LuxBorrow: From Pompier to Pompjee, Tracing Borrowing in Luxembourgish

Dit artikel introduceert LuxBorrow, een analyse van 27 jaar Luxemburgse nieuwsartikelen die aantoont dat, hoewel Luxemburgs de dominante matrixtaal blijft, er sprake is van alomtegenwoordige en toenemende code-mixing waarbij vooral Franse leenwoorden worden aangepast via morfologische en orthografische regels.

De kern

LuxBorrow: Een Reis door de Woordenwereld van Luxemburg

Stel je voor dat Luxemburg een grote, levendige markt is. Op deze markt wordt voornamelijk Luxemburgs gesproken (de basis van de markt), maar omdat Luxemburg omringd wordt door Duitsland, Frankrijk en de Engelstalige wereld, waaien er constant nieuwe producten de markt op. Soms zijn het kleine souvenirs die direct in de schappen worden gelegd, en soms zijn het grote vrachtwagens met goederen die eerst nog moeten worden omgebouwd voordat ze op de plank kunnen.

Deze paper, getiteld LuxBorrow, is als een gedetailleerde logistieke rapportage van die markt, gebaseerd op 27 jaar nieuwsartikelen (van 1999 tot 2025) van de zender RTL. De onderzoekers hebben gekeken hoe Luxemburgs omgaat met woorden uit het Frans, Duits en Engels.

Hier is wat ze hebben ontdekt, vertaald in begrijpelijke taal:

1. De Basis: Luxemburgs blijft de Baas

Hoewel er overal andere woorden te horen zijn, is Luxemburgs de onbetwiste "hoofdtaal" (de matrix).

• De Analogie: Denk aan een grote orkest. De Luxemburgse muziek is het orkest dat de symfonie speelt. De Franse, Duitse en Engelse woorden zijn de solisten die af en toe een solo spelen. Maar het orkest stopt nooit met spelen; de solisten passen zich aan het ritme van het orkest aan.
• Het Resultaat: In bijna elk artikel is Luxemburgs de hoofdrolspeler. Zelfs als een artikel woorden uit drie andere talen bevat, is het nog steeds een Luxemburgs artikel.

2. De Kunst van het "Aanpassen" (De Verbouwing)

Dit is het meest interessante deel. Wanneer een woord uit het Frans of Engels de Luxemburgse markt betreedt, wordt het vaak niet zomaar overgenomen. Het moet eerst "op maat" worden gemaakt.

• De Analogie: Stel je voor dat je een Frans kledingstuk koopt. Je kunt het niet zomaar dragen; je moet de mouwen inkorten of de taille aanpassen zodat het past.
• Wat deden ze? De onderzoekers zagen twee soorten aanpassingen:
  1. Schrijfwijze (Orthografie): Woorden krijgen een Luxemburgse "hoed" of "schoen". Bijvoorbeeld: het Franse 'on' wordt 'oun' (zoals Motivatioun in plaats van Motivation). Dit was de meest voorkomende aanpassing.
  2. Vormgeving (Morfologie): Woorden krijgen een Luxemburgse "uitdijking". Bijvoorbeeld: het Franse 'er' wordt 'éieren' (zoals filetéieren in plaats van fileter).
• De bevinding: De meeste "nieuwe" woorden zijn eigenlijk oude woorden die een Luxemburgse make-up hebben gekregen. Ze zijn volledig geïntegreerd.

3. De Bronnen: Frans is de Hoofdleverancier

Wie levert de meeste goederen?

• Frans: De absolute winnaar. Het levert veruit de meeste woorden die worden aangepast.
• Duits: Komt op de tweede plaats, maar groeit langzaam.
• Engels: Is nog steeds een kleine leverancier in dit specifieke onderzoek, hoewel we dat in het dagelijks leven misschien anders ervaren.
• De Analogie: Het is alsof de markt 90% van zijn nieuwe kleding uit Frankrijk haalt, 10% uit Duitsland en een klein beetje uit de rest van de wereld.

4. De Tijdreis: Het Wordt Steeds Mengelijker

De onderzoekers keken naar de afgelopen 27 jaar.

• De Trend: Vroeger (in de jaren '90) was de markt rustiger. Tegenwoordig (2020-2025) is er meer "mixing". Er worden meer woorden uit andere talen gebruikt.
• De Nuance: Hoewel er meer menging is, is het nog steeds geen volledig tweetalig gesprek. Het is meer als een Luxemburgse zin met hier en daar een Frans of Duits woordje ingeplakt. Het is geen "bilingual text" (twee talen door elkaar), maar een "geïntegreerde tekst".
• De Uitzondering: In politieke artikelen (bijvoorbeeld over verkiezingen) zag men soms extreme menging, maar dat kwam vaak door korte, specifieke speeches. In de grote nieuwsrubrieken (Nieuws, Internationaal) is de menging stabiel en gematigd.

5. Waarom is dit belangrijk? (De "Waarom"-vraag)

Waarom doen onderzoekers dit?

• Voor Computers (AI): Als je een computer wilt leren Luxemburgs te begrijpen (bijvoorbeeld voor vertaling of spraakherkenning), moet je weten dat een woord als 'Pompjee' (van het Franse pompier) eigenlijk een Luxemburgs woord is, en geen Frans woord dat per ongeluk in de zin staat. Als de computer dit niet snapt, denkt hij dat de tekst "kapot" is of in een andere taal staat.
• De Conclusie: We moeten niet alleen kijken naar hoeveel talen er gemengd worden, maar vooral naar hoe de woorden worden aangepast.

Samenvatting in één zin

Luxemburgs is als een sterke, aanpasbare plant die constant nieuwe bloemen uit Frankrijk, Duitsland en Engeland in zijn tuin plant, maar die bloemen altijd eerst in de eigen grond (de Luxemburgse grammatica en spelling) plant zodat ze er als een natuurlijk onderdeel van de tuin uitzien.

De kernboodschap: Luxemburgs is niet "verdwijnend" door het gebruik van andere talen; het is juist zo sterk dat het die andere talen "opslorpt" en omvormt tot zijn eigen deel.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "LuxBorrow: From Pompier to Pompjee, Tracing Borrowing in Luxembourgish", vertaald en samengevat in het Nederlands.

Titel: LuxBorrow: Van Pompier tot Pompjee, het Traceer van Leenwoorden in het Luxemburgs

1. Probleemstelling

In het meertalige Luxemburg (LU) is taalcontact met het Duits (DE), Frans (FR) en Engels (EN) alledaags, vooral in de media. Hoewel leenwoorden (borrowings) en code-switching veel voorkomen, is er een gebrek aan schaalbare, kwantitatieve analyses die deze fenomenen onderscheiden.

• Uitdaging: Bestaande NLP-systemen en benchmarks (zoals LinCE of GLUECoS) richten zich vaak op algemene "mixing" of code-switching, maar maken geen onderscheid tussen geïntegreerde leenwoorden (die morfologisch en orthografisch zijn aangepast aan het LU) en spontane code-switching (die de structuur van de brontal behoudt).
• Gevolg: Voor Natural Language Processing (NLP) systemen (zoals ASR, Machine Translation, of taalherkenning) is het cruciaal om te weten of een woord een vaststaand leenwoord is of een tijdelijke invoeging, aangezien dit de robustheid en verwerking van de tekst beïnvloedt. Er ontbreekt een specifiek corpus voor het Luxemburgs dat deze leenwoorden op token-niveau labelt.

2. Methodologie

De auteurs hebben LuxBorrow ontwikkeld, een pipeline voor een "leenwoorden-eerst" analyse van 27 jaar nieuwsartikelen (1999–2025) van RTL Luxembourg (259.305 artikelen, 43,7 miljoen tokens).

A. Data en Voorverwerking

• Corpus: RTL.lu nieuwsartikelen, verdeeld over zes historische periodes (van de vroege digitale era tot de AI-tijdperk).
• Twee-staps Pipeline:
  1. Zinsniveau (Context Gate): Gebruik van OpenLID (FastText-gebaseerd) om de taal van een zin te bepalen. Alleen zinnen die als Luxemburgs (LU) worden gelabeld, gaan door naar de volgende stap. Dit voorkomt dat hele zinnen in het Frans of Duits onterecht als "gemengd" worden gezien.
  2. Token-niveau (Leenwoord-detectie): Binnen de LU-zinnen wordt een specifieke detector toegepast. Tokens worden gelemmatiseerd en genormaliseerd (met spellux) en vergeleken met een handmatig samengestelde register van 7.796 leenwoorden.

B. Onderscheid Leenwoord vs. Code-Switching
Het systeem gebruikt contextuele kenmerken om te beslissen of een woord een geïntegreerd leenwoord is:

• Leenwoord: Een woord dat morfologisch of orthografisch is aangepast aan het LU (bijv. pompier (FR) $\rightarrow$ pompjee (LU)) en voorkomt in een overwegend LU-context (korte reeksen van vreemde woorden).
• Code-Switching: Langere aaneengesloten reeksen van een vreemde taal met behoud van de brontaal-syntaxis (bijv. een volledige Franse zin in een LU-tekst).
• Regels: Het systeem past een verzameling morfologische en orthografische regels toe (bijv. on $\rightarrow$ oun, eur $\rightarrow$ er) en gebruikt een lexicon dat is afgeleid van het Lëtzebuergeschen Online Dictionnaire (LOD).

C. Data Validatie

• Menselijke annotatie: Na automatische detectie is een menselijke annotator ingeschakeld om fouten te corrigeren, ontbrekende leenwoorden toe te voegen (zoals Pompjee) en dubbelzinnigheden op te lossen (bijv. woorden die zowel uit het Frans als het Duits kunnen komen, of woorden die via een derde taal zijn geleend).
• Uitsluiting: Eigennamen, eenheden en woorden die via gemeenschappelijke etymologie (Oud-Hoogduits) in beide talen voorkomen, werden geëxcludeerd om valse positieven te vermijden.

3. Belangrijkste Bijdragen

1. LuxBorrow Corpus: Het eerste grote, token-gelabelde corpus voor het Luxemburgs dat specifiek leenwoorden onderscheidt van code-switching.
2. Hybride LID-pipeline: Een methodologie die zinsniveau-taalherkenning combineert met token-niveau leenwoord-detectie, wat essentieel is voor taalkundig complexe, meertalige contexten.
3. Leenwoorden-gerichte Metrieken: In plaats van alleen algemene mixing-indexen, introduceren de auteurs specifieke metrieken zoals:
   • Borrowed Token/Type Rate: Aandeel geleende tokens/types.
   • Donor Entropy: Diversiteit van de brontalen.
   • Assimilation Ratio: Aandeel van de leenwoorden dat morfologisch/orthografisch is aangepast.
4. Diachrone Analyse: Een longitudinale studie van 27 jaar die de evolutie van taalcontact in de Luxemburgse pers traceert.

4. Resultaten

• Dominantie van het Luxemburgs: Luxemburgs blijft de "matrix language" in 100% van de documenten. Hoewel 77,1% van de artikelen minstens één andere taal bevat, is de intensiteit van de mixing laag (mediaan CMI van 3,90 voor LU+1 tot 7,00 voor LU+3). Dit wijst op lokale invoegingen in plaats van evenwichtige tweetalige teksten.
• Aanpassingspatronen: Van de 25.444 gedetecteerde leenwoord-gevallen:
  • 63,8% onderging morfologische aanpassing (bijv. fileter $\rightarrow$ filetéieren).
  • 35,9% onderging orthografische aanpassing (bijv. on $\rightarrow$ oun, eur $\rightarrow$ er).
  • 0,3% bleef een puur lexicaal leenwoord zonder aanpassing.
  • De meest frequente regels zijn orthografisch (on $\rightarrow$ oun), maar morfologische regels zijn collectief dominant.
• Bron van Leenwoorden:
  • Frans (FR) is veruit de belangrijkste bron voor geassimileerde leenwoorden (ongeveer 97-99% van de morfologisch aangepaste items).
  • Duits (DE) toont een bescheiden groei (van 0,8% naar 2,7%).
  • Engels (EN) is verwaarloosbaar in termen van morfologisch geassimileerde leenwoorden.
• Diachrone Trend: Code-switching neemt toe (CMI steeg van 6,1 in 1999-2007 naar 8,4 in 2020). Het absolute aantal morfologisch aangepaste leenwoorden is met een factor 13,2 toegenomen tussen de eerste en laatste periode, maar blijft een klein deel van de totale meertaligheid.

5. Betekenis en Conclusie

• Voor Taalkunde: Het paper bevestigt dat in het geschreven Luxemburgs de grens tussen leenwoorden en code-switching bestaat, maar dat leenwoorden vaak een "head-heavy" verdeling hebben (weinig zeer productieve regels domineren). Het onderstreept dat het Luxemburgs structureel dominant blijft, zelfs in sterk meertalige media.
• Voor NLP: De studie toont aan dat standaard taalherkenning (LID) onvoldoende is voor meertalige teksten. Een "leenwoorden-eerst" benadering met regelgebaseerde resolutie is noodzakelijk om ambiguïteit te verminderen (bijv. wanneer een aangepast leenwoord eruitziet als een native LU-woord).
• Toekomst: De auteurs pleiten voor het gebruik van specifieke leenwoorden-metrieken (in plaats van alleen document-level mixing indices) voor het verbeteren van normalisatie, lexicale verrijking en de evaluatie van ASR/MT-systemen. Toekomstig werk zal zich richten op het uitbreiden van het corpus met sociale media-data en het integreren van data-gedreven modellen.

Kortom, LuxBorrow biedt een robuust raamwerk om de subtiele dynamiek van taalcontact in het Luxemburgs te kwantificeren, waarbij de nadruk ligt op de geïntegreerde aard van leenwoorden in plaats van op louter oppervlakkige taalmixing.