SAPIR 861 · Pesquisa · Chumash e o código da IA
Soma igual não é significado igual: a guematria testada com vetores de palavras em todo o Tanakh
O significado calculado como o calculam os modelos de linguagem: por contextos, sobre 201 175 palavras do Tanakh. Palavras com soma de letras igual não estão, em média, mais próximas em significado do que pares aleatórios. Onde estão, partilham a raiz, e isso vê-se sem números.
O que foi testado
A velha afirmação da guematria: se duas palavras têm a mesma soma de letras, há entre elas um vínculo de significado. Tomámo-la à letra e testámo-la com o instrumento com que se mede o significado em linguística computacional e dentro dos modelos de linguagem: uma palavra é o vetor dos seus contextos. Duas palavras são próximas se aparecem em ambientes semelhantes. Nenhuma semântica assumida à partida, só o texto.
Dados e método
Texto: Open Scriptures Hebrew Bible (Códice de Leninegrado com morfologia, CC BY 4.0), os 39 livros, 23 213 versículos. Só morfemas de conteúdo: nomes, verbos, adjetivos: 201 175 ocorrências, 8 550 lexemas por número de Strong. Entraram 1 312 lexemas com 20 ou mais ocorrências. Janela de ±4 palavras dentro do versículo, matriz PPMI, decomposição em valores singulares a 150 dimensões: a receita padrão da semântica distribucional. A soma de letras é tomada da forma de dicionário do lexema no léxico aberto de Strong (CC BY 4.0). Todas as regras fixadas antes do resultado; código e tabelas abertos.
O resultado bruto e o que está por trás
Há 2 139 pares de lexemas com soma igual. A sua semelhança média é 0,046 contra 0,032 em pares aleatórios; em 2 000 permutações das somas entre palavras isso nunca acontece (z ≈ 8). Pareceria confirmado. Mas os pares do topo da lista são נדר e נדר (o verbo «prometer» e o nome «voto», semelhança 0,84), טמא e טמא, זבח e זבח, קבר e קבר, e os anagramas כפרת e פרכת, שמעיה e מעשיה. Não são coincidências de somas: é o mesmo conjunto de letras, uma raiz ou a sua permutação. Esses pares são 570 de 2 139, e todo o efeito está neles.
O resultado com controlo
Retiramos os pares com o mesmo conjunto de letras e permutamos as somas só entre palavras do mesmo comprimento. Restam 1 569 pares: semelhança 0,0352 contra 0,0325 ao acaso, z = 1,5, p = 0,06. Em cinco outras configurações (limiar de frequência, janela, dimensões) z vai de 0,7 a 2,8 e a diferença é de cerca de 0,003 de cosseno. Para escala: um par da mesma raiz dá 0,5–0,8. Segundo teste: entre as dez palavras mais próximas em significado, a soma igual aparece em 0,20 % dos casos contra 0,25 % esperados: menos do que ao acaso. A correção «im ha-kolel» (±1): z = 1,3, p = 0,09. A soma de letras não prevê o significado, nem exata nem com margem.
E os pares dos livros clássicos?
Da nossa base de 8 629 testemunhos, 103 pares que autores dos séculos XII–XX chamaram de facto iguais puderam ligar-se a lexemas do corpus. A sua semelhança média é 0,031 contra 0,022 em pares aleatórios com a mesma soma; p = 0,16. Há diferença, mas do tamanho que o acaso produz. Ou seja, os comentadores não escolheram nem podiam escolher sistematicamente igualdades «com sentido»: o sentido acrescentavam-no eles, pela interpretação, e essa é a natureza honesta do género.
O que muda para o site
Nada nos cálculos e tudo nas palavras. Continuamos a mostrar a palavra da Torá com o número do seu nome, o capítulo e o versículo: é um facto sobre o texto e pode ser verificado. Mas não dizemos que essa palavra «revela» o nome: a medição mostrou que a soma de letras nada diz do significado. A palavra com o seu número é um endereço no texto, um ponto de onde começar a ler. O que fazer com esse ponto decide você. Damos o número, o endereço e o código com que foi calculado.
Os dados deste trabalho
A tabela de lexemas com as suas somas e vetores, a lista de vizinhos por significado para somas iguais e o código que recalcula tudo estão reunidos num pacote à parte e preparam-se para depósito no arquivo. Quando tiver um número permanente, aparecerá aqui como ligação.
A coincidência é barata · Exato e ±1 · Os nossos dados e código no arquivo (DOI) · Código e reprodução completa (GitHub)
A estrutura de 354 páginas de 861 letras segue a edição Binyamin Pichkhadze, «Chumash 354» (חומש 354), Bnei Brak, 2002. O cálculo foi reproduzido de forma independente a partir do Westminster Leningrad Codex (CC BY 4.0); 31 de 31 páginas de controlo coincidem com a edição.