💬 NLP

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

Este artigo apresenta uma análise estilométrica computacional do Cânone Pali em inglês através dos Pitakas Sutta, Vinaya e Abhidhamma, revelando perfis lexicais distintos para cada corpus — tais como a maior diversidade e densidade numeral do Abhidhamma, a herança jurídica compartilhada dos Vinayas Theravada e Mulasarvastivada e variações significativas de tradução ao longo do tempo — enquanto confirma que todos os textos aderem à lei de Zipf.

Autores originais: Joy Bose

Publicado 2026-06-25

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Joy Bose

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 Cânone Budista (o Tipitaka) como uma biblioteca imensa contendo três alas distintas, cada uma escrita por autores diferentes para propósitos diferentes. Por muito tempo, pesquisadores estudaram a ala "Sutta" (as histórias e sermões). Este artigo é como um novo bibliotecário que decide entrar nas outras duas alas, o Vinaya (o livro de regras para monges) e o Abhidhamma (uma enciclopédia técnica da mente), e rodar um programa de computador para ver como a própria linguagem muda de uma sala para outra.

O pesquisador, Joy Bose, não leu cada palavra para entender a filosofia profunda. Em vez disso, utilizou um "contador de palavras" e um "detector de padrões" para ver como o vocabulário se comporta. Aqui está o que encontrou, explicado de forma simples:

1. Os Três "Sabores" da Linguagem

Pense nas três seções como três tipos diferentes de festas:

A Ala Sutta (Os Contadores de Histórias): Esta é a maior sala. A linguagem aqui é como uma história de acampamento. Ela repete as mesmas frases frequentemente (como "o monge disse" ou "quatro coisas"). O computador descobriu que as palavras aqui são muito repetitivas, criando um ritmo constante e cadenciado.
A Ala Vinaya (O Livro de Regras): Esta sala é cheia de instruções legais. É surpreendentemente semelhante aos Contadores de Histórias em termos de repetitividade. Quer você leia a tradução moderna (Brahmali) ou a antiga (Horner), o "ritmo do vocabulário" é quase idêntico. É como duas pessoas diferentes lendo a mesma lista telefônica; as palavras podem mudar ligeiramente, mas a estrutura é a mesma.
A Ala Abhidhamma (A Enciclopédia): Esta é a estranha do grupo. É um manual técnico listando 52 tipos de sentimentos e 89 tipos de consciência. Como precisa nomear tantos elementos específicos e únicos, utiliza uma variedade muito maior de palavras. É menos repetitiva e parece mais um livro didático de ciências moderno do que uma história.

2. O Testo de "Zipf": Quem é a Estrela do Show?

Os pesquisadores utilizaram uma famosa regra matemática chamada Lei de Zipf. Imagine um show de rock onde um cantor canta 50% das músicas, o segundo canta 25% e o restante divide o tempo restante. Na maioria dos textos, algumas palavras comuns (como "o", "e", "ele") dominam os primeiros lugares.

Nas Histórias e Regras: As 10 principais palavras são majoritariamente auxiliares gramaticais (como "ele" ou "eles").
Na Enciclopédia: O computador encontrou algo estranho. A palavra "Consciência" saltou para o top 10, empurrando as palavras gramaticais para baixo. É como se, em uma biblioteca de manuais técnicos, a palavra "Motor" aparecesse com tanta frequência que ela abafa a palavra "O". Isso prova que a Enciclopédia é obcecada por conceitos específicos, não apenas por contar histórias.

3. A "Sobreposição de Vocabulário" (Quanto eles compartilham?)

Os pesquisadores perguntaram: Se você pegar um punhado de palavras do Livro de Regras, quantas delas você também encontraria no Livro de Histórias?

O Resultado: Cerca de metade das palavras no Livro de Regras também estão no Livro de Histórias. Eles compartilham uma linguagem comum porque fazem parte da mesma tradição.
O Teste de Viagem no Tempo: Os pesquisadores compararam o Livro de Regras Theravada (usado no Sri Lanka/Tailândia) com o Livro de Regras Mulasarvastivada (usado no Tibete) de 2.000 anos atrás. Mesmo tendo se separado há dois milênios, eles ainda compartilham 50% de seu vocabulário. É como descobrir que um dicionário de inglês americano moderno e um dicionário britânico do século XIX ainda compartilham metade de suas palavras, provando que vieram da mesma árvore genealógica.

4. O "Deslocamento de Tradução" (Como a linguagem muda ao longo do tempo)

Os pesquisadores pegaram exatamente o mesmo texto do Livro de Regras e compararam duas traduções: uma de 1938 e uma de 2026.

O Choque: Eles compartilhavam apenas 24% de seu vocabulário! Essa é uma lacuna enorme para o mesmo texto.
A Causa: Não foi que o significado mudou, mas sim as palavras mudaram.
- Exemplo 1: Em 1938, um estado profundo de meditação era chamado de "musing" (que soa um pouco como devaneio). Em 2026, é chamado de "absorption" (que soa muito mais focado).
- Exemplo 2: Uma ofensa séria era chamada de "defeat" (derrota) em 1938, mas "expulsion" (expulsão) em 2026.
- Exemplo 3: O tradutor de 2026 foi mais direto sobre questões anatômicas e de gênero, enquanto o tradutor de 1938 usou uma linguagem polida e vaga.

5. A Contagem de "Números"

A Enciclopédia (Abhidhamma) é obcecada em contar. Ela usa palavras numéricas (um, dois, três, quatro) 3,26% das vezes. O Livro de Histórias usa-as apenas 2,09% das vezes. Isso faz sentido: se você está listando 89 tipos de consciência, tem que dizer "um", "dois", "três" muito mais vezes do que se estiver apenas contando uma história sobre um monge caminhando pela floresta.

Resumo

Este artigo é como um raio-x linguístico. Ele não nos diz o que o Buda ensinou em detalhes profundos, mas mostra como o ensinamento foi embalado.

Histórias são rítmicas e repetitivas.
Regras são procedimentais e compartilhadas através do tempo.
Enciclopédias são densas, técnicas e repletas de termos únicos.
Traduções mudam drasticamente em 88 anos, trocando palavras antiquadas por termos modernos e precisos.

O pesquisador conclui que, embora possamos ver esses padrões claramente com computadores, a questão mais profunda de como essas ideias evoluíram ao longo do tempo exige uma análise humana mais profunda, de nível conceitual, que é o próximo passo de seu trabalho.

Resumo Técnico: Estilometria Computacional do Cânone Pali em Inglês

Definição do Problema
Embora a análise computacional de textos budistas tenha começado a emergir, estudos anteriores limitaram-se amplamente a subconjuntos específicos do Tipitaka (por exemplo, o Sutta Pitaka em Pali ou a extração de palavras-chave dentro de Nikayas isolados). Há uma carência de uma análise computacional unificada e trans-corpus que cubra todas as três divisões principais do Cânone Pali (Sutta, Vinaya e Abhidhamma) em tradução para o inglês. Além disso, o trabalho existente não comparou sistematicamente as estruturas lexicais de diferentes tradições de Vinaya (Theravada vs. Mulasarvastivada) nem analisou as mudanças de tradução ao longo de quase um século de versões em inglês do mesmo texto fonte. Este artigo aborda essas lacunas apresentando uma análise descritiva, em nível lexical, de todo o corpus do Tipitaka em inglês.

Metodologia
O estudo constrói um corpus de aproximadamente 134.831 segmentos de texto provenientes de cinco fontes primárias:

Sutta Pitaka: 114.991 segmentos de nível de sentença da tradução CC0 de Bhikkhu Sujato (bilara-data).
Vinaya Pitaka: 7.923 segmentos de nível de parágrafo da tradução de 2026 de Bhikkhu Brahmali; 2.826 segmentos da tradução de 1938 de I.B. Horner; 7.229 segmentos da tradução Mulasarvastivada 84000; e um corpus preliminar de 185 segmentos do Dharmaguptaka.
Adjacente ao Abhidhamma: 2.077 segmentos de três traduções em inglês do Abhidhammattha Sangaha (um compêndio do século XI), servindo como um proxy para o vocabulário do Abhidhamma.

A análise emprega quatro métricas computacionais primárias:

Análise de Rank-Frequência de Zipf: Expoentes de lei de potência ajustados por OLS nos 200 termos mais frequentes para medir o desvio da inclinação ideal de Zipf (-1).
Diversidade Lexical (MATTR-500): Razão Tipo-Token com Média Móvel com uma janela de 500 palavras para controlar o tamanho do corpus e as diferenças de segmentação (sentença vs. parágrafo).
Densidade Numeral: Porcentagem de tokens que correspondem a uma lista de 32 numerais.
Sobreposição de Vocabulário: Similaridade de Jaccard e o coeficiente de sobreposição de Szymkiewicz-Simpson para medir o vocabulário compartilhado entre os corpora, sendo este último utilizado para mitigar o viés decorrente de desequilíbrios no tamanho dos corpora.

Todas as análises são estimativas pontuais descritivas; nenhuma análise de significância formal ou teste de hipótese é realizada.

Resultos Principais

Estrutura de Zipf: Todos os quatro grandes corpora exibem distribuições Zipfianas fortes ( $R^2 > 0.989$ ). O Vinaya Theravada é o mais próximo da inclinação ideal (-0.949), enquanto o corpus do Sangaha é o que mais se desvia (-0.876). Esse desvio é caracterizado por um "topo achatado", onde termos técnicos como "consciência" deslocam partículas gramaticais nos 10 primeiros postos (aparecendo na posição 8), um fenômeno não observado no Sutta ou no Vinaya.
Diversidade Lexical: O TTR bruto sugeriu que o Sutta era menos diverso que o Vinaya, mas isso foi atribuído a artefatos de segmentação (nível de sentença vs. nível de parágrafo). Quando medido via MATTR-500, o Sutta (0.399) e o Vinaya Theravada (0.400) são quase idênticos. Em contraste, o corpus do Sangaha é genuinamente mais diverso (0.560), confirmado por subamostragem controlada pelo tamanho. Essa alta diversidade reflete o formato de compêndio do texto, que define categorias distintas em vez da repetição formulaica encontrada nos Suttas.
Densidade Numeral: O corpus do Sangaha possui a maior densidade de palavras numerais (3.26%), consistente com sua enumeração sistemática de categorias mentais e materiais. O Vinaya Mulasarvastivada segue em seguida (2.76%), enquanto o Sutta (2.09%) e o Vinaya de Horner de 1938 (1.62%) são menores.
Sobreposição Trans-Tradição: Os Vinayas Theravada e Mulasarvastivada compartilham 20.0% de vocabulário (Jaccard) e 49.1% (coeficiente de sobreposição), indicando uma substancial herança legal compartilhada, apesar de dois milênios de desenvolvimento separado. O corpus Dharmaguptaka mostra um Jaccard baixo (0.082) devido ao seu tamanho reduzido, mas um alto coeficiente de sobreposição (0.816), sugerindo que a maior parte de seu vocabulário limitado está contida na tradição Theravada.
Mudança de Tradução: Comparar as traduções de Brahmali (2026) e Horner (1938) do mesmo texto de Vinaya revela apenas 24.2% de sobreposição de vocabulário. As mudanças diagnósticas incluem "musing" (Horner) vs. "absorption" (Brahmali) para jhana, e "defeat" vs. "expulsion" para parajika. Aproximadamente 20% dessa divergência é atribuída a variações ortográficas e seções omitidas, em vez de mudanças terminológicas.

Significância e Alegações
O artigo afirma estender as descobertas computacionais anteriores (especificamente Zigmond, 2020) do original em Pali para as traduções em inglês, demonstrando que os três Pitakas permanecem computacionalmente distintos mesmo em tradução. O estudo atribui a distintividade do corpus adjacente ao Abhidhamma não ao próprio Pitaka Abhidhamma canônico, mas ao "formato de compêndio" específico do Abhidhammattha Sangaha, que gera alta diversidade lexical através da enumeração em vez da repetição.

Os autores posicionam este trabalho como uma base descritiva para pesquisas futuras. O artigo afirma explicitamente que, embora documente diferenças estruturais e lexicais, não responde a questões doutrinárias mais profundas (por exemplo, a evolução das regras do Vinaya ou a absorção de categorias do Abhidhamma no Mahayana). Em vez disso, enquadra estes resultados como a base lexical necessária para futuras análises de nível conceitual usando o Darshana Graph (Bose, 2026a), especificamente estendendo as arestas IS_PRECURSOR_OF e NEGATES para incluir estes novos corpora. O artigo enfatiza que todo o código e dados são liberados como extensões de código aberto do dataset Darshana Graph.