Distanza lessicale tra lingue
Gira per internet un’accattivante infografica che presenta la cosiddetta distanza lessicale tra le varie lingue d’Europa. La metodologia non è specificata, ma viene fatto un vago riferimento all’articolo di F. Petroni e M. Serva, due fisici evidentemente appassionati di linguistica matematica ed NLP. Presumendo che l’infografica si basa su un qualche ragionamento analogo, propongo un po’ di pensieri critici.
La metodologia di Petroni e Serva si riduce, in ultima analisi, al calcolo della distanza di Levenshtein tra coppie di parole aventi lo stesso significato, provenienti da liste di 100 parole prese da ogni lingua in esame.
L'articolo contiene la seguente affermazione:
Indeed, our method for computing distances is a very simple operation, that does not need any specific linguistic knowledge and requires a minimum of computing time.
Che le conoscenze linguistiche non siano necessarie è, però, un'illusione (e non lo dico per difendere la categoria).
Un primo inghippo si nasconde nel concetto di "parole con lo stesso significato". In realtà, tali parole, cioè perfetti "translational equivalents" semplicemente non esistono. Ogni parola italiana viene tradotta non con una, ma con tante parole inglesi diverse, secondo il contesto, la sfumatura stilistica, ecc.; lo stesso capita per qualsiasi altra coppia di lingue. (Si veda un esempio banale: le possibili traduzioni del verbo italiano andare in inglese). Quindi la scelta di come riempire le liste di parole sulle quali si basa la misurazione è estremamente arbitraria e può trasformarsi in un bias capace di falsare il risultato. Ad esempio, in inglese esistono numerosi doppioni lessicali di tipo "Germanic vs. Latinate". Basta selezionare, per ogni significato, il termine "latinate", ed ecco che la distanza tra ENG e FRA diminuirà miracolosamente, ma indebitamente. Stessa operazione può essere fatta in molti altri casi (ad esempio, in russo esiste un vasto strato di doppioni lessicali di origine europea che affiancano parole di origine slava).
Secondo problema si nasconde nell'idea di confrontare la forma ortografica delle parole. Come sappiamo, le ortografie sono spesso arbitrarie, convenzionali e modificate a posteriori. Gli autori, probabilmente, avrebbero dovuto operare con una trascrizione fonetica normalizzata delle parole di ogni lingua, anziché con la forma ortografica: le due sono spesso talmente diverse l'una dall'altra da poter influenzare in modo significativo il calcolo finale.
Infine, la mancanza di “specific linguistic knowledge” impedisce agli autori di capire il fatto che questa loro "distanza lessicale" in realtà non è correlata con alcunché di scientificamente sensato. È come se dicessimo: classifichiamo le automobili per colore. Scopriremo magari che le macchine scure sono più performanti (perché, ad esempio, le macchine costose tedesche magari sono tendenzialmente di colore scuro). Però in realtà non è una misurazione scientificamente interessante. La distanza lessicale, analogamente, non misura un bel niente, perché gli autori non sanno cosa vanno cercando. Se si vuole ottenere una misura della distanza genetica, allora la "somiglianza" lessicale è un metodo totalmente sbagliato, che semmai impedisce di vedere le relazioni genetiche (le quali si basano sulle corrispondenze fonologiche regolari, non su somiglianze, come è noto a tutti i linguisti storici già da due secoli). Se invece si vuole misurare il numero di prestiti alloglotti in ogni data lingua, allora il calcolo è sbagliato in partenza, perché, appunto, non fa alcuna distinzione tra parole imparentate e quelle di prestito.
Come spesso accade in questi casi, la rappresentazione risultante, in ultima analisi, è molto poco informativa: non dice nulla che non sapessimo già (ossia che le lingue all'interno di un gruppo linguistico, ad esempio quello germanico, si assomigliano maggiormente che con quelle di altri gruppi). Va dato atto a Petroni e Serva: le loro conclusioni sono effettivamente molto caute.