Phonological distances for linguistic typology and the origin of Indo-European languages

Utilizzando un framework informazionale per analizzare le dipendenze fonemiche a breve raggio, lo studio dimostra che le distanze fonologiche calcolate su 67 lingue moderne non solo ricostituiscono le famiglie linguistiche e le convergenze indotte dal contatto, ma rivelano anche una forte correlazione con la distanza geografica che supporta l'ipotesi della Steppa come luogo d'origine delle lingue indoeuropee.

L'essenziale

🗣️ Le Lingue come un "DNA Sonoro": Come gli scienziati hanno trovato la casa degli Indo-Europei

Immagina che ogni lingua del mondo sia come una famiglia di gemelli. Alcuni si assomigliano tantissimo (come il tedesco e l'inglese), altri un po' meno (come il russo e il greco), e altri ancora sembrano parenti molto lontani.

Per secoli, gli studiosi hanno cercato di capire da dove venissero queste famiglie linguistiche, specialmente quella Indo-Europea (che include l'italiano, l'inglese, il russo, il hindi e molte altre). Ma come si fa a trovare la "casa natale" di una famiglia che si è dispersa nel mondo migliaia di anni fa?

Questo studio propone un metodo geniale: invece di guardare le parole (che cambiano velocemente), guardano i suoni e come si comportano tra loro, usando la matematica come una lente d'ingrandimento.

1. Il "DNA" dei Suoni: Le Regole del Gioco

Immagina di avere una lunga striscia di parole, come una collana di perle. Gli autori non hanno contato le perle una per una, ma hanno guardato come le perle si succedono.

Hanno usato un trucco matematico (chiamato catena di Markov) che funziona così:

"Se oggi piove, qual è la probabilità che domani piova?"

Invece del tempo, hanno chiesto: "Se in una parola c'è il suono 'B', qual è la probabilità che il suono successivo sia 'A' o 'O'?"
Hanno scoperto che i suoni delle lingue non sono casuali. Seguono delle regole precise, come se ogni lingua avesse un suo ritmo interno o un suo DNA sonoro.

2. La "Bibbia" come Cassetta degli Attrezzi

Per fare questo esperimento, hanno usato la Bibbia.
Perché? Perché è uno dei pochi testi tradotti in quasi tutte le lingue del mondo. È come se avessero preso 67 diverse copie della stessa storia, scritte in lingue diverse, e le avessero trasformate tutte in una sequenza di suoni (come se avessero trascritto tutto in alfabeto fonetico).

Hanno poi analizzato queste sequenze per vedere quanto i "ritmi" dei suoni di una lingua fossero simili a quelli di un'altra.

3. La Mappa delle Distanze: Chi è vicino a chi?

Hanno creato una mappa delle distanze.
Immagina di avere 67 persone in una stanza. Se due persone parlano lingue simili, stanno vicine. Se parlano lingue molto diverse, stanno lontane.

Il risultato è stato sorprendente:

• Le lingue si sono raggruppate automaticamente nelle famiglie che conosciamo (le lingue germaniche insieme, quelle slave insieme, quelle romanze insieme).
• Ma hanno anche scoperto "amicizie" inaspettate: lingue che non sono parenti per nascita, ma che si sono "mescolate" perché i loro parlanti hanno vissuto vicini per secoli (un po' come due famiglie che si frequentano spesso e iniziano a usare le stesse espressioni).

4. Il Grande Indovinello: Dove vivevano gli Indo-Europei?

Qui arriva la parte più affascinante.
Hanno notato una regola d'oro: più due lingue sono lontane geograficamente, più i loro suoni sono diversi. È come se, allontanandosi dalla "casa madre", la lingua si fosse "sbiadita" e cambiata sempre di più.

Usando questa regola, hanno fatto un esperimento inverso:

1. Hanno preso tutte le lingue Indo-Europee.
2. Hanno calcolato quanto erano diverse tra loro.
3. Hanno chiesto alla matematica: "Se immaginiamo che tutte queste lingue siano partite da un unico punto, dove dovrebbe essere quel punto affinché le distanze tra i suoni corrispondano alle distanze reali sulla mappa del mondo?"

Il Risultato:
La matematica ha puntato il dito verso una zona specifica: a nord del Mar Nero, nelle grandi steppe (la zona dell'attuale Ucraina e Russia meridionale).

Questo conferma la "Teoria delle Steppe" (o ipotesi Kurgan), che dice che gli antenati degli Indo-Europei vivevano lì e poi si sono spostati verso est, ovest e sud, portando con sé la loro lingua.

In Sintesi

Gli scienziati hanno usato la matematica per ascoltare il "ritmo" nascosto nelle lingue. Hanno scoperto che i suoni raccontano una storia di viaggi e migrazioni.
È come se avessero trovato le impronte digitali di un antico viaggio: analizzando come i suoni sono cambiati mentre le persone si spostavano, hanno potuto ricostruire la mappa del loro punto di partenza, confermando che la culla della nostra famiglia linguistica europea e indiana si trova nelle grandi pianure dell'Europa orientale.

La morale della storia? Anche senza leggere i libri di storia antichi, la matematica applicata ai suoni può dirci dove siamo nati.

Sommario tecnico

Titolo: Distanze fonologiche per la tipologia linguistica e l'origine delle lingue indoeuropee

Autori: Marius Mavridis, Juan De Gregorio, Raúl Toral, David Sánchez.
Affiliazione: IFISC (UIB-CSIC), Spagna; Université Paris-Saclay, Francia.

---

1. Il Problema e l'Obiettivo

Il lavoro si pone l'obiettivo di quantificare le relazioni tra le lingue basandosi sulle loro strutture fonologiche, superando i limiti degli approcci tradizionali che si concentrano su lessico, sintassi o ortografia.
Il problema centrale è duplice:

1. Tipologia Linguistica: Sviluppare un metodo robusto per misurare la distanza fonologica tra lingue diverse, capace di catturare non solo le somiglianze genetiche, ma anche quelle indotte dal contatto linguistico.
2. Origine Storica: Utilizzare queste misure di distanza per inferire la "patria originaria" (homeland) della famiglia linguistica indoeuropea (IE), un dibattito storico-linguistico ancora aperto tra l'ipotesi anatolica e quella delle steppe (Kurgan).

2. Metodologia

A. Dataset e Preprocessing

• Corpus: È stato utilizzato un corpus parallelo costituito da 129 traduzioni della Bibbia in 67 lingue moderne. La scelta della Bibbia garantisce una lunghezza del campione simile e riduce i bias legati a generi o registri diversi.
• Trascrizione: I testi sono stati trascritti in Alfabeto Fonetico Internazionale (IPA) utilizzando Phonemizer (backend eSpeak) e Epitran.
• Filtraggio: Sono stati rimossi i tratti soprasegmentali (toni, diacritici sottili) e la lunghezza fonetica, mantenendo però tratti distintivi come l'aspirazione, la palatalizzazione e la nasalizzazione.
• Validazione: Le trascrizioni sono state validate contro il database WikiPron, correggendo solo errori manifesti.

B. Approccio Teorico-Informationistico

I ricercatori modellano le sequenze di fonemi come processi stocastici:

• Catene di Markov: Le sequenze sono trattate come catene di Markov di ordine superiore. Analizzando il "guadagno di prevedibilità" (predictability gain, $G_u$), gli autori dimostrano che le dipendenze a corto raggio (fino a 3 fonemi consecutivi, o trifoni) catturano efficacemente le correlazioni statistiche del sistema fonologico.
• Modellazione: Si assume che un modello di ordine 2 (che considera 3 fonemi, ovvero $m=2$) sia il miglior compromesso tra significatività statistica e affidabilità computazionale.

C. Metrica di Distanza

Per calcolare la distanza tra due lingue, non si usa una semplice divergenza di frequenza, ma una metrica che tiene conto della similarità articolatoria:

1. Vettori di Caratteristiche: Ogni fonema è rappresentato da un vettore di 24 tratti articolatori (es. sonoro, nasale, labiale, ecc.).
2. Embedding dei Trifoni: Ogni trifono è mappato in un vettore di 72 dimensioni (3 fonemi $\times$ 24 tratti), ridotto a 60 dimensioni dopo l'eliminazione di tratti costanti.
3. Distanza di Wasserstein (Earth Mover's Distance): La distanza tra due lingue è definita come la distanza di Wasserstein tra le loro distribuzioni di probabilità dei trifoni. Questa metrica calcola il "costo minimo" per trasformare la distribuzione di una lingua nell'altra, utilizzando la distanza di feature edit nello spazio dei tratti articolatori come metrica di base.

D. Analisi Geografica e Statistica

• Correlazione Spaziale: Si calcola la distanza geografica (geodetica) tra le coordinate delle lingue (da WALS) e la distanza fonologica ottenuta.
• Inferenza della Patria Originaria: Si assume che la distanza fonologica tra una lingua moderna e la distribuzione media della famiglia indoeuropea aumenti con la distanza geografica dal luogo di origine. Minimizzando la somma dei quadrati degli scarti ($\chi^2$) tra le distanze geografiche reali e quelle previste dalla divergenza fonologica, si individua il punto di origine più probabile.

3. Risultati Chiave

• Ricostruzione dei Gruppi Linguistici: La matrice delle distanze fonologiche recupera con successo le principali famiglie linguistiche (es. Germaniche, Slavo-Baltiche, Romanze, Indo-Arie, Altaiche).
  • Nota: Il clustering riflette la vicinanza fonologica, non necessariamente l'affiliazione genetica. Ad esempio, alcune lingue romanze si raggruppano con il basco o l'estone a causa di contatti storici o somiglianze inventaristiche (es. sistemi vocalici simili).
• Correlazione Geografica: È stata trovata una correlazione positiva significativa tra la distanza geografica e la distanza fonologica. La correlazione è più forte per le sole lingue indoeuropee ($R_d = 0.496$) rispetto all'intero dataset ($R_d = 0.428$), suggerendo che il segnale filogenetico è dominante all'interno della famiglia.
• Origine delle Lingue Indoeuropee:
  • L'analisi di minimizzazione del $\chi^2$ individua una regione plausibile di origine a nord del Mar Nero, corrispondente alle steppe pontico-caspiche.
  • Il risultato è coerente con l'ipotesi delle steppe (Kurgan) e con recenti evidenze genetiche.
  • I risultati sono meno compatibili (ma non totalmente in contrasto) con l'ipotesi anatolica, che postula un'origine più antica in Anatolia.

4. Contributi e Significatività

1. Nuovo Framework Quantitativo: Il lavoro introduce un approccio basato sull'informazione e sulla teoria dei trasporti ottimali (Wasserstein) per la linguistica tipologica, dimostrando che le dipendenze a corto raggio nei fonemi contengono informazioni sufficienti per ricostruire relazioni su larga scala.
2. Indipendenza dal Lessico: A differenza dei metodi basati sul lessico (es. liste Swadesh), questo metodo è robusto rispetto ai prestiti lessicali, focalizzandosi sulla struttura fonologica intrinseca.
3. Conferma dell'Ipotesi delle Steppe: Fornisce una prova indipendente, basata su dati fonologici moderni e modelli statistici, a sostegno dell'origine delle lingue indoeuropee nelle steppe eurasiatiche, allineandosi con le scoperte della genetica delle popolazioni.
4. Distinzione tra Genetica e Contatto: Il metodo permette di distinguere tra somiglianze dovute a discendenza comune e quelle dovute a convergenza indotta dal contatto (es. tra lingue indoeuropee e dravidiche o tra romanze e basco).

5. Limitazioni e Prospettive Future

• Dimensione del Dataset: L'analisi è limitata a 67 lingue; un campione più ampio migliorerebbe la copertura della diversità fonologica mondiale.
• Approccio Sincronico: Lo studio analizza le lingue moderne. L'integrazione di dati diacronici (storici) o l'uso di metodi filogenetici bayesiani potrebbe permettere di datare le divergenze.
• Autocorrelazione Spaziale: Il modello attuale non gestisce l'autocorrelazione spaziale nei residui, un aspetto che potrebbe essere affrontato in lavori futuri per raffinare la stima della patria originaria.

In sintesi, il paper dimostra che la fonologia, modellata attraverso catene di Markov e metriche di trasporto ottimali, è una fonte potente di dati per la linguistica storica e la tipologia, offrendo nuove evidenze quantitative sulle migrazioni umane e l'evoluzione linguistica.