💻 computer science

A Quantitative Confirmation of the Currier Language Distinction

Este artigo fornece evidências quantitativas que sustentam a validade da distinção linguística A/B de Currier no manuscrito Voynich, demonstrando que um modelo de mistura Beta-Binomial pode recuperar a divisão sem rótulos prévios e que um classificador supervisionado pode prever identidades de fólios com 89,2% de precisão.

Autores originais: Christophe Parisel

Publicado 2026-04-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Christophe Parisel

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o Manuscrito Voynich como um livro misterioso e antigo escrito em um código que ninguém jamais conseguiu decifrar. Por décadas, um criptógrafo chamado Prescott Currier teve uma intuição: este livro não está escrito em apenas uma "língua". Ele acreditava que era, na verdade, uma mistura de dois dialetos distintos, que ele chamou de Língua A e Língua B.

Por anos, isso foi apenas uma teoria baseada em um pressentimento sobre padrões de palavras. Mas neste novo artigo, o autor, Christophe Parisel, decide colocar essa intuição à prova usando matemática, não apenas suposições. Pense neste estudo como uma auditoria forense do DNA do livro.

Aqui está a explicação do que eles fizeram e do que descobriram, usando analogias simples:

1. A Ferramenta do Detetive: "Pares de Caracteres"

Em vez de tentar ler as palavras (o que é impossível), os pesquisadores observaram como o autor escolhia entre letras visualmente semelhantes.

A Analogia: Imagine que você está escrevendo uma história. Às vezes você usa a palavra "cor", e às vezes "cor" (com 'u' ou sem, dependendo da variante). Se você alternar entre elas aleatoriamente, é apenas uma peculiaridade. Mas se você sempre usar "cor" na primeira metade do livro e sempre usar "cor" na segunda metade, isso sugere dois escritores diferentes ou duas regras diferentes.
O Estudo: Eles selecionaram 11 pares de letras que se parecem no script Voynich (como d vs. l, ou or vs. ar). Eles contaram com que frequência cada letra do par era usada em cada página individual (fólio).

2. A Grande Pergunta: É Real ou Apenas uma Coincidência?

Os pesquisadores fizeram três perguntas difíceis:

É apenas ruído aleatório? As diferenças poderiam acontecer por acaso em uma única língua?
É um truque da encadernação? A divisão original de Currier coincidiu acidentalmente com onde o livro foi fisicamente costurado (os "cadernos"). Talvez o livro apenas tenha mudado de estilo porque o escriba mudou, e não porque a língua mudou.
Podemos prever? Se ocultarmos os rótulos (A ou B) e deixarmos um computador adivinhar, ele consegue descobrir em qual "língua" uma página está apenas olhando para as contagens de letras?

3. Os Resultados: A Teoria das "Duas Línguas" Se Sustenta

O estudo utilizou um modelo estatístico sofisticado (uma mistura Beta-Binomial) que atua como um classificador inteligente. Ele analisou os números brutos sem saber qual página era A ou B.

A Classificação "Mágica": Mesmo sem receber as respostas, o computador organizou naturalmente as páginas em dois grupos distintos. Ele correspondeu à divisão original A/B de Currier com cerca de 38% de precisão (o que é um grande feito em estatística para esse tipo de dado) e teve 90% de confiança em mais de 100 páginas.
O Teste "Cego": Quando treinaram um computador para reconhecer os padrões na metade do livro e depois pediram que ele adivinhasse a língua da outra metade, ele acertou 89,2% das vezes.
Descartando a Teoria da "Encadernação": Eles descobriram que, quando a língua mudava dentro de uma única seção costurada (um caderno), os padrões de letras saltavam bruscamente. Isso prova que a mudança não é apenas sobre quem costurou o livro; é sobre o próprio texto.

4. Os Três "Tipos de Personalidade" das Letras

O estudo descobriu que os pares de letras não se comportam todos da mesma maneira. Eles se enquadram em três grupos, como diferentes tipos de funcionários em uma empresa:

Os "Alternadores" (Categóricos): Essas letras são estritas. Se a página é Língua A, elas usam uma letra. Se é Língua B, elas mudam para a outra. Elas são os "cartões de identificação" que provam que as duas línguas existem.
Os "Inclinados" (Intermediários): Essas letras têm uma preferência, mas não são estritas. Elas se inclinam para um estilo ou para o outro, agindo como um sinal sutil.
Os "Espíritos Livres" (Variação Livre): Essas letras não se importam com a língua de forma alguma. Elas mudam aleatoriamente, independentemente de ser a página A ou B.

5. A Anomalia "Surpresa"

Um par de letras (e/ch) era estranho. Ele não ajudava a classificar as páginas em A ou B, mas era o melhor em detectar o momento exato em que a língua mudava de uma para a outra. É como um detector de fumaça que não diz em qual cômodo está o incêndio, mas grita no segundo em que o fogo começa.

A Conclusão

O artigo conclui que Currier estava certo. O Manuscrito Voynich não é um texto único e uniforme. Ele contém uma divisão genuína e estrutural entre duas "línguas" distintas (ou regimes de escrita).

Não é aleatório: Os padrões são fortes demais para ser um acaso.
Não é um truque físico: A mudança ocorre mesmo dentro da mesma seção física do livro.
É previsível: Um computador pode olhar para as estatísticas de letras e adivinhar a língua com alta precisão.

No entanto, o estudo também observa que a divisão "A vs. B" explica apenas cerca de 29% das diferenças no texto. Isso significa que ainda há muita complexidade e estrutura oculta no livro que ainda não entendemos, mas a teoria das "Duas Línguas" é definitivamente um fato real e mensurável, não apenas um mito.

1. Formulação do Problema

O artigo aborda a validade da hipótese de Prescott Currier de 1976 de que o Manuscrito Voynich contém dois "idiomas" distintos (designados Currier A e Currier B). Embora amplamente citada, essa distinção historicamente careceu de validação quantitativa rigorosa contra hipóteses nulas explícitas. O estudo busca resolver três desafios específicos:

Flutuação Estatística: Determinar se as diferenças observadas são meramente ruído aleatório dentro de um único texto homogêneo.
Confusões Codicológicas: Verificar se a distinção é uma propriedade linguística genuína ou um artefato da estrutura física do manuscrito (por exemplo, limites de caderno), já que a atribuição original de Currier correlaciona-se com essas divisões físicas.
Previsibilidade Inerente: Estabelecer se a distinção A/B é uma propriedade estatística intrínseca descobrível sem rótulos prévios e capaz de prever o comportamento de texto não visto.

2. Metodologia

Os autores empregaram uma abordagem quantitativa multifacetada utilizando a transcrição Takahashi EVA (32.693 tokens de palavras em 185 folios).

Representação de Dados: O estudo focou em 11 pares de caracteres EVA visualmente semelhantes (por exemplo, k/t, d/l, or/ar). Para cada folio, a razão $r = \frac{\text{contagem}(a)}{\text{contagem}(a) + \text{contagem}(b)}$ foi calculada para cada par, desde que um limiar mínimo de 20 ocorrências combinadas fosse atendido.
Linhas de Base de Simulação: Para testar hipóteses nulas, três modelos foram gerados:
- Embaralhamento de Rótulos: Texto real com rótulos A/B aleatorizados.
- Markov Único: Texto sintético derivado de um único modelo de Markov homogêneo.
- Markov Dividido: Texto sintético derivado de modelos de Markov separados para A e B (controle positivo).
Recuperação Não Supervisionada: Algoritmos de agrupamento (K-means, GMM, etc.) foram aplicados à matriz de razão folio $\times$ par sem acesso aos rótulos de Currier para verificar se os dados se particionam naturalmente em dois grupos.
Modelagem Generativa: Um modelo de mistura Beta-Binomial foi ajustado às contagens brutas de caracteres. Este modelo assume que as contagens dos folios são extraídas de uma distribuição binomial onde a probabilidade de sucesso segue uma distribuição Beta específica para um regime latente. O modelo foi ajustado via Expectation-Maximization (EM) para determinar o número ótimo de regimes ( $k$ ).
Validação Preditiva: Um classificador Beta-Binomial supervisionado foi treinado em um subconjunto de folios para prever a identidade A/B de folios retidos. A validação incluiu validação cruzada, divisões espaciais (início vs. fim do manuscrito) e testes de permutação.
Análise de Fronteiras: Transições entre folios foram categorizadas (Mesmo, Apenas Caderno, Apenas Idioma, Ambos) para medir a magnitude dos saltos de razão nas fronteiras de idioma versus nas fronteiras físicas do livro.

3. Contribuições Principais

Descoberta Não Supervisionada: Demonstrou que um modelo generativo ajustado a contagens brutas sem acesso aos rótulos de Currier recupera independentemente a divisão A/B (ARI = 0,383), provando que a distinção é intrínseca à estrutura dos dados.
Taxonomia Funcional: Identificou que os pares de caracteres não se comportam uniformemente, mas se separam em três regimes funcionais distintos: Categórico, Intermediário e Variação Livre.
Desacoplamento da Codicologia: Forneceu evidências estatísticas de que as transições de idioma dentro do mesmo caderno produzem saltos estatísticos significativamente maiores do que as fronteiras físicas de cadernos, descartando a estrutura física como a causa primária da variação.
Poder Preditivo: Estabeleceu que conhecer o rótulo A/B permite a previsão de estatísticas de pares de caracteres em folios não vistos com alta precisão, indo além da mera descrição para a previsão.

4. Resultados Principais

Robustez Estatística

V de Cramér: Seis dos onze pares de caracteres mostraram valores de V de Cramér superiores a todas as 1.000 permutações aleatórias de rótulos. O V de Cramér médio (0,136) foi significativamente maior que a linha de base embaralhada (0,025).
Rejeição de Simulação:
- O modelo Markov Único falhou em reproduzir a variância inter-folio observada ou os efeitos de fronteira (0/200 simulações corresponderam).
- O modelo Markov Dividido correspondeu às estatísticas agregadas, mas falhou em reproduzir a alta variância ao nível de folio e a nitidez de fronteira do manuscrito real.

Recuperação Não Supervisionada e Generativa

Agrupamento: O agrupamento K-means na matriz de razão resultou em um Índice Rand Ajustado (ARI) de 0,208 (significativo, $p < 0,001$ ). Remover pares "ruidosos" aumentou o ARI para 0,456.
Mistura Beta-Binomial: O modelo selecionou $k=2$ como o número ótimo de componentes com base no Critério de Informação Bayesiano (BIC).
- O modelo atribuiu 113 de 185 folios (61%) com confiança posterior >90% a um dos dois regimes.
- A partição recuperada alinhou-se com a atribuição manual de Currier (ARI = 0,383).

Validação Preditiva

Precisão: O classificador supervisionado alcançou 89,2% de precisão na previsão de rótulos de folios retidos (Validação Cruzada).
Significância: Zero de 500 permutações de rótulos alcançou precisão comparável ( $p < 0,002$ ).
Variância Explicada: O rótulo A/B explicou 29,3% da variância nas razões de pares de caracteres em folios não vistos ( $R^2 = 0,293$ ).
Assimetria Espacial: Divisões espaciais para frente (início $\to$ fim) performaram bem (79,6%), enquanto divisões para trás (fim $\to$ início) falharam (41,3%) devido ao desequilíbrio de classes (folios tardios são predominantemente B), confirmando que o sinal é real, mas sensível à composição do conjunto de treinamento.

Regimes de Pares de Caracteres

O estudo categorizou os 11 pares em três regimes:

Categórico (por exemplo, d/l, or/ar): Comutação quase binária entre regimes; essencial para o agrupamento.
Intermediário (por exemplo, ol/al, k/t): Mudanças moderadas de preferência; carregam sinais de fronteira.
Variação Livre (por exemplo, o/a, ch/sh): Dependência quase nula do regime A/B; provavelmente representam variação allográfica.

Nota sobre Anomalia: O par e/ch teve correlação global quase nula, mas o efeito de fronteira local mais forte, sugerindo que sua variação é condicionada por fatores além do regime binário (por exemplo, posição da palavra).

5. Significado

Este artigo fornece a primeira confirmação rigorosa e quantitativa de que a distinção Currier A/B é uma propriedade genuína, intrínseca e preditiva do Manuscrito Voynich, e não um artefato da estrutura física ou ruído aleatório.

Implicações para a Decifração: Qualquer teoria do sistema de escrita Voynich deve levar em conta uma estrutura de duplo regime onde pares específicos de caracteres comutam categoricamente entre regimes, enquanto outros variam livremente.
Natureza do Texto: Os resultados sugerem que o manuscrito não é um único texto homogêneo, mas contém uma estrutura complexa onde a divisão binária A/B é o eixo primário de variação, embora explique apenas ~29% da variância total, implicando que existem sub-regimes ou gradientes adicionais.
Avance Metodológico: O estudo demonstra a eficácia de modelos de mistura Beta-Binomial e aprendizado não supervisionado na criptanálise, oferecendo um quadro para validar hipóteses linguísticas em scripts não decifrados sem depender de rotulagem manual.