Grootste raadsel van computationele taalkunde opgelost

De wet van Zipf ofwel Zipf’s law beschrijft hoe de frequentie van een woord in natuurlijke taal afhankelijk is van zijn rangorde in een frequentietelling. Het meeste voorkomende woord komt twee keer zo vaak voor als het op een na meest voorkomende woord, drie keer zo vaak als het woord daarna, en zo door tot aan het minst voorkomende woord. Dit geldt voor een hele taal maar ook voor langere teksten.
De wetmatigheid is vernoemd naar de Amerikaanse linguïst George Kingsley Zipf die deze rond 1935 als eerste probeerde te verklaren.

Grootste raadsel

"Ik denk dat je best kunt stellen dat Zipf’s law het grootste raadsel van de computationele taalkunde is", aldus Sander Lestrade, taalwetenschapper aan de Radboud Universiteit. "Tot nu toe is de wet nooit degelijk taalkundig onderbouwd."

Zipfiaanse verdeling van de frequentie (verticale as) en rangorde (horizontale as) van Melvilles Moby Dick. De lijn is door Zipf voorspeld, de puntjes geven de daadwerkelijk gevonden frequenties in de tekst.

Lestrade toont nu aan dat Zipf’s law te verklaren is door de interactie tussen de zinsbouw en regels (syntaxis) en de betekenis van woorden (semantiek) in een tekst. Met behulp van computersimulaties toont de onderzoeker aan dat syntaxis of semantiek op zichzelf geen Zipfiaanse distributie in een tekst tot stand kunnen brengen, maar dat ze elkaar daarvoor nodig hebben.

"In de Nederlandse taal, en trouwens ook in de Engelse, zijn er bijvoorbeeld slechts drie lidwoorden, maar tienduizenden zelfstandige naamwoorden", legt Lestrade uit. "Je gebruikt voor bijna ieder zelfstandig naamwoord een lidwoord, en dus komen lidwoorden gemiddeld veel vaker voor dan zelfstandige naamwoorden."

Maar dat is niet voldoende om Zipf’s law te verklaren. "Binnen de zelfstandige naamwoorden heb je ook weer grote verschillen. ‘Ding’ is bijvoorbeeld veel algemener dan ‘onderzeeboot’, en kan dus in principe vaker worden gebruikt. Maar om daadwerkelijk frequent voor te komen, moet een woord ook weer niet te algemeen zijn. Als je de betekenisverschillen binnen woordklassen ‘vermenigvuldigt’ met de behoefte aan iedere klasse, dan krijg je een schitterende Zipfiaanse verdeling, die precies zo afwijkt van het Zipfiaanse ideaal als natuurlijke taal doet. Want Zipf’s law klopt eigenlijk nét niet helemaal, zoals je kunt zien in de grafiek. De voorspelling en de natuurlijke taal komen heel dicht bij elkaar, maar niet helemaal overeen."

Voorspellingen op basis van Lestrades nieuwe model blijken volledig overeen te komen met verschijnselen in natuurlijke taal. "En mijn theorie geldt voor grofweg alle talen, dus niet alleen voor het Nederlands of het Engels", stelt hij. "Ik vind deze vondst echt heel leuk, en ben overtuigd van mijn oplossing. Maar, de bevestiging moet natuurlijk van andere taalkundigen komen."

Lestrade S (2017) Unzipping Zipf’s law. PLos One 12(8): e0181987. https://doi.org/10.1371/journal.pone.0181987