یک بازی واژگانی به بیش از یک فهرست از رشتههای مجاز نیاز دارد. باید بگوید هر کدام به چه معناست، و معنا سختترین چیزی است که باید ذخیره شود.
وردچس روی یک صفحه ۲۵×۲۵ با یک 148,941واژه انگلیسی فهرست واژهها6، با میانگین ۸٫۶ حرف برای هر ورودی، برخی تا ۲۵ حرف. این بخش آسان است. فهرستی از واژههای مجاز صرفاً مجموعهای از رشتههایی است که بازی آنها را میپذیرد. بخش جالب، گفتن به بازیکن است که رشتهای که روی صفحه قرار دارد به چه معناست، و انجام این کار در عین حال در بیست و دو زبان.
واژهشناسان خطی تیز بین یک لِمّا و شکلهای صرفشدهٔ آن. لِمّا همان واژهٔ اصلی است که در آن جستوجو میکنید، دویدن, خانه, بودن. در اطراف آن، یک الگوی از شکلهای ظاهری میچرخد: میدود, دوید, دویدن. هر یک از آنها همان معنای هستهای را حمل میکنند، اما برای نقش دستوری متفاوتی آراسته شدهاند.3 یک لغتنامه، نثر خود را صرف لِمّا میکند و سایهها را تنها برای اشاره به خانه رها میکند.
تعداد سایههایی که یک واژه میاندازد، به زبان بستگی دارد. انگلیسی تحلیلیاست: بر ترتیب کلمات و کلمات کمکی کوچک تکیه میکند، بنابراین یک فعل بهندرت بیش از چند شکل دارد. فنلاندی یک زبان چسبانیاست؛ معنای خود را با چسباندن پسوندها به یک ریشه میسازد. یک اسم فنلاندی واحد حالتهای صرفی آن به حدود پانزده حالت تقسیم میشوند، در مفرد و جمع، پیش از آنکه پسوندهای ملکی و چسبیدهها روی هم انباشته شوند؛ تعداد عملی شکلهای متمایز به هزاران میرسد.4 مجار یک عبارت کامل انگلیسی, در خانهٔ من، را در یک کلمه، házamban.5
تعاریف از ویکشنری، لغتنامهٔ رایگانی که هر کسی میتواند آن را ویرایش کند، میآیند. این پروژه بسیار بزرگ و چندزبانهاست: این پروژه بیش از صد نسخهٔ فعال زبانی و دهها میلیون ورودی را در بر میگیرد که بهصورت مشارکتی توسط داوطلبان و نه یک هیئت ویرایشی حقوقبگیر نوشته شدهاند.1 برای بازیای که به ۲۲ زبان اجرا میشود، هیچ لغتنامهٔ رایگان دیگری از نظر پوشش به آن نزدیک نیست.
اما پوشش روی کاغذ، پوششی نیست که بتوان آن را خواند. ویکشنری شکلهای صرفی را به شیوهای ذخیره میکند که ویراستاران انسانی را از نوشتن مکرر یک توضیح دههزار باره نجات میدهد. بهجای بیان کامل یک تعریف، یک ورودی غیرلغوی یک قالب «شکلِ»دارد، اشارهای کوچک که در عمل میگوید «این یک شکل دستوری خاص از آن لگوم است.»2 مادهٔ smoulders نثر نیست؛ بلکه یک قالب است که به صورت «سومشخص مفرد حال سادهٔ smoulder» رندر میشود.1
این اشارهها یک خطای گرد کردن نیستند. در ویکیواژهٔ انگلیسی، از میان حدود ۱٫۲۷ میلیون تعریف، حدود ۴۷۸,۰۰۰ مورد، یعنی بیش از یکسوم، تعاریف «شکل از» هستند بهجای معانیِ نوشتهشده.1 دادهها آنجا هستند. فقط تا شدهاند.
بنابراین چالشی که اهمیت داشت هرگز «گم بودن کلمه» نبود. مسئله این بود که معنای کلمه درون قالبی قرار داشت که یک تجزیهگر ساده آن را دور میریخت. تعاریف WordChess با خواندن دامپهای خام ویکیواژه و باز کردن قالبهای صرف زبان به زبان ساخته شدند، بهطوری که تجزیهگر آموزش میدید هر اشاره چه معنایی دارد و آن را به یک گلاسی ساده بازنویسی میکرد.6
هر زبانی شکلهای خود را پشت مکانیزمهای متفاوتی پنهان میکند. اسپانیایی شکلهای فعل را پشت {{forma verbo}}پنهان میکند که به «شکل فعلی X» حل میشود. آلمانی از {{Grundformverweis Dekl/Konj}} برای شکلهای صرفشده و صرفشدهٔ فعلی استفاده میکند. فنلاندی به {{taivutusmuoto}}. در زبان روسی اغلب هیچ قالبی برای شکلهای صرفی ذخیره نمیشود و کلمهی صرفشده یک ارجاع (собаки → собака) است که باید آن را دنبال کرد تا توضیح «شکلِ» بازیابی شود.6 با مدیریت هر یک از این قراردادها، پوشش بهطرز چشمگیری افزایش مییابد.
| زبان | قبل | بعد | افزایش |
|---|---|---|---|
| آلمانی | 45% | 92% | +47 |
| هلندی | 58% | 90% | +32 |
| فنلاندی | 54% | 74% | +20 |
| روسی | 20% | 70% | +50 |
| یونانی | 15% | 57% | +42 |
اندازهگیریشده از روی یادداشتهای طراحی و ساخت این پروژه. درصدها سهمِ ورودیهای لغتنامهای هستند که دارای تعریف قابلاستفاده یا توضیح حلشدهی «شکلِ» میباشند.
دادهها هرگز گم نشده بودند. آنها درون یک اشارهگر تا شده بودند و دادنِ کلمه به یک ماشین به معنای یادگیریِ باز کردنِ آن تا بود.
صادق بودن درباره آنچه بازی اکنون در خود دارد، ارزشمند است. وقتی WordChess نشان میدهد که собаки شکلی از собака، «سگ»، است، چیزی را درک نکرده است. این بازی با دنبال کردن همان اشارههایی که یک ویراستار انسانی پشت سر گذاشته بود، یک رشته را به رشتهای دیگر، یعنی یک توضیح معنایی، نگاشت کرده است. این lemmatizationاست، ابزار اصلی پردازش زبان طبیعی: کاهش یک شکل ظاهری به شکل پایهای آن تا دستگاه با تعداد کمتری از چیزهای متمایز سروکار داشته باشد.7
این نوعی واقعی و مفید از دانستن است. این امر به بازی اجازه میدهد تا در آتن یا آمستردام، بدون داشتن یک لغتشناس در کارکنان، به پرسش «این کلمه چیست؟» پاسخ دهد. اما این، دانستن بهعنوان جستوجو است، نه دانستن بهعنوان معنا. توضیح معنایی یک وعده است که خواننده، با خواندن آن، کلمه را بهخاطر خواهد آورد. دستگاه این وعده را در دست دارد؛ خواننده معنا را فراهم میکند.
برخی زبانها به سقفی میرسند که هیچ تجزیهکنندهای نمیتواند آن را بردارد، زیرا دادهها بهسادگی آنجا وجود ندارند تا گسترش یابند. ورودیهای مجارستانی اغلب فقط یک ریشهشناسی و یک جدول ترجمهها را حمل میکنند، بدون هیچ متن تعریفی، بنابراین حتی یک خواننده بینقص نیز با دست خالی برمیگردد. سختترین موارد در جایی تجمع مییابند که زبانشناسی سختترین است: زبانهای چسبنده مانند فنلاندی و مجارستانی که پارادایمهای عظیمی میسازند، و خطهای سیریلیکی و یونانی، که پوشش جامعه در آنها از ابتدا نازکتر است. یونانی از ۱۵٪ به ۵۷٪ بالا آمد؛ این واقعیت که بهمراتب کمتر از ۹۲٪ آلمانی است، حقیقتی درباره منبع است، نه درباره کد. 6