Esperantistoj de diversaj landoj ne parolas aŭ skribas Esperanton tute sammaniere. La prononco kelkfoje aludas la devenon de parolanto – aparte de komencanta parolanto. Tamen, ankaŭ la vortelektoj povas teorie diri ion pri la deveno de parolanto. Ekzemple mi vidis hipotezojn ke
- La vorto “la” ne ekzistas en la rusa, tial rusaj esperantistoj eble ne uzas “la” tiom multe kiom nerusaj esperantistoj.
- La aktivaj kunmetitaj verboformoj (ekz. “mi estas kuranta”) estas oftege uzataj en la angla, do anglaj esperantistoj eble uzas tiajn formojn pli ofte.
En ĉi tiu afiŝo mi esploras vortelektajn diferencojn inter esperantistoj. Ĉu la plej grandaj diferencoj inter esperantistoj rilatas al la devenlando aŭ alia afero? Por respondi tiun demandon, mi elŝutis ĉiujn mesaĝojn de la babilejo Esperantujo sur Telegram (vidu telegramo.org). En tiu babilejo esperantistoj de multaj landoj babilis kune ekde 2015. Entute mi elŝutis 469102 mesaĝojn skribite de 2453 malsamaj uzantoj (la babilejo ankaŭ enhavis 94113 mesaĝojn de nekonata nombro de forigitaj uzantoj). La babilejo estis pli aktiva antaŭ kelkaj jaroj sed ĝi ankoraŭ vivas.
En mia analizo mi konsideris la 100 uzantojn, kiuj sendis plej multajn mesaĝojn. Entute la 100 sendis 373790 mesaĝojn, do kvankam mi forigis pli ol 95 % de la uzantoj, mi analizis pli ol 75 % de la dateno. Por priskribi la vortelektadon, mi konstruis kelkcentojn kategoriojn en kiu mi enmetis ĉiun vorton. La suba grafikaĵo montras ĉiujn 293 kategoriojn kaj la frekvencojn de la kategorioj en la tuta Esperantujo Telegrama grupo kontraŭ la tuta Tekstaro.
En la babilejo, estas multege da -as-finaĵoj, demandvortoj, kaj la vorto ‘mi’ kompare kun la Tekstaro. Tio havas sencon, ĉar babilantoj ofte konversacias per demandoj pri iliaj vivoj. Ĝenerale, Tekstaro pli ofte uzas la komplikajn sufiksojn -int, -ant, -iĝ, ktp.
Trovi dialektojn
Por trovi dialektojn en la datumo, mi kalkulis la precipajn konsisterojn(=”prinicipal components” en la angla). Precipaj konsisteroj estas profunda kaj valora metodo por kompreni grandajn datenarojn. Fakte, mia plej ŝatata grafikaĵo uzas precipajn konsisterojn por montri la genetikan diversecon en Eŭropo. Bedaŭrinde, precipajn konsisterojn estas malfacile komprenebla, tial la plej populara demando sur la statistika stackexchange estas kiel kompreni ilin. En ĉi tiu teksto mi ne klarigos la tutan rakonton pri ili – nur tion, kion ni bezonas.
Precipaj konsisteroj estas iel plej grandaj diferencoj en datenaro. En mia analizo mi konsideras du precipajn konsisterojn, mallongite PC1 kaj PC2. Laŭ komputado mi trovis ke ili estas
kie 
| Uzanto | PC1 | PC2 |
|---|---|---|
| Uzanto 1 | 2.751190 | -4.067560 |
| Uzanto 2 | 1.698756 | -5.482913 |
 |
|
|
| Uzanto 100 | 2.447304 | -5.918827 |
Jen la PC1-ajn kaj PC2-ajn variablojn en koordinata sistemo:
Tio montras, ke estas kelkaj ekstremaj uzantoj (en la dekstra parto de la grafikaĵo). Tamen, sen interpreto de PC1 kaj PC2, tio ne havas multan sencon.
La unua precipa konsistero (PC1)
Matematike, la unua precipa konsistero estas konstruita tiel, ke ĝi estas la unika kombino de la variabloj 
Por eltrovi ĉu unu el la konsisteroj rilatis al la devenlando de la uzantoj, mi serĉis tra iliaj individuaj mesaĝoj. En la babilejo la uzantoj ofte babilas pri iliaj landoj, do estis tre facile trovi frazoj kiel ‘mi loĝas en hispanio’. Mi sciiĝis pri la lando de ĉiuj de la 100 uzantoj krom du. Unu estis roboto (kiun mi forigis) kaj unu uzanto neniam menciis kie ĝi loĝas. Mi kolorigis ĉiun PC-punkton en la supra grafikaĵo laŭ la mondparto
Interese, la grafikaĵo montras ke la orientaj kaj rusiaj uzantoj ĝenerale havas grandan valoron de PC1. Alivorte, la plej granda diferenco (ene la vortkategorifrekvencoj) en la Telegrama Esperantujo estas ĉu uzanto estas orienta aŭ okcidenta. Notu ankaŭ ke la okcidentaj eŭropanoj kovras malgrandan areon same kiel la hispanoj. Tio implicas ke la okcidentaj eŭropanoj kaj hispanoj estas tiom homogenaj ke ni povas distingi ilin per la du precipaj konsisteroj. La latinamerikaj kaj anglalingvaj esperantistoj devenas de multe pli granda areo kaj ne estas disigeblaj per la du precipaj konsisteroj.
Kiel oni babilas Esperanton oriente? Por respondi tiun demandon ni povas konsideri la vortkategoriajn skalkvantojn 
La supra grafikaĵo montras ke la orienta esperantisto ne ŝatas, ekzemple, e-finaĵojn, la vorton ‘la’, aŭ ‘mi’. Aliflanke, ili ofte konstruas frazojn per o-finaĵoj, a-finaĵoj kaj la vorto ‘en’. La fakto ke orientaj esperantistoj ankaŭ evitas la vorton ‘mi’ ŝajnas strange al mi.
La dua precipa konsistero (PC2)
Matematike, la dua precipa konsistero estas konstruita tiel, ke ĝi estas la unika kombino de la variabloj
Post iomete da esploro estis klare ke la dua precipa konsistero temas pri la komplikeco de la lingva uzado. Ĝi klare rilatas al ambaŭ la diverseco kaj la longeco de mesaĝoj
Mi ankaŭ enmetis la individuojn tekstojn en la Tekstaro en koordinatan sistemon kun la uzantoj
Ĝenerale, ju pli diversa lingvouzado des pli granda valoro de PC2 kaj ju pli longaj mesaĝoj, des pli granda valoro de PC2. Tio povus signifi ke la PC2 valoro kaptas la esperantajn nivelojn da la uzantoj, sed eble ĝi nur kaptas kiel uzantoj preferas babili. Oni povus esti tre sperta pri Esperanto kaj samtempe preferi babili per mallongaj frazoj sen longaj vortoj.
La vortkategoriaj skalkvantoj de PC2:
Ni povas vidi ke homoj kun malaltaj niveloj de PC2 malpli ofte uzas la komplikajn finaĵojn -ig-, iĝ-, -at-, -it-. Tio kongruas kun la antaŭaj grafikaĵoj ĉar ni atendus ke diversecaj, mallongaj frazoj ankaŭ enhavas pli komplikajn vortojn.
Diskuto
Mi montris ke la plej grava diferenco inter la vortkategori-uzadoj de la uzantoj de la Telegrama grupo Esperantujo rilatas al la devenlando. Pli specife la diferenca akso (PC1) estas gradiento de okcidenta eŭropa tra hispanlingvaj landoj al orienta Eŭropo kaj Rusio. La dua plej grava diferenco estas inter komplika, longeca, diversa lingvouzado kaj la mala lingvouzado.
Ĉi tiu nur estis supraĵa esploro (explorative study en la angla), ĉar mi senhipoteze serĉis interesajn rilatojn en la datenaro. Tial mi ne atingis p-valoron (p-value en la angla), kiu respondus specifan duuman demandon. Mi eĉ ne atingis interesajn kvantojn rilate al la datenaro. Anstataŭe, mi atingis intuicion pri la datenaro, tio estas kiajn informojn ĝi enhavas.
La vortkategori-uzadoj ja enhavas informon pri la devenlando de babilanto. Tio sugestas ke ni povus verki klasadan programon, kiu prediktas la devenlandon bazite sur la vortkategoriaj frekvencoj. La grafikaĵo sugestas ke la klasado nek estus perfekta nek neebla, sed estas malfacile diri kiom bone ĝi povus esti. Estas eblo partigi la vorkategoriojn en eĉ pli da vortkategoriojn. Ekzemple por havi pli da suffiksaj kategorioj kiel -eg-, -aĉ- ktp. Tiel la datenaro havus eĉ pli da informo por distingi devenlandojn.
La vortkategorioj ne enhavas radikojn kaj mi elektis tion por eviti ke la priparolitaj temoj gravus tro multe. Ekzemple, en la Telegrama grupo, rusoj oftege mencias rusajn vorton kiel ‘rusio’ kaj ‘moskvo’ ktp. Se miaj vortkategorioj estus individuaj vortoj, ia precipa konsistero, kiuj kaptas la diferencon inter rusoj kaj okcidentaj eŭropanoj, povus eble nur mezuri la diferencon inter multajn kaj malmultajn rusajn vortojn. Tio ne estus tiom interesa kiom precipa konsistero bazite sur gramatikaj aferoj.
Metodoj kaj privateco
Privateco
Ĉiu membro de la telegrama grupo Esperantujo povas elŝuti ĉiujn mesaĝojn kaj tralegi ilin. Tio signifas ke iu ajn persona informo skribite en la babilejo ne estas sekura. Tamen mi ne volas publikigi personan informon pri iu (senpermese), do mi ne rivelas iun ajn uzantnomojn kaj mi arigis la mondon en sufiĉe grandajn partojn, por ke oni ne povas identigi uzanton per ĝia lando. Se vi suspektas ke vi estas unu el la plej aktivaj uzantoj de la babilejo kaj volas scii kie vi estas, skribu al mi kaj mi sendos tiujn informojn al vi.
Metodo
Mi elŝutis la datenaron per adaptigita kodo de telegram-message-dumper. Por kalkuli la vortkategorioj mi uzis la Python biblioteko esperanto-analyzer, kiu povas ordigi esperantajn vortojn en adjektivojn, substantivojn, pronomojn aŭ tiel plu. Por fari tion, ĝi ekzemple havas listojn de la specialaj adverbioj. Mi forigis ĉiujn vortojn, kiujn esperanto-analyzer ne povis rekoni. Pro tio plejparte de la neesperantaj vortoj estis forigitaj. Mi mane forigis kelkajn pliajn vortojn kiel ‘Youtube’ kaj ‘Jake’, kiuj ne estas esperantaj vortoj, sed estas adverbioj laŭ esperanto-analyzer. Mi aplikis precipan konsisteron analizon al la matrico
| -a | -aj |  |
ŝin | |
|---|---|---|---|---|
| Uzanto 1 | 0.0484 | 0.0156 | 0.00012 | |
| Uzanto 2 | 0.0383 | 0.0099 | 0.00010 | |
|
 |
|
||
| Uzanto 98 | 0.0457 | 0.0070 | 0.0 |
Poste mi trovis la krudajn precipajn konsisterojn mi turnis ilin pere varimax.
Mi volas danki Anders Hauer-Møller, kaj Robin van der Vliet por helpi min pri la ideoj kaj la teksto,
Kalkulinda 
[…] homoj. Tiu estas la kutimo por babilejoj, la plej aktivaj mesaĝemuloj regas la diskuton. Ekzemple, oni kalkulis ke malgraŭ ke la ĉefa esperanta babilejo enhavas 2453 membrojn, 100 uzantoj sendis 75% de la […]
LikeLike