💬 NLP

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

Deze studie onderzoekt hoe historisch taalcontact de intermediaire representaties van een monolinguaal Perzisch taalmodel beïnvloedt, waarbij wordt onthuld dat terwijl universele syntactische informatie grotendeels onveranderd blijft, morfologische kenmerken zoals Casus en Geslacht significant worden gevormd door contact-geïnduceerde structurele veranderingen.

Oorspronkelijke auteurs: Ali Basirat, Danial Namazifard, Navid Baradaran Hemmati

Gepubliceerd 2026-01-29

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ali Basirat, Danial Namazifard, Navid Baradaran Hemmati

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer slimme robot hebt die alleen maar boeken heeft gelezen die in het Perzisch zijn geschreven. Hij heeft nooit Engels, Arabisch, Turks of Japans geleerd. Sterker nog, hij weet niet eens dat die andere talen bestaan.

Stel je nu voor dat je deze robot een zin geeft die in het Turks is geschreven. Je vraagt hem: "Hé, wat voor taal is dit? En wat zijn de grammaticaregels hier?"

Je zou verwachten dat de robot zegt: "Ik weet het niet, ik heb alleen Perzisch geleerd!" Maar dit artikel stelt een diepere vraag: Toont het interne "brein" van de robot (de digitale representaties) stiekem tekenen dat hij de geschiedenis van het Perzisch begrijpt, zelfs als hij nooit direct aan die andere talen is onderwezen?

Omdat het Perzisch eeuwenlang buren is geweest met, handel heeft gedreven met en invloed heeft uitgeoefend op veel andere talen, vroegen de auteurs zich af of het "Perzische brein" van de robot enkele onzichtbare vingerafdrukken van zijn buren heeft geabsorbeerd.

Het Experiment: Een Detectieverhaal

De onderzoekers gebruikten een hulpmiddel genaamd ParsBERT (een enkel Talig model voor het Perzisch) en voerden het zinnen uit 8 verschillende talen, variërend van Arabisch (een belangrijke historische buur) tot Japans (een vreemde zonder echt contact).

Ze gebruikten twee belangrijke "detectietools" om in het brein van de robot te kijken:

De Informatie-meter: Deze meet hoeveel de robot weet over een specifiek kenmerk (zoals "Is dit een zelfstandig naamwoord?" of "Is dit woord mannelijk?"). Denk eraan als het controleren hoe hard een radiosignaal is.
De Spotlight: Deze probeert te vinden waar die kennis in het brein van de robot verborgen zit. Wordt het opgeslagen in één specifieke neuron (een enkele gloeilamp), of is het verspreid over de hele kamer als een diffuse gloed?

De Grote Ontdekking: Het "Universele" versus het "Specifieke"

De resultaten onthulden een fascinerende splitsing in hoe de robot denkt, wat de auteurs beschrijven als een verschil tussen universele regels en lokale gewoonten.

1. De Universele Regels (De "Harde Schijf")

Wanneer de onderzoekers de robot vroegen naar Universele Deel van de Zin (UPOS) tags — in feite: "Is dit een zelfstandig naamwoord, een werkwoord of een bijvoeglijk naamwoord?" — presteerde de robot consistent goed over alle talen.

De Analogie: Stel je voor dat de robot een universeel woordenboek heeft van "typen woorden". Of het woord nu in het Perzisch, Engels of Japans is, de robot weet dat een "werkwoord" een werkwoord is.
Het Resultaat: De robot gaf hier niets om taalcontact. De geschiedenis veranderde niets aan hoe hij de basisbouwstenen van zinnen zag. Deze regels zijn te diep en te universeel om door eeuwen van het lenen van woorden te worden opgeschud.

2. De Lokale Gewoonten (De "Meubels")

Wanneer de onderzoekers vroegen naar Morfologie (de specifieke vormen van woorden, zoals Casus of Geslacht), veranderde het gedrag van de robot drastisch op basis van de geschiedenis van de taal met het Perzisch.

De "Casus"-test (Wie deed wat aan wie?):
- Het Probleen: Het Perzisch gebruikt geen "casussen" (het veranderen van woorduitgangen om aan te geven of iemand het onderwerp of het object is). Het gebruikt in plaats daarvan woordvolgorde.
- Het Resultaat: Wanneer de robot keek naar talen met complexe casussystemen (zoals Duits of Russisch, die veel woorduitgangen hebben), was hij volledig de weg kwijt. Hij kon de informatie niet vinden.
- De Uitzondering: Wanneer de robot keek naar talen die ook vertrouwen op woordvolgorde of eenvoudige markeringen (zoals Engels of Frans), deed hij het veel beter.
- De Les: De robot "begrijpt" de grammatica van andere talen alleen als die grammatica lijkt op die van het Perzisch. Als de andere taal een systeem gebruikt dat het Perzisch nooit heeft gebruikt (zoals complexe casusuitgangen), heeft de robot er geen kaart voor.
De "Geslacht"-test (Mannelijk versus Vrouwelijk):
- Het Probleem: Het Perzisch kent geen grammaticaal geslacht (woorden zijn niet "mannelijk" of "vrouwelijk").
- Het Resultaat: De robot worstelde met talen die complexe geslachtsystemen hebben (zo zoals Russisch met drie geslachten). Hij deed het echter wel redelijk met talen die eenvoudigere geslachtsystemen hebben of vertrouwen op natuurlijk geslacht (zoals Arabisch of Frans), waarschijnlijk omdat het Perzisch veel woorden uit het Arabisch heeft geleend, en die geleende woorden soms hun "smaak" hebben behouden.
- De Les: Het begrip van de robot met betrekking tot geslacht wordt gevormd door wat hij daadwerkelijk in het Perzisch heeft gezien. Hij kan geen complex geslachtsysteem uitvinden dat hij nooit heeft geleerd.

De "Geest" in de Machine

Een van de meest interessante bevindingen was hoe deze informatie werd opgeslagen.

Voor talen met geen contact (zoals Japans), had de robot een paar zeer specifieke "gloeilampen" die alleen voor Japans oplichtten. Het was gemakkelijk te spotten.
Voor talen met veel contact (zoals Arabisch of Turks), zat de informatie niet in een enkele gloeilamp. In plaats daarvan was het een diffuse gloed die over het hele brein verspreid was.
De Metafoor: Denk aan een huis. Als je een vreemde (Japans) uitnodigt, zit die in een specifieke stoel. Als je een oude familievriend (Arabisch) uitnodigt die al eeuwenlang in het huis woont, zit die niet in één stoel; die heeft overal aan geroken, de meubels verschoven en zijn geur door het hele huis achtergelaten. Je kunt niet naar één plek wijzen en zeggen: "Dit is het Arabische deel." De invloed is overal, maar het is vermengd met de Perzische structuur.

De Conclusie

Het artikel concludeert dat een taalmodel dat getraind is op slechts één taal (Perzisch) wel sporen vertoont van zijn geschiedenis, maar op een zeer selectieve manier.

Het houdt de universele regels (zoals wat een werkwoord is) veilig en onveranderd.
Het past de specifieke regels aan (zoals geslacht of casus) alleen als ze overeenkomen met de "vorm" van de Perzische taal.

Als een taalcontact de diepe structuur van het Perzisch had veranderd (zoals het toevoegen van complexe casusuitgangen), dan zou de robot dit geleerd hebben. Maar aangezien het Perzisch vooral woorden heeft geleend en zijn eigen zinsstructuur heeft behouden, weerspiegelt het brein van de robot dat: de robot kent de geleende woorden, maar denkt nog steeds in de Perzische grammatica.

Kortom: de robot is een Perzisch spreker die veel vreemde woorden kent, maar nog steeds in het Perzisch denkt. Hij heeft niet geleerd om de grammatica van zijn buren te spreken, maar alleen om de vormen van de woorden die hij van hen heeft geleend te herkennen.

Technische Samenvatting: Een Computationele Benadering van Taalcontact – Een Casestudy van het Perzisch

Probleemstelling
Taalcontact is een primaire drijfveer van structurele diversificatie en verandering, variërend van lexicale ontlening tot diepe grammaticale herstructurering. Hoewel de traditionele taalkunde deze fenomenen uitgebreid heeft gedocumenteerd, met name in het Perzisch (Farsi)—een taal met millennia aan contact met Turkse, Arabische en andere taalfamilies—blijft het onduidelijk of dergelijke door contact geïnduceerde veranderingen detecteerbaar, kwantificeerbaar en interpreteerbaar zijn binnen de interne representaties van monolinguale neurale taalmodellen. Specifiek is het onbekend of een model dat uitsluitend op Perzische data is getraind, latente structurele sporen van zijn contacttalen codeert, of dat de representaties uitsluitend worden gevormd door de inheemse structuur van de doeltaal en universele syntactische eigenschappen.

Methodologie
De studie maakt gebruik van een computationeel kader om de intermediaire representaties van ParsBERT te onderzoeken, een monolinguaal, encoder-only Transformer-model getraind op ongeveer 3,9 miljard tokens van Perzische tekst. De methodologie houdt in dat zinnen uit acht contacttalen (Arabisch, Engels, Frans, Duits, Hindi, Japans, Russisch en Turks) in het Perzische model worden ingevoerd en de resulterende embeddings worden geanalyseerd.

De analyse maakt gebruik van twee primaire technieken:

Informatietheoretische Probing: Met behulp van Variational Usable Information ( $\hat{IV}$ ) kwantificeert de studie de hoeveelheid linguïstische informatie die in de intermediaire lagen van het model is gecodeerd met betrekking tot specifieke doelvariabelen ( $Y$ ), zoals taalidentiteit, Universele Deelwoord-tags (UPOS), CASE (geval) en GENDER (geslacht). De metriek wordt genormaliseerd door de marginale entropie van de doelkenmerk om de proportie van de onzekerheid te reflecteren die uit de representatie kan worden herwonnen.
Attributieanalyse: Met behulp van Language Activation Probability Entropy (LAPE) identificeert de studie welke specifie afzonderlijke elementen (neuronen) binnen de representaties het sterkst bijdragen aan het coderen van deze kenmerken. Lage LAPE-scores duiden op een hoge selectiviteit (neuronen die bij voorkeur reageren op specifieke condities), terwijl hoge scores wijzen op uniforme of niet-discriminatieve activatie.

De dataset bestaat uit de Parallel Universal Dependencies (PUD) boombanken, wat kruislingse vergelijkbaarheid garandeert door consistente annotatie en uitgelijnde zinstructuren. De geselecteerde testtalen variëren in hun mate en type van contact met het Perzisch (historisch, modern, regionaal of minimaal).

Belangrijkste Resultaten
Het onderzoek onthult een duidelijke asymmetrie in de wijze waarop universele syntactische categorieën en morfologische kenmerken worden gecodeerd in aanwezigheid van taalcontact:

Taalidentificatie: ParsBERT codeert substantiële informatie over niet-Perzische talen ondanks de monolinguale training. De informatiewinst piekt na de derde laag. Opvallend genoeg is het model het meest informatief over Arabisch, Hindi en Russisch, wat waarschijnlijk de significante lexicale invloed of genealogische banden weerspieelt. LAPE-analyse laat echter zien dat taal-specifieke signalen zelden gelokaliseerd zijn in compacte, selectieve kenmerken; in plaats daarvan zijn ze verdeeld over gedeelde representaties, behalve voor het Japans, dat een hoge selectiviteit vertoont, waarschijnlijk door de orthografische mismatch.
Universele Syntaxis (UPOS): De herwinbare informatie voor UPOS-tags blijft grotendeels stabiel over de lagen en is ongevoelig voor de mate van historische contact. Noch typologische gelijkenis, noch de intensiteit van contact heeft een significante impact op de codering van universele syntactische categorieën, wat suggereert dat deze representaties robuust zijn tegen contact-geïnduceerde variatie.
Morfologische Kenmerken (CASE en GENDER):
- CASE: Het model vertoelt een sterke bias naar talen met minimale of residuele naamvalsmarkering (bijv. Engels, Frans, Japans), waar de informatiewinst hoog is. Omgekeerd faalt het in het coderen van rijke inflectionele naamvallen (bijv. Duits, Russisch, Turks) die afwezig zijn in het Perzisch. Arabisch vertoont intermediaire prestaties, waarschijnlijk door lexicale overlap en de beperkte realisatie van de naamval in het hedendaagse geschreven Arabisch. De postpositionale naamval van het Hindi wordt slecht gevangen vanwege structurele mismatches.
- GENDER: ParsBERT vangt effectief signalen op die gerelateerd zijn aan de afwezigheid van grammaticaal geslacht (Japans, Turks) en de marginale realisatie van geslacht in voornaamwoorden (Engels). Voor talen met volledig gegrammaticaliseerde gendersystemen is de prestatie lager. Twee-geslachtssystemen (Frans, Hindi, Arabisch) vertonen matige herwinbaarheid, terwijl drie-geslachtssystemen er bijna geen vertonen. De selectiviteit van het model is geconcentreerd in kenmerken die geassocieerd worden met neutrale zelfstandige naamwoorden, wat de semantische diversiteit van die categorie weerspiegelt.

Belangrijkste Bijdragen

Eerste Computationele Studie van Perzisch Contact: Dit werk vormt het eerste computationele onderzoek naar het contact van de Perzische taal op het niveau van neurale representaties.
Selectieve Codering van Contact: De studie levert bewijs dat monolinguale taalmodellen selectieve en structureel beperkte sporen van taalcontact coderen. Contacteffecten worden gemakkelijker gereflecteerd in morfologische en constructionele patronen die in lijn liggen met de doeltaal (analytisch/configuratief) dan in universele syntactische categorieën.
Methodologisch Kader: Door informatie-theoretische probing te combineren met attributieanalyse, biedt het artikel een principieel kader voor het onderzoeken van klassieke vragen in de contactlinguïstiek met behulp van neurale modellen.

Betekenis en Claims
Het artikel claimt dat monolinguale taalmodellen niet enkel de trainingsdata reflecteren, maar impliciet sporen van historisch taalcontact coderen, mits die sporen overeenkomen met de structurele eigenschappen van de doeltaal. De bevindingen suggereren dat terwijl universele syntactische representaties robuust blijven tegen contact-geïnduceerde variatie, morfologische kenmerken zeer gevoelig zijn voor taal-specifieke structuur.

De auteurs concluderen dat contacteffecten in deze modellen niet het gevolg zijn van directe blootstelling aan contacttalen, maar voortkomen uit:

Structurele kenmerken van het Perzisch zelf die historische contacten reflecteren.
De statistische afdruk van leenwoorden, calques en hybride constructies.
Universele linguïstische eigenschappen die gedeeld worden tussen talen.

De studie benadrukt dat neurale modellen oppervlakte- of semantische uitlijning (bijv. lexicale ontlening, analytische strategieën) vastleggen in plaats van diepe grammaticale herstructurering (bijv. transfer van inflectionele paradigma's). Dit onderstreept de grenzen en mogelijkheden van het gebruik van neurale taalmodellen als instrumenten voor het bestuderen van taalverandering, waarbij zij aangeven dat zij de "structurele beperkingen" van de doeltaal reflecteren wanneer zij contactfenomenen verwerken.

Beperkingen
De auteurs erkennen dat de PUD-dataset verschillende talen uitsluit die cruciaal zijn voor de geschiedenis van het Perzisch, zoals het Azerbajaans, Turks en Urdu, wat de mogelijkheid beperkt om de sterkste gevallen van aanhoudende bilinguïsme en structurele convergentie te evalueren. Bij gevolg is de analyse beperkt tot de talen die beschikbaar zijn binnen het PUD-kader.