💬 NLP

Measuring cross-language intelligibility between Romance languages with computational tools

Dit onderzoek introduceert een nieuwe computationele metriek die op basis van lexicale en semantische gelijkenis de wederzijdse verstaanbaarheid tussen de belangrijkste Romaanse talen meet, waarbij de resultaten sterk overeenkomen met menselijke experimenten.

Oorspronkelijke auteurs: Liviu P Dinu, Ana Sabina Uban, Bogdan Iordache, Anca Dinu, Simona Georgescu

Gepubliceerd 2026-02-10

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Liviu P Dinu, Ana Sabina Uban, Bogdan Iordache, Anca Dinu, Simona Georgescu

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 op een groot Europees feestje bent. Je spreekt Nederlands, maar je ziet daar ook mensen die Spaans, Frans, Italiaans, Portugees en Roemeens spreken. Je begrijpt ze niet allemaal, maar je merkt dat je met de Spanjaard wel een beetje kunt 'knikken' en begrijpen wat hij zegt, terwijl de Franse gast voor jou klinkt als een onbegrijpelijk liedje.

Waarom is dat zo? Kunnen we dat met een computer berekenen? Dat is precies wat deze wetenschappers hebben onderzocht.

De "Taal-Spiegel" Methode

De onderzoekers wilden niet alleen weten of mensen elkaar begrijpen, maar ook waarom. Ze hebben een slimme computerformule gemaakt, de DLI-index, die eigenlijk werkt als een soort digitale bril. Deze bril kijkt naar drie dingen:

De Look (Het uiterlijk): Hoeveel lijken de woorden op elkaar als je ze opschrijft? (Bijv. luna in het Spaans en luna in het Italiaans).
De Klank (De muziek): Hoeveel lijken de woorden op elkaar als je ze hoort? Dit is cruciaal! Een woord kan er op papier hetzelfde uitzien, maar als de klank totaal anders is, herken je het niet als je het hoort.
De Betekenis (De ziel): Dit is de lastigste. Soms lijken twee woorden sprekend op elkaar, maar betekenen ze iets heel anders. Dat noemen we 'valse vrienden'. Denk aan het woord 'eventueel' in het Nederlands (misschien) versus 'eventually' in het Engels (uiteindelijk). De computer kijkt of de betekenis ook echt matcht.

De Resultaten: Een ongelijk speelveld

De onderzoekers ontdekten dat begrijpelijkheid een eenrichtingsweg is. Het is geen tweerichtingsverkeer.

De "Grote Broers" en "Kleine Broers": Spaans, Italiaans en Portugees liggen dicht bij elkaar. Het is alsof ze dezelfde familie-erfenis delen. Ze begrijpen elkaar redelijk goed.
De Roemeense Mystery: Roemeens is de 'vreemde eend in de bijt'. De onderzoekers zagen dat Roemenen andere talen vaak wel begrijpen, maar dat de rest van Europa de Roemenen minder goed verstaat. Het is alsof de Roemenen een heel goed geheugen hebben voor de familiegeschiedenis, maar de rest van de familie een zwaar accent heeft dat niemand kan volgen.
Schrijven vs. Praten: De computer ontdekte dat we elkaar veel beter begrijpen als we de tekst lezen dan wanneer we het horen. Schrijven is als een oude, stabiele foto van een familie; praten is als een snelle, wazige video. Op de foto zie je de gelijkenissen veel duidelijker.

Waarom is dit belangrijk?

Dit onderzoek is niet alleen leuk voor taalliefhebbers. Het helpt ons begrijpen hoe het menselijk brein taal verwerkt. Bovendien laat het zien dat we niet alleen naar woorden moeten kijken, maar ook naar de geschiedenis en de klank.

Kortom: De onderzoekers hebben een digitale meetlat gebouwd waarmee we kunnen zien hoe dicht verschillende talen bij elkaar staan, van hun uiterlijk en hun klank tot hun diepste betekenis. Zo weten we precies hoe groot de 'taal-kloof' tussen ons is!

Technische Samenvatting: Het meten van cross-linguale begrijpelijkheid tussen Romaanse talen met computationele tools

1. Probleemstelling

Het onderzoek richt zich op cross-linguale begrijpelijkheid (ook wel intercomprehension of receptive multilingualism genoemd): het vermogen van een spreker om een onbekende vreemde taal te begrijpen op basis van kennis van de moedertaal.

De auteurs stellen dat begrijpelijkheid zelden symmetrisch is; de mate waarin een spreker van taal A taal B begrijpt, is niet noodzakelijkerwijs gelijk aan de mate waarin een spreker van taal B taal A begrijpt. Hoewel er veel onderzoek is gedaan naar Germaanse en Slavische talen, ontbrak het aan systematische, kwantitatieve studies naar de Romaanse taalfamilie (Frans, Italiaans, Portugees, Spaans en Roemeens) die gebruikmaken van grootschalige datasets en moderne computationele methoden.

2. Methodologie

De onderzoekers introduceren een nieuwe computationele metriek om de begrijpelijkheid te schatten. Hun aanpak is gebaseerd op drie cruciale lagen:

Lexicale overlap: Gebruikmakend van de RoBoCoP-database, een uitgebreide verzameling cognaten (verwante woorden) en leenwoorden tussen de vijf Romaanse talen.
Oppervlaktegelijkenis (Surface Similarity): Er wordt gekeken naar zowel de orthografische (spelling) als de fonetische (uitspraak) vorm van woorden met behulp van de normalized Levenshtein distance. Voor de fonetische representatie wordt de eSpeak1-bibliotheek gebruikt.
Semantische gelijkenis (Semantic Similarity): Om te voorkomen dat "valse vrienden" (woorden die op elkaar lijken maar iets anders betekenen) de resultaten vervuilen, wordt de semantische afstand gemeten. Hiervoor worden word embeddings gebruikt:
- Statische embeddings: FastText (getraind op Wikipedia).
- Contextuele embeddings: Sentence-BERT (om de betekenis van woorden binnen specifieke zinnen te vangen).

De Lexical Intelligibility Index ($DLI$):
De kern van de methodologie is een nieuwe formule die de semantische gelijkenis ( $S_S$ ) en de lexicale gelijkenis ( $S_L$ ) combineert tot één index. Deze index zorgt ervoor dat de score tussen het product en het minimum van beide waarden ligt, wat een wiskundig robuuste weergave geeft van de interactie tussen vorm en betekenis.

De analyse werd uitgevoerd op twee parallelle corpora: RomCro (literaire teksten) en EuroParl (Europese parlementaire verslagen).

3. Belangrijkste Bijdragen

Nieuwe Metriek: De introductie van de $DLI$-index, die voor het eerst semantische divergentie (betekenisverschil) systematisch integreert met fonetische en orthografische gelijkenis.
Grootschalige Data: In plaats van kleine, handgekozen woordenlijsten (zoals de Swadesh-lijst), gebruikt dit onderzoek enorme corpora en de volledige RoBoCoP-database, waardoor de resultaten representatiever zijn voor de werkelijke taalvariatie.
Multidimensionale Analyse: Het onderscheid tussen het begrijpen van geschreven tekst (orthografisch) versus gesproken taal (fonetisch).

4. Resultaten

Bevestiging van Asymmetrie: De resultaten bevestigen dat begrijpelijkheid asymmetrisch is. Bijvoorbeeld: Portugezen begrijpen Spaans beter dan andersom.
De positie van het Roemeens: Roemeense sprekers begrijpen andere Romaanse talen relatief gemakkelijk, maar worden zelf veel minder goed begrepen door sprekers van andere Romaanse talen. Dit wordt verklaard door de unieke etymologische ontwikkeling van het Roemeens (o.a. de invloed van het Slavisch en specifieke afwijkingen in cognaten zoals lume vs. mundo).
Spelling vs. Uitspraak: De begrijpelijkheid op basis van spelling is consequent hoger dan op basis van klank. Dit suggereert dat de geschreven taal conservatiever is en talen dichter bij elkaar houdt dan de evoluerende uitspraak.
Validatie: De computationele scores vertonen een sterke correlatie (Spearman $\rho = 0.71$ ) met menselijke experimenten (cloze-tests), wat de betrouwbaarheid van de $DLI$-index aantoont.

5. Betekenis en Conclusie

Dit onderzoek biedt een wetenschappelijk fundament voor het begrijpen van de linguïstische afstand binnen de Romaanse talen. Het biedt een benchmark voor toekomstig onderzoek naar taalverwantschap en de "theorie van de laterale gebieden". Bovendien heeft het praktische implicaties voor het bevorderen van receptief meertaligheid in Europa, door inzicht te geven in hoe burgers via hun bestaande taalvaardigheden andere Europese talen kunnen begrijpen zonder formele training.