Wortlängenverteilung (OP1-Audit)
OP1 behauptete eine rigide, zu schmale Wortlängenverteilung für freie semitische Morphologie. Skaleninvariant gegen echte semitische Referenzen gemessen (Mischna, Westminster Leningrad Codex) trifft das nicht zu: das Voynich-Korpus ist gleich weit oder weiter gestreut als die Referenzen, nicht enger. Für eine semitische Sprache spricht das nicht: Die Naibbe-Chiffre mit lateinischem Klartext liegt knapp darunter (CV 0,310). Die Wortlänge trennt die Modelle nicht. Details siehe Offene Probleme.
226 lokale Stolfi-Transkriptionen (224 Folios), H-/C-/F-Layer, gegen 62 Traktate der Kern-Mischna (Sefaria-Export), WLC (hebräisch/aramäisch getrennt), italienische (Dante, Boccaccio) und lateinische Kontrolltexte (Vergil, Caesar). Erweitert um mittelalterliches Hebräisch (Mischne Tora, 88 Bücher), Aramäisch (Targum Onkelos, 5 Bücher), Arabisch in arabischer (Ibn al-Baiṭār) und hebräischer Schrift (judäo-arabischer „Führer der Unschlüssigen“), mittellateinische Kontrolltexte (Macer Floridus, Gesta Romanorum), Hawaiisch (Bibel 1868), Griechisch (Dioskurides, De materia medica) und den Chiffretext der Naibbe-Chiffre.
Kennzahlen (Token-Ebene)
- Voynich
- WLC (Hebr./Aram.)
- Mischna
- Mischne Tora
- Targum Onkelos
- Arabisch (arab./hebr. Schrift)
- Kontrollen (Ital./Lat./Hawaii./Griech./Naibbe)
| Verteilung | n | Mittel | sd | CV | QCD | Schiefe | ExKurt | H (bit) |
|---|---|---|---|---|---|---|---|---|
| Voynich H-Layer: EVA-Glyphen | 37.049 | 5,05 | 1,75 | 0,347 | 0,200 | +0,088 | +0,245 | 2,836 |
| Voynich C-Layer: EVA-Glyphen | 17.617 | 5,01 | 1,75 | 0,349 | – | +0,212 | +0,521 | 2,836 |
| Voynich F-Layer: EVA-Glyphen | 32.353 | 5,08 | 1,63 | 0,320 | – | +0,058 | +0,121 | 2,738 |
| Voynich H-Layer: hebr. Buchstaben | 37.049 | 3,48 | 1,24 | 0,356 | – | +0,297 | +0,078 | 2,336 |
| WLC Hebräisch: Token, Buchstaben | 284.635 | 3,92 | 1,28 | 0,326 | 0,250 | +0,393 | −0,094 | 2,345 |
| WLC Hebräisch: Stamm ohne Proklitika | 284.635 | 3,45 | 1,22 | 0,353 | 0,143 | +0,334 | −0,065 | 2,308 |
| WLC Hebräisch: Proklitika je Wort | 284.635 | 0,43 | 0,54 | 1,248 | 1,000 | +0,700 | −0,643 | 1,094 |
| WLC Aramäisch: Token, Buchstaben | 4.948 | 4,07 | 1,48 | 0,363 | 0,250 | +0,548 | +0,168 | 2,519 |
| Mischna (Sefaria): Token, Buchstaben | 187.055 | 4,02 | 1,33 | 0,331 | 0,250 | +0,409 | −0,080 | 2,409 |
| Mischne Tora (Maimonides, 12. Jh.): Token, Buchstaben | 749.463 | 4,05 | 1,37 | 0,338 | 0,250 | +0,378 | −0,172 | 2,447 |
| Targum Onkelos (Aramäisch): Token, Buchstaben | 80.988 | 4,22 | 1,48 | 0,351 | 0,250 | +0,413 | −0,055 | 2,544 |
| Judäo-Arabisch: Maimonides, Führer der Unschlüssigen (hebr. Schrift) | 141.661 | 4,09 | 1,59 | 0,388 | 0,250 | +0,620 | −0,067 | 2,599 |
| Arabisch: Ibn al-Baiṭār, al-Ǧāmiʿ (13. Jh.) | 363.618 | 4,38 | 1,69 | 0,387 | 0,250 | +0,625 | +0,172 | 2,706 |
| Kontrolle Italienisch: Dante, Commedia (Vers, ca. 1321) | 97.187 | 4,14 | 2,25 | 0,544 | 0,500 | +0,702 | +0,101 | 3,059 |
| Kontrolle Italienisch: Boccaccio, Decameron (Prosa, ca. 1350) | 258.763 | 4,56 | 2,60 | 0,571 | 0,500 | +0,799 | +0,338 | 3,246 |
| Kontrolle Latein: Caesar, De bello Gallico | 51.316 | 6,18 | 2,92 | 0,473 | 0,333 | +0,367 | −0,427 | 3,477 |
| Kontrolle Latein: Vergil, Aeneis | 63.795 | 5,76 | 2,21 | 0,384 | 0,273 | +0,225 | −0,232 | 3,144 |
| Kontrolle Mittellatein: Macer Floridus, De viribus herbarum (Vers, 11. Jh.) | 13.967 | 5,85 | 2,23 | 0,382 | 0,273 | +0,283 | −0,047 | 3,155 |
| Kontrolle Mittellatein: Gesta Romanorum (Prosa, 14. Jh.) | 115.224 | 5,40 | 2,62 | 0,485 | 0,400 | +0,546 | −0,239 | 3,314 |
| Kontrolle Hawaiisch: Baibala Hemolele (1868) | 1.049.264 | 3,10 | 2,06 | 0,665 | 0,333 | +1,485 | +2,982 | 2,742 |
| Kontrolle Griechisch: Dioskurides, De materia medica (1. Jh.) | 94.262 | 5,43 | 3,01 | 0,555 | 0,400 | +0,688 | −0,179 | 3,440 |
| Kontrolle Naibbe-Chiffre: Plinius-Chiffretext, EVA-Glyphen | 34.764 | 5,23 | 1,62 | 0,310 | 0,200 | +0,051 | +0,136 | 2,722 |
Der Variationskoeffizient (CV) des Voynich-Korpus liegt oberhalb des mischnischen und biblisch-hebräischen, unterhalb des aramäischen und klar unterhalb der italienischen und lateinischen Kontrollwerte; die Kennzahl trennt also erkennbar zwischen Sprachen, ohne das Voynich-Korpus als Ausreißer auszuweisen. Der Quartilsdispersionskoeffizient (QCD) ist bei den kurzen, ganzzahligen Wortlängen zu grob, um zwischen den Verteilungen zu trennen (Voynich EVA 0,200 gegen WLC-Token 0,250, bei identischer absoluter IQR-Breite von 2), und wird deshalb nicht als tragende Kennzahl geführt. Die erweiterten Referenzen bestätigen das Bild: Mischne Tora (0,338) und Targum Onkelos (0,351) liegen im selben Band wie Mischna und WLC (0,326–0,363), in dem auch Voynich liegt (0,347 EVA, 0,356 hebr. Buchstaben). Arabisch streut in arabischer wie in hebräischer Schrift gleich stark (0,387 bzw. 0,388) und damit breiter als jede hebräische oder aramäische Referenz; der Abstand folgt der Sprache, nicht der Schrift. Der griechische Kontrolltext (Dioskurides, 0,555) liegt im Band der italienischen Kontrollen. Die Naibbe-Chiffre (lateinischer Klartext, verbos homophon chiffriert) erreicht mit 0,310 eine ebenso schmale Verteilung: Die Kennzahl trennt natürliche Sprachen voneinander, schließt eine Chiffre aber nicht aus.
Konzentration bei gleicher Fensterbreite
| Verteilung | bestes 3er-Fenster | bestes 5er-Fenster |
|---|---|---|
| Voynich H-Layer: EVA-Glyphen | 4–6: 63,19 % | 3–7: 84,43 % |
| Voynich H-Layer: hebr. Buchstaben | 2–4: 76,68 % | 2–6: 95,22 % |
| WLC Hebräisch: Token, Buchstaben | 3–5: 74,27 % | 2–6: 97,32 % |
| WLC Hebräisch: Stamm ohne Proklitika | 2–4: 77,72 % | 2–6: 96,08 % |
| WLC Hebräisch: Proklitika je Wort | 0–2: 99,98 % | 0–4: 100,00 % |
| WLC Aramäisch: Token, Buchstaben | 3–5: 67,56 % | 2–6: 94,24 % |
| Mischna: Token, Buchstaben | 3–5: 72,81 % | 2–6: 96,38 % |
| Mischne Tora: Token, Buchstaben | 3–5: 71,26 % | 2–6: 95,72 % |
| Targum Onkelos: Token, Buchstaben | 3–5: 67,79 % | 2–6: 93,38 % |
| Judäo-Arabisch: Token, Buchstaben | 3–5: 64,20 % | 2–6: 91,47 % |
| Arabisch: Token, Buchstaben | 3–5: 62,62 % | 2–6: 87,96 % |
| Kontrolle Italienisch: Dante, Commedia | 2–4: 49,22 % | 2–6: 75,86 % |
| Kontrolle Italienisch: Boccaccio, Decameron | 2–4: 44,32 % | 2–6: 70,30 % |
| Kontrolle Latein: Caesar | 5–7: 36,49 % | 4–8: 56,03 % |
| Kontrolle Latein: Vergil | 5–7: 50,13 % | 4–8: 72,25 % |
| Kontrolle Mittellatein: Macer Floridus | 5–7: 50,91 % | 3–7: 71,80 % |
| Kontrolle Mittellatein: Gesta Romanorum | 2–4: 40,52 % | 2–6: 65,79 % |
| Kontrolle Hawaiisch: Baibala Hemolele | 1–3: 67,49 % | 1–5: 87,09 % |
| Kontrolle Griechisch: Dioskurides | 2–4: 42,38 % | 2–6: 63,48 % |
| Kontrolle Naibbe-Chiffre: EVA-Glyphen | 4–6: 65,63 % | 3–7: 86,98 % |
Das in OP1 genannte Fenster 4–8 EVA-Glyphen fasst 79,69 % der Tokens, weniger als das beste gleich breite Fenster in jeder semitischen Referenz (hebräisch, aramäisch und arabisch, mindestens 87,96 %).
Längenhistogramm (Anteil der Tokens in %)
- Voynich EVA
- Voynich hebr.
- Mischna
- WLC Hebr.
- Mischne Tora
- Naibbe EVA
| Länge | Voynich EVA | Voynich hebr. | Mischna | WLC Hebr. | Mischne Tora | Naibbe EVA |
|---|---|---|---|---|---|---|
| 1 | 2,11 | 3,64 | 0,05 | 0,00 | 0,08 | 0,41 |
| 2 | 6,23 | 19,26 | 13,26 | 14,73 | 13,82 | 5,51 |
| 3 | 9,47 | 28,52 | 23,47 | 23,79 | 22,58 | 8,06 |
| 4 | 18,04 | 28,91 | 29,37 | 30,81 | 27,55 | 15,93 |
| 5 | 25,27 | 14,82 | 19,98 | 19,67 | 21,14 | 27,14 |
| 6 | 19,88 | 3,72 | 10,31 | 8,32 | 10,64 | 22,56 |
| 7 | 11,77 | 0,90 | 2,81 | 2,21 | 3,36 | 13,29 |
| 8 | 4,73 | 0,15 | 0,63 | 0,37 | 0,71 | 4,67 |
| ≥ 9 | 2,50 | 0,05 | 0,13 | 0,09 | 0,13 | 2,43 |
Im Konsonantenskelett liegt der Modus beider Verteilungen bei 4 Buchstaben (Voynich 28,91 % · Mischna 29,37 %); die mittelalterliche Mischne Tora folgt demselben Profil (27,55 %). Auf EVA-Ebene trifft der Naibbe-Chiffretext das Profil des Manuskripts nahezu deckungsgleich (Modus 5 Glyphen: 27,14 % gegen 25,27 %).
Verschobener Binomialfit (Totalvariationsabstand)
| Verteilung | Fit | TVD |
|---|---|---|
| Voynich: EVA-Glyphen | Binomial(11; 0,459) | 0,0509 |
| Voynich: hebr. Buchstaben | Binomial(6; 0,579) | 0,0460 |
| Mischna | Binomial(8; 0,378) + 1 | 0,0396 |
| WLC Hebräisch | Binomial(7; 0,417) + 1 | 0,0505 |
Die oft zitierte Binomialnähe der Voynich-Wortlängen ist kein Unterscheidungsmerkmal: die semitischen Referenzen lassen sich ebenso gut oder besser durch eine Binomialverteilung beschreiben.
Affigierungstiefe (Proklitika je Wort)
| Voynich (R41-Kette, Obergrenze) | WLC Hebräisch (Proklitika) | |
|---|---|---|
| Mittel je Wort | 0,81 | 0,43 |
| sd | 0,89 | 0,54 |
| Maximaltiefe | 5 | 4 |
| Verteilung 0/1/2/3/4/5 | 18.010 / 8.840 / 9.542 / 606 / 49 / 2 | 168.457 / 110.388 / 5.732 / 57 / 1 / – |
Voynich-Werte sind eine Obergrenze (maximal gegriffene R41-Kette, Rest muss korpusbelegtes Token sein); für die Mischna liegt keine morphologische Annotation vor.
Verbleibende Restbefunde (nicht Teil von OP1)
- Im Konsonantenskelett sind Voynich-Wörter im Mittel 0,54 Buchstaben (≈13 %) kürzer als mischnische.
- 3,64 % der Tokens sind einbuchstabig, gegen 0,05 % (Mischna) und 0,00 % (WLC): eine Frage der Wortabtrennung, nicht der Längenverteilung; ohne Klärung der Spatienfrage nicht entscheidbar.
Methode: EVA-Tokens über stolfi.tokenize() (99,73 % der H-Layer-Tokens, Klammerartefakte/Unsicherheitsmarker ausgeschlossen), Umrechnung ins Konsonantenskelett über das projekteigene Mapping und Positionsregel R2. Mischna bereinigt um HTML-Seitenmarker, lateinschriftliche Zeilen, Bibelstellen-Klammerverweise und Geresch/Gerschajim-Abkürzungen. WLC über OSIS-XML je `<w>`-Element, Niqqud/Teamim entfernt, Proklitikazahl aus dem morph-Attribut. Erweiterte Korpora: Sefaria-Texte wie die Mischna bereinigt, Maqaf als Worttrenner, Abkürzungen (Gerschajim, Geresch) ausgeschlossen; im Judäo-Arabischen ist der Geresch dagegen ein diakritisches Zeichen (ד׳ = ḏāl) und wird entfernt, ohne das Wort zu verwerfen. Arabisch ohne Harakat und Tatwil, Proklitika wie geschrieben angehängt. Lateinschriftliche Texte als Buchstabenfolgen. Griechisch ohne Akzente, Hauchzeichen und Iota subscriptum, kritischer Apparat entfernt. Naibbe-Chiffretext als EVA-Tokens.
Reproduktion & Quellen
Toolkit herunterladen (.zip)Enthält die Download- und Analyseskripte (op1_length_test.py, stolfi.py, fetch_*.py, fetch_extra.py, reference_texts.py), README und Lizenzhinweise. Kein Python-Paket außer der Standardbibliothek nötig; die Referenzkorpora selbst sind nicht enthalten (Download per Skript, siehe README).
Referenzkorpora (13)
- Westminster Leningrad Codex (WLC) · Text: Public Domain · Annotation: CC BY 4.0
- Mishnah, Vilna edition 1913 (Sefaria export) · Public Domain
- Virgil, Aeneid / Caesar, De bello Gallico (Perseus Digital Library) · CC BY-SA 4.0
- Dante, Divina Commedia (Wikisource) · CC BY-SA 4.0
- Boccaccio, Decameron, Vittore Branca edition (Biblioteca italiana, Sapienza Rome) · Public Domain
- Maimonides, Mishneh Torah (Wikisource, via the Sefaria export) · CC BY-SA
- Targum Onkelos, Yemenite Taj vocalization (Wikisource, via the Sefaria export) · CC BY-SA
- Maimonides, Guide for the Perplexed, Judeo-Arabic original, Munk edition, Paris 1856 (Sefaria export) · Public Domain
- Ibn al-Bayṭār, al-Jāmiʿ li-mufradāt al-adwiya wa-l-aghdhiya (OpenITI) · CC BY-NC-SA 4.0
- Macer Floridus, De viribus herbarum / Gesta Romanorum, Oesterley edition 1872 (Latin Wikisource) · CC BY-SA 4.0
- Baibala Hemolele, Hawaiian Bible 1868 (eBible.org) · Public Domain
- Dioscorides, De materia medica, Wellmann edition 1906–1914 (First1KGreek) · CC BY-SA 4.0
- Naibbe cipher, ciphertext of Pliny, Naturalis historia (Greshko 2025, Cryptologia) · MIT (modified, citation required)