2 Eine Neue Herangehensweise

 

Für viele bleibt die Frage, wer das Buch Mormon schrieb, ungelöst. Historische und stilometrische Forschung hat uns bis heute keine verlässliche Antwort gegeben. Wir bieten hier eine neue Herangehensweise an, die sich von vergangenen Arbeiten sowohl in der Auswahl des Quellmaterials als auch in der Methode unterscheidet. Wir untersuchen das gesamte Buch Mormon von 1830 ohne jede vorgefassten Annahmen, Einschränkungen oder Vorauswahlen und vergleichen es mit neuen Proben von in Frage kommenden Autoren. Unsere Methode isoliert keine Wortkathegorien (d. h. im Kontext oder nicht im Kontext stehende Substantive), sondern sie verwendet stattdessen den gesamten Corpus als Ausgangspunkt und einen mathematisch gestützten Auswahlprozess, um die Charaktermerkmale der Autorenproben und des Buches Mormon, die wir vergleichen wollen, genau zu bestimmen. Unsere Arbeit benutzt zwei Techniken, um die Wahrscheinlichkeit zu ermitteln, dass jedes Kapitel des Buches Mormon von jedem der sieben Autoren geschrieben wurde: Oliver Cowdery, Parley Pratt, Sidney Rigdon, Solomon Spalding, Jesaja-Maleachi (aus der Bibel), Henry Wadsworth Longfellow und Joel Barlow. Die ersten fünf haben bekannte oder angebliche Verbindungen zum Buch Mormon. Die letzten beiden sind prominente, zeitgenössische Autoren, die als Kontrollelemente zugefügt wurden.²¹

Die erste Technik, 'Delta', (Burrows, 2002, 2003; Hoover, 2004a,b) ist in der Literatur der Computer-Linguistik gut dokumentiert, somit lassen wir hier eine detaillierte Beschreibung aus. Die zweite ist die 'auf ein Mindestmaß reduzierte Zentroidklassifizierung' (NSC). NSC ist eine statistische Technik zur hoch dimensionierten Klassifizierung. Das Problem der Zuordnung zu einer Urheberschaft ist ein Klassifizierungsproblem, weil wir versuchen, eine Textprobe einer unbekannten Urheberschaft in eine festgelegte Anzahl von bekannten Autorenkathegorien zu klassifizieren – in diesem Fall eine abgeschlossene Gruppe von Urheberschaftskandidaten: Rigdon, Spalding, Cowdery, Longfellow usw. Das Problem ist hochdimensional, weil wir versuchen, eine Klassifizierung auf der Grundlage einer sehr großen Anzahl von Wörtern zustande zu bringen. Die Methode ist folgendermaßen: Erstens – wir geben für jeden bekannten Autoren Vektoren der durchschnittlichen Worthäufigkeiten oder Zentroiden ein, und zwar auf der Grundlage von Textproben bekannter Urheberschaft. Als nächstes reduzieren wir diese Zentroiden in Richtung des Vektors des Gesamtdurchschnitts der Worthäufigkeit aller Autoren, um unsere Methode gegenüber kleinen Schwankungen von Worthäufigkeiten robuster zu machen. Schließlich klassifizieren wir einen Text mit unbekannter Urheberschaft, indem wir seinen Worthäufigkeits-Vektor in den Computer eingeben und bestimmen, welchem der reduzierten Zentroiden er am ähnlichsten ist. NSC war anfangs für einen vollkommen anderen Zweck gedacht: Es wurde entwickelt, um bei der Krebsdiagnose zu helfen, indem Tumorproben des Patienten in Krebsuntertypen auf der Grundlage von Maßstäben klassifiziert wurden, die sich genetisch ausdrücken. Wie auch immer, aus der Perspektive einer lernenden Maschine ist das Problem der Zuordnung zu einer Urheberschaft mit dem der Krebsdiagnose überraschend ähnlich. Anstatt Tumore mittels Krebsuntertypen zu klassifizieren, klassifizieren wir lieber Texte von Autoren, und anstatt Maßstäbe für genetische Ausdrucksformen benutzen wir lieber Worthäufigkeiten.²² Dies erschafft die Kathegorien von 7 Autoren, wie oben beschrieben. Dieselbe Art von Analyse wird also auf ein Buch-Mormon-Kapitel angewendet, und das sich daraus ergebende Muster wird mit jedem der sieben potenziellen Autoren-Kathegorien verglichen (Rigdon – 90%; Longfellow – 1%; usw.) Auf dieser Basis legt NSC eine Wahrscheinlichkeit fest, dass jeder potenzielle Autor jedes Buch-Mormon-Kapitel schrieb; so als würde eine Wahrscheinlichkeit unterstellt werden, dass jede Gewebeprobe einen bestimmten Krebsuntertyp offenbart. Mehr Einzelheiten kann man in Tibshirani (2002, 2003) finden.<sup>23

weiter</sup>