Comment sont calculées les statistiques du Coran

Derrière chaque chiffre affiché dans la rubrique Statistiques d'AI-BED se cache une chaîne de traitement précise et reproductible. Voici, étape par étape, comment on passe du texte du codex aux statistiques — et pourquoi cette méthode est rigoureuse.

L'objectif : mesurer la structure, pas l'interpréter

La question de départ est simple : que peut-on compter objectivement dans le Coran ? Le nombre de mots, de lettres, les paires de lettres récurrentes, les fréquences… Pour que ces mesures aient une valeur, il faut qu'elles soient reproductibles : à partir du même texte et des mêmes règles, on doit toujours obtenir les mêmes chiffres, sans intervention humaine dans le comptage. Toute la méthode consiste donc à transformer le texte en une forme calculable, puis à laisser la machine compter.

Étape 1 — La source : le texte du codex

On part du texte arabe du codex (rasm ʿuthmānī) tel qu'il est établi dans le mus'haf de référence, avec l'intégralité de ses signes : voyelles brèves (فَتْحَة، ضَمّة، كَسْرة), tanwin, sukūn, shadda, ainsi que les petits signes de récitation propres au texte coranique. Le texte est déjà découpé en 114 sourates et 6 236 versets, et l'on dispose aussi d'un corpus mot à mot (chaque mot du texte associé à sa position sourate:verset).

C'est le point de départ brut. Le problème : à ce stade, deux occurrences d'un « même » mot peuvent s'écrire différemment à cause des signes de vocalisation et des variantes d'orthographe (formes du hamza, tāʾ marbūṭa, alif maqṣūra…). Impossible de compter de façon fiable tant qu'on n'a pas uniformisé l'écriture.

Étape 2 — « Déshabiller » le texte : la normalisation CODEX

Le cœur de la méthode est une étape de normalisation que nous appelons le passage au codex de lettres nues. On retire tout ce qui relève de la vocalisation et de la grammaire de surface pour ne garder que le squelette consonantique — les lettres réellement écrites, sans habillage. Concrètement, l'ordinateur applique, dans l'ordre, ces règles :

1. Retrait de tous les signes diacritiques : voyelles brèves, tanwin, sukūn, shadda, et les marques de récitation/pause du texte coranique. On enlève aussi le tatwīl (le trait d'étirement ـ) et les caractères invisibles de mise en forme.
2. Unification des formes du hamza et de l'alif : ٱ أ إ آ → ا ; ؤ → و ; ئ → ي ; le hamza isolé ء est retiré.
3. Unification des lettres à variante finale : la tāʾ marbūṭa ة → ه ; l'alif maqṣūra ى → ي.

Le résultat est une écriture canonique : deux mots qui « sonnent » pareil et partagent le même squelette deviennent strictement identiques pour la machine. C'est cette forme normalisée — et elle seule — qui est comptée.

Ce choix est important : on ne cherche pas à reconstruire la grammaire (déclinaisons, cas, marques du pluriel…), mais à révéler la structure de lettres sous-jacente. C'est exactement ce qui permet ensuite de rapprocher des mots d'une même famille.

Étape 3 — Découpage et comptage des mots

Chaque verset normalisé est découpé en mots (séparés par les espaces). On compte alors :

• le nombre total d'occurrences de mots dans tout le Coran : 78 242 ;
• le nombre de formes uniques (mots distincts après normalisation) : 14 613 ;
• le nombre total de lettres nues : 331 256.

Techniquement, on tient un dictionnaire (une table associative) : chaque forme unique est une clé, et l'on incrémente son compteur à chaque rencontre. Ce dictionnaire est ce qui alimente le Dictionnaire coranique et le comptage des mots les plus fréquents.

Étape 4 — La décomposition en racines bilatérales et noyaux

Pour chaque mot en lettres nues, on extrait deux familles de paires de lettres :

• les racines bilatérales consécutives — chaque couple de lettres qui se suivent ;
• les noyaux issus des fusions — chaque couple de lettres pris en sautant une lettre.

On applique cet algorithme à chaque mot de chaque verset, puis on agrège : on additionne toutes les paires produites sur l'ensemble du Coran, et on tient un compteur par paire (comme pour les mots).

Étape 5 — Les totaux obtenus

Un point essentiel pour comprendre le total de paires étudiées : une même paire de lettres peut apparaître à la fois comme racine consécutive dans certains mots et comme noyau dans d'autres. Si l'on ne garde que les paires vraiment nouvelles, on obtient :

À partir de là, d'autres statistiques se déduisent naturellement du même socle : fréquence de chaque lettre, distribution de la longueur des mots (pondérée par la fréquence), moyennes (lettres par mot, racines par mot, mots par verset), sourates les plus longues et les plus courtes, etc.

Les moyens informatiques

Tout le traitement repose sur des outils simples, transparents et reproductibles :

• Normalisation par expressions régulières Unicode : les règles de l'étape 2 sont des substitutions déterministes sur les plages de caractères arabes (diacritiques, formes du hamza…). Le même texte donne toujours le même résultat.
• Structures de données efficaces : des tables associatives (clé → compteur) pour les mots, les racines, les noyaux et les lettres ; des ensembles (sets) pour distinguer les formes uniques et détecter les noyaux purs.
• Pré-calcul et fichiers statiques : les résultats lourds sont calculés une fois puis enregistrés dans des fichiers de données (le dictionnaire des mots, la table des décompositions, le corpus mot à mot). Le site les charge tels quels, ce qui rend l'affichage instantané et le calcul vérifiable.
• Rendu à la volée : les graphiques, barres et classements de la page Statistiques sont générés en direct dans le navigateur à partir de ces mêmes données — aucun chiffre n'est « écrit à la main ».

Pourquoi cette rigueur compte

La force de la démarche tient en trois mots : objectivité, reproductibilité, transparence. Les règles de normalisation sont explicites ; le comptage est mécanique ; les données sont accessibles. N'importe qui, en repartant du texte du codex et des mêmes règles, retomberait sur les mêmes 78 242 mots, 331 256 lettres et 674 paires. C'est ce qui distingue une mesure d'une simple impression — et c'est le socle sur lequel repose ensuite le travail d'interprétation, mot après mot, racine après racine.