specifieke "compendium-formaat" van de Abhidhammattha Sangaha, dat een hoge lexicale diversiteit genereert door enumeratie in plaats van herhaling.

De auteurs positioneren dit werk als een beschrijvend fundament voor toekomstig onderzoek. Het artikel stelt expliciet dat hoewel het structurele en lexicale verschillen documenteert, het geen diepere doctrinaire vragen beantwoordt (bijv. de evolutie van Vinaya-regels of de absorptie van Abhidhamma-categorieën in het Mahayana). In plaats daarvan kaderen zij deze resultaten als de noodzakelijke lexicale baseline voor toekomstige concept-niveau analyse met behulp van de Darshana Graph (Bose, 2026a), specifiek door IS_PRECURSOR_OF en NEGATES edges uit te breiden om deze nieuwe corpora te bevatten. Het artikel benadrukt dat alle code en data worden vrijgegeven als open-source extensies van de Darshana Graph-dataset.