💬 NLP

Measuring cross-language intelligibility between Romance languages with computational tools

本文提出了一种基于词汇表面及语义相似度的创新计算指标，用于衡量罗曼语族（法语、意大利语、葡萄牙语、西班牙语和罗马尼亚语）之间的互通度，实验结果证实了语言间互通度的不对称性，并与人类实验结果高度相关。

原作者： Liviu P Dinu, Ana Sabina Uban, Bogdan Iordache, Anca Dinu, Simona Georgescu

发布于 2026-02-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Liviu P Dinu, Ana Sabina Uban, Bogdan Iordache, Anca Dinu, Simona Georgescu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇关于如何用“人工智能”来测量不同语言之间“听得懂多少”的研究论文。为了让你轻松理解，我们可以把这个复杂的语言学研究想象成一场**“语言版的‘猜词游戏’大赛”**。

1. 核心问题：语言之间的“亲疏远近”

想象一下，如果你会说中文，当你听到粤语、闽南语或者客家话时，你大概能猜出几个词的意思，对吧？这就是“互通性”（Intelligibility）。

研究人员想知道：在欧洲的罗曼语族（也就是法语、意大利语、西班牙语、葡萄牙语和罗马尼亚语这“五兄弟”）中，谁和谁的关系最铁？谁又是那个“虽然长得像，但说话完全听不懂”的怪咖？

2. 创新的“测量尺”：不仅仅看长相

以前的研究就像是看照片：只要两个词长得像（比如西班牙语的 luna 和意大利语的 luna），就觉得它们意思一样。但这篇文章认为这太天真了！

他们发明了一把更高级的“多功能尺子”，叫做 DLI 指数。这把尺子测量三个维度：

第一维：长相（拼写相似度） —— 两个词写出来像不像？
第二维：声音（发音相似度） —— 两个词读起来像不像？（这很重要！有些词写着像，但读起来简直是“天差地别”，就像有些英语单词看着很像，读音却完全变了样）。
第三维：灵魂（语义相似度） —— 这是最难的！两个词虽然长得像，但意思变了吗？
- 比喻： 就像两个双胞胎，长得一模一样，但一个性格温顺，一个脾气暴躁。如果你只看长相，就会误判他们的“本质”。论文里提到的“假朋友”（False Friends）就是这种词——长得像，意思却南辕北辙，容易误导听者。

3. 研究发现：谁是“社交达人”，谁是“孤僻少年”？

通过这把尺子，研究人员发现了一些有趣的现象：

“不对称”的社交关系： 语言之间的理解往往是“单向”的。比如，西班牙人可能觉得葡萄牙语“挺好懂的”，但葡萄牙人听西班牙语时，可能觉得“没那么顺耳”。这就像是一个人很擅长听别人说话，但别人却听不懂他在说什么。
罗马尼亚语的“反差萌”： 罗马尼亚语在这一组里比较特殊。它像是一个“虽然听不懂别人，但自己很能听懂别人”的人。罗马尼亚人能听懂其他兄弟的很多话，但其他兄弟听罗马尼亚语时，却觉得像在听外星语。
- 原因： 罗马尼亚语吸收了很多法语词汇，所以它能听懂法语；但它自己又吸收了很多斯拉夫语（比如俄语系）的词，导致其他兄弟听它说话时，会觉得“怎么突然冒出这么多生词？”
“看”比“听”容易： 研究发现，大家看书（拼写）时觉得语言很像，但真要听起来（发音）时，难度瞬间飙升。这说明文字具有“保鲜功能”，能把语言的亲缘关系留住，而口音则会把它们带向不同的方向。

4. 总结：这有什么用？

这项研究不仅仅是在玩文字游戏。它证明了：用计算机模型（AI）来模拟人类的语言理解能力，是非常靠谱的！

通过这种方法，我们以后可以更精准地预测：如果一个欧洲人想学一门新语言，哪门语言对他来说“上手最快”；或者在设计翻译软件时，如何更好地处理那些“长得像但意思不同”的坑。

一句话总结：这篇论文用一套“看脸+听音+读心”的AI算法，精准地画出了罗曼语家族的“亲疏关系图”。

这是一篇关于利用计算工具衡量罗曼语族（Romance languages）跨语言理解力（Cross-language intelligibility）的研究论文。以下是该论文的技术总结：

1. 研究问题 (Problem)

传统的跨语言理解力研究多依赖于人工实验（如填空测试/Cloze tests），存在样本量小、难以覆盖语言多样性以及无法量化语言学特征等局限。
本研究旨在解决以下核心问题：

非对称性量化：理解力并非对称的（即 A 语言使用者理解 B 语言的能力 $\neq$ B 语言使用者理解 A 语言的能力），如何通过计算手段捕捉这种非对称性？
多维度影响因素：如何综合考虑词汇重叠（Lexical overlap）、语音/拼写相似度（Phonetic/Orthographic similarity）以及语义偏移（Semantic divergence，如“假朋友”现象）对理解力的影响？
罗曼语族特性：利用罗曼语族丰富的历史数据，探究语言演化（如借词、语义演变）如何导致理解力的差异。

2. 研究方法 (Methodology)

研究者提出了一种全新的计算指标 $D_{LI}$ (Lexical Intelligibility Index)，其核心逻辑如下：

A. 数据基础

词汇库：利用 RoBoCoP 数据库（包含罗曼语族间详尽的同源词和借词数据）。
语料库：使用两个大规模平行语料库——RomCro（文学文本）和 EuroParl（欧洲议会政治文本），以确保在真实语境中分析词汇。

B. 核心指标计算 ( $D_{LI}$ )

研究者认为理解力取决于形式相似度 ( $S_L$ ) 和 语义相似度 ( $S_S$ ) 的结合。

形式相似度 ( $S_L$ )：通过计算归一化后的 Levenshtein 距离（编辑距离）获得。研究分别在**拼写（Orthographic）和语音（Phonetic，通过 eSpeak 库生成）**两个维度进行计算。
语义相似度 ( $S_S$ )：
- 使用预训练的 FastText 静态词向量（基于 Wikipedia）计算余弦相似度。
- 使用 Sentence-BERT 架构提取上下文嵌入（Contextual embeddings），并通过 Affinity Propagation 聚类算法处理多义词，以捕捉词汇在特定语境下的含义。
综合公式：
$D_{LI} = \alpha S_S + \beta S_L$
其中权重 $\alpha$ 和 $\beta$ 是通过数学推导确定的，确保当两个词完全相同或含义完全一致时，指标能正确反映另一维度的相似度。

C. 聚合计算

将句子中所有相关词汇的 $D_{LI}$ 进行加权平均，最终得出语料库层面的语言对理解力得分。

3. 主要贡献 (Key Contributions)

新指标与新方法：提出了结合“形式+语义”的双重维度指标 $D_{LI}$ ，解决了以往研究仅关注同源词识别（Cognate recognition）而忽视语义偏移（False friends）的问题。
大规模语境化分析：不同于以往使用 Swadesh list 等静态词表，本研究在真实的平行语料库语境下进行大规模计算。
多维度对比：通过对比拼写与语音、静态与上下文向量，揭示了不同语言特征对理解力的不同贡献。

4. 研究结果 (Results)

证实非对称性：定量结果证实了理解力的非对称性。例如，西班牙语使用者理解葡萄牙语的能力与葡萄牙语使用者理解西班牙语的能力并不相等。
罗马尼亚语的特殊性：罗马尼亚语与其他罗曼语之间的理解力得分最低，且表现出极大的非对称性（罗马尼亚语使用者更容易理解其他语言，但反之则很难）。这归因于其词汇中显著的斯拉夫语成分以及某些核心词汇（如“世界”）的语义演变。
语音 vs. 拼写：基于语音相似度的得分普遍低于拼写相似度，说明在书面社会中，视觉识别比听觉识别更容易促进跨语言理解。
验证有效性：通过 Spearman 相关系数分析，发现 $D_{LI}$ 指标与人类进行的 Cloze test（填空测试）结果具有显著相关性（相关系数达 0.71），证明了该计算模型的有效性。

5. 研究意义 (Significance)

理论意义：为语言学中的“侧边区域理论”（Theory of lateral areas）提供了新的实证依据，证明地理边缘语言的差异化更多取决于直接接触而非共同遗产。
实践意义：为多语种环境下的沟通评估、语言教学以及理解“受限理解力”（Receptive multilingualism）提供了自动化的量化工具。
方法论意义：为其他语系（如斯拉夫语族、日耳曼语族）的跨语言理解力研究提供了一套可扩展的计算框架。