💬 NLP

A Computational Approach to Language Contact -- A Case Study of Persian

Questo studio indaga come il contatto linguistico storico influenzi le rappresentazioni intermedie di un modello linguistico monolingue persiano, rivelando che mentre l'informazione sintattica universale rimane ampiamente inalterata, le caratteristiche morfologiche come il Caso e il Genere sono significativamente modellate dai cambiamenti strutturali indotti dal contatto.

Autori originali: Ali Basirat, Danial Namazifard, Navid Baradaran Hemmati

Pubblicato 2026-01-29

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ali Basirat, Danial Namazifard, Navid Baradaran Hemmati

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di avere un robot molto intelligente che ha letto solo libri scritti in persiano. Non ha mai imparato l'inglese, l'arabo, il turco o il giapponese. Anzi, non sa nemmeno che questi altri linguaggi esistano.

Ora, immagina di porre al robot una frase scritta in turco. Gli chiedi: "Ehi, che lingua è questa? E quali sono le regole grammaticali qui?"

Ti aspetteresti che il robot dica: "Non lo so, ho letto solo il persiano!" Ma questo articolo pone una domanda più profonda: il "cervello" interno del robot (le sue rappresentazioni digitali) mostra segretamente segni del fatto che comprende la storia del persiano, anche se non gli è mai stato insegnato direttamente l'altro linguaggio?

Poiché il persiano è stato vicino a molti altri linguaggi, ha commerciato con loro e ne è stato influenzato per secoli, gli autori si sono chiesti se il "cervello persiano" del robot avesse assorbito alcuni impronte invisibili dei suoi vicini.

L'Esperimento: Una storia di investigazione

I ricercatori hanno utilizzato uno strumento chiamato ParsBERT (un modello di IA solo per il persiano) e gli hanno fornito frasi di 8 lingue diverse, che vanno dall'arabo (un importante vicino storico) al giapponese (uno straniero senza alcun contatto reale).

Hanno usato due principali "strumenti da detective" per sbirciare dentro il cervello del robot:

Il Misuratore di Informazioni: Questo misura quanto il robot conosce una specifica caratteristica (come ad esempio "Questo è un sostantivo?" o "Questa parola è maschile?"). Immaginalo come il controllo di quanto sia forte il segnale di una radio.
Il Riflettore: Questo cerca di capire dove si nasconde quella conoscenza nel cervello del robot. È conservata in un neurone specifico (una singola lampadina) o è dispersa in tutta la stanza come un bagliore diffuso?

La Grande Scoperta: L' "Universale" contro lo "Specifico"

I risultati hanno rivelato una divisione affascinante nel modo in cui il robot pensa, che gli autori descrivono come una differenza tra regole universali e abitudini locali.

1. Le Regole Universali (L' "Hard Drive")

Quando i ricercatori hanno interrogato il robot riguardo ai tag di Part-of-Speech Universale (UPOS) — fondamentalmente, "Questo è un sostantivo, un verbo o un aggettivo?" — il robot ha performato in modo costante e positivo in tutte le lingue.

L'Analogia: Immagina che il robot abbia un dizionario universale dei "tipi di parole". Che la parola sia in persiano, inglese o giapponese, il robot sa che un "verbo" è un verbo.
Il Risultato: Al robot non è importato il contatto linguistico in questo caso. La storia non ha cambiato il modo in cui esso vede i mattoni fondamentali delle frasi. Queste regole sono troppo profonde e universali per essere scosse da secoli di prestito di parole.

2. Le Abitudini Locali (I "Mobili")

Quando i ricercatori hanno interrogato il robot sulla Morfologia (le forme specifiche delle parole, come il Caso o il Genere), il comportamento del robot è cambiato drasticamente in base alla storia della lingua con il persiano.

Il Test del "Caso" (Chi ha fatto cosa a chi?):
- Il Problema: Il persiano non usa i "casi" (cambiare le desinenze delle parole per indicare se qualcuno è il soggetto o l'oggetto). Usa invece l'ordine delle parole.
- Il Risultato: Quando il robot ha esaminato lingue con sistemi di casi complessi (come il tedesco o il russo, che hanno molte desinenze), è rimasto completamente smarrito. Non riusciva a trovare l'informazione.
- L'Eccezione: Quando il robot ha esaminato lingue che si affidano anche esse all'ordine delle parole o a marcatori semplici (come l'inglese o il francese), è andato molto meglio.
- Il Punto Chiave: Il robot "comprende" la grammatica di altre lingue solo se quella grammatica somiglia a quella del persiano. Se l'altra lingua usa un sistema (come le complesse desinenze dei casi) che il persiano non ha mai usato, il cervello del robot non ha una mappa per esso.
Il Test del "Genere" (Maschile vs Femminile):
- Il Probleamento: Il persiano non ha genere grammaticale (le parole non sono "maschio" o "femmina").
- Il Risultato: Il robot ha faticato con le lingue che hanno sistemi di genere complessi (come il russo con i suoi tre generi). Tuttavia, è andato abbastanza bene con le lingue che hanno sistemi di genere più semplici o che si affidano al sesso naturale (come l'arabo o il francese), probabilmente perché il persiano ha preso in prestito molte parole dall'arabo, e quelle parole prese in prestito a volte hanno mantenuto il loro "gusto".
- Il Punto Chiave: La comprensione del genere da parte del robot è plasmata da ciò che ha effettivamente visto nel persiano. Non può inventare un sistema di genere complesso che non ha mai appreso.

Il "Fantasma" nella Macchina

Uno degli aspetti più interessanti è stata la modalità con cui questa informazione è stata conservata.

Per le lingue senza contatto (come il giapponese), il robot aveva alcune "lampadine" molto specifiche che si accendevano solo per il giapponese. Era facile da individuare.
Per le lingue con un forte contatto (come l'arabo o il turco), l'informazione non era in una singola lampadina. Invece, era un bagliore diffuso sparso in tutto il cervello.
La Metafora: Pensa a una casa. Se inviti un estraneo (il giapponese) dentro, lui siede su una sedia specifica. Se inviti un vecchio amico di famiglia (l'arabo) che vive lì da secoli, non siede in una sola sedia; ha toccato tutto, ha spostato i mobili e ha lasciato il suo profumo ovunque in casa. Non puoi indicare un punto preciso e dire: "Questa è la parte araba". L'influenza è ovunque, ma è mescolata con la struttura persiana.

La Conclusione

L'articolo conclude che un modello linguistico addestrato su un unico linguaggio (il persiano) mostra effettivamente le tracce della sua storia, ma solo in modo molto selettivo.

Mantiene le regole universali (come cosa sia un verbo) intatte e immutate.
Adatta le regole specifiche (come genere o caso) solo se corrispondono alla "forma" della lingua persiana.

Se un contatto linguistico avesse cambiato la struttura profonda del persiano (come l'aggiunta di complessi casi), il robot lo avrebbe appreso. Ma poiché il persiano ha principalmente preso in prestito parole mantenendo la propria struttura della frase, il cervello del robot riflette questo: conosce le parole prese in prestito, ma pensa ancora secondo la grammatica persiana.

In breve: il robot è un parlante persiano che conosce molte parole straniere, ma pensa ancora in persiano. Non ha imparato a parlare la grammatica dei suoi vicini, ma solo a riconoscere le forme delle parole che ha preso in prestito da loro.

Sintesi Tecnica: Un Approccio Computazionale al Contatto Linguistico – Un Caso di Studio sul Persiano

Problematica
Il contatto linguistico è un motore primario della diversificazione e del cambiamento strutturale, che spazia dal prestito lessicale alla profonda ristrutturazione grammaticale. Sebbene la linguistica tradizionale abbia ampiamente documentato questi fenomeni, in particolare per il persiano (farsi) — una lingua con millenni di contatto con le famiglie turcica, araba e altre — rimane poco chiaro se tali cambiamenti indotti dal contatto siano rilevabili, quantificabili e interpretabili all'interno delle rappresentazioni interne di modelli linguistici neurali monolingue. Nello specifico, non è noto se un modello addestrato esclusivamente su dati persiani codifichi tracce strutturali latenti delle sue lingue di contatto, o se le sue rappresentazioni siano modellate unicamente dalla struttura nativa della lingua di addestramento e dalle proprietà sintattiche universali.

Metodologia
Lo studio impiega un framework computazionale per sondare le rappresentazioni intermedie di ParsBERT, un modello Transformer encoder-only monolingue addestrato su circa 3,9 miliardi di token di testo persiano. La metodologia prevede l'immissione di frasi provenienti da otto lingue di contatto (arabo, inglese, francese, tedesco, hindi, giapponese, russo e turco) nel modello persiano e l'analisi dei relativi embedding.

L'analisi utilizza due tecniche primarie:

Probing Informativo-Teoretico: Utilizzando l'Informazione Utilizzabile Variazionale ( $\hat{IV}$ ), lo studio quantifica la quantità di informazione linguistica codificata nei livelli intermedi del modello riguardo a specifiche variabili target ( $Y$ ), quali l'identità linguistica, i tag Universali di Parte del Discorso (UPOS), il CASO (CASE) e il GENERE. La metrica è normalizzata rispetto all'entropia marginale della caratteristica target per riflettere la proporzione di incertezza recuperabile dalla rappresentazione.
Analisi di Attribuzione: Utilizzando la Linguistic Activation Probability Entropy (LAPE), lo studio identifica quali elementi specifici (neuroni) all'interno delle rappresentazioni contribuiscono più fortemente alla codifica di queste caratteristiche. Punteggi LAPE bassi indicano un'alta selettività (neuroni che rispondono preferenzialmente a condizioni specifiche), mentre punteggi alti suggeriscono un'attivazione uniforme o non discriminativa.

Il dataset consiste nei treebank Parallel Universal Dependencies (PUD), garantendo la comparabilità translinguistica attraverso annotazioni coerenti e strutture di frase allineate. Le lingue di test selezionate variano per grado e tipo di contatto con il persiano (storico, moderno, regionale o minimo).

Risultati Chiave
L'indagine rivela un'asimmetria distinta tra il modo in cui le categorie sintattiche universali e le caratteristiche morfologiche vengono codificate in presenza di contatto linguistico:

Identificazione della Lingua: ParsBERT codifica una quantità sostanziale di informazione sulle lingue non persiane nonostante l'addestramento monolingue. Il guadagno di informazione raggiunge il picco dopo il terzo livello. Notevolmente, il modello è più informativo riguardo all'arabo, all'hindi e al russo, riflettendo probabilmente un significativo influenza lessicale o legami genealogici. Tuttavia, l'analisi LAPE mostra che i segnali specifici della lingua sono raramente localizzati in caratteristiche compatte e selettive; al contrario, sono distribuiti attraverso rappresentazioni condivise, eccetto per il giapponese, che mostra un'alta selettività probabilmente dovuta al disallineamento ortografico.
Sintassi Universale (UPOS): L'informazione recuperabile per i tag UPOS rimane ampiamente stabile attraverso i livelli ed è insensibile al grado di contatto storico. Né la somiglianza tipologica né l'intensità del contatto influenzano significativamente la codifica delle categorie sintattiche universali, suggerendo che queste rappresentazioni siano robuste alla variazione indotta dal contatto.
Caratteristiche Morfologiche (CASO e GENERE):
- CASO: Il modello esibisce un forte bias verso le lingue con marcatura del caso minima o residua (es. inglese, francese, giapponese), dove il guadagno di informazione è elevato. Al contrario, non riesce a codificare sistemi di caso flessivi ricchi (es. tedesco, russo, turco) che sono assenti nel persiano. L'arabo mostra una performance intermedia, probabilmente a causa della sovrapposizione lessicale e della limitata realizzazione del caso nell'arabo contemporaneo scritto. Il caso postposizionale dell'hindi è scarsamente catturato a causa di disallineamenti strutturali.
- GENERE: ParsBERT cattura efficacemente gli indizi relativi all'assenza di genere grammaticale (giapponese, turco) e alla realizzazione marginale del genere nei pronomi (inglese). Per le lingue con sistemi di genere pienamente grammaticalizzati, la performance è inferiore. I sistemi a due generi (francese, hindi, arabo) mostrano una recuperabilità moderata, mentre i sistemi a tre generi non ne mostrano quasi nessuna. La selettività del modello è concentrata nelle caratteristiche associate ai sostantivi neutri, riflettendo la diversità semantica di tale categoria.

Contributi Chiave

Primo Studio Computazionale del Contatto del Persiano: Questo lavoro presenta la prima investigazione computazionale del contatto linguistico del persiano a livello di rappresentazioni neurali.
Codifica Selettiva del Contatto: Lo studio fornisce prove del fatto che i modelli linguistici monolingue codificano tracce selettive e strutturalmente vincolate del contatto linguistico. Gli effetti del contatto si riflettono più facilmente nei pattern morfologici e costruttivi allineati con la lingua di addestramento (analitica/configurazionale) piuttosto che nelle categorie sintattiche universali.
Framework Metodologico: Combinando il probing informativo-teoretico con l'analisi di attribuzione, il paper offre un framework rigoroso per investigare questioni classiche della linguistica del contatto utilizzando modelli neurali.

Significatività e Rivendicazioni
Il paper sostiene che i modelli linguistici monolingue non riflettono semplicemente i dati di addestramento, ma codificano implicitamente tracce del contatto linguistico storico, a condizione che tali tracce siano allineate con le proprietà strutturali della lingua di addestramento. I risultati suggeriscono che, mentre le rappresentazioni sintattiche universali rimangono robuste alla variazione indotta dal contatto, le caratteristiche morfologiche sono altamente sensibili alla struttura specifica della lingua.

Gli autori concludono che gli effetti del contatto in questi modelli non sono il risultato di un'esposizione diretta alle lingue di contatto, ma derivano da:

Caratteristiche strutturali del persiano stesso che riflettono il contatto storico.
L'impronta statistica di prestiti, calchi e costruzioni ibride.
Proprietà linguistiche universali condivise tra le lingue.

Lo studio evidenzia che i modelli neurali catturano allineamenti superficiali o semantici (es. prestito lessicale, strategie analitiche) piuttosto che una ristrutturazione grammaticale profonda (es. trasferimento di paradigmi flessivi). Ciò sottolinea i limiti e le possibilità di utilizzare i modelli linguistici neurali come strumenti per studiare il mutamento linguistico, indicando che essi riflettono i "vincoli strutturali" della lingua di addestramento quando elaborano fenomeni di contatto.

Limitazioni
Gli autori riconoscono che il dataset PUD esclude diverse lingue cruciali per la storia del persiano, come l'azerbaigiano, il turkmeno e l'urdu, il che limita la capacità di valutare i casi più forti di bilinguismo sostenuto e convergenza strutturale. Di conseguenza, l'analisi è vincolata alle lingue disponibili nel framework PUD.