Un joc de cuvinte are nevoie de mai mult decât o listă de șiruri legale. Trebuie să spună ce înseamnă fiecare, iar sensul este cel mai greu lucru de stocat.
Scris și editat în limba engleză. Această versiune în română a fost produsă prin traducere automată; acolo unde precizia contează, originalul în engleză este autoritatea. Citiți originalul în engleză →
WordChess se joacă pe o tablă de 25×25 cu un dicționar englez de 148.941 de cuvinte 6, cu intrări de 8,6 litere în medie, cea mai lungă având 27. Aceasta este partea ușoară. O listă de cuvinte legale este doar o mulțime de șiruri pe care jocul le va accepta. Partea interesantă este să-i spui jucătorului ce înseamnă șirul de pe tablă și să o faci în douăzeci și două de limbi deodată.
Lexicografii trasează o linie clară între lemă și formele ei flexionare. Lema este cuvântul-titlu pe care îl căutați: run („a alerga”), house („casă”), be („a fi”). În jurul ei gravitează o paradigmă de forme de suprafață: runs, ran, running. Fiecare poartă același sens de bază, îmbrăcat pentru un alt rol gramatical. 3 Un dicționar își cheltuie proza pe lemă și le lasă umbrelor doar trimiterea înapoi spre ea.
Câte umbre aruncă un cuvânt depinde de limbă. Engleza este analitică: se sprijină pe ordinea cuvintelor și pe mici cuvinte ajutătoare, așa că un verb are rareori mai mult de câteva forme. Finlandeza este aglutinantă, își construiește sensul lipind sufixe de o temă. Un singur substantiv finlandez se declină în vreo cincisprezece cazuri, la singular și la plural, înainte ca terminațiile posesive și cliticele să se adauge deasupra; numărul practic de forme distincte ajunge la mii. 4 Maghiara împachetează o întreagă sintagmă englezească, in my house („în casa mea”), într-un singur cuvânt, házamban. 5
Definițiile provin din Wiktionary, dicționarul liber pe care îl poate edita oricine. Este enorm și multilingv: proiectul cuprinde cu mult peste o sută de ediții lingvistice active și zeci de milioane de intrări, scrise colaborativ de voluntari, nu de un colegiu redacțional plătit. 1 Pentru un joc care rulează în 22 de limbi, niciun alt lexicon liber nu se apropie ca acoperire.
Dar acoperirea pe hârtie nu este acoperire pe care o poți afișa. Wiktionary stochează formele flexionare într-un mod care îi scutește pe editorii umani să scrie aceeași glosă de zece mii de ori. În loc să formuleze o definiție, o intrare care nu este lemă conține un șablon „form of”, un mic indicator care spune, în esență, „aceasta este o anumită formă gramaticală a acelei leme”. 2 Intrarea pentru smoulders nu este proză; este un șablon care se afișează ca „third-person singular simple present form of smoulder” („forma de persoana a treia singular, prezent simplu, a lui smoulder”, adică „a mocni”). 1
Aceste indicatoare nu sunt o eroare de rotunjire. În Wiktionary-ul englez, din aproximativ 1,27 milioane de definiții, circa 478.000, cu mult peste o treime, sunt definiții „form of”, nu sensuri formulate explicit. 1 Datele există. Sunt doar pliate.
Așadar, provocarea care a contat nu a fost niciodată „cuvântul lipsește”. Ci faptul că sensul cuvântului stătea într-un șablon pe care un parser naiv l-ar fi aruncat. Definițiile din WordChess au fost construite citind dump-urile brute ale Wiktionary și expandând șabloanele de flexiune limbă cu limbă, învățând parserul ce înseamnă fiecare indicator și rescriindu-l ca glosă simplă. 6
Fiecare limbă își ascunde formele în spatele altui mecanism. Spaniola ascunde formele verbale în spatele lui {{forma verbo}}, rezolvat ca „verbal form of X” („formă verbală a lui X”). Germana folosește {{Grundformverweis Dekl/Konj}} pentru formele declinate și conjugate. Finlandeza se bazează pe {{taivutusmuoto}}. Rusa adesea nu stochează niciun șablon de formă, cuvântul flexionat este o simplă redirecționare (собаки → собака) care trebuie urmată pentru a recupera o glosă „form of”. 6 Tratați fiecare convenție, iar acoperirea sare în sus.
| Limba | Înainte | După | Câștig |
|---|---|---|---|
| Germană | 45% | 92% | +47 |
| Neerlandeză | 58% | 90% | +32 |
| Finlandeză | 54% | 74% | +20 |
| Rusă | 20% | 70% | +50 |
| Greacă | 15% | 57% | +42 |
Măsurat din notele de proiectare și de construcție ale acestui proiect. Procentele reprezintă ponderea intrărilor din dicționar care au o definiție utilizabilă sau o glosă „form of” rezolvată.
Datele nu au lipsit niciodată. Erau pliate într-un indicator, iar a-i da unei mașini cuvântul a însemnat a învăța să-l despăturești.
Merită să fim cinstiți în privința a ceea ce conține acum jocul. Când WordChess arată că собаки este o formă a lui собака, „câine”, nu a înțeles nimic. A pus în corespondență un șir cu alt șir, o glosă, urmând aceleași indicatoare lăsate în urmă de un editor uman. Aceasta este lematizarea, calul de povară al procesării limbajului natural: reducerea unei forme de suprafață la baza ei, astfel încât mașina să aibă mai puține lucruri distincte de urmărit. 7
Este un fel real și util de a ști. Îi permite jocului să răspundă la „ce este acest cuvânt?” la Atena sau la Amsterdam fără un lexicograf în echipă. Dar este un a ști ca simplă căutare, nu un a ști ca înțelegere a sensului. Glosa este o promisiune că un om, citind-o, va recunoaște cuvântul. Mașina păstrează promisiunea; cititorul aduce sensul.
Unele limbi ating un plafon pe care niciun parser nu îl poate ridica, pentru că datele pur și simplu nu există pentru a fi despăturite. Intrările maghiare conțin adesea doar o etimologie și un tabel de traduceri, fără niciun text de definiție, așa că până și un cititor perfect pleacă cu mâna goală. Cazurile cele mai grele se grupează acolo unde lingvistica este cea mai grea: limbile aglutinante precum finlandeza și maghiara, care generează paradigme enorme, și scrierile chirilică și greacă, unde acoperirea comunitară este mai subțire de la bun început. Greaca a urcat de la 15% la 57%; faptul că se oprește cu mult sub cele 92% ale germanei ține de sursă, nu de cod. 6