Stratigrafie
De unde vin 18.721 de cuvinte românești
Româna este singura limbă romanică formată în mijlocul lumii slave. Timp de secole, vorbitorii ei au trăit sub influență otomană, maghiară, austriacă și grecească. Limba cultă s-a scris mai întâi în slavonă, cu litere chirilice, apoi a fost modernizată după model francez. Fiecare perioadă a lăsat cuvinte care pot fi recunoscute și astăzi după origine.
Scrie sau lipește un text românesc. Pagina îl lematizează, îi caută originea și arată cum se schimbă compoziția dacă numeri toate aparițiile, fiecare lemă o singură dată sau scoți cuvintele gramaticale foarte frecvente.
Analiza se face în browser. Textul nu este trimis și nu este păstrat. Dacă o formă poate aparține mai multor leme, este marcată ca ambiguă, nu ghicită din context.
Ce numeri?
Scrie o propoziție pentru a-i vedea straturile.
Rezultatul depinde de ce numeri. Dintre cele 47.657 de leme cu origine clasificată, 59,9 la sută vin din franceză, iar 4,7 la sută din latina moștenită. În lista de frecvențe OpenSubtitles, dacă numărăm fiecare apariție, proporțiile se răstoarnă: 77,7 la sută dintre ocurențele clasificate sunt moștenite din latină și 10,0 la sută vin din franceză.
Statisticile inventarului folosesc toate cele 47.657 de leme cu origine clasificată. Căutarea publică include 18.721 dintre ele, cele care apar cel puțin 0,5 la un milion de cuvinte în corpusurile contemporane.
Această a doua numărătoare include și cuvintele funcționale care se repetă în aproape fiecare propoziție: prepoziții, articole, pronume, conjuncții, auxiliare și particule. Ele arată din ce provine o mare parte a structurii gramaticale repetitive a propoziției.
Ca să estimăm influența cuvintelor gramaticale foarte frecvente, eliminăm 242 de leme și recalculăm proporțiile pe ocurențele rămase. Acesta este un filtru conservator la nivel de lemă. Utilizările gramaticale și lexicale ale aceleiași leme nu sunt separate în fiecare propoziție.
În vederea completă, un strat a putut fi atribuit pentru 87,4 la sută din masa OpenSubtitles și 78,9 la sută din masa Wikipedia analizată.
Filtrul conservator elimină 242 de leme, care însumează 50,9 la sută dintre ocurențele analizate. Procentele sunt recalculate pe ocurențele rămase cărora li s-a putut atribui un strat.
Straturile stau în ordinea în care s-au depus, cel mai vechi jos. Grosimea benzii arată cât ocupă stratul. Alege între inventarul complet, replicile de film și articolele Wikipedia. Pentru cele două texte poți vedea rezultatul cu sau fără cuvintele gramaticale foarte frecvente.
Ce compari?
Cuvinte gramaticale foarte frecvente
Această alegere se aplică textelor, nu inventarului complet.
Leme distincte clasificate
Cuvintele turcești sunt de 1,9 ori mai dese în replicile de film decât în articolele Wikipedia. Cuvintele franceze sunt de 2,6 ori mai dese în articolele Wikipedia decât în replicile de film.
Cuvintele turcești au intrat mai ales prin negoț și gospodărie: nume de mâncăruri, obiecte casnice și expresii colocviale. Cele franceze au intrat prin școală, administrație și drept. De aceea primele apar mai des în replicile de film, iar celelalte în articolele Wikipedia.
Unele straturi ajung la jumătate din apariții cu câteva cuvinte; altele au nevoie de sute. În replici, jumătate din aparițiile latinei moștenite vin din doar 14 cuvinte; pentru franceză sunt necesare 282. În Wikipedia, franceza ajunge la jumătate după 322 cuvinte.
Graficul arată câte cuvinte din inventarul public sunt necesare ca să ajungem la jumătate din aparițiile unui strat. După eliminarea cuvintelor gramaticale foarte frecvente, numărătoarea pentru latina din replici ajunge la 38.
Alege vederea
Replici · toate cuvintele
Procentele agregate devin mai ușor de înțeles când vezi cuvintele care le produc. Alege un strat și o sursă: lista arată cuvintele care contribuie cel mai mult la aparițiile lui.
Alege vederea
Alege stratul
Stratul paginii arată de regulă limba din care româna a primit direct cuvântul. Lanțul poate continua însă mai departe. Numărăm numai lanțurile a căror primă etapă confirmă stratul atribuit. Dintre cele 11.029 de lanțuri care încep cu franceza, 2.061 au cel puțin o etapă mai veche înregistrată; 1.800 continuă spre latină.
În lanțurile care încep cu turca osmanlie, 262 din 536 continuă spre o etapă mai veche, inclusiv 105 spre arabă și 105 spre persană.
Alege donatorul direct
Dan Alexe și Dan Ungureanu sunt adesea invocați împreună, dar nu susțin aceeași poveste. Amândoi resping formarea exclusiv la nord de Dunăre; de aici, traseele lor se despart.
latinitate balcanică → contact structural cu albaneza și slava sudică → trecere la nord de Dunăre
Româna s-ar fi format în centrul Balcanilor, într-o uniune lingvistică de durată cu albaneza și cu slava sudică, iar vorbitorii ei ar fi trecut la nord de Dunăre aproximativ între anii 800 și 1000.
Ce pune în centru
Structura și tipologia balcanică: articolul postpus, construcțiile cu conjunctivul și corespondențele gramaticale și lexicale româno-albaneze.
Cuvinte discutate de Alexe
latină cisalpină dialectalizată → Romania continua, probabil Balcanii, după 400 → română
Strămoșul romanic al românei ar purta un grup de inovații fonetice, morfologice și lexicale concentrate în nord-vestul Italiei. Româna însă s-ar fi putut naște numai mai târziu, într-o zonă latinofonă continuă a Imperiului, probabil în Balcani, după anul 400.
Ce pune în centru
Suprapunerea pe hartă a isogloselor din română cu forme din Lombardia de vest, Piemont și Alpi, plus vocabularul romanic târziu.
Exemple folosite în comparațiile sale
Cuvintele sunt deschise în clasificarea actuală a paginii. Prezența lor aici nu înseamnă că baza adoptă interpretarea unuia dintre autori.
Dintre cele 18.721 de leme căutabile, 44 au în lanțul etimologic public o etapă albaneză sau albaneză ghegă; toate sunt clasificate aici la substrat. Ele dau 24,3 la sută din masa lemelor căutabile de substrat în replici și 28,4 la sută în Wikipedia.
În replici, bucura singur dă 56,6 la sută din masa acestui grup de 44. Este o concentrare importantă: dimensiunea grupului și greutatea lui nu spun același lucru.
Acest rezultat arată că sursele etimologice ale paginii conțin un nucleu albanez legat măsurabil de lexicul de substrat. Nu stabilește direcția împrumutului, existența unui fond comun, locul contactului sau cronologia propusă de Alexe.
Baza poate face vizibile exemplele lui Ungureanu, dar nu îi poate testa ipoteza geografică: lanțurile de aici notează limbile donatoare, în timp ce argumentul său se bazează pe paralelisme dialectale și isoglose, nu pe împrumuturi din lombardă sau piemonteză.
Dan Alexe: ipotezele se exclud reciproc
Alexe spune explicit că modelul său balcanic și modelul nord-italian al lui Ungureanu sunt incompatibile și îi reproșează acestuia că pune lexicul înaintea structurii gramaticale.
Ioana Vintilă-Rădulescu: o recenzie critică
Recenzia din 2018 a volumului Româna și dialectele italiene contestă metoda, atribuirea dialectală și lipsa unei sinteze convingătoare și conchide că tezele nu sunt demonstrate.
Rudolf Windisch: o evaluare favorabilă metodei cartografice
Recenzia din 2024 consideră inventarierea descrierilor și dicționarelor dialectale o metodă acceptabilă pentru o reconstrucție fundamentată a istoriei românei.
Alexandru Nicolae: precauție față de ambele modele
Într-o critică publică din 2024, lingvistul avertizează că ambii autori transformă incertitudini greu verificabile în concluzii mai sigure decât permit izvoarele și metoda comparativ-istorică.
Corpusul literar se oprește în 1949, deoarece textele mai noi sunt încă protejate de drepturi de autor. Pentru perioada următoare sunt folosite nouă texte constituționale, publice și datate, din 1848 până în 2003. Ele permit compararea vocabularului oficial de-a lungul întregii perioade.
Ponderea cuvintelor slave vechi scade de la 3,5 la sută în 1848 la 0,9 la sută în 1866. Ponderea cuvintelor franceze urcă de la 8,2 la sută la 36,2 la sută și atinge maximul sub comunism. Patru secole de suzeranitate au lăsat sute de cuvinte ale pieței și gospodăriei, dar aproape nimic în cele nouă texte constituționale analizate.
Procent din cuvintele cu origine clasificată
| An | Document | Franceza | Latina moștenită | Slava veche | Vecinii slavi de mai târziu |
|---|---|---|---|---|---|
| 1848 | Proclamația de la Islaz | 8,2% | 81,6% | 3,5% | 0,6% |
| 1866 | Constituția României | 19,8% | 71,4% | 0,9% | 0,2% |
| 1923 | Constituția României | 24,3% | 63,9% | 1,1% | 0,1% |
| 1938 | Constituția României | 24,8% | 63,1% | 1,3% | 0,1% |
| 1948 | Constituția Republicii Populare Române | 34,0% | 52,9% | 2,3% | 0,4% |
| 1952 | Constituția Republicii Populare Române | 37,6% | 49,4% | 3,7% | 1,0% |
| 1965 | Constituția Republicii Socialiste România | 37,4% | 48,5% | 2,7% | 1,1% |
| 1991 | Constituția României | 36,0% | 52,3% | 1,5% | 0,3% |
| 2003 | Constituția României, revizuită | 36,2% | 52,6% | 1,2% | 0,2% |
Fișele de mai jos includ și cuvintele gramaticale foarte frecvente. Le poți elimina numai din comparația de mai sus.
înainte de anul 106 · Populația de dinaintea Romei
Aici intră termenii pentru care nu există o origine sigură în latină sau în limbile care au influențat ulterior româna. Unele au corespondente în albaneză, o altă limbă balcanică cu fond preroman. Sunt aproximativ 120 și denumesc mai ales forme de relief, plante, animale și obiecte pastorale. Clasificarea rămâne nesigură: pentru 24 dintre ele, dexonline indică origine necunoscută.
Cele mai frecvente
106–secolul VII · Roma și transmiterea prin vorbire
Cuvintele moștenite din latină sunt relativ puține în dicționar, dar foarte frecvente: reprezintă 77,7 la sută din cuvintele clasificate ale replicilor de film și 60,8 la sută din cele ale articolelor Wikipedia. Aceste cuvinte s-au transmis prin vorbire și s-au schimbat treptat: aqua a ajuns apă, noctem a ajuns noapte, oculus a ajuns ochi. Vocabularul creștin de bază este tot latin: biserică vine din basilica, Dumnezeu din Domine Deus; cruce, înger și a boteza au tot origine latină. Influența slavă a venit mai târziu.
Cele mai frecvente
secolele VI–XVII · Contact direct, apoi biserica și cancelaria
Dicționarele folosesc etichete precum protoslavă, slavă veche și slavonă bisericească. Slavona era limba scrisă a bisericii și a cancelariei, bazată pe o varietate sud-slavă veche. Forma consemnată nu arată singură dacă un cuvânt a intrat prin vorbire sau prin limba scrisă, așa că analiza le numără împreună. Aici intră termeni cotidieni precum nevoie, iubi, prieten, trăi și dragoste, alături de termeni bisericești și administrativi precum rai, duh, pravilă și hrisov. În textele oficiale analizate, ponderea stratului este 3,5 la sută în 1848 și 0,9 la sută în 1866.
Cele mai frecvente
secolele XI–XIX · Transilvania, opt secole de vecinătate și de administrație
Cuvântul oraș vine din maghiară, iar sat din latină. Tot din maghiară vin gând, chip, fel, marfă, hotar și meșter. Româna a preluat și sufixul verbal -ui, prezent în verbe precum a locui și a chibzui. Sufixul este folosit și cu rădăcini care nu sunt maghiare.
Cele mai frecvente
secolele X–1821 · Bizanțul, apoi domnii fanarioți
Cuvintele grecești au intrat în română în două perioade. Mai întâi au venit prin biserica bizantină; apoi, între 1711 și 1821, Poarta a numit la București și la Iași domni greci din cartierul Fanar al Istanbulului, cu o administrație și o școală în greacă. Influența fanariotă a lăsat 2,6 la sută din lexemele cu origine clasificată. Din greacă provine și terminația -isi, prezentă în verbe precum a chivernisi și a economisi.
Cele mai frecvente
secolele XV–XIX · Negoțul și gospodăria
Patru secole de suzeranitate otomană au lăsat cafeaua, ciorba, iaurtul, dulapul, cearșaful, geamul, tavanul, papucul, mahalaua, bacșișul, chiful și hazul. Poarta lua tribut și numea domni, fără să administreze direct Țara Românească și Moldova. Relația politică a lăsat și termeni istorici precum firman și pașalâc, însă cele mai multe cuvinte au intrat prin piață și gospodărie. În replicile de film sunt de 1,9 ori mai dese decât în text enciclopedic, iar în cele nouă texte constituționale măsurate, din 1848 până în 2003, sunt practic absente.
Cele mai frecvente
secolele XVI–XX · Bulgari, sârbi, ucraineni, ruși, polonezi
Împrumuturile rusești au venit mai ales în două perioade: administrația impusă după 1828 și deceniile de influență sovietică. Efectul celei de-a doua perioade apare în textele oficiale: ponderea stratului urcă de la 0,1 la sută în constituția din 1938 la 1,1 la sută în cea din 1965, după care coboară din nou.
Cele mai frecvente
secolele XII–XX · Sașii, administrația habsburgică, atelierul
Sașii ajung în Transilvania din secolul al XII-lea, administrația austriacă după 1699, iar vocabularul tehnic odată cu industria. De aici vin șurubul, ștecherul, bormașina, chelnerul, șprițul, cartoful și rucsacul. Cuvintele germane apar mai des în articolele Wikipedia decât în replicile de film.
Cele mai frecvente
1780–1900 · Cărturarii, pe hârtie și cu intenție
Spre deosebire de cuvintele latine moștenite prin vorbire, latinismele savante au fost preluate din cărți și introduse deliberat. Școala Ardeleană a folosit descendența latină a limbii ca argument politic, iar mai târziu Timotei Cipariu și dicționarul Laurian–Massim din 1871–1876 au încercat să relatinizeze vocabularul până la ridicol și au fost luați în râs pentru asta. Ce a rămas sunt dubletele: același cuvânt latin ajuns de două ori, cu sensuri diferite. Din digitus avem deget și digital, din gravis avem greu și grav, din directus avem drept și direct, din frigidus avem frig și frigid. În fiecare pereche, primul cuvânt este moștenit și schimbat de uz, iar al doilea este împrumutul savant.
Cele mai frecvente
1800–1930 · Muzica, arta, banca
Un strat mic și ușor de recunoscut după domenii. Din italiană vin termeni ai muzicii, artei și finanțelor. Generația de la 1848, care își făcuse studiile în Italia și vedea în italiană o soră mai mare a limbii, a adus și o parte din vocabularul politic al momentului.
Cele mai frecvente
1830–1918 · Școala, administrația și prestigiul Parisului
Influența franceză a fost adoptată de elitele românești în secolul al XIX-lea. Tinerii învățau la Paris, Codul civil din 1864 a urmat modelul napoleonian, statul s-a construit după tipare franceze, iar limba a preluat odată cu ele o mare parte din vocabularul politicii, administrației și abstracțiunii. Documentele oficiale arată amploarea schimbării: cuvintele franceze reprezintă 8,2 la sută din proclamația de la 1848, 19,8 la sută din constituția de la 1866, inspirată în mare parte de cea belgiană din 1831, și 36,2 la sută din constituția în vigoare. Ponderea maximă apare în Constituția din 1952, la 37,6 la sută, deoarece mulți termeni administrativi ai comunismului românesc au origine franceză: planificare, industrializare, colectivizare.
Cele mai frecvente
din 1960, mai ales după 1990 · Prestigiul și ecranul
Împrumuturile din engleză au crescut mai ales după 1990, prin tehnologie, media și cultura populară. În dicționarul paginii apar 1.099 de cuvinte englezești, adică 2,3 la sută din total.
Cele mai frecvente
din secolul XVI · Româna, singură
Sunt cuvinte create în română din elemente deja existente, prin compunere sau derivare. Apar atunci când este nevoie de un nume nou.
Cele mai frecvente
fără dată · Nimeni nu poate spune
Pentru 1.345 de lexeme nu există o origine stabilită. Ponderea lor în replicile de film este influențată puternic de un singur cuvânt foarte frecvent, conjuncția dar.
Cele mai frecvente