インターネット上の英語、ドイツ語、ロシア語、中国語、その他の言語の世界的な重要性（データマイニング）

このマップの中心言語には最大数の話者がいない場合がありますが、エリートのコミュニケーションの「共通」言語として機能します。



ビッグデータの若い方向には、新星と有望なリーダーがいます。最も印象的なのは、世界のさまざまな国間の貿易関係に関するデータを視覚化するためのオンラインプラットフォームであるMIT Media Labの教授であり、 Wired誌によると、それは世界を変えるでしょう」とのことです。



数年前、シーザーと彼の仲間は、インターネット上の言語ノードの関係を探求したかった。 言語は、技術的なものから人口統計的なものまで、さまざまな理由で重要性が異なります。 目標は野心的に設定されました-単純な人口統計および経済指標に依存しない言語のグローバルな重要性を決定すること。 以下の投稿で、その由来について読んでください。



3つのグローバル言語ネットワーク（GLN）の基本情報は英語（中央）と、あまり一般的ではないスペイン語、ドイツ語、フランス語、ロシア語、ポルトガル語、中国語に含まれています。 この言語の重要性は、それを話す人気のある人々の数に直接依存しています。 GLNでの言語の位置は、スピーカーと彼らが作り出す文化的コンテンツに注意を引くのにも役立ちます。



もちろん、最初の質問は、言語のグローバルな影響をどのように測定するかです。 この研究の前は、ネイティブスピーカーのサイズと幸福に頼っていました。 しかし、歴史的に、言語の普及には深刻な政治的支援が必要でした。したがって、そのような指標は、そのスピーカーとその富が比較的小規模に集中できるため、グローバル言語に大きな影響を与えません。 言語のグローバルな影響を測定する別の方法は、話者間の関係だけでなく、誰がそのキャリアであるかを判断することです。 言語学者のデイビッド・クリスタルは次のように述べています。「言語の人気は話者の数とは何の関係もありません。 さらに重要なのは、彼らが誰なのかです。」 過去には、ラテン語は汎ヨーロッパ言語でしたが、それはほとんどのヨーロッパ人の母国語であったためではなく、ローマ帝国の言語であり、後にカトリック教会、科学者および教師であったためです。 エリートによるラテン語の使用とそれらの間のつながりは、彼女が1000年以上にわたって普遍的な言語として持ちこたえるのを助けました。



同時に、現代の世界では、言語マップは次のようになります（再び）。



フルサイズ

まず、ユネスコによって設計された220万件を超える本の翻訳のコレクションを見てみましょう。 このデータセットを使用すると、著者やプロの翻訳者による書籍翻訳のネットワークを表示できます。 異なる言語の本に対する市場の需要に基づいて構築されました。 ある言語から別の言語への翻訳はそれぞれ接続を形成します。 次に、ウィキペディアの編集者が使用する多言語ネットワークをマッピングします。 ここでは、ユーザーがウィキペディアのある言語バージョンの記事を編集し、かなりの確率で別の言語バージョンの記事を編集すると、言語間の接続が形成されます。 最後に、Twitterで言語共有ネットワークをマップします。 ここで、ユーザーが1つの言語でメッセージを書き込み、高い確率で別の言語でメッセージを書き込む場合、接続が形成されます。



一部の言語は世界の他のほとんどの言語間で直接および間接の翻訳パスを提供するため、言語には不均衡な影響力があります。 たとえば、イギリス人がスペイン人の言葉を理解できるようにするには、英語とスペイン語のバイリンガルのネイティブスピーカーが必要です。 ただし、マプドゥングンのネイティブスピーカーは、たとえば、ベトナム語-英語、英語-スペイン語、スペイン語-マプドゥングンというパターンに従って、回避策を介してのみベトナム語の単語を理解できます。 どちらの場合も、スペイン語と英語はコミュニケーションプロセスに関与し、グローバルな言語として機能します。





フルサイズ

これらの図では、GLNの表示に使用する3つの独立したデータセット間に類似点があります。 一番上の行は、3つのデータセットすべての各言語の式の数の関係を示しています。（A）言語でのWikipedia記事の編集と言語からの本の翻訳。 （B）言語でのツイートとその言語の本の翻訳。 （C）ウィキペディアのTwitterユーザーおよびエディター。 下の行は、異なるデータセットの言語ペアの同一フレーズの数の関係を示しています。（D）本の翻訳とウィキペディアの編集者の総数。 （E）Twitterユーザーと本の翻訳の総数。 （F）Twitterユーザーとウィキペディア編集者。 DおよびEでは、ある言語から別の言語への平均翻訳数を体系化しました。





グローバル言語の影響



論理的には、ノードの1つにいるイギリス人は、ネパールの居住者よりも言語ネットワークに影響を与える方が簡単です。 言語がグローバルになればなるほど、その上にコンテンツを作成し、あまり人気のない言語の情報をそれに変換するインセンティブが増えます。 たとえば、世界中の主要なイベントに関する言葉を広めたいレポーターは、グローバルな言語でそれを行います。





フルサイズ

GLNでの言語の位置とネイティブスピーカーのグローバルな影響が示されています。 一番上の行は、（A）GLN Twitter、（B）GLN Wikipedia、および（C）GLNの言語の固有ベクトルの中心性の関数として、少なくとも26言語バージョンのウィキペディアで記事が書かれたネイティブスピーカー（1800-1950年生まれ）の数を示しています本の翻訳。 下の行は、（D）GLN Twitter、（E）GLN Wikipedia、および（F）GLN book translationsの言語自身のベクトルの中心性の関数としてHuman Accomplishmentasで言及されているネイティブスピーカー（1800-1950年生まれ）の数を示しています。 サイズは、各言語の話者の数、および一人当たりGDPの色の強さによって異なります。



Caesarは2011年12月6日から2012年2月13日までに公開された10億を超えるツイートからTwitterデータを収集しました。各ツイートの言語は、ハッシュタグ、リンク、および絵文字をクリアした後、Chromium Compact Language Detectorを使用して検出されました。 誤検知の可能性が10％未満のメッセージのみが使用されました。 最終的なデータセットは、1700万人以上のユニークユーザーによって作成された73言語の5億5,000万件近くのツイートで構成されています。 ユーザーが1つの言語でツイートし、別の言語で書く可能性が高い場合、2つの言語は関連していると見なされます。



Wikipediaのデータセットは、2011年末に作成されたすべてのWikipedia言語セクションの履歴を編集するときにコンパイルされました。 ボットから情報を削除してフィルターを適用すると、250万人のユニークなエディターから238言語で3億8200万件の編集が行われました。 ここで、ユーザーが1つの言語で記事を編集し、おそらく別の言語で同じことを行った場合、2つの言語は関連していることが判明しました。



Translation Index（IP）データセットは、1979年から2011年の間に150か国で1,000以上の言語で出版された220万件の翻訳本で構成されています。 データセットには、翻訳された本のリストではなく、翻訳のリストが含まれています。 その中の各翻訳は、例えばロシア語から英語への「Anna Karenina」トルストイの22の独立した翻訳など、別々に考慮されます。 ネットワークマッピングでは、各転送を個別に考慮します。この場合、1つではなく22の翻訳が考慮されました。 また、翻訳のソースが本の元の言語と異なる場合があることに注意してください。 たとえば、IPにはTom Sawyerの15の翻訳に関するデータが含まれており、そのうち13は英語から直接作成され、2はスペイン語とガリシア語から作成されました。 データセットのこの特性により、翻訳用の中間言語を定義できます。



3つのケースすべてで、ISO 639-3（10）に従って類似の言語を描写しました。 たとえば、インドネシア語とマレーシア語はマレー語としてエンコードされ、アラビア語のすべての方言はアラビア語としてエンコードされます。



結果





フルサイズ

この図は、Wikipediaによると、各言語のGLNの有名人の集中度と数を示しています。 （A）1人あたりのGDP、人口規模、各GLNのベクターの中心性に応じて、少なくとも26のウィキペディア言語バージョンの記事がある各言語の人数（1800-1950年生まれ）。 文化的生産物の評価：（B）国および（C）ウィキペディアの少なくとも26の言語バージョンに記事がある最大人数の言語。 GLN独自の言語評価：（D）Twitter、（E）Wikipedia、および（F）Book Translation Networkの上位7言語。



結果からわかるように、1つのGLNに多数のリンクがある言語では、別のネットワークに多くのリンクがあります。 言語ペアの表現と関係の正の相関は、3つのGLNすべてが特定のグループの接続の強さおよび代表者の数に関して類似していることを示唆しています。 3つのGLNで見られる共通の特徴が、明らかに、これらのネットワークのそれぞれに参加するための特定の文学スキルの必要性によって決定されることは興味深いです。 本の翻訳のネットワークは、この要素の中で最も要求が厳しいです（著者とプロの翻訳者が含まれているため）。Twitterは、最も要求の厳しいものです（インターネットにアクセスできる人なら誰でも公開できる短いメッセージで構成されているため）。 ウィキペディアは、必要な文学スキルの観点からは本の翻訳とツイッターの中間であり、そのGLNは類似性の観点からも中間です。



人は情報に注意を向ける価値があるため、情報を中央言語から母国語に翻訳するという仮説があります。あるいは、中央言語を持つ国で生まれた人は世界的な名声を獲得する可能性が高いという仮説があります。



GLNのヒンディー語、中国語、アラビア語の周辺の位置は、これらの言語とそれらに接続する他のいくつかの言語の世界での表現が不十分であるためであると主張することができます。 これらの言語はさまざまなメディアの中心に位置する可能性がありますが、3つのグローバルネットワーク（Twitter、Wikipedia、書籍翻訳ネットワーク）での役割が弱いため、グローバルな影響力に対する主張が弱まります。 さらに、中国語、アラビア語、ヒンディー語は、データベースが異なる地域言語との接続をより適切に示す場合でも、中央言語はローカル言語だけでなく、非常に遠い言語でも接続する必要があるため、中央言語になりません。



レクチャー



シーザー・イダルゴは、ビッグデータを扱うことの重要性について多くを語ることができます。 彼は、いかなる経済成長も宇宙における情報成長の特別なケースであると信じています。 さらに、経済における情報の成長は、人々がソーシャルネットワークを形成する能力によって制限されます。



Caesarは4月22日のDigital Octoberで公開講座 （テレビ会議）で講演する予定です。「なぜ情報量が増え続けているのですか？」 言語は英語で、さらに各参加者はロシア語への同時通訳デバイスを受け取るため、理解に問題はありません。 イベントに登録して訪問してください、それは興味深いでしょう。