Cuprins

Serviciile de căutare oferite în acces liber pe Internet (AltaVista, Hotbot, Excite, DejaNews, Veronica, FtpSearch ...) sunt instrumente extrem de puternice pentru că ele indexează o parte importantă a informaţiilor prezentate în diferite spaţii ale Internetului (spaţiul paginilor web, spaţiul grupurilor de discuţii, spaţiile meniurilor sau ale documentelor Gopher, spaţiul fişierelor accesibile în FTP. Acestea au fost concepute pentru căutarea de cuvinte sau de expresii în spaţiile Internet, mai mult, unele oferă rezultate cantitative asupra numărului ocurenţelor termenilor căutaţi. Acest "efect de limită" a fost utilizat de către autori pentru a măsura locul respectiv al limbilor şi al culturilor latine în diverse spaţii culturale. Ei au decis să se concentreze asupra spaţiilor Web şi Usenet, care sunt cele mai reprezentative în evoluţia Internetului², fiind şi cele unde serviciile acestuia sunt cele mai eficace.

2.2 Metodologia Lingvistică

2.2.1 Echivalenţe şi distincţii grafice

Autorii au decis să prelucreze termenii din punct de vedere lingvistic înainte de a-i prelucra statistico-informatic utilizând serviciile de căutare. O echipă lingvistică a lucrat independent în acest mod, elaborând serii de şase termeni sau "funcţii" (una pentru fiecare limbă a studiului) care să fie în acelaşi timp echivalente între ele (în ceea ce priveşte semnificaţia acestora, încărcătura semantică, sintaxa şi frecvenţa utilizării) şi distincte adică neomografe ³ - fie între ele, fie în raport cu alţi termeni ai limbilor studiate sau în raport cu alte forme ale limbilor foarte bine reprezentate pe Internet.

În realitate, autorii au căutat în mod sistematic să evite omografiile cu o singură limbă, dintre multe altele, care nu intră în cadrul studiului: germana - căci prezenţa sa pe Internet este fără îndoială considerabilă. Decizia de a evita formele de mai puţin de 4 litere a fost luată pentru a evita alte omografii posibile (mai ales cu siglele, dar nu numai cu acestea), restul trebuind să fie prelucrat la nivel statistic imediat ce intervalele semnificative vor fi apărut.

Omografiile între cel puţin două din limbile studiate au apărut extrem de frecvent, mai ales între spaniolă şi portugheză, dar nu numai - engleza şi formele sale de origine latină punând de asemenea probleme, ca şi împrumuturile etc.

2.2.2 Cuvinte şi variante

Fiecare cuvânt sau "funcţie" comparat(ă) include sau poate include variante de diferite categorii:

Variante fără diacritice şi altele "incorecte". În cele cinci limbi latine care includ semne diacritice (accente, sedile sau altele), au fost mereu incluse o variantă cu toate aceste semne şi una fără - "incorectă" desigur, dar foarte frecventă pe Internet. S-a ţinut de asemenea cont de anumite forme neacceptate de către anumite dicţionare sau lipsind din acestea, deci tot "incorecte" , dar verosimil prezente pe Internet - munca informatico-statistică însărcinându-se să confirme această eventuală prezenţă.

În cazul limbilor "pluricentrice" , adică ale celor care au mai mult de un centru normativ (de ex.: limba spaniolă cu spaniola vorbită în Spania şi cea vorbită în diferite ţări ale Americii Latine, limba portugheză cu portugheza vorbită în Portugalia şi cea vorbită în Brazilia), când aceasta s-a dovedit necesar, s-au luat în calcul variante sinonimice, fie lexicale, fie ortografice.

În cel puţin un caz, două cuvinte care au rădăcină comparabilă nu confirmă aceeaşi semnificaţie conform limbilor dar, în schimb, amândouă sunt echivalente: aceste două forme au fost incluse în calitate de variante cvasisinonimice ad hoc ale aceluiaşi cuvânt: parity / equality (en), paridad / igualdad (sp), parité / égalité (fr), parita / uguglianza / eguaglianza (it).

Autorii au inclus câ teodată, pentru a spori cantitatea formelor căutate, variante morfologice de număr (singular sau plural). De altfel, ei au fost obligaţi să includă variante morfologice de număr, de gen şi chiar de caz (incluzând şi diferenţa articulat / nearticulat) - mai ales pentru mai multe substantive româneşti - în toate limbile care prezintă aceste variaţii.

 

2.2.3 Tratarea diferenţelor tipologice pertinente

Cele şase limbi studiate prezintă diferenţe tipologice. Cele de care studiul a trebuit să ţină seama scot în evidenţă morfosintaxa. Exceptând diferenţele de variaţie de gen, de număr, de caz, menţionate mai sus, e bine să reamintim că în engleză, care este o limbă sintetică, o singură şi unică formă poate avea două valori sintactice (substantiv şi verb), de altfel, cu mai multe variante morfologie în alte limbi şi poate fi echivalentă cu prea multe forme ale acestora, ceea ce face compararea imposibilă sau inutil de costisitoare.

Particulele de genul prepoziţiilor şi pronumele au funcţiuni foarte diferite în funcţie de limbile comparate, dar ele au fost în general îndepărtate de constrângerea evitării termenilor de mai puţin de patru litere.

A se vedea în anexa 6 toate aspectele care privesc criteriile aplicate selecţiei cuvintelor studiate.

2.2.4 Prelucrarea omografiilor restante

În ciuda eforturilor depuse, se menţin câteva omografii care trebuie tratate drept cazuri particulare, pentru a evita distorsionarea rezultatelor.

Cele mai frecvente sunt pluralele în "-IDADES" comune spaniolei şi portughezei, care corespund cuvintelor în " -ités" din franceză ("uniformités" , "uniformidades" ), autorii au trebuit să caute, de asemenea, din forma lor la plural forma italiană în "-ita" care să corespundă în acelaşi timp şi la singular şi la plural. Deoarece numărarea formei în "-idades" dă un rezultat slab (sub 50), repartiţia numărării între spaniolă şi portugheză a fost făcută direct, prin observarea rezultatelor. În alte cazuri, am reluat numărarea între spaniolă şi portugheză proporţional cu rezultatul indicat, pentru această formă, prin algoritmul de căutare/numărare pe limbă al serviciului AltaVista.

Există un caz de omografie pentru limba româ nă (CAL şi CAI pentru "cal" : omografe ale altor cuvinte în spaniolă, în italiană, în portugheză ...). De aceea formele CAL şi CAI n-au mai fost numărate, ceea ce defavorizează limba româ nă. De altfel, şi forma CAII a fost de asemenea eliminată deoarece este omograf cu numeroase sigle de pe Internet.

LUNG ("plămân" în engleză) înseamnă "lung" în română. Efectul, foarte marginal de altfel, pentru limba engleză, nu a fost corectat.

FACA şi FACAS înseamnă "cuţit" şi respectiv "cuţite" în limba portugheză dar, în acelaşi timp, sunt două forme ale conjugării verbului a face (faça şi faças, în varianta lor fără diacritice). Rezultatul indicat a fost calculat a posteriori luând ca referinţă media generală pentru portugheză, în aşa fel încât aceasta să nu fie penalizată.

Forma MALADIE există în limba română cu acelaşi sens, dar este mai puţin folosită. Efectul este marginal. Forma BOLI (variantă de declinare a cuvântului franţuzesc MALADIE), care este o prescurtare foarte frecventă a cuvântului spaniol bolígrafo ("stilou"), a fost eliminată de la numărătoare.

JOI (în limba română) este un cuvânt compus din trei litere, deci susceptibil de omografii cu sigle. JOIA este omograf cu cuvântul jóia fără diacritice care înseamnă "bijuterie". Rezultatul a fost calculat extrapolând mediile.

MARTI este omograf cu numele unui personaj celebru (José Martí), fără diacritice, rezultatul său nu a fost contabilizat pentru cuvântul din limba română.

Scorul cuvântului francez MARDI a fost diminuat de scorul lui MARDI GRAS, pentru a nu contabiliza această formă englezească.

 

2.2.5 Prelucrarea altor semnificaţii neechivalente

Munca de filtrare şi de inserare a formelor echivalente din punct de vedere semantic a eliminat riscul sensurilor neechivalente (ceea ce noi am numit alteori "coliziuni semantice" ) nedetectate de travaliul lingvistic.

Mai semnalăm că knife ("cuţit" în engleză) este utilizat câteodată ca verb "a înjunghia", deci, acest cuvânt favorizează limba engleză.

Cuvintele portugheze care denumesc zilele săptămânii sunt sub forma "quarta-feira", unde primul termen indică numărul zilei. Zilele mai sunt indicate uneori fără al doilea termen (quarta pentru quarta-feira). Această formă simplă nu a fost luată în calcul, pentru a evita o confuzie cu sensul "al patrulea" . Această decizie defavorizează limba portugheză pentru cele cinci zile selecţionate (mai ales pentru spaţiul Usenet, în care sunt frecvente abrevierile).

Notă metodologică: cantitatea site-urilor web indexate prin serviciul Hotbot pare a varia foarte mult de la o lună la alta. Nu s-au cunatificat toţi termenii în acelaşi moment, compararea lor fiind întrucâ tva aleatorie. În schimb, pentru ceea ce ne interesează - ponderea relativă a limbilor -, proporţiile rămân sensibil aceleaşi oricare ar fi dimensiunea eşantionului indexat prin Hotbot.

 

2.2.6 Alte elemente lingvistice luate în consideraţie în realizarea studiului

Unul din elementele cele mai frustrante ale studiului a fost eşecul tentativei de lărgire a eşantionului prin utilizarea expresiilor în locul termenilor simpli. Echipa lingvistică a realizat un tabel cu cuvinte compuse sau expresii idiomatice plecând de la dicţionare terminologice. A fost astfel constituit un nou eşantion de mai mult de şaizeci de termeni (de la 400 aleşi la plecare). Totuşi, primele măsurători au arătat o foarte mare dispersie a rezultatelor, mai ales în raport cu primul eşantion determinat. Din acest motiv, măsurătorile au fost întrerupte iar tentativa de reducere mai accentuată a mărimii intervalelor de încredere prin lărgirea eşantionului s-a soldat cu un eşec. Una din cauzele acestui fenomen aparţine statisticii. Funcţia matematică prin care se leagă numărul ocurenţelor cuvintelor simple pe Internet poate fi legitim considerată ca fiind lineară: numărul citărilor în engleză (termen) = alpha x numărul citărilor în franceză (termen); am căutat să determinăm valoarea lui alpha printr-o eşantionare a cuvintelor simple. În schimb pentru expresii (cum ar fi " bunuri de consum" sau "cost al vieţii"), funcţia îşi pierde liniaritatea şi funcţia matematică poate deveni pătrată sau cubică, după cum expresia se compune din două sau trei cuvinte. În aceste condiţii rezultatele se dovedesc a fi mai puţin coerente, bineînţeles, din cauza unor fenomene haotice.

Pentru a înţelege acest fenomen, este suficientă compararea ponderii relative a unei expresii cu cea a termenilor expresiei respective. Să cităm două exemplu:

În engleză	Numărul citărilor (AltaVista)	Raport E/F
"networks"	3 834 260
"development"	21 258 510
"networks and development"	201
"foundation network and development"	9
În franceză:
"réseaux"	326 250	0,09
"développement"	909 790	0,04
"réseaux et développement"	61	0,30
"association réseaux et développement"	40	44

Reducerea numărului ocurenţelor combinărilor de cuvinte simple este vertiginoasă (de la câteva milioane la 200!). În acest caz ne dăm seama că dimensiunea universului site-urilor Web nu este atât de mare cum pare la prima vedere.

Astfel, compararea expresiei "cost al vieţii" dă următoarele rezultate aberante, unde engleza apare ca cea mai puţin frecventă:

2.3 Metodologie statistică

Intervalele de încredere pentru 90% şi 99% din rezultate au fost stabilite utilizând distribuţia T pentru Student ⁴, luâ nd ca ipoteză o distribuţie de tip Normală.

 

2.3.1 Rezultatele măsurătorilor î n spaţiul WWW cu serviciul de căutare HotBot

În tabelul din Anexa 7 este indicat, pentru fiecare limbă, numărul citărilor termenilor în spaţiul WWW, contorizate graţie serviciului de căutare HotBot.

Astfel, sunt luate în calcul toate citările în ansamblul paginilor Web la care se referă serviciul de căutare. Este prezentat mai jos numărul total al ocurenţelor apărute, pentru toate conceptele şi pentru fiecare limbă.

 

2.3.2 Calcule statistice în spaţiul WWW

Sunt prezentate mai jos procentajele medii care reprezintă prezenţa limbilor latine în raport cu limba engleză. A se vedea tabelul detaliat, cuvânt cu cuvânt, în anexa 8 (Calcule statistice în spaţiul WWW).

Coeficientul de variaţie este rădăcina pătrată a abaterii standard la puterea a II-a împărţit la media la pătrat. O valoare superioară lui 1 indică o dispersie foarte mare deci o medie puţin fiabilă. O valoare inferioară lui 1 indică o dispersie slabă şi deci un rezultat cu atât mai fiabil cu cât valoarea este mai mică.

 

2.3.3 Rezultatele măsurătorilor în spaţiul Usenet utilizând serviciul de căutare DejaNews

În tabelul din anexa 9 este indicat, pentru fiecare limbă, numărul citărilor termenilor în spaţiul Usenet, numărate cu ajutorul serviciului DejaNews, ale căror totaluri, pentru fiecare limbă, sunt:

2.3.4 Calcule statistice în spaţiul Usenet

Sunt prezentate mai jos procentajele medii reprezentând prezenţa limbilor latine în raport cu limba engleză. A se vedea tabelul detaliat, cuvânt cu cuvânt, în anexa 10.

2.4.1 Comparaţie cu studiile precedente

Rapoartele engleză/franceză şi franceză/spaniolă au evoluat în modul următor între primul studiu şi cel prezent:

Trebuie spus că limbile latine sunt în regres în 1998 faţă de anii precedenţi? Nu, bineînţeles! Această evoluţie este rezultatul următoarelor cauze:

modificările apărute în metoda statistică. Pentru prezentul studiu, autorii au lucrat pe raportul franceză/engleză şi nu invers, în aşa fel încât să se obţină o distribuţie normalizată (adică cifre cuprinse între 0 şi 1).

un eşantion de referinţă diferit.

Este incontestabil că natura eşantionului de referinţă influenţează foarte mult rezultatele mediei şi ale coeficientului de variaţie. Aproape nici un termen al eşantionului original L1 nu ar fi răspuns ansamblului criteriilor filtrului lingvistic stabilit cu rigoare pentru studiul L4! Dacă metodologia statistică a prezentului studiu ar fi fost aplicată eşantionului original, coeficientul de variaţie ar fi fost net superior lui 1 şi intervalele de încredere ar fi fost foarte largi.

Prelucrarea lingvistică a permis să se constate probabilitatea foarte mare de omografie între limbile latine. Eşantionul L1, determinat fără rigoare lingvistică, favoriza deci limbile latine, pe de o parte din cauza fenomenului omografiei, pe de altă parte din cauza unei alegeri a termenilor care nu erau destul de neutri din punct de vedere cultural.

În ceea ce priveşte tendinţele, este foarte dificil să se stabilească o legătură între acest studiu, foarte riguros din punct de vedere lingvistic, şi studiile precedente. Totuşi, pornind de la noul eşantion constituit, ar putea începe, în viitor, o analiză ştiinţifică a evoluţiilor.

Una din concluziile prezentului studiu este imposibilitatea de a compara engleza cu o singură limbă neolatină, dată fiind marea probabilitate a unor omografii între limbile neolatine: într-adevăr, ocurenţele unei aceleiaşi forme ar putea fi atribuite unei singure limbi, când de fapt ar trebui repartizate între mai multe limbi (astfel, forma "familia" înseamnă "familie" în acelaşi timp în spaniolă, în portugheză şi în română).

 

2.4.2 Comparaţie cu Alis şi AltaVista

Cu ocazia studiului L3 a fost făcută o comparaţie cu studiul Alis Technologies care punea sub semnul întrebării rezultatele acestuia, care supraestimau prezenţa limbii engleze. Rezultatele prezentate mai jos, considerate acum drept fiabile, au arătat o supraestimare a limbii franceze într-o proporţie importantă (aproape 100%). Aceasta înseamnă că rezultatele Alis ar fi mai aproape de realitate decât păreau? Nu cu adevărat! Într-adevăr, dacă această comparare este restabilită azi în lumina rezultatelor mai riguroase care au fost obţinute, atunci cifrele sunt mai apropiate de cele oferite de algoritmul de recunoaştere a limbilor AltaVista, dar rămân, totuşi, departe de cele oferite de Alis, care continuă să favorizeze limba engleză, conform rezultatelor studiului nostru.

Rezultatele studiului Alis sunt cele publicate pe Internet dar care nu au fost actualizate la data studiului nostru. Cele oferite de AltaVista sunt obţinute graţie metodei "complementului ansamblului vid" , descrisă în studiul L3. Comparaţiile sunt realizate luând ca ipoteză un procentaj identic în engleză.

Tabelul 7:
Tabel comparativ cu rezultatele studiilor AltaVista şi Alis

Comparare cu cifrele obţinute de studiul AltaVista

În raport cu rezultatele studiului nostru:

1) rezultatele studiului AltaVista pentru limba engleză par fiabile.
2) rezultatele studiului AltaVista pentru limba franceză este subestimat cu 35%.
3) rezultatele studiului AltaVista pentru limba spaniolă este subestimat cu 58%.
4) rezultatele studiului AltaVista pentru limba italiană este supraestimat cu 6%.
5) rezultatul pentru limba portugheză al studiului AltaVista este supraestimat cu 16%.
6) rezultatul pentru limba română este subestimat cu 403%.

În raport cu rezultatele studiului nostru:

1) Rezultatul Alis pentru limba engleză ni se pare prea mare.
2) Rezultatul Alis pentru le limba franceză este subestimat cu 106%.
3) Rezultatul Alis pentru limba spaniolă este subestimat cu 152%.
4) Rezultatul Alis pentru limba italiană este supraestimat de 106%.
5) Rezultatul Alis pentru limba portugheză este supraestimat de 28%.
6) Alis nu ia în calcul limba română.

Tabelul 8:
Sinteză comparativă a celor patru metode

3. Perspective pentru o observare continuă

Este deci acum posibil să se determine cu regularitate dimensiunile, pornind de la acelaşi eşantion lingvistic, şi prin urmare să se evalueze evoluţia diferitelor limbi neolatine atât faţă de engleză cât şi între ele. Pentru aceasta, ar fi de dorit să se automatizeze procesele de măsurare şi de analiză a rezultatelor.

4. Referinţele, pe Internet, ale lucrărilor conexe

În ceea ce priveşte, în general, ponderea limbilor în spaţiu WWW Internet, singura referinţă comună, pe care am menţionat-o deja, este Alis Technologies:
Palmaresul limbilor Internetului: <http://babel.alis.com:8080/palmares.html>.

Acest site măsoară, pe limbi, spaţiile utilizatorilor:
"Global statistics by language": <http://www.euromktg.com/globstats/>.

Pentru anumite spaţii lingvistice, anumite grupuri sau anumite persoane lucrează la adunarea informaţiei existente şi/sau la interpretarea acesteia:

Pentru spaţiul francofon, CIDIF, cu sprijinul Agence de la Francophonie, a realizat şi gestionează stadiul dezvoltării şi utilizării reţelei î n spaţiul francofon: <http://www1.cidif.org/franco>

Pentru spaţiul hispanic lucrează doi cercetători la tema prezenţei limbii spaniole  pe Internet:

José Millan, care a publicat mai multe articole accesibile pe Internet la adresa:
<http://ourworld.compuserve.com/homepages/JAMillan/josemill.htm>

Institutul Cervantes gestionează un Observator spaniol al ingineriei lingvistice:
<http://www.cervantes.es/oeil/Oeil0.htm>

Există, de asemenea, un recensămâ nt, actualizat î n mod regulat, al datelor statistice pe Internet din America Latină şi Caraibe: <http://www.cr/latstat/>.
Cifrele sunt determinate aici plecâ nd de la sursa de referinţă obişnuită pentru acest gen de statistici: Network Wizard (<http://www.nw.com>).

Mai rămâ n referinţele generale ale statisticilor referitoare la Internet, care, î n prezent, nu cuprind capitole separate dedicate limbilor sau culturilor :
Matrix News, care realizează studii demografice pe Internet: <http://mids.org> ⁵

Un alt "clasic" al Internetului este Universitatea Georgia Tech, care realizează sondaje foarte riguroase despre utilizatorii spaţiului WWW: <http://www.gvu.gatech.edu/user_surveys/>

2 Spaţiul (FTP), numelor fişierelor nu prezintă caracteristicile dorite: poate exista aici corelaţia între numele fişierelor şi limbă, dar aceasta este prea ocazională pentru a fi semnificativă. Spaţiul Gopher, foarte legat din punct de vedere istoric de lumea universitară, a încetat să se mai extindă de câţiva ani.

3 În afara unei indicaţii contrare, vorbim de omografii translingvistice: omografele în interiorul unei aceleiaşi limbi vor fi considerate, în principiu, ca fiind un singur cuvânt (semn).

4 John E. Freund, "Mathematical Statistics", ediţia a II-a, 1972, Prentice Hall International. Capitolul 9 "Estimation".

5 A tradus în engleză şi a publicat studiile L1, C1, L2 şi L3 în revista Matrix News.

Continuare

Cultura