LuxBorrow: From Pompier to Pompjee, Tracing Borrowing in Luxembourgish

Il paper presenta LuxBorrow, un'analisi di 27 anni di articoli RTL in lussemburghese che, attraverso un approccio focalizzato sul prestito linguistico, rivela come il lussemburghese rimanga la lingua matrice nonostante la pervasività del multilinguismo, evidenziando un'intensità di mescolanza moderata ma crescente nel tempo e una predominanza degli adattamenti morfologici e ortografici di origine francese.

L'essenziale

Immaginate il Lussemburgo come un grande bazar linguistico. Qui, la gente non parla solo una lingua, ma mescola costantemente il lussemburghese con il tedesco, il francese e l'inglese, proprio come un cuoco che aggiunge spezie diverse a una ricetta tradizionale.

Questo articolo di ricerca, chiamato LuxBorrow, è come una lente d'ingrandimento digitale che gli autori hanno puntato su 27 anni di notizie (dal 1999 al 2025) per capire esattamente come e quanto queste "spezie" linguistiche vengono usate.

Ecco la spiegazione semplice, divisa per punti chiave:

1. L'Obiettivo: Non solo "mescolare", ma "assorbire"

Spesso pensiamo che quando due lingue si mescolano sia tutto un caos. Ma gli autori fanno una distinzione importante, paragonabile a due tipi di ospiti a una festa:

• L'ospite che cambia vestito (Il Prestito): È una parola straniera che entra nella lingua lussemburghese, si adatta, prende la grammatica locale e diventa "di casa". È come un immigrato che impara la lingua del paese e si integra perfettamente.
• L'ospite che parla la sua lingua (Il Cambio di Codice): È quando qualcuno, in mezzo a una frase, spara una parola o una frase intera in un'altra lingua senza adattarla. È come un ospite che entra in cucina e continua a parlare nella sua lingua madre.

Il loro studio si concentra soprattutto sui primi: le parole che sono state "assorbite" e adattate.

2. Cosa hanno scoperto? (I Risultati)

A. Il Lussemburghese è sempre il "Capo"
Anche se le notizie sono piene di parole francesi, tedesche e inglesi, il lussemburghese rimane sempre la struttura portante, come l'impasto di una pizza. Le lingue straniere sono solo gli ingredienti sopra. Anche negli articoli più misti, il lussemburghese domina.

B. La quantità non significa intensità
Hanno scoperto che il 77% degli articoli usa almeno un'altra lingua, e il 65% ne usa tre o quattro. Sembra tantissimo! Ma la "densità" del mescolamento è bassa.

• Analogia: Immaginate un campo di grano (il lussemburghese) con qualche fiore selvatico (le parole straniere). Ci sono molti fiori, ma non coprono il grano. Non è un giardino misto, è un campo di grano con dei fiori sparsi.

C. Le regole del "Trucco" (Adattamento)
Le parole straniere non arrivano nude; devono farsi un "trucco" per sembrare lussemburghesi.

• Il trucco ortografico (il più comune): Cambiano la forma scritta. Per esempio, la parola francese pompier (vigile del fuoco) diventa Pompjee in lussemburghese. È come se la parola si mettesse un cappello e un paio di occhiali per non farsi riconoscere.
• Il trucco grammaticale: Cambiano il modo in cui si usano.
• Chi vince? Il francese è il "fornitore" principale di queste parole adattate (quasi il 99% nel passato), seguito da una crescita lenta del tedesco. L'inglese è ancora molto raro in questa categoria di parole "adattate".

D. Il tempo passa, il mescolamento cresce
Guardando gli ultimi 27 anni, hanno visto che il mescolamento è aumentato. È come se la società stesse diventando più multilingue anno dopo anno. Tuttavia, le parole che si adattano completamente (i prestiti veri e propri) sono ancora una piccola parte rispetto alle semplici "invasioni" temporanee di parole straniere.

3. Perché è importante? (La Metafora del Traduttore)

Immaginate di avere un traduttore automatico (come Google Translate) che deve leggere le notizie lussemburghesi.

• Se il traduttore non sa distinguere tra una parola lussemburghese e una parola francese adattata, farà confusione.
• Questo studio crea una "mappa" per i computer, insegnando loro a riconoscere quando una parola straniera è diventata "lussemburghese" e quando è solo un ospite temporaneo.

In sintesi

Gli autori hanno costruito un enorme database (LuxBorrow) per dire: "Ehi, il lussemburghese è vivo e vegeto, ma si sta evolvendo mescolandosi con le lingue vicine. Non è un caos, ma un processo ordinato dove le parole straniere si travestono per adattarsi alla cultura locale".

Hanno anche avvertito: "Non guardate solo le statistiche generali; a volte un singolo discorso politico può sembrare un caos linguistico, ma nella vita quotidiana e nelle notizie normali, il lussemburghese rimane il re indiscusso, con un seguito di parole straniere ben educate e adattate".

Sommario tecnico

Ecco un riassunto tecnico dettagliato del paper "LuxBorrow: From Pompier to Pompjee, Tracing Borrowing in Luxembourgish", tradotto e adattato in italiano.

1. Il Problema

Il lussemburghese (LU) è una lingua a contatto intenso con il tedesco (DE), il francese (FR) e l'inglese (EN). In questo contesto multilingue, il fenomeno del prestito lessicale (l'adozione di parole straniere integrate morfologicamente o ortograficamente) è pervasivo, ma spesso confuso con il code-switching (l'alternanza spontanea di lingue).
La sfida principale risiede nella distinzione tra:

• Prestiti radicati: Parole integrate nel lessico e nella grammatica del lussemburghese (es. Pompjee dal francese pompier).
• Code-switching: Inserimenti spontanei che mantengono la struttura della lingua donatrice.

Esiste una carenza di risorse computazionali su larga scala per analizzare questi fenomeni nel lussemburghese, specialmente in testi giornalistici editati. Gli indici di mescolamento linguistico tradizionali (come il CMI - Code-Mixing Index) sono spesso insufficienti per distinguere l'integrazione profonda dalla semplice alternanza, portando a una scarsa robustezza nei sistemi NLP (elaborazione del linguaggio naturale) per questa lingua a risorse limitate.

2. Metodologia

Gli autori hanno sviluppato LuxBorrow, un'analisi focalizzata sui prestiti basata su un corpus longitudinale di 259.305 articoli di notizie RTL (1999–2025), per un totale di 43,7 milioni di token.

La pipeline tecnica si articola in tre fasi principali:

1. Identificazione Linguistica Gerarchica (LID):

   • Fase 1 (Livello frase): Utilizzo di OpenLID (basato su FastText) per classificare la lingua della frase. Solo le frasi identificate come lussemburhesi (LU) vengono passate alla fase successiva per evitare falsi positivi su brevi segmenti.
   • Fase 2 (Livello token): All'interno delle frasi LU, viene applicato un rilevatore di prestiti specifico. I token vengono normalizzati e lemmatizzati usando spellux.

2. Rilevamento dei Prestiti e Distinzione dal Code-Switching:

   • Lessico Ibrido: È stato creato un registro di 7.796 voci di prestiti, derivato dal Lëtzebuerger Online Dictionnaire (LOD) e arricchito manualmente.
   • Regole Morfologiche e Ortografiche: Il sistema applica regole per identificare l'adattamento (es. trasformazioni come on → oun, eur → er, é → éiert).
   • Analisi Contestuale: Per distinguere un prestito da un code-switching, il sistema valuta la "lunghezza di esecuzione" (run-length) di token stranieri e la densità locale di token LU. Sequenze lunghe di lingua donatrice sono classificate come code-switching, mentre inserimenti isolati con adattamenti morfologici sono classificati come prestiti.
   • Gestione delle Ambiguità: Il sistema risolve casi di "prestiti paralleli" (parole derivanti da una radice comune latina/greca) e "eredità condivisa" (similitudini LU/DE dovute all'origine germanica comune), escludendo le parole che non sono prestiti reali.

3. Analisi Statistica e Metriche:

   • Calcolo di metriche documentali (CMI, Entropia di Shannon, M-Index).
   • Analisi diacronica (1999-2025) per tracciare l'evoluzione temporale.
   • Classificazione dei prestiti per tipo di adattamento (morfologico, ortografico, lessicale puro).

3. Contributi Chiave

• Corpus Annotato: Creazione del primo corpus su larga scala di notizie lussemburhesi annotato a livello di token per prestiti e code-switching, coprendo 27 anni di storia.
• Pipeline di Rilevamento: Sviluppo di un sistema ibrido che combina LID a livello di frase con regole morfologiche e lessicali a livello di token, specifico per lingue a risorse limitate.
• Nuove Metriche: Proposta di metriche focalizzate sul prestito (tasso di token/prestito, entropia del donatore sui prestiti, rapporto di assimilazione) invece di affidarsi solo agli indici di mescolamento generici.
• Analisi Diacronica: Fornitura di una visione temporale dettagliata su come l'integrazione dei prestiti sia cambiata attraverso periodi storici chiave (crisi finanziaria, pandemia, era dell'IA).

4. Risultati Principali

• Dominio della Lingua Matrice: Il lussemburghese rimane la lingua matrice in tutti i documenti (100%). Sebbene il 77,1% degli articoli contenga almeno una lingua donatrice e il 65,4% ne contenga tre o quattro, la mescolanza è "ampia ma poco intensa". L'indice CMI mediano sale solo da 3,90 (LU+1) a 7,00 (LU+3), indicando inserimenti localizzati piuttosto che testi bilingui bilanciati.
• Tipologia di Adattamento: Su 25.444 istanze di prestiti rilevati:
  • Morfologico: 63,8% (dominante collettivamente, es. er → éieren).
  • Ortografico: 35,9% (dominante individualmente, es. on → oun, eur → er).
  • Lessicale (puro): 0,3% (estremamente raro).
• Fonti dei Prestiti: Il francese è il donatore predominante, fornendo la stragrande maggioranza dei prestiti adattati (circa il 97-99% delle forme adattate morfologicamente). Il tedesco mostra una crescita modesta, mentre l'inglese è trascurabile nel contesto dei prestiti morfologicamente adattati.
• Trend Temporali:
  • Il code-switching generale è aumentato del 37,4% tra il 1999 e il 2025.
  • Il volume assoluto dei prestiti morfologicamente adattati è cresciuto di un fattore 13,2x nello stesso periodo, partendo da una base piccola.
  • L'intensità del mescolamento ha raggiunto un picco nel 2020 (CMI = 8,4), coincidente con la riforma ortografica e la pandemia.

5. Significato e Implicazioni

• Per la Linguistica di Contatto: Lo studio conferma che nel lussemburghese scritto editato, la distinzione tra prestito e code-switching è cruciale. La lingua matrice mantiene il controllo strutturale, integrando i prestiti attraverso regole sistematiche (specialmente ortografiche e morfologiche) piuttosto che attraverso l'alternanza sintattica libera.
• Per l'NLP (Elaborazione del Linguaggio Naturale):
  • Gli indici di mescolamento a livello di documento (come CMI) possono essere fuorvianti per sistemi NLP; è necessario un approccio focalizzato sul token.
  • La normalizzazione del testo (TN) e la gestione dei prestiti sono essenziali per migliorare le prestazioni di sistemi come ASR (Riconoscimento Automatico del Parlato), MT (Traduzione Automatica) e NER (Riconoscimento di Entità Nominate).
  • L'approccio "borrowing-first" (prima i prestiti) offre diagnosi più azionabili per l'arricchimento del lessico e la gestione delle risorse linguistiche.
• Limitazioni e Futuro: Il corpus è limitato a un singolo editore (RTL), il che potrebbe introdurre bias editoriali. Il lavoro futuro includerà l'annotazione manuale di un "gold standard", l'integrazione di dati conversazionali e social media per catturare fenomeni più rari, e l'addestramento di modelli sequenziali supervisionati debolmente dal registro dei prestiti.

In sintesi, LuxBorrow fornisce una base empirica solida per comprendere come il lussemburghese assorba e adatti le influenze esterne, offrendo strumenti metodologici essenziali per lo sviluppo di tecnologie linguistiche robuste per le lingue a risorse limitate in contesti multilingue.