علوم اسلامی و انسانی دیجیتال

علوم اسلامی و انسانی دیجیتال

بررسی ساختارمندی سوره ‏های قرآن و ترتیب چینشی آن‌ها با استفاده از تکنیک‏های پردازش زبان طبیعی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 استادیار گروه علوم کامپیوتر، دانشکده فنی و مهندسی دانشگاه شاهد، تهران، ایران
2 دانشگاه شاهد
چکیده
بررسی ساختار سوره­ های قرآن در سال­های اخیر مورد توجه جدی پژوهشگران ساختاری قرآن قرار گرفته است. یکی از نظریه­ هایی که در این زمینه مطرح می شود، نظریه وحدت موضوعی­ است که اذعان می کند هر سوره قرآن حول یک موضوع واحد شکل گرفته است. نظریه احکام و تفصیل به عنوان یکی از مهم­ترین شاخه ­های وحدت موضوعی، بیان می­کند که خداوند متعال موضوع هر سوره را در فصل اول بیان و در فصول بعد به صورت­های مختلف تفصیل می دهد و در نهایت در فصل پایانی نتیجه‌گیری می‌نماید. در این مقاله قصد داریم این دو نظریه را با استفاده از تکنیک های پردازش زبان طبیعی مورد مطالعه قرار دهیم. در این راستا با استفاده از سه روش tf-idf، تعبیه کلمات word2vec و باهم ­آیی ریشه­ ها در آیات، تشابه ریشه­ های قرآنی محاسبه شد. سپس میزان تشابه مفاهیم موجود در سوره­ ها با یکدیگر محاسبه و با حالت تصادفی مقایسه گردید. نتایج بدست آمده نشان می­دهد که سوره های قرآن انسجام معنایی دارند؛ به اینصورت که مفاهیم و مطالب درون سوره­ ها حول یک موضوع خاص مطرح شده است. علاوه بر این، بررسی شباهت فصل اول و آخر و همچنین فصل اول و فصول بعدی هر سوره نشان می دهد که نظریه احکام و تفصیل برای بسیاری از سوره ها صادق است. در انتها با بررسی شباهت سوره ­ها با یکدیگر بر اساس فاصله ترتیبی آنها در قرآن و همچنین فاصله زمانی نزول آن­ها در طول تاریخ، مشخص شد که سوره ­هایی که از نظر چینشی به یکدیگر نزدیک­ترند، شباهت بیشتری نیز با یکدیگر دارند. لذا به نظر می­رسد که کلیّت قرآن دارای نظم چینشی­ است و سوره­ های قرآن در خوشه­ های مرتبط با یکدیگر در قرآن چیده شده­ اند.
کلیدواژه‌ها

 
1.       آرام، محمد رضا، لایقی، فاطمه (1395)، «بررسی ساختاری سوره مائده با رویکرد ساختار درختی»، پژوهشنامه قرآن و حدیث، ش۱۹، ص۵۵-۷۷.
2.      جیگاره، مینا، صادقی زهرا (1395)، «بررسی و تحلیل سوره انفطار با تکیه بر نظریه ساختارگرایی»، نشریه پژوهشنامه نقد ادب عربی، ش۱۳، ص۵۰-۷۴.
3.      خامه‌گر محمد (۱۳۸۱)، «درآمدی بر تفسیر ساختاری قرآن»، پژوهش‌های قرآنی، ش. ۲۹-۳۰، ص ۲۰۶-۲۷۱، (ویژه نامه علامه طبرسی).
4.      خامه گر محمد (۱۳۸۵)، «نگاهی به نخستین ترجمه ساختاری قرآن کریم»، بینات، ش۴۹ و ۵۰، ص۲۷۸-۲۹۱.
5.      خامه گر محمد (۱۳۸۳)، «عبارت‌پردازی داستان‌های قرآنی و مقاصد سوره‌ها (به فارسی)»، گلستان قرآن، ش۱۷۹، ص۱۳-۱۷.
6.    خامه گر محمد (۱۳۸۶)، «نظریه هدفمندی سوره‌ها: مبانی و پیشینه»، پژوهش‌های قرآنی، دوره ۱۳، ش۵۱ و ۵۲، ص۱۸۲-۲۱۳ .
7.      خامه گر محمد (۲۰۰۲)، «ساختار هندسی سوره‌های قرآن، درآمدی بر تفسیر ساختاری قرآن»، گلستان قرآن، ش۱۳۸، ص۹-۱۳.
8.      دهقانی فارسانی، یونس (۱۳۹۷)، «ساختار سوره انشقاق» بلاغ مبین، ش۱۴، ص۳-۱۴.
9.      طباطبایی، محمدحسین (1374)، المیزان فی تفسیر القرآن، انتشارات اسلامی، وابسته به جامعه مدرسین حوزه علمیه قم، جلد 2.
10.   فتاحی‌زاده، فتحیه، ذاکری، مرضیه (۱۳۹۵)، «رویکرد ساختارشناسانه به سوره کهف»، مطالعات تفسیری، ش۲۵، ص۱۰۱-۱۲۰.
11.   A. Alfaifi and E. Atwell, (2016), "Comparative evaluation of tools for Arabic corpora search and analysis," International Journal of Speech Technology, vol. 19, pp. 347-357.
12.    A. B. M. Sharaf and E. Atwell, (2012), "QurSim: A corpus for evaluation of relatedness in short texts," in LREC, pp. 2295-2302.
13.   A. Clauset, C. R. Shalizi, and M. E. Newman, (2009), "Power-law distributions in empirical data," SIAM review, vol. 51, pp. 661-703.
14.      A. J. Arberry, (1996), The Koran interpreted: A translation: Simon and Schuster.
15.   A. R. Yauri, R. A. Kadir, A. Azman, and M. A. A. Murad, (2013), "Quranic verse extraction base on concepts using OWL-DL ontology," Research Journal of Applied Sciences, Engineering and Technology, vol. 6, pp. 4492-4498.
16.   A.-B. M. Sharaf and E. Atwell, (2012), "QurAna: Corpus of the Quran annotated with Pronominal Anaphora," in LREC, pp. 130-137.
17.   E. Atwell, (2009), "A Corpus-based Computational Model for Knowledge Representation of the Quran," in Proceedings of the Corpus Linguistics Conference 2009 (CL2009), p. 169.
18.   H. U. Khan, S. M. Saqlain, M. Shoaib, and M. Sher, (2013), "Ontology based semantic search in Holy Quran," International Journal of Future Computer and Communication, vol. 2, p. 570.
19.   K. Dukes and T. Buckwalter, (2010), "A dependency treebank of the Quran using traditional Arabic grammar," in Informatics and Systems (INFOS), 2010 The 7th International Conference on, pp. 1-7.
20.   M. A. Sherif and A.-C. Ngonga Ngomo, (2015), "Semantic Quran," Semantic Web, vol. 6, pp. 339-345.
21.   M. Alhawarat, (2015), "Extracting Topics from the Holy Quran Using Generative Models," INTERNATIONAL JOURNAL OF ADVANCED COMPUTER SCIENCE AND APPLICATIONS, vol. 6, pp. 288-294.
22.   M. H. Tabatabai, (1996), "al-Mizan fi Tafsir al-Qur'an," Qom: Islamic Publications Society of Seminary Teachers of Qom, vol. 2.
23.   M. Mitzenmacher, (2004), "A brief history of generative models for power law and lognormal distributions," Internet mathematics, vol. 1, pp. 226-251.
24.   M. Shoaib, M. N. Yasin, U. K. Hikmat, M. I. Saeed, and M. S. H. Khiyal, (2009), "Relational WordNet model for semantic search in Holy Quran," in Emerging Technologies, 2009. ICET 2009. International Conference on, pp. 29-34.
25.   P. Soucy and G. W. Mineau, (2005), "Beyond TFIDF weighting for text categorization in the vector space model," in IJCAI, pp. 1130-1135.
26.   Q. V. Le and T. Mikolov, (2014), "Distributed Representations of Sentences and Documents," in ICML, pp. 1188-1196.
27.   R. Bell, (1953), "Introduction to the Quran".
28.   R. Iqbal, A. Mustapha, and Z. Mohd. Yusoff, (2013), "An experience of developing Quran ontology with contextual information support," Multicultural Education & Technology Journal, vol. 7, pp. 333-343.
29.   R. Ismail, Z. A. Bakar, and N. A. Rahman, (2015), "Ontology Learning Framework for Quran."
30.   R. R. Larson, (2010), "Introduction to information retrieval," Journal of the American Society for Information Science and Technology, vol. 61, pp. 852-853.
31.   S. A. Pitchay and F. Ridzuan, (2016), "A Systematic Review Analysis for Quran Verses Retrieval," Journal of Engineering and Applied Sciences, vol. 100, pp. 629-634.
32.   S. K. Hamed and M. J. Ab Aziz, (2016), "A question answering system on Holy Quran translation based on question expansion technique and Neural Network classification," Journal of Computer Science, vol. 12, pp. 169-177.
33.   T. Mikolov, K. Chen, G. Corrado, and J. Dean, (2013), "Efficient estimation of word representations in vector space," arXiv preprint arXiv:1301.3781.
34.   Y. Zhang, R. Jin, and Z.-H. Zhou, (2010), "Understanding bag-of-words model: a statistical framework," International Journal of Machine Learning and Cybernetics, vol. 1, pp. 43-52.