Башкирская Википедия через призму компьютерно-лингвистического анализа

Взятая в совокупности Башкирская Википедия содержит 13 889 117 символов с пробелами или 12 023 002 символов без пробелов. В этом массиве точка встречается 181 418 раз, а запятая 124 100 раз. Собственно слов на башкирском языке (то есть за вычетом цифр, пунктуации и некириллической графики) насчитывается 1 734 031. Таким образом, средняя длина башкирского слова в символах составляет 6.38.

Средняя длина слова в слогах составляет 2.68. При этом слов чётной длины 939901, то есть 54.20 %, слов нечётной длины, соответственно, 749734, 43.24 %. Более детально: 2-сложное: 594278 (34.27 %), 4-сложное: 313168 (18.06 %), 6-сложное: 31844 (1.84 %), 8-сложное: 611 (0.04 %); 1-сложное: 187661 (10.82 %), 3-сложное: 496657 (28.64 %), 5-сложное: 62654 (3.61 %), 7-сложное: 2626 (0.15 %), 9-сложное: 136 (0.01 %). Наиболее длинные слова (длиннее 8 слогов): гидроэлектростанциялар, телерадиокомпание, идентификацияланғандар, электростанцияһындағы, регенерацияланғандарға, көнсығышфилософияһының, гидромеханизациялау, стилдәгеархитектуравәкиле, санэпидемстанцияһында, реорганизацияланған, цивилизацияларының, специализациялары, реабилитацияланғандан, механизациялаштырыу, концентрационлагерҙарға, палеонтологическими, интернационализация, кодификациялаштырылған, специализацияларҙы, лабораторияларында, базельуниверситетына, реабилитациялана, региондаметталлургия, реабилитацияланған, квалификацияларына, характеристикаларының, гидроэлектростанцияларҙа, телерадиокомпаниеһында, электроэнергетикала, демилитаризацияланған, юриспруденцияһындағы, ассимиляциялаштырылған, классификациялағанда, лесоперерабатывающее, самофинансирование, идентификацияланған, агломерацияларының, антидемократическая, кодификациялаштырылмаған, деревообрабатывающая, механизациялаштыра, мобилизацияланыуын, геннотерапевтического, исемдәгепровинцияһының, модификацияланғанға, характеристикаларына, реорганизациялауҙан, ассоциациялаштырыла, модификацияланмаған, николаевкайылғаһының, демобилизацияланып, көтмәгәндәсәләмәтлеге, специализацияһының, автобиографияһында, классификациялаштырыусы, нацияинациональная, деидеологизации, диалектологияһының, задокументированную, автобиографияһынан, революционерҙарына, классификациялағандағы, микобактерияларына, детерминацияланмаған, высокотехнологичные, рекомбинацияләнгәндә, телерадиокомпаниеһы, радиокомпаниеһында, гидроэлектростанцияларҙың.

Какая часть слов подчиняется закону гармонии гласных? В Википедии насчитывается 934870 (53.91 %) слов твёрдого варианта, 494902 (28.54 %) мягкого и 304259 (17.55 %) слов смешанного варианта.

Частотный список двухбуквенных сочетаний представлен на этой странице.

Анализ лексики продемонстрировал, что Википедия — это специфический тип текстов, на который, по всей видимости, ощутимо влияют жанровые особенности. Так, если в прошлый раз мы уже сталкивались с аномальной частотностью некоторых лексем, списывая это на повторяющиеся элементы в оформлении интернет-страниц, то при текущем анализе в рассмотрение брался только основной текст без «обвязки». Тем не менее, вершину частотного списка словоформ заняли значимые слова йылға, бассейны, һыу в то время как ожидавшиеся на этих позициях служебные слова не поднялись выше 7-го и 8-го места (тиклем, буйынса). По всей видимости, нужно учитывать, что из более чем 30 000 статей далеко не все представляют собой законченные тексты на естественном языке. Часть из них стали результатом так называемой «ботозаливки», то есть автоматизированного создания страниц и загрузки или изменения информации на страницах. «Ботостатьи, в основном, имеют в себе минимальное количество информации по рассматриваемой теме и играют роль, скорее, заготовок, то есть статей, которые планируется расширить и улучшить в будущем, за счет редактирования уже участниками Википедии, хотя многие подобные статьи могут оставаться нетронутыми годами с момента их создания». Этим и объясняются аномалии верхней части частотного списка. Если с точки зрения частотности тексты Википедии стали так слабо походить на естественный язык, то администраторам, по всей видимости, стоит снизить темп автоматического создания новых статей и задуматься над традиционным ручным наполнением энциклопедии.

Слова состоят из 11 057 755 букв.

Частотный список букв выглядит следующим образом: