大数据的不同的语言为什么会有相同的信息？

大数据文摘出品

编译：李世林、刘俊寰

如果准备去另一个国家旅行，最令人头大的肯定是语言不通的问题，有时甚至还会抱怨语言的分类过于细化。

但是，里昂大学研究人员的一项新研究表明，语言之间的差异可能比想象的要小。

“语言在音节所包含的信息以及说话的速度方面差异很大。但有趣的是，这两种语言是相互平衡的，因此信息密集的语言说得慢，而信息较少的语言说得快。这意味着不同语言之间有一个非常相似的稳定的信息率。”该研究的共同作者，来自里昂大学的语言动力学实验室研究员Dediu说道。

通用常数的探寻

在试图为语言找到一个“通用”常数的过程中，Dediu的团队面临着相当大的挑战。世界上有超过7000种不同的语言，它们之间的联系非常少。这甚至扩展到信息如何用文字编码的基本度量。

例如，不同语言中每个单词的音节数量差别很大，这意味着香农信息率也不同。然而，Dediu和他的团队很有远见，不仅考虑了单词，也考虑了单词的使用频率。

Dediu和他的同事使用了来自欧洲和亚洲17种不同语言的170名成年人的录音。每位演讲者的任务是阅读一组15个大段的文本，大约由24万个音节组成。

一秒钟有几个音节?

研究人员选择音节作为他们唯一的信息单位，这是基于在另外两种选择上采用的：

• 音素：帮助我们区分单个单词的声音单位，被排除在外，因为德迪欧的团队意识到，它们在讲话中很容易被省略
• 词汇：被认为是过于语言特异性，不便于比较

有了数据集和度量标准之后，科学家们检验了他们的结果，由此揭示了世界语言之间的一些有趣的差异：

• 英语中有近7000个音节，而日语只有几百个
• 语速从4.3个音节到每秒9.1个音节不等
• 元音和谐(一种引人入胜的语言创新，要求后缀与所连接的单词保持“和谐”)出现在四种语言中

简而言之，这些语言听起来完全不同。

尽管如此，Dediu的团队注意到，考虑到书面文本的语速和信息密度，所有记录的语言信息率基本一致;信息丰富的文本阅读速度较慢，而信息较少的语言阅读速度更快。

语言就像姜饼人和驯鹿：这两个B/W版本使用不同的分辨率和灰度级别，但编码的信息相同，就像语言交换不同的策略，但同样有效。资料来源：丹·德迪欧，里昂第二大学。

研究人员确定了一个数字——39.15位/秒，作为17种语言的平均信息率，这就又引出一些有趣的发现，例如，女性演讲者的演讲和信息率较低。

研究小组发现，书面文本的差异对信息率几乎没有影响，这表明研究结果可以推广到本文基于文本的研究之外。语音速率和音节数的变化明显大于信息速率，信息速率是有效的跨语言连接手段。

这对我们的大脑意味着什么?

研究人员认为，这一发现意味着信息率必须稳定在一个较紧的平均值附近，因为过高的信息率会阻碍大脑处理数据和清晰表达语言的能力;另一方面，低信息率要求大脑在提取意思之前记住太多的单词。

这突出了语言的双重角色, Dediu总结道:“就如同硬币的两面性，谈及语言也有两面性，一个是文化上，一个是生物性的，当说一门语言的信息变得更加密集，说话者也会开始放慢语速。”

信息安全或信息安全有对立的两方面的含义：一是数据本身的安全，主要是指采用现代密码算法对数据进行主动保护，如数据保密、数据完整性、双向强身份认证等，二是数据防护的安全，主要是采用现代信息存储手段对数据进行主动防护，如通过磁盘阵列、数据备份、异地容灾等手段保证数据的安全，数据安全是一种主动的包含措施，数据本身的安全必须基于可靠的加密算法与安全体系。