Phonological Fossils: Machine Learning Detection of Non-Mainstream Vocabulary in Sulawesi Basic Lexicon

Questo studio utilizza un classificatore di machine learning basato su caratteristiche fonologiche per identificare un vocabolario non mainstream nelle lingue austronesiane del Sulawesi, rivelando un'impronta fonologica distintiva ma smentendo l'esistenza di un'unica lingua substrato pre-austronesiana condivisa.

L'essenziale

🌋 Il "Fossile Fonologico": Caccia alle parole perdute nelle lingue del Sulawesi

Immagina le lingue come un grande albero genealogico. La famiglia Austronesiana è enorme: copre tutto l'Oceano Pacifico, dalle Filippine alle isole della Polinesia. Gli studiosi sanno che queste lingue discendono tutte da un "nonno" comune (il Proto-Austronesiano), proprio come l'italiano, il francese e lo spagnolo discendono dal latino.

Tuttavia, nelle isole di Sulawesi (in Indonesia), c'è un mistero. Molti vocaboli di base (come "mangiare", "correre", "grande") sembrano non avere parenti in altre lingue della famiglia. Sembrano "orfani".
La domanda è: Queste parole strane sono resti di una lingua antica che viveva lì prima dell'arrivo degli Austronesiani (un "substrato"), o sono semplicemente invenzioni nuove e indipendenti di ogni lingua?

Gli studiosi tradizionali hanno sempre detto: "Sono resti antichi!". Ma questo studio usa l'Intelligenza Artificiale per mettere alla prova questa idea.

---

🕵️‍♂️ L'Investigatore Digitale: Come hanno lavorato?

Gli autori hanno creato un detective digitale (un algoritmo di Machine Learning) per analizzare 1.357 parole di sei lingue diverse di Sulawesi.

1. Il Filtro (La "Pettinatura"): Prima di tutto, hanno tolto tutte le parole che avevano un "parente" riconosciuto nelle altre lingue. Quelle che rimanevano erano i "sospetti": parole senza cognati.
2. L'Analisi delle Impronte: Qui entra in gioco l'IA. Invece di chiedere "Questa parola è simile a quella?", l'IA ha guardato solo come suonano le parole. Ha cercato delle "impronte digitali fonologiche".

🖐️ L'Impronta Digitale (Il "Fingerprint")

L'IA ha scoperto che le parole "strane" (i sospetti) hanno un aspetto molto specifico, come se avessero un vestito diverso:

• Sono più lunghe: Le parole Austronesiane classiche sono spesso corte e ritmiche (due sillabe). Le parole "strane" tendono ad essere più allungate.
• Hanno più "grumi" di consonanti: Mentre le parole normali scorrono lisce, queste hanno gruppi di consonanti attaccate che sembrano incollate.
• Usano più "fermate di gola": Hanno più suoni che si fanno bloccando l'aria in gola (come il suono tra "u" e "a" in alcune lingue).
• Sono spesso verbi d'azione: Paradossalmente, sono più spesso parole che descrivono azioni (correre, tagliare) che oggetti.

L'IA è riuscita a distinguere le parole "normali" da quelle "strane" con un'accuratezza del 76%, basandosi solo su queste caratteristiche sonore. È come se avesse imparato a riconoscere un'auto finta guardando solo la forma dei fari, senza guardare il motore.

---

🧩 Il Grande Colpo di Scena: Non sono tutti fratelli!

Fin qui, sembrava che queste parole strane fossero tutte "fratelli" di una lingua perduta. Ma poi è arrivato il vero test, quello che ha cambiato la storia.

Gli autori hanno preso le 266 parole "sospette" che l'IA e i linguisti erano d'accordo nel classificare come strane e hanno chiesto: "Se queste parole venissero tutte dalla stessa lingua antica, non dovrebbero essere più simili tra loro rispetto a parole a caso?"

Hanno fatto un esperimento di "gruppo":

• Se prendi parole della stessa famiglia, dovrebbero assomigliarsi (come "gatto" in italiano e "gato" in spagnolo).
• Se prendi parole inventate da zero, non dovrebbero assomigliarsi.

Il risultato?
Le parole "strane" di Sulawesi non si raggruppano affatto. Sono come un gruppo di persone che indossano tutti lo stesso cappello rosso (hanno la stessa "impronta fonologica"), ma non hanno nulla in comune nel DNA.

La metafora: Immagina di trovare 20 persone in una piazza che indossano tutte un cappello rosso strano.

• Ipotesi A (Substrato comune): Sono tutti figli dello stesso sarto che vende cappelli rossi.
• Ipotesi B (Innovazione parallela): Ognuno ha comprato il suo cappello rosso in un negozio diverso, o lo ha fatto da solo, perché il cappello rosso era di moda in quel momento.

Lo studio dice: È l'Ipotesi B.
Ogni lingua di Sulawesi ha inventato le sue parole strane in modo indipendente, probabilmente per colmare dei buchi nel vocabolario o per imitare i vicini, creando tutte lo stesso "stile" fonologico, ma senza condividere una storia comune.

---

🗺️ Perché è importante?

1. L'IA aiuta, ma non sostituisce: Questo studio mostra che l'Intelligenza Artificiale può fare da "setaccio" veloce per trovare parole sospette in migliaia di lingue, risparmiando tempo ai linguisti umani.
2. Attenzione alle apparenze: Non perché una parola suona "strana" o "antica", significa che viene da una lingua perduta. Spesso è solo un'innovazione locale che ha preso una forma particolare.
3. La prova della scrittura: Gli autori notano un dettaglio affascinante: quando gli indigeni hanno adottato la scrittura indiana (Hanacaraka), hanno eliminato proprio quei suoni "strani" (come le aspirazioni) che la loro lingua Austronesiana non usava. Questo conferma che l'IA ha individuato delle regole fonologiche vere e proprie, non errori di calcolo.

In sintesi

Questo paper ci dice che le lingue di Sulawesi hanno un "accento" particolare per le parole più strane, ma questo accento non è la prova di un unico popolo perduto. È piuttosto la prova che, quando le lingue crescono in un ambiente complesso e isolato, tendono a sviluppare soluzioni simili (parole più lunghe, suoni più duri) in modo indipendente, come se stessero tutte seguendo la stessa moda linguistica senza parlarsi tra loro.

È una storia di indipendenza, non di un'unica radice perduta.

Sommario tecnico

1. Il Problema di Ricerca

Le lingue austronesiane del Sulawesi (Indonesia) contengono una porzione significativa di vocabolario di base che resiste alla ricostruzione filogenetica e presenta pattern fonologici incoerenti con le radici ereditate. Tradizionalmente, queste forme sono state interpretate come substrati pre-austronesiani (lingue indigene spostate dall'espansione austronesiana). Tuttavia, questa interpretazione si basa sull'assunzione non verificata che la "non-conformità fonologica" implichi necessariamente un'origine non-austronesiana condivisa.
Il problema centrale è distinguere se queste forme anomale derivino da:

1. Un unico strato di substrato pre-austronesiano.
2. Innovazioni indipendenti e parallele all'interno delle singole lingue.
3. Artefatti di documentazione o prestiti.

Mancava un approccio computazionale sistematico per testare questa ipotesi senza ricorrere a dati di cognazione che creerebbero un circolo vizioso (usare le etichette di cognazione per addestrare un modello che poi predice la cognazione).

2. Metodologia

Lo studio combina un metodo basato su regole con un classificatore di Machine Learning (ML) addestrato esclusivamente su caratteristiche fonologiche.

Dati

• Corpus: 1.357 forme lessicali da 6 lingue del Sulawesi (Muna, Bugis, Makassar, Wolio, Toraja-Sa'dan, Tolaki) tratte dall'Austronesian Basic Vocabulary Database (ABVD).
• Copertura: 210 concetti Swadesh (con un sottoinsieme core di 100).
• Etichettatura (E022): Un metodo sottrattivo basato su regole ha identificato 438 forme "candidate substrato" (32,3%) rimuovendo i cognati ABVD, i prestiti noti e verificando contro ricostruzioni del Proto-Austronesiano (PAN). Le forme rimanenti sono etichettate come "candidati substrato" in un contesto di apprendimento Positive-Unlabeled (PU).

Design del Modello (E027)

Per evitare il bias circolare, sono stati utilizzati due modelli:

1. Modello A (Baseline Circolare): Include 31 feature, incluse quelle distributive (dimensione del set di cognati, ecc.). Serve solo come controllo per dimostrare che i dati etichettati sono coerenti.
2. Modello B (Scientifico): Addestrato su 27 feature esclusivamente fonologiche e distributive superficiali, escludendo qualsiasi dato di cognazione.
   • Feature: Lunghezza della forma, conteggio delle consonanti, presenza di stop glottali, cluster consonantici, prefissi canonici, dominio semantico, ecc.
   • Algoritmi: XGBoost, Random Forest e Regressione Logistica.
   • Validazione: Cross-validazione stratificata (5-fold) e Leave-One-Language-Out (LOLO) per testare la generalizzazione trasversale.

Analisi di Consenso e Clustering

• Consenso (E028): Incrocio delle predizioni del metodo basato su regole e del Modello B per identificare candidati ad alta fiducia (Cohen's κ).
• Clustering Fonologico (E029): Analisi dei 266 candidati di consenso per verificare se formano famiglie lessicali coerenti (usando la distanza di Levenshtein normalizzata e silhouette score).
• Test di Cognazione Cross-linguistica: Confronto delle distanze fonologiche tra forme che rappresentano lo stesso concetto in lingue diverse rispetto a un'ipotesi nulla.

3. Risultati Chiave

Rilevamento Fonologico

Il Modello B (solo fonologia) ha raggiunto un AUC di 0,763 (± 0,007), dimostrando che le proprietà fonologiche da sole contengono un segnale discriminante significativo per identificare il vocabolario non-mainstream.

• L'impronta digitale fonologica ("Phonological Fingerprint"): Le forme non-mainstream tendono ad avere:
  • Lunghezza maggiore (media 2,57 sillabe vs 2,29 per le forme ereditate).
  • Maggior numero di cluster consonantici.
  • Tassi più elevati di stop glottali.
  • Minore frequenza di prefissi canonici austronesiani.
  • Sovrarappresentazione nel dominio semantico dei verbi d'azione.

Validità e Robustezza

• Il modello è robusto alla conversione approssimativa IPA (cambiamento AUC < 0,01), confermando che non rileva artefatti ortografici.
• L'analisi di ablazione ha mostrato che la rimozione della feature "copertura di cognazione" (che potrebbe essere un confondente) ha leggermente migliorato le prestazioni, confermando che il segnale risiede nelle proprietà della forma, non nella documentazione.

Risultati del Consenso e Clustering

• Consenso: 266 forme sono state identificate come "substrato" sia dal metodo basato su regole che dal ML (Cohen's κ = 0,611).
• Nessuna Famiglia Coerente: Il clustering fonologico di queste 266 forme non ha prodotto famiglie lessicali coerenti (Silhouette score = 0,114).
• Test di Cognazione: Il test statistico ha prodotto un p-value di 0,569, indicando che le forme non-mainstream per lo stesso concetto non sono più simili tra loro rispetto al vocabolario casuale.

Patterning Geografico

L'applicazione del modello a 16 lingue aggiuntive ha rivelato che le lingue del Sulawesi hanno tassi predetti di vocabolario non-mainstream significativamente più alti (media Psub = 0,606) rispetto alle lingue dell'Indonesia occidentale (0,393).

4. Contributi Principali

1. Metodologia Computazionale: Introduzione di un approccio a due modelli che separa le feature circolari (cognazione) da quelle fonologiche pure, permettendo di testare l'ipotesi del substrato senza presupporre la risposta.
2. Sfatare un'Ipotesi: Dimostrazione che la non-conformità fonologica non è equivalente a un'origine da un unico substrato pre-austronesiano. I dati supportano l'ipotesi di innovazioni indipendenti e parallele piuttosto che un'eredità comune.
3. Evidenza Convergente: Correlazione tra l'"impronta digitale" rilevata dal ML e le restrizioni fonologiche storiche osservate nell'adattamento della scrittura Hanacaraka (giavanese), che ha eliminato esattamente le categorie fonologiche (aspirazione, retroflessione) assenti dal PAN.

5. Significato e Implicazioni

• Per la Linguistica Austronesiana: Lo studio mette in guardia contro l'interpretazione automatica delle forme anomale come prove di un substrato comune. Suggerisce invece che il "vuoto lessicale" nel vocabolario di base sia stato riempito da innovazioni locali o contatti areali specifici, piuttosto che da un unico strato linguistico pre-esistente.
• Metodologia: Il lavoro dimostra come il Machine Learning possa fungere da strumento di screening scalabile e riproducibile per identificare anomalie fonologiche, complementando (non sostituendo) il metodo comparativo tradizionale.
• Limiti e Futuro: Lo studio riconosce i limiti legati all'uso di dati ortografici (non IPA), alla mancanza di analisi morfologica (che potrebbe confondere i cluster consonantici derivanti da affissi) e alla dimensione del campione. Il lavoro futuro dovrà includere la decomposizione morfologica e l'espansione a vocabolari più ampi e a contesti di contatto con lingue Papuan.

In sintesi, il paper utilizza l'apprendimento automatico per rivelare che, sebbene esista un chiaro "profilo fonologico" per il vocabolario non-standard nel Sulawesi, questo profilo è il risultato di processi indipendenti e non di un'unica origine etimologica condivisa.