通过 Twitter 众包进行方言特征刻画

我们利用地理标记的微博客数据集，对语言的地域变异进行了大规模分析。通过收集两年多时间内用西班牙语撰写的所有 Twitter 消息，我们构建了一个语料库，从中精心挑选的概念列表使我们能够在全球范围内刻画西班牙语变体。聚类分析证明了具有共同词汇属性的定义明确的宏观区域的存在。值得注意的是，我们发现西班牙语分裂为两种超级方言：一种是在主要美洲和西班牙城市使用的城市口语，另一种是涵盖农村地区和小城镇的多样化形式。后者可进一步聚类为具有更强区域特征的较小变体。