Culturomica sau răsfoitul cărţilor pe neve

Titlul postării de azi nu se referă, oricât ar părea de ciudat, la obiectele pasiunii cartoforilor, ci la cărţile de citit, acelea care se pot găsi în rafturile bibliotecilor acolo unde mai există aşa ceva. În anii din urmă, odată cu extinderea spectaculoasă a internetului, unii cititori pasionaţi au avut impresia că au să-l apuce în curând pe Dumnezeu de picior şi au să capete acces online la toate cărţile din lume. Un fel de vis al lui Pico de la Mirandola tradus în limbajul bibliomanilor. Speranţele au crescut odată cu anunţarea proiectului firmei Google de a digitiza şi de a pune la dispoziţia celor interesaţi întregul corpus tipărit al omenirii, cunoscut de pe acum sub numele de Google Books. După cum ştim acum, acest proiect ambiţios şi, după unii, foarte generos, s-a lovit de dificultăţile legate de copyright, căci mulţi editori şi autori au dat în judecată compania americană, considerându-se lezaţi în drepturile lor de autor.


Ideea de a ocoli stufărişul legal şi de a face totuşi ceva cu volumele digitizate de Google a avut-o Erez Liberman Aiden, un doctorand în genomică la Universitatea Harvard, care a propus utilizarea cărţilor pentru a construi o gigantică bază de date în care să se poată face căutări şi, desigur, studii statistice, fără a avea acces direct la textul lucrărilor şi fără a viola astfel legea. De aici ideea de neve de la care plecasem. Google a fost de acord cu ideea şi a dat lumina verde pentru realizarea bazei de date, o aşa-numită n-gramă, adică o cartografiere a contextului şi frecvenţei de apariţie a cuvintelor în texte. În acest moment ea conţine 2 trilioane de cuvinte provenite din 15 milioane de cărţi, ceea ce reprezintă circa 12% din totalul cărţilor apărute de la Gutenberg încoace. Software-ul şi analiza au fost realizate de o echipă interdisciplinară de informaticieni şi lingvişti (din cei din urmă e suficient să-l pomenesc pe celebrul Steven Pinker).

Primele rezultate ale cercetărilor întreprinse au fost surprinzătoare. S-a constatat, de pildă, că în cărţile investigate există, după expresia lui Pinker, o mare cantitate de „materie lexicală întunecată“, adică cuvinte care nu figurează în dicţionarele publicate (a se observa analogia cu termenul folosit în genetică pentru materialul cromozomial care nu codifică în aparenţă niciun aminoacid). Dacă e să iau un exemplu din limba engleză, cercetătorii au observat că nici măcar cuvinte în aparenţă banale, precum „deletable“ nu se regăsesc în niciun dicţionar. N-gramele au fost folosite şi ca barometru al unor fenomene culturale. S-au studiat pe baza frecvenţei de ocurenţă, termenii „Charles Darwin“ şi „Sigmund Freud“, iar rezultatul a fost că Freud pierde teren, iar Darwin, dimpotrivă, avansează în preferinţele autorilor şi a ajuns chiar să-l depăşească pe cel dintâi în 2005. Aceste studii culturale bazate pe date statistice au fost demunite „culturomică“ de Aiden şi colaboratorii lui. Analogia cu termenul „genomică“ e evidentă.

Baza de date e departe de a fi completă şi deocamdată e disponibilă pentru un număr restrâns se limbi de circulaţie internaţională. Pe pagina de web http://www.culturomics.org/ găsim însăşi jucăria şi ne putem amuza cu ea. Eu am studiat evoluţia frecvenţei termenilor „nigger“, „negro“ şi „black“ în engleză (etichete cu potenţial exploziv pentru adepţii corectitudinii politice). Rezultatele sunt cele aşteptate: „nigger“ nu s-a bucurat niciodată de o prea mare popularitate în cărţi, fiind probabil considerat prea ofensiv, iar „negro“, după ce a cunoscut o perioadă de glorie între 1960 şi 1980, a început să decadă în deceniile din urmă în favoarea lui „black“. Asemenea analize culturomice sunt, desigur, imperfecte şi criticabile din punct de vedere lingvistic, iar cine e interesat poate citi o listă destul de consistentă de critici chiar pe pagina proiectului. Orice s-ar zice însă, studiile statistice au un viitor interesant în lingvistică. Cine e interesat poate citi una din cele mai interesante apariţii în domeniu, cartea lui Joan Bybee Frequency of Use and the Organization of Language.

Ce concluzii am putea trage pentru limba română? Destul de simplu, niciuna, pentru că limba noastră, nefiind una de largă răspândire, nu face obiectul proiectului culturomic. Putem desigur să intuim unele concluzii legate de materia lexicală întunecată. Bunăoară ediţiile DEX din anii 1990 nu înregistrează cuvântul „dischetă“ şi asta într-o perioadă care a reprezentat epoca de glorie a dispozitivului, iar vorba era pe buzele celui mai dinamic segment al societăţii, utilizatorii de calculatoare. În paranteză fie spus, la Institutul de Lingvistică al Academiei se lucra (se mai lucrează încă?) pe bază de fişe de carton, iar calculatorul era ca şi inexistent ca instrument de lucru. Noroc că „dischetă“ a apărut în ediţiile mai noi, că tot a ieşit din uz obiectul. Vom avea un arhaism mai mult, alături de „giubea“ sau „capuchehaie“

PS Textul de azi mi-a fost inspirat de articolul lui John Bohannon din numărul pe decembrie 2010 al revistei Science. Ilustraţia utilizată este luată din corpul articolului.