УДК 81'322.2:81'373.423 + 519.257 DOI 10.25205/1818-7900-2021-19-1-61-79
Статистический метод количественной оценки понятности иностранных славянских языков для русскоязычного читателя
Э. С. Клышинский
Институт прикладной математики им. М. В. Келдыша РАН Москва, Россия
Аннотация
Разбирается вопрос понимаемости иностранного текста на славянском языке для неподготовленного информанта. Целью статьи было выяснить, какую долю слов иностранного текста информанты смогут понять при условии, что они не знакомы с этим языком. Для определения понимаемости текста мы использовали параллельный текст с пропущенными словами. В русской версии текста пропускалась часть слов, задача информанта - восстановить эти слова, используя в качестве подсказки параллельный текст на одном из славянских языков: украинском, белорусском, польском, чешском, словацком, сербском, словенском и болгарском. Часть информантов использовалась в качестве контрольной группы, и параллельный текст им не предъявлялся. Мы высказали гипотезу о том, что понятность текста на иностранном языке может быть определена как увеличение доли корректно восстанавливаемых слов в группе, которой предъявляется параллельный текст на иностранном языке, над долей слов, корректно восстановленных контрольной группой. Результаты экспериментов подтвердили нашу гипотезу.
Также мы разделили все пары «пропущенное слово - перевод» на четыре группы: полные и частичные когнаты, генетические когнаты, не когнаты и ложные друзья. Корреляция средней понятности текста по всем информантам для данного языка с долей полных и частичных когнатов составила 0.7, тогда как для остальных групп была отрицательной. За счет этого можно утверждать, что понятность иностранного текста по большей части определяется долей полных когнатов, но при этом зависит от некоторых других параметров. Результаты экспериментов и программное обеспечение для их анализа размещены по адресу https:// github.com/klyshinsky/mutual_intelligibility_Russian. Ключевые слова
понятность текста, славянские языки, тест с пропусками, корреляция, квантитативная лингвистика Для цитирования
Клышинский Э. С. Статистический метод количественной оценки понятности иностранных славянских языков для русскоязычного читателя // Вестник НГУ. Серия: Информационные технологии. 2021. Т. 19, № 1. С. 6179. DOI 10.25205/1818-7900-2021-19-1-61-79
Quantitative Estimation of Intelligibility of Foreign Slavic Languages:
Case of Russian Native Speakers
E. S. Klyshinsky
Keldysh Institute of Applied Mathematics RAS Moscow, Russian Federation
Abstract
In this article, we investigate the issue of intelligibility of a foreign Slavic text for a Russian-speaking person which don't know this language. The aim of this article is to find out what is the percentage of intelligible words in foreign text for such a person. As a main measuring tool, we used parallel cloze tests with omitted words in the Russian part.
© Э. С. Клышинский, 2021
The task was to restore omitted words using the foreign part of a test (written in Ukrainian, Belorussian, Polish, Czech, Slovak, Serbian, Slovene, and Bulgarian languages) as a clue. As a baseline, we used a control group which solved a test without the foreign part.
Our hypothesis was that the foreign text intelligibility could be defined as a difference between the mean percentage of correctly restored words for a group used a parallel text and the same percentage for a control group. The results of our experiments proved our hypothesis.
All the pairs "omitted word - its translation" was divided into four groups: full and partial cognates, genetic cognates, non-cognates and false friends. The correlation between the mean intelligibility of a text in a given foreign language and the percentage of full and partial cognates was as high as 0.7; the same correlation for the other word groups was negative but not so deep. Therefore, we can state that the foreign text intelligibility is defined by the percentage of full and partial cognates but that is not the only parameter.
The gathered data, containing the used tests, users' answers and their background, and the software for its analysis is placed at https://github.com/klyshinsky/mutual_intelligibility_Russian. Keywords
text intelligibility, Slavic languages, cloze test, correlation, quantitative linguistics For citation
Klyshinsky E. S. Quantitative Estimation of Intelligibility of Foreign Slavic Languages: Case of Russian Native Speakers. Vestnik NSU. Series: Information Technologies, 2021, vol. 19, no. 1, p. 61-79. (in Russ.) DOI 10.25205/ 1818-7900-2021-19-1-61-79
Введение
Понятностью иностранного языка мы называем ситуацию, когда носители языка А могут без предварительной подготовки понимать тексты и речь на языке В. Как правило, близкородственные языки интуитивно понятны даже непрофессионалам: их родство легко заметить самим носителям. Так, говорящий по-русски, услышав речь на любом из славянских языков, без труда определяет его принадлежность к славянской группе. Феномен «понятности» родственных языков, по мнению М. Бейкера (М. Baker), служит маркером, позволяющим отличать «своих» от «чужих» [1]. Разнообразие языков разделяет человечество на группы. Принадлежность к одной языковой группе способствует возникновению «внутригрупповой солидарности», которая, в свою очередь, побуждает проявлять альтруизм по отношению к людям, с которыми мы имеем общие гены. При этом заметим, что ни одно объяснение разницы между языками с точки зрения культурных, климатических или социологических параметров не описывает текущую языковую картину.
Понятность родственного языка зависит от многих факторов: знакомство индивидуума с другими культурами и обсуждаемой темой, его общая эрудированность, степень владения родным языком и словарный запас. Традиционно считается, что русский язык, относящейся к восточнославянской подгруппе, наиболее близок к другим языкам этой же подгруппы -белорусскому и украинскому. Взаимопонятность русского и белорусского языков почти полная, т. е. носители этих языков могут общаться на своем родном языке и понимать друг друга. Однако как на белорусском, так и на украинском языке легко составить такое предложение, которое будет совершенно непонятно неподготовленным носителям русского. При этом некоторый опыт восприятия украинской речи, хорошая лингвистическая интуиция, знакомство с русскими архаизмами значительно повышают понятность украинского языка. При прочих равных условиях письменная речь понимается значительно лучше устной, так как первая усваивается со скоростью, удобной для читателя, тогда как ритм второй задает произносящий.
В серии работ Шарлотты Гускенс [2-5] было статистически доказано, что взаимная понятность языков не является симметричной, т. е. текст на языке А может быть менее понятен носителям языка В, чем тот же текст на языке В носителям языка А. В работах [2; 6] показано, что использование условной энтропии вместо меры Левенштейна позволяет более корректно моделировать подобную несимметричность и предсказывать взаимную понятность текстов с ее помощью. Несмотря на построение регрессионных прямых, в среднем описы-
вающих взаимную понятность текстов, а также классификаторов, позволяющих на основе методов машинного обучения различать разные типы близких слов, вопрос о причинах несимметричности взаимной понятности остается открытым.
Целью нашей работы была разработка статистически достоверного формального метода, позволяющего оценить понятность иностранного текста для неподготовленного информанта. Для этого мы провели серию экспериментов, показавших на примере носителей русского языка, что разные виды когнатов (близких слов двух языков) понимаются с разной точностью, а общая понятность текста хорошо коррелирует с долей полных и частичных когнатов. Также мы показали, что вместо взаимной понятности языков следует говорить о взаимной понятности текстов, так как их лексика может существенно отличаться по степени понятности для носителя языка.
Обзор методов оценки понятности иностранных языков
Задача определения взаимной понятности языков была поставлена достаточно давно, однако в течение длительного времени изучалась ее описательная часть. Так, в работах [7-9] изучался вопрос различия омофонов и когнатов. Применение математических методов для оценки взаимной понятности языков было не всегда удачным. Например, в работах Роберта Линдсей (Robert Lindsay) проделан большой труд по сопоставлению длинного списка языков. Однако основой для количественных оценок служит субъективное мнение читателя о том, какой процент текста он понял. Еще одним примером не вполне удачного исследования служит работа [10], в которой автор на основе теории раскрашенных графов предлагает формализм различения диалектов и отдельных языков. Несмотря на точное с математической точки зрения описание задачи, количественные эксперименты не были проделаны, что позволяет усомниться в корректности рассуждений и их практической применимости. Важным является и вопрос исследования уровня сходства не только отдельных языков, но и диалектов (так сказать, проведение «водораздела» между языком и диалектом) [11].
Наиболее полными на данный момент представляются результаты проекта MICReLa (Mutual intelligibility of closely related languages), возглавляемого Шарлоттой Гускенс (Charlotte Gooskens). Основой для данного проекта послужила диссертация Вильберта Яна Хее-ринга (Wilbert Jan Heeringa) 2004 г. [12], в которой было обосновано применение расстояния Левенштейна для определения когнатов в параллельных текстах. В работе [2] данный подход был развит. Как известно, взаимная понятность языков не является симметричной: носители языка А могут понимать язык В лучше, чем носители языка В язык А [4]. Вместо расстояния Левенштейна, которое является симметричным, было предложено использовать условную энтропию. Сутью опубликованных работ стало вычисление взаимной понятности языков на материале опросных анкет, исследования проводились для скандинавских [3], славянских [4] и германских [5] языков.
Авторы выделили два вида понятности иностранного языка: фонетическую понятность и понятность текста. Сами эксперименты строились по разным методикам: информант должен был выбрать одно из четырех изображений, соответствующих предъявленному стимулу; вставить в текст пропущенные слова, выбирая их из предъявленного списка; пересказать прочитанный текст и т. д. Все эксперименты проводились в двух форматах: с письменной и звучащей речью.
Авторы сумели получить убедительные результаты, доказывающие все основные теоретические положения. Однако к методике их исследования можно предъявить ряд претензий. При выборе одной из двух картинок вероятность случайного угадывания равна 0,5. В экспериментах превышение над этим контрольным значением не всегда статистически значимо. В тестах, предложенных для вставки слова из списка, информант ограничен самим этим списком, т. е. проверяется скорее его умение вставлять фиксированные слова на правильные позиции, чем собственно понимание текста и иностранного языка. Имеются и некоторые пре-
тензии к статистическим результатам работ. Так, в работе [3] для каждого языка было взято около 30 информантов, что само по себе может быть достаточным. Но они были разделены на более мелкие группы по городам. Таким образом, можно утверждать, что методика проведения подобных экспериментов должна быть улучшена.
Следует заметить, что при наличии небольшого материала более корректно рассуждать о понятности конкретного текста, а не о понятности языка в целом. Проводя эксперименты с информантами на ограниченном числе текстов, мы не можем надежно сделать вывод о взаимной понятности языков, но лишь выявить некоторые закономерности. Этот недостаток исправлен в работе [6], где авторы проводили эксперименты не с информантами, а на материале параллельных корпусов текстов, написанных на языках западной славянской группы (около 7 500 слов для чешского, словацкого и польского языков). Но с формальной точки зрения авторы доказали, что взаимная энтропия текстов на западнославянских языках коррелирует с нашими представлениями о взаимной понятности языков. Анализ других работ, использующих ту же методику расчетов для других групп языков, позволяет обобщить результаты до большинства европейских языков.
В большинстве работ не исследуются параметры, от которых зависит понимание отдельного текста. Каждая из них приводит цифры, подтверждающие несимметричность взаимной понятности языков. Только в работе [5] проведен анализ влияния лексических и синтаксических параметров на понимаемость текста. Авторами был сделан вывод, что основную роль играет лексическое сходство слов в разных языках. Но для получения результатов использовался лишь один текст. Полученные на нем результаты, безусловно, нельзя обобщать на языки в целом.
Наконец, подобные исследования не проводились на материале русского языка. В своей предыдущей работе [13] мы уже поднимали данный вопрос, но объем исследованного материала позволяет говорить лишь о предварительном исследовании.
В данной работе мы исправляем некоторые из указанных недостатков. Исследование проведено на шести фрагментах текстов двух авторов в переводе на восемь славянских языков всех групп. Для достижения статистической значимости результатов для каждого перевода текста было опрошено от 35 до 80 человек.
Метод оценки понятности текста и постановка эксперимента
Из описанных в предыдущем разделе вариантов проведения экспериментов мы выбрали тесты на заполнение пропусков в тексте: из текста вычеркиваются некоторые слова или части слов (например, каждое пятое слово, слова на заданную тему или окончания слов). Данная методика часто используется при изучении иностранного языка для проверки уровня знаний студентов или расширения их словарного запаса [14] или в психологии [15]. Кроме того, в работе [16] было предложено использовать этот метод для оценки качества машинного перевода. В нашем случае информанту предъявлялся текст на русском языке с пропущенными словами и параллельный текст на иностранном славянском языке. Задачей информанта являлось самому вписать слова, подходящие по контексту. Метод позволяет собрать объективную количественную информацию, не ограничивая при этом информанта. Данный метод прост в программной реализации, что позволило выложить тест в Интернет.
Как было показано в [17], восстановление слов текста может производиться за счет его избыточности. При отсутствии других подсказок информант может использовать как дистрибутивные свойства и грамматические характеристики слов контекста, так и свой личный опыт. Для того чтобы определить влияние наличия перевода, мы использовали контрольную группу, которой предъявлялся текст только на русском языке.
Вписанные информантом слова оценивались по следующей шкале.
• Если вписано слово из исходного текста, его синоним или близкое понятие, то ответ считается корректным. Форма слова может меняться, если при этом не нарушается повествование. Например, пользователь свободно может изменить падеж или число слова, но изменение времени или залога глагола не должно менять смысл фразы. В этом случае считается, что пользователь полностью и корректно понял контекст и значение слова.
• Ответ считается частично корректным, если информант вписывает однокоренное слово, но путает часть речи либо вписывает слово той же части речи, не нарушающее логики повествования. В этом случае считается, что пользователь понял само слово, но не понял синтаксическую структуру текста либо понял его синтаксическую структуру, но не смог корректно перевести слово.
• Если информант оставляет поле пустым, вписывает неправильное слово (ошибочной части речи либо слово, идущее в разрез повествованию), ответ считается полностью некорректным.
Например, для фразы ...рассуждал он по дороге... информанты должны были восстановить последнее слово. Ответы дороге, пути засчитывались как полностью корректные; ходу, наитию, ночам - как частично корректные; ответы своему, обычному, римский, себе - как полностью некорректные.
Каждое корректно вписанное слово оценивалось как одно очко, частично корректное слово - 0,5 очка и некорректное слово - ноль очков. Проверка велась одним экспертом.
В этом случае понятность текста для информанта можно определить как среднее значение оценок за все слова теста. Понятность пропущенного слова может быть определена как среднее значение оценок пользователей, полученных за данное слово. Понятность слова заданного иностранного языка может быть определена как разница между понятностью слова при наличии параллельного текста на данном языке и понятностью того же слова при отсутствии параллельного текста. Наконец, понятность текста на иностранном языке может быть определена как разница между средней понятностью текста при наличии перевода и средней понятностью только русского текста.
Для того чтобы гарантировать понятность контекста и не предъявлять к пользователям требований знания предметной области, мы выбрали фрагменты художественных произведений. В качестве параллельных текстов были взяты художественные переводы, изданные в конце XX в. В качестве материала для тестов использовались фрагменты из произведений М. А. Булгакова «Мастер и Маргарита» и Г. Сенкевича «Камо грядеши». Первое произведение исходно написано на русском языке, использованы его художественные переводы на сербский, словенский, болгарский, польский, чешский, словацкий, украинский и белорусский. Второе произведение исходно написано на польском языке, использовались художественные переводы на сербский, словенский, болгарский, чешский, словацкий, украинский, белорусский и русский. Из обоих произведений было выбрано по три фрагмента:
• «Мастер и Маргарита», Пилат покидает место казни Иешуа - 42 пропущенных слова из 390, 16 предложений (тест 1);
• «Мастер и Маргарита», диагностика Бездомного в сумасшедшем доме - 39 пропущенных слов из 396, 23 предложения (тест 2);
• «Камо грядеши», поездка Виниция в горящий Рим - 35 пропущенных слов из 278, 20 предложений (тест 3);
• «Камо грядеши», размышления Виниция о сбежавшей Лигии - 44 пропущенных слова из 408, 20 предложений (тест 4);
• «Камо грядеши», Виниций думает о похищенной Лигии - 37 пропущенных слов из 380, 23 предложения (тест 5);
• «Мастер и Маргарита», беседа с Воландом на Патриарших Прудах после описания сцены казни - 35 пропущенных слов из 337, 16 предложений (тест 6).
Заметим, что для словацкого языка было проведено только пять тестов из шести, так как нам не удалось найти в открытых источниках один из параллельных фрагментов.
При принятии решения о том, какое слово должно быть вычеркнуто из текста, мы руководствовались следующими соображениями. Задача должна иметь видимое простое решение, т. е. слова должны быть знакомы информанту. При этом доля редко употребляемых слов должна быть заметной для проверки наших гипотез. Пропускались только слова значимых частей речи. Для проверки влияния контекста на угадываемость некоторые одинаковые слова пропущены в разных тестах. Для разных параллельных языков пропускались одни и те же русские слова. Следуя за работой [4], мы расширили список до 186 различных начальных форм для 232 пропущенных слов.
Так как у пользователей могли возникать проблемы с чтением текста, записанного в расширенной латинице, все тексты на соответствующих иностранных языках были транслитерированы в кириллицу с применением простых правил преобразования, единых для всех языков. Для единообразия тексты на языках с кириллицей транслитерировались в стандартную латиницу, также с использованием простых правил преобразования.
Для участия в тестах привлекались студенты из Москвы, Санкт-Петербурга и Владивостока, школьники из Москвы, а также взрослые участники из разных городов. Часть информантов была привлечена при помощи сервиса Яндекс Толока. Все информанты проходили тест на сайте, наблюдение за ними не велось.
Перед началом теста пользователь отмечал свою возрастную группу (школьник, студент бакалавриата, магистрант, аспирант, закончил обучение), владение иностранными славянскими языками и профиль обучения (специальности, связанные с изучением языков, против других специальностей). Пользователь имел возможность не вводить информацию о себе. Если пользователь отмечал, что владеет каким-либо иностранным славянским языком, данный язык не предъявлялся ему в качестве параллельного. Из остальных языков тест выбирался случайным образом. Таким образом, информант (если он не скрыл эту информацию) проходил тест только на незнакомом ему языке или контрольный тест. Задачей пользователя было за ограниченное время (20-25 минут) вписать пропущенные слова.
Также был разработан интерфейс разметчика, расставляющего оценки вписанным словам, и администратора, контролирующего число пройденных тестов и их предварительные результаты. Работа разметчика была существенно ускорена за счет применения следующих правил автоматической разметки. Отсеивались все анкеты, в которых информант расходился не больше чем в двух словах с текстом автора. В этом случае считалось, что информант помнит текст произведения наизусть или очень близко к тексту, что ставит под сомнение чистоту эксперимента, либо нашел произведение и скопировал слова из текста. Помимо этого, отсеивались информанты менее чем с семью вставленными словами, так как они не поняли большую часть текста. При разметке пропущенный ответ автоматически помечался как полностью некорректный. Если слово находилось в базе данных с уже проставленной отметкой, эта отметка дублировалась для новой анкеты. Так как ответы информантов распределены в соответствии с законом Ципфа [18; 19], из 35-40 слов анкеты приходилось размечать лишь 3-10, для которых информант проявил нестандартное мышление, попался в языковую ловушку или допустил грамматическую ошибку 1.
Наша гипотеза состояла в том, что при наличии параллельного текста на иностранном славянском языке, которого не знает пользователь, ответы должны быть более корректными, при этом рост точности ответов должен коррелировать с понятностью этого иностранного языка. Например, в контрольном тесте пользователи чаще должны вставлять некорректные или частично корректные ответы, тогда как при наличии когната в параллельном тексте ответы должны смещаться к большему числу корректных или частично корректных.
1 Все ответы информантов, их оценки и программное обеспечение для анализа результатов размещены по адресу https://github.com/klyshinsky/mutual_intelligibility_Russian.
Результаты экспериментов
Для каждого участника мы рассчитали среднюю корректность его ответов (понятность текста) исходя из системы оценок отдельных слов [0; 0.5; 1]. В табл. 1 приведены значения для общего числа участников, проходивших тест с параллельным текстом на данном языке, среднее значение понятности текста для участников, нижняя и верхняя границы 95 % доверительного интервала для этого среднего. Доверительный интервал рассчитывался по формуле ci = 1.96 * s/Vïï, где 5 - стандартное отклонение, а n - количество объектов в выборке. На рис. 1 точками показаны сами значения понятности текста для отдельных информантов. Доверительные интервалы показаны линиями, цвет линий и точек зависит от языка параллельного текста. Темная полоса на рис. 1 означает доверительный интервал для контрольного теста.
Таблица 1
Количество участников и понятность иностранного языка
Table 1
Amount of Participants and Foreign Language Intelligibility
Контроль Укр. Бел. Болг. Пол. Чеш. Словацк. Серб. Словенск.
Число участников 283 243 280 233 291 231 243 227 227
Средняя понятность 0.62 0.78 0.74 0.73 0.67 0.64 0.66 0.71 0.68
Доверит. инт., мин 0.60 0.76 0.72 0.70 0.65 0.61 0.63 0.68 0.66
Доверит. инт., макс 0.64 0.80 0.76 0.75 0.70 0.66 0.68 0.73 0.71
Разница с контролем - 0.16 0.12 0.11 0.05 0.02 0.04 0.09 0.06
Мощность разницы - 0.00 0.00 0.00 0.00 0.73 0.17 0.00 0.00
Рис. 1. Средняя понятность ответов пользователей и ее доверительные интервалы Fig. 1. Mean intelligibility of user's answers and its confidence interval
Для тестов с параллельным текстом была посчитана статистическая мощность разницы их средних значений с контрольным тестом. Статистическая мощность позволяет оценить, достаточно ли имеющееся количество информантов, чтобы считать разницу статистически значимой. Мощность /-го теста рассчитывалась по формуле В;(0) = 1 — Ф ( 1 . 6 4 — —77= ) , где
V зуущ/
V 1,ус - средние значения для /-го и контрольного тестов, Б; - стандартное отклонение /-го теста, п^ - количество информантов в /-м тесте, а Ф - нормальное распределение. Значение статистической мощности, меньшие 0.05, означают, что количество информантов достаточно, для того чтобы утверждать статистическую значимость отличий на уровне 95 % (задается константой 1.64). Результаты отдельных тестов и языков приведены в табл. 2 и на рис. 2 и 3. Несимметричность доверительного интервала относительно среднего значения связана с округлениями.
Как видно из полученных данных, за доверительный интервал контрольного теста вышли все языки, кроме чешского и словацкого. Среднее значение для словацкого языка находится чуть выше верхней границы доверительного интервала контрольных тестов. Среднее значение для чешского языка находится внутри доверительного интервала контрольных тестов.
Из табл. 2 видно, что тесты 5 и 6 являются самыми простыми - их средняя понятность на контрольном тесте составляет 0.7 и 0.68 соответственно. Если рассматривать результаты по языкам, то для украинского языка разница оказалась значимой на всех тестах; для белорусского - на всех, кроме четвертого; для болгарского - для половины тестов. Польский, чешский, словацкий и словенский показали значимый прирост лишь в одном тесте, сербский -в двух. При этом заметим, что на совокупном материале всех тестов польский, словенский и сербский показали статистически значимый прирост. Для чешского языка разница с контрольным тестом была отрицательной два раза (первый и третий тесты). Таким образом, можно утверждать, что в текстах на украинском, белорусском и болгарском языках всегда содержится подсказка для русскоязычного читателя, тогда как тексты на остальных языках необходимо рассматривать индивидуально. Также можно утверждать, что понятность конкретного текста на заданном языке зависит от некоторых параметров, разбору которых посвящен следующий раздел.
Понятность отдельного текста
Мы предположили, что понятность текста зависит от таких параметров, как очевидность восстановления слова по контексту (на контрольном тесте) и очевидность слова в параллельном тексте. В табл. 3 показано количество слов контрольного теста, средняя оценка которых превышала 0.8 по нашей шкале. В тесте 5 почти половина слов легко восстановима; в тесте 6 таких слов примерно треть. В итоге эти тесты оказываются наиболее простыми для информантов, а средние значения на контрольном тесте - самые высокие. Но самые низкие значения достигаются на тесте 1, в котором очевидных слов больше, чем в тесте 2, при этом средняя понятность последнего выше.
С точки зрения понятности иностранного текста важным является понятие когната. Полные когнаты - это пары слов разных языков, имеющее сходное написание или звучание и одинаковое значение, совпадение в написании и звучании может быть полным или неполным. Генетические когнаты - это слова, имеющие единые исторические корни. Например, варианты слова ночь производят от праиндоевропейского *nekw- / *nokw-: чешское, словацкое и польское noc, немецкое Nacht, английское night и греческое vu%xa в разной степени признаются когнатами [20]. Частичные когнаты не разделяют всего множества значений. Так, русское фильм происходит от английского film, но не имеет значения «пленка». Ложные когнаты - пары слов, имеющих одинаковое или сходное написание или звучание, но не совпадающие значения [9]. Например, русские пироги соответствуют польскому ciasta, а польские pierogi являются русским варениками.
Таблица 2
Количество участников и понятность иностранного языка по тестам
Table 2
Amount of Participants and Foreign Language Intelligibility by Tests
Тест Показатель Контроль Укр. Бел. Болг. Пол. Чеш. Словацк. Серб. Словенск.
1 Число участников 44 38 38 37 36 37 69 37 37
Средняя понятность 0.56 0.79 0.76 0.65 0.56 0.52 0.60 0.66 0.63
Доверит. инт., мин. 0.51 0.74 0.71 0.58 0.49 0.45 0.56 0.60 0.56
Доверит. инт., макс 0.61 0.83 0.81 0.71 0.64 0.58 0.65 0.71 0.69
Разница с контролем - 0.23 0.20 0.09 0.00 -0.04 0.04 0.10 0.07
Мощность разницы - 0.00 0.00 0.14 0.94 0.67 0.43 0.04 0.40
2 Число участников 46 37 38 36 44 38 59 37 37
Средняя понятность 0.58 0.75 0.76 0.71 0.67 0.61 0.65 0.61 0.65
Доверит. инт., мин. 0.53 0.69 0.71 0.66 0.62 0.55 0.60 0.54 0.69
Доверит. инт., макс 0.63 0.82 0.83 0.76 0.72 0.67 0.71 0.68 0.71
Разница с контролем - 0.17 0.18 0.13 0.09 0.03 0.07 0.03 0.17
Мощность разницы - 0.00 0.00 0.00 0.03 0.75 0.24 0.81 0.22
3 Число участников 37 37 37 37 38 37 39 31 38
Средняя понятность 0.60 0.75 0.73 0.72 0.65 0.57 0.69 0.80 0.72
Доверит. инт., мин. 0.55 0.70 0.70 0.67 0.59 0.49 0.63 0.75 0.66
Доверит. инт., макс 0.63 0.79 0.77 0.76 0.72 0.64 0.74 0.84 0.79
Разница с контролем - 0.15 0.13 0.14 0.05 -0.03 0.09 0.20 0.12
Мощность разницы - 0.00 0.00 0.00 0.40 0.84 0.03 0.00 0.01
Окончание табл. 2
Тест Показатель Контроль Укр. Бел. Болг. Пол. Чеш. Словацк. Серб. Словенск.
4 Число участников 65 57 82 37 79 45 36 34 37
Средняя понятность 0.62 0.73 0.68 0.70 0.66 0.65 0.62 0.67 0.64
Доверит. инт., мин. 0.58 0.68 0.64 0.65 0.62 0.59 0.56 0.61 0.59
Доверит. инт., макс 0.65 0.79 0.72 0.76 0.70 0.70 0.69 0.73 0.69
Разница с контролем - 0.11 0.06 0.08 0.04 0.04 0.00 0.05 0.02
Мощность разницы - 0.01 0.07 0.09 0.25 0.71 0.92 0.41 0.76
5 Число участников 47 37 48 48 57 37 40 36 42
Средняя понятность 0.70 0.85 0.77 0.75 0.74 0.78 0.75 0.76 0.76
Доверит. инт., мин. 0.66 0.81 0.73 0.70 0.70 0.74 0.71 0.71 0.71
Доверит. инт., макс 0.74 0.90 0.81 0.81 0.79 0.82 0.79 0.80 0.81
Разница с контролем - 0.15 0.07 0.05 0.04 0.08 0.05 0.06 0.06
Мощность разницы - 0.00 0.02 0.44 0.45 0.02 0.25 0.21 0.19
6 Число участников 44 37 37 37 37 37 52 36
Средняя понятность 0.68 0.85 0.82 0.82 0.73 0.70 0.75 0.68
Доверит. инт., мин. 0.62 0.82 0.75 0.77 0.68 0.64 0.70 0.63
Доверит. инт., макс 0.73 0.88 0.88 0.86 0.79 0.75 0.80 0.74
Разница с контролем - 0.17 0.14 0.14 0.05 0.03 0.07 0.00
Мощность разницы - 0.00 0.00 0.00 0.43 0.84 0.11 0.92
Разница значимых / всех тестов 0.16 0.16 0.14 0.13 0.14 0.11 0.09 0.05 0.08 0.02 0.09 0.05 0.15 0.09 0.12 0.07
Значимых тестов 6 5 3 1 1 1 2 1
3 4
Номер теста
Рис. 2. Средняя понятность ответов пользователей по тестам с усреднением по языкам Fig. 2. Mean intelligibility of user's answers averaged by languages
Рис. 3. Средняя понятность ответов пользователей по тестам с усреднением по тестам Fig. 3. Mean intelligibility of user's answers averaged by tests
Количество слов теста со средней оценкой выше пороговой Amount of words which intelligibility is higher than threshold
Таблица 3
Table 3
Порог оценки Тест 1 Тест 2 Тест 3 Тест 4 Тест 5 Тест 6
0.80 6 4 5 6 16 9
0.85 3 4 3 5 13 5
0.90 1 3 3 2 8 1
Всего слов в тесте 39 40 31 44 36 31
Для оценки понятности слова в параллельном тексте с точки зрения разных видов когнатов мы разделили все слова параллельных текстов на четыре группы. Первая - однокоренные слова, имеющие сходное звучание в обоих языках (полные и частичные когнаты), например, повернулся (рус.) - повернувся (укр.) - завярнууся (бел.). Вторая группа - слова, имеющие синоним или близкое по смыслу слово с тем же значением (ближе к генетическим когнатам), например, дорогу (рус.) - пътя (болг.) - пут (серб.). Третья группа - слова, не имеющие общих корней или смыслов (не когнаты), например, трубою (рус.) - сурмою (укр.) - роГтсои (словацк.). Четвертая группа - ложные друзья, имеющие сходное звучание с каким-то русским словом, но совершенно иной смысл в параллельном языке, например, спиною (рус.) -плячыма (бел.) - гърба (болг.).
Мы построили несколько списков слов в зависимости от вида когната и номера теста. Контрольные тесты считались отдельно от параллельных тестов. В каждый список помещалась средняя понятность слова в данном тесте, для списка вычислялись среднее значение и доверительный интервал. Результаты показаны на рис. 4. Каждая точка означает одно слово в одном тесте; средние значения обозначены крестиком; доверительный интервал отложен вверх и вниз отрезками. На правом рисунке приведены данные для контрольных тестов, на левом - для параллельных тестов. На левом рисунке для сравнения красным цветом приведены средние значения и доверительные интервалы контрольных тестов.
Как видно из рис. 4, слова, имеющие общие корни (полные и частичные когнаты), показывают существенный прирост в точности восстановления; сходные слова (генетические когнаты) также дают прирост, который оказывается статистически значимым лишь в двух тестах из шести. Большинство слов, не имеющих аналогов в другом языке, показывают статистически незначимое снижение точности восстановления. Наконец, ложные друзья не показывают определенной тенденции, но точно не выходят за доверительные интервалы.
Для моделирования зависимости понятности текста от составляющих его слов мы построили графики зависимости понятности текста от процента слов той или иной группы (см. рис. 5, табл. 4 и 5). Из рис. 5 видно, что понятность текста положительно зависит от доли од-нокоренных слов (корреляция 0.72) и отрицательно от доли сходных слов, слов без аналогов и ложных друзей (корреляция -0.43, -0.46 и -0.17 соответственно). Анализ отдельных тестов (разброс по языкам внутри теста) показывает, что для однокоренных слов корреляция колеблется от 0.58 до 0.91, для сходных - от -0.67 до 0.34 (с положительным значением для одного теста), слов без аналогов - от -0.84 до -0.00, и для ложных друзей переводчика - от -0.63 до 0.43 (с положительным значением для одного теста). Для отдельных языков (тесты внутри одного языка) корреляция колеблется для однокоренных слов от 0.18 для сербского до 0.91 для чешского (среднее 0.68), для сходных слов от -0.91 для белорусского до -0.20 для сербского (среднее -0.50), для слов без аналогов от -0.82 для словенского до 0.36 для украинского (среднее -0.30), и для ложных друзей переводчика от -0,80 для украинского до 0.59 для сербского (среднее -0.05).
Исходя из результатов экспериментов, можно утверждать, что понятность текста на иностранном славянском языке обеспечивается по большей части за счет полных и частичных когнатов. Мы не можем утверждать, что понятность текста обеспечивается только за счет них. Так, в сербском языке корреляция с ложными друзьями выше, чем с полными когнатами (0.59 против 0.18), а в словенском языке - сопоставима (0.73 и 0.75 соответственно). Для словацкого языка роль ложных друзей также высока (0.84 для полных когнатов и 0.42 для ложных друзей). Для украинского языка важную роль сыграли слова без аналогов (корреляция 0.36). Судя по всему, здесь сказывается общий уровень эрудиции. Слова, имеющие сходные синонимы (генетические когнаты), для украинского и белорусского языков показали высокую степень антикорреляции (-0.73 и -0.91).
■jijt • ; ' *
* \*чМ
9t} * ;
Однокор. Сходн. Разн. Ложн. др.
123456123456123456123456 Тест с параллельным текстом
' J »«•« - юа .... *и~ „ ' -I •—
... / *** И»п , .«jjjt .X .
.....инцпрЧтУ? .•.....
••••а
Однокор. Сходн. Разн. Ложн. др.
1 1 1 1 1 1 1 2 3 4 5 6 123456123456123456 Контрольный тест
Рис. 4. Понимаемость слова теста в зависимости от его типа Fig. 4. Intelligibility of a words on its type
Рис. 5. Понятность текста в зависимости от доли слов заданного типа сходства Fig. 5. Intelligibility of a test on the percentage of words of a given type
Корреляция между долей слов каждого типа и понятностью теста Correlation Between the Text Intelligibility and the Percentage of Word Types
Таблица 4
Table 4
Тип слова Тест 1 Тест 2 Тест 3 Тест 4 Тест 5 Тест 6 Все тесты
Однокоренные 0.68 0.90 0.58 0.65 0.71 0.91 0.72
Сходные 0.34 -0.67 -0.03 -0.64 -0.31 -0.50 -0.43
Без аналогов -0.77 -0.84 -0.35 -0.53 -0.00 -0.26 -0.46
Ложные друзья -0.63 -0.45 -0.53 0.43 -0.47 -0.58 -0.17
Таблица 5
Корреляция между долей слов каждого типа и понятностью тестов языка
Table 5
Correlation Between the Language Intelligibility and the Percentage of Word Types
Тип слова Укр. Бел. Болг. Пол. Чеш. Словацк. Серб. Словенск.
Однокоренные 0.79 0.76 0.64 0.58 0.91 0.84 0.18 0.75
Сходные -0.73 -0.91 -0.40 -0.33 -0.52 -0.69 -0.20 -0.21
Без аналогов 0.36 -0.01 -0.38 -0.05 -0.22 -0.70 -0.58 -0.82
Ложные друзья -0.80 -0.79 -0.16 -0.22 -0.16 0.42 0.59 0.73
Анализ информации по тестам показывает, что в них также главную роль играет доля полных и частичных когнатов - все значения корреляции положительны и превышают 0.5. Корреляция доли сходных слов с понятностью текста отрицательная за исключением первого теста (равна 0.34). В четвертом тесте положительной является корреляция доли ложных друзей (равна 0.43). Все остальные значения корреляции отрицательны, причем варьируют в широких пределах - от 0 до -0.91.
Обсуждение результатов и дальнейшие направления исследований
По результатам проведенных экспериментов видно, что понятность текстов одного и того же языка может серьезно отличаться. Как следствие, можно утверждать, что, прежде чем говорить о понятности языка в целом, нужно исследовать понятность отдельного текста. Разброс понятности отдельных текстов для украинского языка составляет 0.12 (от 0.73 до 0.85), для белорусского - 0.14, болгарского - 0.17, польского - 0.18, чешского - 0.26, словацкого -0.15, сербского - 0.19, словенского - 0.13. Заметим, что этот разброс в несколько раз выше, чем полученные значения доверительных интервалов для тех же языков (колеблется от 0.04 до 0.07).
Одной из очевидных причин для таких отклонений является доля полных и частичных когнатов в иностранном тексте. Однако наши данные позволяют утверждать, что этот фактор не является единственным и полностью определяющим понятность текста. Положительная корреляция доли ложных друзей с понятностью текста для сербского, словацкого и словенского языков, а также слов без аналогов для тестов на украинском языке, показывают, что факторов должно быть гораздо больше.
Роль влияния синтаксических особенностей языка в данном вопросе пока не ясна. Как показали наши предварительные исследования [21], русский синтаксис максимально отличается от болгарского и сербского и наиболее схож с украинским. В такой ситуации возможна обратная корреляция сходства синтаксических структур и средней понятности текстов для языков разных групп. Однако проверка показала, что изменение порядка слов в оригинале и переводе не приводит к заметным изменениям в точности ответов.
Также результаты данного исследования нуждаются в дальнейшей проверке с точки зрения когнитивных методов. Так, например, в работе [22] рассматривается метод разрешения полисемии для существительных русского языка, в том числе и с использованием частотных
характеристик. Дальнейшее исследование зависимости способности человека восстанавливать пропущенные слова от частотности их окружения может выявить скрытые параметры.
Заключение
В данной работе приведены результаты экспериментов по определению степени понятности иностранных славянских языков для неподготовленного русскоязычного читателя. В экспериментах использовались русские тексты с пропущенными словами, и параллельные тексты на украинском, белорусском, польском, чешском, словацком, сербском, словенском и болгарском языках. Контрольной группе параллельный текст не предъявлялся. Наша гипотеза состояла в том, что понятность текста на иностранном языке может быть измерена как превышение среднего числа правильных ответов при наличии параллельного текста над контрольной группой. Эксперименты проводились на шести фрагментах текстов. Всего в экспериментах приняло участие более 2 200 информантов.
По результатам экспериментов, языки расположились следующим образом (в порядке убывания понятности): украинский, белорусский, болгарский, сербский, словенский, польский, словацкий, чешский. Для чешского и словацкого языков превышение над контролем не является статистически значимым. Более того, для чешского языка два теста из шести показали значения ниже контрольной группы.
Дальнейшие исследования показали, что понятность текста положительно коррелирует с долей полных и частичных когнатов (на уровне 0.7) и отрицательно коррелирует с числом генетических когнатов, не когнатов (на уровне -0.4) и ложных друзей (-0.17). При этом разброс прироста понятности отдельных текстов колеблется от 0.12 до 0.26. Таким образом, можно говорить скорее о понятности отдельных текстов, чем о понятности языка в целом.
Результаты отдельных экспериментов показывают, что наличие генетических когнатов в параллельном тексте (не совпадающих слов, синонимичных или имеющих сходное значение в русском языке) также увеличивает понимаемость текста, но увеличение не имеет статистически значимого значения. Таким образом, на понимаемость текста влияет не только наличие полных и частичных когнатов, но и некоторые другие параметры. Разбору этих параметров должно быть посвящено отдельное исследование.
Список литературы
1. Бейкер М. Атомы языка: грамматика в темном поле сознания. М.: Изд-во ЛКИ, 2008. 272 с.
2. Moberg, J., Gooskens C., Nerbonne J., Vaillette N. Conditional Entropy Measures Intelligibility among Related Languages. Lot Occasional Series, 2007, vol. 7, p. 51-66.
3. Gooskens C. The Contribution of Linguistic Factors to the Intelligibility of Closely Related Languages. Journal of Multilingual and Multicultural Development, 2007, vol. 28, no. 6, p.445-467.
4. Golubovic J., Gooskens C. Mutual intelligibility between West and South Slavic languages. Russ Linguist, 2015, no. 39, p. 351-373.
5. Gooskens C., Swarte F. Linguistic and extra-linguistic predictors of mutual intelligibility between Germanic languages. Nordic Journal of Linguistics, 2017. no. 40 (2), p. 123-147. DOI 10.1017/S0332586517000099
6. Kyjánek L., Haviger J. The Measurement of Mutual Intelligibility between West-Slavic Languages. Journal of Quantitative Linguistics, 2019, vol. 26, iss. 3, p. 205-230. DOI 10.1080/ 09296174.2018.1464546
7. Keatley C. W. History of bilingualism research in cognitive psychology. In: Harris R. J. (ed.). Cognitive processing in bilinguals. Elsevier, 1992, p. 15-49.
8. Grainger J. Visual word recognition in bilinguals. In: Schreuder R., Weltens B. (eds.). The bilingual lexicon. Amsterdam, 1993, p. 11-26.
9. Lemhofer K., Dijkstra T. Recognizing cognates and interlingual homographs: Effects of code similarity in language-specific and generalized lexical decision. Memory & Cognition, 2004, no. 32 (4), p. 533-550. DOI 10.3758/BF03195845
10. Hammarstrom H. Counting Languages in Dialect Continua Using the Criterion of Mutual Intelligibility. Journal of Quantitative Linguistics, 2008, vol. 15, no. 1, p. 34-45.
11. Коряков Ю. Б. Проблема «язык или диалект» и попытка лексикостатистического подхода // Вопросы языкознания. 2017. № 6. C. 79-101. DOI 10.31857/S0373658X0003839-1
12. Heeringa W. J. Measuring Dialect Pronunciation Differences using Levenshtein Distance. PhD thesisю Groningen, 2004, 315 p.
13. Клышинский Э. С., Логачева В. К., Белобокова Ю. А. Понимаемость текста на иностранном языке: случай славянских языков // Препринты ИПМ им. М. В. Келдыша. 2017. № 13. 23 с. DOI 10.20948/prepr-2017-13
14. Zarei A. A., Ab M. A. The Contribution of Word Formation, Code Mixing, Multiple Choice, and Gap Filling Tasks to L2 Vocabulary Comprehension and Production. International Journal of Language Learning and Applied Linguistics World, 2013, no. 4 (1), p. 7-55.
15. Ackerman P. L., Beier M. E., Bowen K. R. Explorations of crystallized intelligence: Completion tests, cloze tests, and knowledge. Learning and Individual Differences, 2000, vol. 12, iss. 1, p. 105-121.
16. Ageeva E., Tyers F. M., Forcada M. L., Perez-Ortiz J. A. Evaluating machine translation for assimilation via a gap-lling task. In: EAMT-2015: 18th Annual Conference of the European Association for Machine Translation, 2015, p. 137-144.
17. Ягунова Е. В. Исследование избыточности русского звучащего текста // Тр. Ин-та лингвистических исследований. СПб.: Наука, 2010. Т. 4, ч. 2. С. 90-114.
18. Ferrer i Cancho R. The variation of Zipf s law in human language. The European Physical Journal B - Condensed Matter and Complex Systems, 2005, no. 44, p. 249-257.
19. Кочеткова Н. А., Клышинский Э. С., Ермаков П. Д. Подчиняются ли составные конструкции закону Ципфа? // Системный администратор. 2016. № 11. С. 89-95.
20. Bouckaert R., Lemey P., Dunn M. et al. Mapping the Origins and Expansion of the Indo-European Language Family. Science, 2012, vol. 337, p. 957-960.
21. Klyshinskiy E., Karpik O. V. Quantitative Evaluation of Syntax Similarity. Mathematica Montisnigri, 2019, vol. 46, p. 123-132. DOI 10.20948/mathmon-2019-46-11
22. Lopukhina A., Lopukhin K., Nosyrev G. Automated word sense frequency estimation for Russian nouns. In: Lyashevskaya O., Kopotev M., Mustajoki A. (eds.). Quantitative approaches to the Russian language. Routledge, 2018, p. 79-94. DOI 10.4324/9781315105048-4
Reference
1. Backer M. The Atoms of Language: The Mind's Hidden Rules of Grammar. Oxford University Press, 2001, 276 p.
2. Moberg, J., Gooskens C., Nerbonne J., Vaillette N. Conditional Entropy Measures Intelligibility among Related Languages. Lot Occasional Series, 2007, vol. 7, p. 51-66.
3. Gooskens C. The Contribution of Linguistic Factors to the Intelligibility of Closely Related Languages. Journal of Multilingual and Multicultural Development, 2007, vol. 28, no. 6, p. 445-467.
4. Golubovic J., Gooskens C. Mutual intelligibility between West and South Slavic languages. Russ Linguist, 2015, no. 39, p. 351-373.
5. Gooskens C., Swarte F. Linguistic and extra-linguistic predictors of mutual intelligibility between Germanic languages. Nordic Journal of Linguistics, 2017. no. 40 (2), p. 123-147. DOI 10.1017/S0332586517000099
6. Kyjanek L., Haviger J. The Measurement of Mutual Intelligibility between West-Slavic Languages. Journal of Quantitative Linguistics, 2019, vol. 26, iss. 3, p. 205-230. DOI 10.1080/ 09296174.2018.1464546
7. Keatley C. W. History of bilingualism research in cognitive psychology. In: Harris R. J. (ed.). Cognitive processing in bilinguals. Elsevier, 1992, p. 15-49.
8. Grainger J. Visual word recognition in bilinguals. In: Schreuder R., Weltens B. (eds.). The bilingual lexicon. Amsterdam, 1993, p. 11-26.
9. Lemhofer K., Dijkstra T. Recognizing cognates and interlingual homographs: Effects of code similarity in language-specific and generalized lexical decision. Memory & Cognition, 2004, no. 32 (4), p. 533-550. DOI 10.3758/BF03195845
10. Hammarstrom H. Counting Languages in Dialect Continua Using the Criterion of Mutual Intelligibility. Journal of Quantitative Linguistics, 2008, vol. 15, no. 1, p. 34-45.
11. Koryakov Yu. B. Language vs. Dialect: a Lexicostatistic Approach. Voprosy Yazykoznaniya, 2017, no. 6, p. 79-101. (in Russ.) DOI 10.31857/S0373658X0003839-1
12. Heeringa W. J. Measuring Dialect Pronunciation Differences using Levenshtein Distance. PhD thesisю Groningen, 2004, 315 p.
13. Klyshinsky E. S., Logacheva V. K., Belobokova Yu. A. Foreign text intelligibility: case of Slavic language group. Keldysh IAMPreprints, 2017, no. 13, p. 23. DOI 10.20948/prepr-2017-13 (in Russ.)
14. Zarei A. A., Ab M. A. The Contribution of Word Formation, Code Mixing, Multiple Choice, and Gap Filling Tasks to L2 Vocabulary Comprehension and Production. International Journal of Language Learning and Applied Linguistics World, 2013, no. 4 (1), p. 7-55.
15. Ackerman P. L., Beier M. E., Bowen K. R. Explorations of crystallized intelligence: Completion tests, cloze tests, and knowledge. Learning and Individual Differences, 2000, vol. 12, iss. 1, p. 105-121.
16. Ageeva E., Tyers F. M., Forcada M. L., Perez-Ortiz J. A. Evaluating machine translation for assimilation via a gap-lling task. In: EAMT-2015: 18th Annual Conference of the European Association for Machine Translation, 2015, p. 137-144.
17. Yagunova E. V. Investigation of redundancy in oral Russian texts. In: Acta Linguistica Petropolitania. St. Petersburg, 2010, vol. 4, part 2, p. 90-114. (in Russ.)
18. Ferrer i Cancho R. The variation of Zipf s law in human language. The European Physical Journal B - Condensed Matter and Complex Systems, 2005, no. 44, p. 249-257.
19. Kochetkova N. A., Klyshinsky E. S., Ermakov P. D. Podchinyayutsya li sostavniye konstrukcii zakonu Zipfa? [Do Collocations Meet the Zipf s Law?]. System Administrator, 2016, no. 11, p. 89-95. (in Russ.)
20. Bouckaert R., Lemey P., Dunn M. et al. Mapping the Origins and Expansion of the Indo-European Language Family. Science, 2012, vol. 337, p. 957-960.
21. Klyshinskiy E., Karpik O. V. Quantitative Evaluation of Syntax Similarity. Mathematica Montisnigri, 2019, vol. 46, p. 123-132. DOI 10.20948/mathmon-2019-46-11
22. Lopukhina A., Lopukhin K., Nosyrev G. Automated word sense frequency estimation for Russian nouns. In: Lyashevskaya O., Kopotev M., Mustajoki A. (eds.). Quantitative approaches to the Russian language. Routledge, 2018, p. 79-94. DOI 10.4324/9781315105048-4
Материал поступил в редколлегию Received 18.01.2021
Сведения об авторе
Клышинский Эдуард Станиславович, кандидат технических наук, доцент, старший научный сотрудник ИПМ им. М. В. Келдыша РАН (Москва, Россия) klyshinsky@mail.ru ORCID 0000-0002-4020-488X
Information about the Author
Eduard S. Klyshinsky, Candidate of Technical Sciences, Associate Professor, Keldysh Institute of Applied Mathematics Russian Academy of Science (Moscow, Russian Federation) klyshinsky@mail.ru ORCID 0000-0002-4020-488X