The Digital Afterlife of Empires: Four Language Models Converge on the Same Imperial Cartography of Writing

Sintesi Tecnica: L'Oltretomba Digitale degli Imperi

Problematica
I Large Language Models (LLM) elaborano i sistemi di scrittura del mondo con una disuguaglianza radicale. Mentre le scritture degli imperi storici (es. latino, cirillico, arabo) sono elaborate efficientemente, le scritture delle comunità colonizzate o marginalizzate soffrono di una significativa esclusione digitale. Questo articolo indaga se l'infrastruttura digitale contemporanea e gli LLM riproducano le disuguaglianze strutturali inflitte dagli imperi storici. Nello specifico, si chiede se gli "orologi culturali rotti" dei sistemi di scrittura — documentati in uno studio complementare (Fukui, 2026) come deviazioni strutturali causate dall'intervento imperiale — persistano nello spazio latente dei moderni modelli linguistici attraverso il corpus di addestramento condiviso, piuttosto che attraverso specifiche scelte di progettazione architettonica.

Metodologia
Lo studio costruisce l'Indice di Rappresentazione Digitale delle Scritture (DSRI), uno strumento a sette assi applicato al Global Script Database (GSD), che cataloga 300 sistemi di scrittura attraverso 43.000 anni di storia. Il DSRI misura la presenza digitale attraverso:

1. Rapporto di Efficienza dei Token (TER): Il numero di token richiesti per rappresentare un cluster di grafemi rispetto a un baseline latino, misurato attraverso quattro tokenizer (tiktoken, Mistral, Qwen, Phi-4) utilizzando testi paralleli (UDHR, eBible) e corpora Wikipedia.
2. Copertura Unicode: Stato di codifica, intervalli di codepoint e versionamento.
3. Volume del Corpus Web: Derivato dal conteggio degli articoli Wikipedia e dai byte del corpus CC-100.
4. Fedeltà di Generazione dell'LLM: Accuratezza nel rispondere a 10 domande tipologiche binarie (es. direzionalità, uso religioso) rispetto al ground truth del GSD.
5. Supporto OCR: Tassi di errore dei caratteri attraverso Tressera, Google Cloud Vision e Azure.
6. Copertura della Traduzione Automatica: Supporto binario attraverso Google, NLLB-200 e DeepL.
7. Disponibilità di Metodi di Input: Supporto nativo per tastiera/IME su iOS, Android, Windows e macOS.

Per affrontare la circolarità dell'uso di un singolo LLM sia come strumento che come oggetto, lo studio impiega un protocollo di validazione cross-architettura. Quattro famiglie indipendenti di LLM (Claude Haiku 4.5, GPT-4o, Grok-3-mini, DeepSeek-V3) sono state interrogate con 3.000 prompt tipologici identici (300 scritture × 10 caratteristiche), producendo 12.000 risposte.

Le analisi statistiche includono:

• Modellazione di Mediazione Seriale: Test del percorso Intervento Imperiale → Popolazione di Parlanti → Volume del Corpus Web → Efficienza del Tokenizer.
• Modellazione delle Equazioni Strutturali (SEM): Valutazione del fit del modello a $n=45$ (il limite delle scritture con testo parallelo misurabile).
• Analisi di Convergenza: Calcolo delle correlazioni di Spearman tra le deviazioni di errore (tassi di falsi positivi e falsi negativi) tra coppie di modelli per identificare bias indipendenti dall'architettura.
• Controlli di Sensibilità: Esclusione della caratteristica "usato per la religione" per testare se la convergenza sia guidata da una singola codifica contestata del ground-truth.

Risultati Chiave

1. Imbuto dell'Esclusione Digitale: Solo 29 di 300 scritture (9,7%) sono pienamente supportate dall'infrastruttura digitale contemporanea. Tra le 158 scritture viventi, 60 (38,0%) mancano di supporto completo. L'esclusione segue una geografia coloniale, con le scritture dell'Africa, del Sud/Sud-est asiatico e dell'Oceania colpite in modo sproporzionato.
2. La "Tassa Digitale": L'efficienza del tokenizer varia per un fattore di 31,7 tra le 45 scritture misurate (baseline latina = 1,0; Limbu = 31,7×). Questa disparità è costante tra quattro tokenizer indipendenti, indicando una causa strutturale piuttosto che specifica dell'implementazione. Le scritture con i costi di token più elevati spesso mancano di corpora web in linguaggio naturale (es. assenza di paragrafi Wikipedia), aggravando l'esclusione.
3. Mediazione Causale: La relazione tra intervento imperiale e inefficienza del tokenizer è completamente mediata dalla popolazione di parlanti e dal volume del corpus web. L'effetto diretto dell'impero sulla tokenizzazione è indistinguibile da zero ($\beta = -0,22, p = 0,39$). Il modello di equazioni strutturali raggiunge un fit quasi perfetto a $n=45$ (CFI = 1,01, RMSEA = 0,00), con la presenza digitale che contribuisce con un $\Delta R^2$ incrementale di 0,366.
4. Convergenza Cross-Architettura: Quattro LLM indipendenti mostrano pattern di errore altamente correlati ($\rho = 0,85–0,98$) quando deviano dalle aspettative di base. Questa convergenza persiste anche quando la caratteristica "religione" viene esclusa, suggerendo che il bias sia esterno a un singolo modello e risieda nel substrato testuale condiviso.
5. Errori Unanimi: Tutti e quattro i modelli rispondono in modo identicamente errato a 172 elementi scrittura-caratteristica. L'sovra-attribuzione (assegnazione di una caratteristica non presente) supera il mancato riconoscimento con un rapporto di 3,9:1. La caratteristica "usato per la religione" concentra il 43,6% di questi errori. Quando esclusa, l'asimmetria persiste a 1,77:1 ($p=0,008$), indicando un bias multi-canale dove le scritture non occidentali sono sistematicamente mappate su template di origini "antiche", "pittografiche" o "religiose".
6. Due Ferite Indipendenti: Lo studio trova un'indipendenza statistica tra la disruzione strutturale delle scritture (deviazione dell'orologio molecolare) e la distruzione demografica delle comunità che usano la scrittura (stato di byte-fallback). Gli imperi infliggono entrambe le cose: alterano la forma della scrittura e distruggono la comunità che la utilizza.

Significatività e Rivendicazioni
L'articolo sostiene che l' "impero" non richiede un imperatore per riprodurre la sua violenza nell'era digitale. Le disuguaglianze strutturali della storia coloniale si sono sedimentate nella distribuzione statistica del web globale. Poiché gli LLM sono addestrati su questo corpus, essi ereditano e riproducono questi bias con "fedeltà matematica", indipendentemente dalla loro specifica architettura o dall'organizzazione che li ha costruiti.

I risultati mettono in discussione l'idea che il bias sia il risultato di specifiche scelte di progettazione del modello o di procedure di allineamento. Inveve, l'articolo pone che la assimilazione computazionale — la sistematica sovra-attribuzione di caratteristiche di scritture maggioritarie a scritture minoritarie — sia una proprietà del substrato testuale stesso. La convergenza di quattro modelli indipendenti suggerisce che l' "imperial cartografia della scrittura" è codificata nei dati, non negli algoritmi.

Gli autori inquadrano modestamente i risultati della mediazione causale come "suggestivi piuttosto che confermativi" a causa della fragilità statistica al margine (l'intervallo bootstrap BCa sfiora lo zero), riconoscendo che il campione $n=45$ è un "orizzonte" imposto dall'esclusione digitale stessa, non un limite di campionamento casuale. Tuttavia, la convergenza cross-architettura fornisce una prova robusta e indipendente che il bias è strutturale e a monte dei modelli.

L'articolo conclude che la rimedio non può essere ottenuto tramite il fine-tuning di singoli modelli. Poiché il bias è localizzato nel corpus, gli interventi devono avvenire a monte: espandendo i tokenizer per includere tutte le scritture Unicode, correggendo l'allocazione del vocabolario basata sulla frequenza e, più criticamente, affrontando il danno demografico e istituzionale inflitto dagli imperi che hanno lasciato queste comunità senza una voce digitale. L' "oltretomba digitale degli imperi" è preservato non dalla malizia, ma dal metodo di apprendimento basato sulla frequenza su un corpus non neutrale.