AI förändrar alla branscher, från medicin till film och finans. Så varför inte använda det för att studera en av världens mest vördade forntida texter, Bibeln?
Ett internationellt forskarteam, inklusive Shira Faigenbaum-Golovin, biträdande forskningsprofessor i matematik vid Duke University, kombinerade artificiell intelligens, statistisk modellering och språklig analys för att ta itu med en av de mest bestående frågorna inom bibelstudier: identifieringen av dess författare.
Studien är publicerad i tidskriften PLOS One.
Genom att analysera subtila variationer i ordanvändningen i olika texter kunde teamet skilja mellan tre olika skrivtraditioner (skrivstilar) som spänner över de första nio böckerna i den hebreiska Bibeln, kända som Enneateuch.
Med hjälp av samma AI-baserade statistiska modell kunde teamet sedan fastställa de mest troliga författarna till andra kapitel i Bibeln. Ännu bättre är att modellen också förklarade hur den kom fram till sina slutsatser.
Men hur kom matematikern fram till detta?
År 2010 började Faigenbaum-Golovin samarbeta med Israel Finkelstein, chef för School of Archaeology and Maritime Cultures vid University of Haifa, för att med hjälp av matematiska och statistiska verktyg fastställa upphovsmannen till bokstäver som hittats på keramikfragment från 600 f.Kr. genom att jämföra stilen och formen på bokstäverna på varje fragment.
Deras upptäckter presenterades på förstasidan av The New York Times.
”Vi drog slutsatsen att fynden i dessa inskriptioner kunde ge värdefulla ledtrådar för att datera texter från Gamla testamentet”, säger Faigenbaum-Golovin. ”Det var då vi började sätta ihop vårt nuvarande team, som kunde hjälpa oss att analysera dessa bibliska texter.”
Det tvärvetenskapliga projektet bestod av två delar. Först bildades Faigenbaum-Golovins och Finkelsteins team – Alon Kipnis (Reichman University), Axel Bühler (Protestant Faculty of Theology of Paris), Eli Piasetzky (Tel Aviv University) och Thomas Römer (Collège de France) – som bestod av arkeologer, bibelforskare, fysiker, matematiker och datavetare.
Teamet använde en ny AI-baserad statistisk modell för att analysera språkmönster i tre huvuddelar av Bibeln. De studerade de fem första böckerna i Bibeln: Femte Moseboken, den så kallade deuteronomistiska historien från Josua till Kungaböckerna och prästskrifterna i Toran.
Resultaten visade att Femte Moseboken och de historiska böckerna var mer lika varandra än prästtexterna, vilket redan är konsensus bland bibelforskare.
”Vi fann att varje grupp av författare har en olika stil – överraskande nog även när det gäller enkla och vanliga ord som ’nej’, ’vilken’ eller ’kung’. Vår metod identifierar dessa skillnader med stor precision”, säger Römer.
För att testa modellen valde teamet ut 50 kapitel från de första nio böckerna i Bibeln, som alla redan har tilldelats en av de ovan nämnda skrivstilarna av bibelforskare.
”Modellen jämförde kapitlen och föreslog en kvantitativ formel för att tilldela varje kapitel till en av de tre skrivstilarna”, säger Faigenbaum-Golovin.
I den andra delen av studien tillämpade teamet sin modell på kapitel i Bibeln vars författarskap var mer omdebatterat. Genom att jämföra dessa kapitel med var och en av de tre skrivstilarna kunde modellen avgöra vilken grupp av författare som var mest sannolika att ha skrivit dem. Ännu bättre: modellen förklarade också varför den kom fram till dessa slutsatser.
”En av de största fördelarna med metoden är dess förmåga att förklara analysresultaten, det vill säga att specificera de ord eller fraser som ledde till att ett visst kapitel tilldelades en viss skrivstil”, säger Kipnis.
Eftersom texten i Bibeln har redigerats och omredigerats många gånger stod teamet inför stora utmaningar när det gällde att hitta segment som behållit sin ursprungliga formulering och språk.
När de väl hittades var dessa bibeltexter ofta mycket korta – ibland bara några verser – vilket gjorde att de flesta standardmetoder för statistik och traditionell maskininlärning var olämpliga för analysen. De var tvungna att utveckla en anpassad metod som kunde hantera så begränsade data.
Begränsade data väcker ofta farhågor om felaktigheter. ”Vi ägnade mycket tid åt att övertyga oss själva om att resultaten vi fick inte bara var skräp”, säger Faigenbaum-Golovin.
”Vi måste vara helt säkra på den statistiska signifikansen.”
För att komma runt problemet använde forskarna en enklare och mer direkt metod istället för traditionell maskininlärning, som kräver mycket träningsdata. De jämförde meningsmönster och hur ofta vissa ord eller ordstammar (lemmar) förekom i olika texter för att se om de sannolikt var skrivna av samma grupp författare.
Ett överraskande fynd? Teamet upptäckte att även om de två avsnitten av Arksberättelsen i Samuelsböckerna behandlar samma tema och ibland betraktas som delar av en enda berättelse, stämmer texten i 1 Samuelsbok inte överens med något av de tre korpusarna, medan kapitlet i 2 Samuelsbok visar affinitet med Deuteronomistiska historien (Josua till Kungaböckerna).
Faigenbaum-Golovin ser fram emot att samma teknik kan användas för andra historiska dokument. ”Om man tittar på dokumentfragment för att ta reda på om de är skrivna av Abraham Lincoln, till exempel, kan den här metoden hjälpa till att avgöra om de är äkta eller bara förfalskningar.”
”Studien introducerar ett nytt paradigm för analys av forntida texter”, sammanfattar Finkelstein.
Faigenbaum-Golovin och hennes team undersöker nu möjligheten att använda samma metod för att göra nya upptäckter om andra forntida texter, såsom Döda havsrullarna. Hon betonade hur mycket hon uppskattade det långvariga tvärvetenskapliga samarbetet.
”Det är ett unikt samarbete mellan naturvetenskap och humaniora”, sa hon. ”Det är en överraskande symbios, och jag har tur som får arbeta med människor som använder innovativ forskning för att flytta gränser.”
Mer information: Shira Faigenbaum-Golovin et al, Kritiska bibelstudier genom ordfrekvensanalys: Avslöjande av textförfattarskap, PLOS One (2025). DOI: 10.1371/journal.pone.0322905
