Gra słowna potrzebuje czegoś więcej niż listy dozwolonych ciągów znaków. Musi umieć powiedzieć, co każdy z nich znaczy, a znaczenie jest najtrudniejszą rzeczą do przechowania.
Napisane i zredagowane po angielsku. Ta polska wersja powstała w wyniku tłumaczenia maszynowego; tam, gdzie liczy się precyzja, rozstrzygający jest angielski oryginał. Przeczytaj oryginał po angielsku →
WordChess toczy się na planszy 25×25 ze słownikiem angielskim liczącym 148 941 słów 6, w którym hasła mają średnio 8,6 litery, a najdłuższe liczą 27. To jest łatwa część. Lista dozwolonych słów to po prostu zbiór ciągów znaków, które gra zaakceptuje. Ciekawa część to powiedzieć graczowi, co ciąg leżący na planszy znaczy, i zrobić to w dwudziestu dwóch językach naraz.
Leksykografowie wyraźnie odróżniają lemat od jego form fleksyjnych. Lemat to wyraz hasłowy, którego się szuka, na przykład angielskie run („biegać”), house („dom”), be („być”). Wokół niego krąży paradygmat form powierzchniowych: runs, ran, running. Każda niesie ten sam rdzeń znaczeniowy, przybrany do innej roli gramatycznej. 3 Słownik poświęca swój opis lematowi, a cieniom każe jedynie wskazywać drogę do domu.
To, ile cieni rzuca słowo, zależy od języka. Angielski jest językiem analitycznym: opiera się na szyku wyrazów i drobnych słowach pomocniczych, więc czasownik rzadko ma więcej niż garść form. Fiński jest aglutynacyjny, buduje znaczenie, doklejając przyrostki do tematu. Pojedynczy fiński rzeczownik odmienia się przez mniej więcej piętnaście przypadków, w liczbie pojedynczej i mnogiej, zanim na wierzch nałożą się końcówki dzierżawcze i klityki; praktyczna liczba odrębnych form idzie w tysiące. 4 Węgierski mieści całą angielską frazę in my house („w moim domu”) w jednym słowie: házamban. 5
Definicje pochodzą z Wikisłownika (Wiktionary), wolnego słownika, który każdy może edytować. Jest ogromny i wielojęzyczny: projekt obejmuje znacznie ponad sto aktywnych edycji językowych i dziesiątki milionów haseł, pisanych wspólnie przez wolontariuszy, a nie przez opłacaną redakcję. 1 Dla gry działającej w 22 językach żaden inny wolny leksykon nie zbliża się do niego zasięgiem.
Ale zasięg na papierze to nie zasięg, który da się odczytać. Wikisłownik przechowuje formy fleksyjne w sposób, który oszczędza ludzkim redaktorom pisania tej samej glosy dziesięć tysięcy razy. Zamiast rozpisywać definicję, hasło niebędące lematem zawiera szablon „form of”, mały wskaźnik, który w istocie mówi: „to jest określona forma gramatyczna tamtego lematu”. 2 Hasło smoulders („tli się”) nie jest prozą; to szablon, który wyświetla się jako „third-person singular simple present form of smoulder” („forma trzeciej osoby liczby pojedynczej czasu present simple od smoulder”). 1
Te wskaźniki nie są błędem zaokrąglenia. W angielskim Wikisłowniku spośród około 1,27 miliona definicji mniej więcej 478 000, czyli znacznie ponad jedna trzecia, to definicje typu „form of”, a nie rozpisane znaczenia. 1 Dane tam są. Są tylko złożone.
Wyzwanie, które miało znaczenie, nigdy więc nie brzmiało „brakuje słowa”. Chodziło o to, że znaczenie słowa tkwiło wewnątrz szablonu, który naiwny parser by wyrzucił. Definicje WordChess zbudowano, czytając surowe zrzuty Wikisłownika i rozwijając szablony fleksyjne język po języku: ucząc parser, co oznacza każdy wskaźnik, i przepisując go na zwykłą glosę. 6
Każdy język ukrywa swoje formy za inną maszynerią. Hiszpański chowa formy czasownikowe za {{forma verbo}}, rozwijanym do „forma czasownikowa od X”. Niemiecki używa {{Grundformverweis Dekl/Konj}} dla form deklinowanych i koniugowanych. Fiński opiera się na {{taivutusmuoto}}. Rosyjski często nie przechowuje żadnego szablonu formy: odmieniony wyraz jest gołym przekierowaniem (собаки → собака), za którym trzeba podążyć, by odzyskać glosę „forma od”. 6 Obsłuż każdą konwencję, a zasięg skacze w górę.
| Język | Przed | Po | Przyrost |
|---|---|---|---|
| Niemiecki | 45% | 92% | +47 |
| Niderlandzki | 58% | 90% | +32 |
| Fiński | 54% | 74% | +20 |
| Rosyjski | 20% | 70% | +50 |
| Grecki | 15% | 57% | +42 |
Zmierzone na podstawie notatek projektowych i konstrukcyjnych tego projektu. Wartości procentowe to udział haseł słownika mających użyteczną definicję lub rozwiniętą glosę „forma od”.
Dane nigdy nie zniknęły. Były złożone we wskaźnik, a danie maszynie słowa oznaczało nauczenie się, jak je rozłożyć.
Warto uczciwie powiedzieć, co gra teraz posiada. Gdy WordChess pokazuje, że собаки to forma od собака („pies”), niczego nie zrozumiała. Przyporządkowała jeden ciąg znaków innemu ciągowi, glosie, podążając za tymi samymi wskaźnikami, które zostawił ludzki redaktor. To lematyzacja, wół roboczy przetwarzania języka naturalnego: sprowadzanie formy powierzchniowej do jej formy podstawowej, by maszyna miała mniej odrębnych rzeczy do śledzenia. 7
To prawdziwy i użyteczny rodzaj wiedzy. Pozwala grze odpowiedzieć na pytanie „co to za słowo?” w Atenach czy Amsterdamie bez leksykografa na etacie. Ale to wiedza jako wyszukiwanie, nie wiedza jako znaczenie. Glosa jest obietnicą, że człowiek, który ją przeczyta, rozpozna słowo. Maszyna przechowuje obietnicę; sens dostarcza czytelnik.
Niektóre języki trafiają na sufit, którego żaden parser nie podniesie, bo danych do rozwinięcia po prostu nie ma. Węgierskie hasła często zawierają tylko etymologię i tabelę tłumaczeń, bez żadnego tekstu definicji, więc nawet doskonały czytnik wychodzi z pustymi rękami. Najtrudniejsze przypadki skupiają się tam, gdzie najtrudniejsza jest lingwistyka: w językach aglutynacyjnych, takich jak fiński i węgierski, które rodzą ogromne paradygmaty, oraz w piśmie cyrylickim i greckim, gdzie zasięg społeczności jest od początku cieńszy. Grecki wspiął się z 15% do 57%; to, że zatrzymuje się daleko przed 92% niemieckiego, jest faktem dotyczącym źródła, a nie kodu. 6