De unde vin cuvintele românești
În DEX, aproape jumătate din cuvinte sunt franceze sau făcute în română din cuvinte franceze: între 48,1% și 52,6%, după cum socotești cuvintele cu mai multe origini. Moștenite din latină sunt 13,7%. Dar în dialogurile din filmele și serialele subtitrate în română, aproape patru cuvinte din cinci sunt latinești: 79,0%.
Fiecare cuvânt ia culoarea limbii din care vine. Albastrul e latina moștenită: cuvintele care au trecut din gură în gură, de la romani până la tine.
Mâine dimineață mergem la piață să cumpărăm pâine, brânză și cafea.
Cuvinte moștenite din latină: 8 din 11.
Cuvintele mici te prind primele: și, de, în, la, să, nu, eu, tu, a fi, a avea sunt toate moștenite din latină. Apoi încearcă o propoziție fără niciun cuvânt francez: de cele mai multe ori reușești din prima. Și totuși, în dicționar sunt de 3,8 ori mai multe cuvinte franceze decât cuvinte moștenite din latină.
Șase texte cunoscute, colorate cu aceleași reguli. În „Miorița”, 23 din 27 de cuvinte sunt moștenite din latină și niciunul nu e francez; în articolul 1 al Constituției, 20 din 61 de cuvinte sunt franceze.
A fost odată ca-n povești,
A fost ca niciodată,
Din rude mari împărătești,
O prea frumoasă fată.
Și era una la părinți Și mândră-n toate cele,
Cum e Fecioara între sfinți Și luna între stele.
Latină moștenită: 29 din 35 de cuvinte · franceză: 2
Cuvinte folosite: 37, diferite: 28. Latină moștenită: 78%, mai multe origini: 5%, două cuvinte într-o grafie: 0%.
Pe-un picior de plai,
Pe-o gură de rai,
Iată vin în cale,
Se cobor la vale Trei turme de miei,
Cu trei ciobănei.
Unu-i moldovan,
Unu-i ungurean Și unu-i vrâncean.
Latină moștenită: 23 din 27 de cuvinte · franceză: 0
Cuvinte folosite: 33, diferite: 24. Latină moștenită: 82%, mai multe origini: 0%, două cuvinte într-o grafie: 3%.
Stau câteodată și-mi aduc aminte ce vremi și ce oameni mai erau în părțile noastre pe când începusem și eu, drăgăliță-Doamne, a mă ridica băiețaș la casa părinților mei, în satul Humulești, din târg drept peste apa Neamțului; sat mare și vesel, împărțit în trei părți, care se țin tot de una: Vatra satului, Delenii și Bejenii.
Latină moștenită: 43 din 54 de cuvinte · franceză: 1
Cuvinte folosite: 57, diferite: 45. Latină moștenită: 79%, mai multe origini: 2%, două cuvinte într-o grafie: 0%.
Tatăl nostru, Care ești în ceruri, sfințească-se numele Tău; Vie împărăția Ta; facă-se voia Ta, precum în cer și pe pământ. Pâinea noastră cea spre ființă dă-ne-o nouă astăzi; Și ne iartă nouă greșelile noastre, precum și noi iertăm greșiților noștri; Și nu ne duce pe noi în ispită, ci ne izbăvește de cel rău.
Latină moștenită: 48 din 55 de cuvinte · franceză: 1
Cuvinte folosite: 59, diferite: 39. Latină moștenită: 85%, mai multe origini: 0%, două cuvinte într-o grafie: 3%.
România este stat național, suveran și independent, unitar și indivizibil. Forma de guvernământ a statului român este republica. România este stat de drept, democratic și social, în care demnitatea omului, drepturile și libertățile cetățenilor, libera dezvoltare a personalității umane, dreptatea și pluralismul politic reprezintă valori supreme, în spiritul tradițiilor democratice ale poporului român și idealurilor Revoluției din decembrie 1989, și sunt garantate.
Latină moștenită: 30 din 61 de cuvinte · franceză: 20
Cuvinte folosite: 61, diferite: 44. Latină moștenită: 46%, mai multe origini: 25%, două cuvinte într-o grafie: 7%.
Fraților români, Timpul mântuirii noastre a venit; popolul român se deșteaptă la glasul trâmbiței îngerului mântuirii și își cunoaște dreptul său de suveran. Pace vouă, pentru că vi se vestește libertate vouă!
Latină moștenită: 24 din 32 de cuvinte · franceză: 2
Cuvinte folosite: 32, diferite: 27. Latină moștenită: 75%, mai multe origini: 3%, două cuvinte într-o grafie: 0%.
Deșteaptă-te, române, din somnul cel de moarte,
În care te-adânciră barbarii de tirani
Acum ori niciodată croiește-ți altă soarte,
La care să se-nchine și cruzii tăi dușmani.
Acum ori niciodată să dăm dovezi în lume
Că-n aste mâni mai curge un sânge de roman,
Și că-n a noastre piepturi păstrăm cu fală-un nume
Triumfător în lupte, un nume de Traian!
Latină moștenită: 48 din 57 de cuvinte · franceză: 3
Cuvinte folosite: 66, diferite: 47. Latină moștenită: 79%, mai multe origini: 8%, două cuvinte într-o grafie: 3%.
1. consumator - orice persoană fizică sau grup de persoane fizice constituite în asociații, așa cum sunt definite la art. 2 pct. 2 din Ordonanța Guvernului nr. 21/1992 privind protecția consumatorilor, republicată, cu modificările și completările ulterioare;
2. profesionist - orice persoană fizică sau juridică, publică sau privată, care acționează în cadrul activității sale comerciale, industriale sau de producție, artizanale ori liberale în legătură cu contractele care intră sub incidența prezentei ordonanțe de urgență, precum și orice persoană care acționează în același scop, în numele sau pe seama acesteia;
Latină moștenită: 34 din 79 de cuvinte · franceză: 29
Cuvinte folosite: 79, diferite: 56. Latină moștenită: 43%, mai multe origini: 23%, două cuvinte într-o grafie: 4%.
Scrie orice cuvânt românesc: vezi ce spune DEX despre originea lui, ce spune Wiktionary, cât de des se folosește azi și cât de des apărea în proza de acum un secol sau două.
Căutarea cuprinde cele 59.075 de intrări din DEX '98 care au origine, plus cuvintele frecvente pe care DEX nu le explică separat.
Unele cuvinte latinești au ajuns în română pe două drumuri. O dată din gură în gură, schimbându-se ca tot ce se vorbește: directus a devenit drept. A doua oară, după secole, din cărți sau prin franceză, aproape neschimbate: direct. Uneori sensurile s-au depărtat mult: din tonus au ieșit și tun, și ton. DEX '98 are 39 de asemenea perechi în care amândouă cuvintele se folosesc și azi; aici sunt toate.
Zece cuvinte obișnuite. Alege limba din care vin, după DEX '98. Unele te vor surprinde.
Numărătoarea obișnuită atribuie fiecărui cuvânt o singură limbă de origine. Aici rămân toate originile din notă. Când nota din DEX numește mai multe limbi (grav: „Din fr. grave, lat. gravis”), cuvântului i se atribuie clasa mai multe origini. Când aceeași grafie poate fi două cuvinte cu origini diferite (masă „mobilă”, din latină, și masă „mulțime”, din franceză), se numără la clasa două cuvinte, aceeași grafie, iar pagina nu alege între cele două.
| Clasa | Intrări DEX '98 (59.075) | Dialoguri din filme, cuvinte folosite | Wikipedia, cuvinte folosite |
|---|---|---|---|
| Latina moștenită | 12,9% | 78,4% | 61,4% |
| Latina savantă | 1,7% | 0,5% | 2,3% |
| Franceza | 41,5% | 4,5% | 11,2% |
| Italiana | 1,2% | 0,3% | 0,4% |
| Slava veche | 5,0% | 2,7% | 2,3% |
| Limbile slave vecine | 3,9% | 1,2% | 0,7% |
| Maghiara | 1,2% | 0,4% | 0,8% |
| Turca | 2,2% | 0,1% | 0,4% |
| Greaca | 1,5% | 0,5% | 0,5% |
| Germana | 1,9% | 0,1% | 0,3% |
| Engleza | 1,2% | 0,2% | 0,2% |
| Alte limbi | 0,2% | — | — |
| Necunoscută; DEX o compară întâi cu albaneza | 0,5% | 0,3% | 0,2% |
| Origine necunoscută | 6,6% | 2,1% | 1,5% |
| Făcute în română | 1,8% | 0,5% | 0,4% |
| Mai multe origini | 16,4% | 6,6% | 15,0% |
| Două cuvinte, aceeași grafie | 0,4% | 1,6% | 2,5% |
În dialogurile din filme, 78,4% din cuvintele folosite sunt latină moștenită, 6,6% au mai multe origini în notă și 1,6% sunt grafii care pot fi două cuvinte. În dicționar franceza rămâne cel mai mare strat (41,5%), iar 16,4% din intrări au mai multe origini.
Numărătoarea din primul ecran dă 79,0% pentru latina moștenită în dialogurile din filme: pune fiecare cuvânt cu mai multe origini la prima limbă din notă și fiecare grafie ambiguă la omonimul cel mai frecvent. Diferența față de 78,4% e de 0,6 puncte procentuale.
Dimitrie Macrea a numărat toate poeziile publicate de Eminescu în timpul vieții: 3.607 cuvinte diferite, folosite împreună de 33.846 de ori. Latina moștenită, cu derivatele ei românești, era 48,68% din cuvintele diferite și 83% din cele folosite. În dicționarul lui Candrea (43.269 de cuvinte), același strat era 20,58%. Numerele sunt din Dacoromania X (1938–1941), pp. 364, 370–371 și 373.
O numărătoare separată cuprinde 94 de poezii din lista de pe Wikisource a poeziilor tipărite în timpul vieții lui Eminescu: 34.579 de cuvinte folosite și 3.216 cuvinte diferite, clasificate cu DEX '98 și cu regulile de pe această pagină.
| Clasa | Macrea (Candrea, 1931) | Aici (DEX '98) |
|---|---|---|
| Latină moștenită, cu derivatele ei, din cuvintele diferite | 48,68% | 47,6% |
| Latină moștenită, cu derivatele ei, din cuvintele folosite | 83% | 81,1% |
| Slavă veche și bisericească, din cuvintele folosite | 6,18% | 4,3% |
| Franceză, din cuvintele folosite | 2,52% | 1,9% |
| Latină savantă, din cuvintele folosite | 1,13% | 0,6% |
| Origine necunoscută, din cuvintele folosite | 1,80% | 3,1% |
| Mai multe origini | — | 3,7% |
| Două cuvinte, aceeași grafie | — | 1,8% |
Numerele nu sunt identice și nu au cum să fie: alt text (ortografia de pe Wikisource), alt dicționar, alte reguli pentru variante. Macrea a numărat variantele ca cuvinte separate, de aceea are 3.607 cuvinte diferite, iar aici sunt 3.216. Ponderea latinei moștenite diferă cu cel mult două puncte procentuale: 1,1 la cuvintele diferite și 1,9 la cele folosite. Numărătoarea de aici desparte și două clase pe care dicționarul nu le arată: 3,7% din cuvintele folosite au mai multe origini în notă, iar 1,8% sunt grafii care pot fi două cuvinte.
Poți citi că româna e în două treimi franceză, că e în trei sferturi latină sau că franceza a dat trei cuvinte din cinci. Fiecare număr are o sursă. Diferă ce se numără. Mai jos sunt aceleași cuvinte, numărate în cinci feluri.
59.075 de cuvinte cu origine; cele făcute în română au stratul lor.
36.119 cuvinte: de aici vine „două treimi franceză”.
Numărătoarea principală a paginii: abandonare contează la franceză, acasă la latină.
332 de milioane de cuvinte din subtitrări, fiecare numărat de câte ori apare; procentele se referă la cuvintele recunoscute, adică 98,8% din total.
17,2 milioane de cuvinte din 41.357 de articole.
În dicționar, fiecare cuvânt contează o dată: masă la fel ca multilateralism. În vorbire, un cuvânt contează de câte ori îl spui. Jumătate din tot ce e latinesc în dialogurile din filme vine din doar 16 cuvinte, printre ele fi, avea, nu, el, să, de, eu, vrea. Franceza are nevoie de 332 de cuvinte ca să ajungă la jumătate din aparițiile ei.
Prepozițiile, conjuncțiile, pronumele, articolele și verbele a fi, a avea, a vrea fac 28,7% din dialog. Fără ele, latina moștenită are tot 71,5%, iar franceza 12,5%.
DEX '98 dă o origine pentru 59.075 de intrări. Aproape două din cinci (38,9%) sunt făcute în română din alte cuvinte românești, cum e abandonare din abandona. Dacă le lași deoparte, rămân 36.119 cuvinte venite din alte limbi, iar franceza are 66,9% dintre ele: de aici „două treimi”. Dacă le dai limbii cuvântului din care au fost făcute, franceza are 52,6%.
Wiktionary aproape nu marchează cuvintele făcute în română (2,4%), de aceea, după categoriile Wiktionary, 59,9% din cele 47.657 de cuvinte sunt de origine franceză. Acolo unde DEX și Wiktionary clasifică același cuvânt (32.730 de cuvinte), ele dau aceeași limbă în 92,0% din cazuri. Diferențele dintre numere vin mai ales din ce e numărat; la 8,0% din cuvintele comune, cele două surse dau limbi diferite.
DEX deosebește cuvintele moștenite de cele luate din latina scrisă: scrie „Lat. mensa” la masă și „Din lat.” la un împrumut ca abrevia. Cine le pune laolaltă ajunge la 7,9% latină printre cuvintele venite din alte limbi; moștenite sunt 4,1%. Dicționarul nu își respectă regula peste tot: la 85 de cuvinte moștenite, printre ele om, scrie tot „Din lat.”. Aici ele sunt numărate la latina moștenită, după Wiktionary.
La 5.076 din cele 26.717 cuvinte franceze, DEX dă mai multe limbi deodată: grav e „Din fr. grave, lat. gravis”. Lingviștii numesc asta etimologie multiplă. Numărătoarea principală ia în calcul prima limbă din notă; dacă împarți aceste cuvinte în mod egal între limbile date, franceza are 48,1% în loc de 52,6%, iar latina savantă 6,8%.
Masă, mobila, vine din latină; masă, mulțimea, din franceză. Da, afirmația, vine din slavă; a da vine din latină. Formele pe care le împart astfel de perechi fac 7,0% din dialog. Ele sunt atribuite după o regulă descrisă la metodă, iar căutarea arată ambele intrări.
Dicționarul mai păstrează și nume de oameni, locuri și mărci devenite cuvinte obișnuite.
Pentru fiecare limbă: câte intrări din DEX '98 vin direct din ea, ce parte din dicționar îi revine când cuvintele făcute în română sunt date limbii din care au fost făcute, și ce parte din cuvintele rostite și scrise azi.
| Limba de origine | Intrări DEX '98 venite direct | Din dicționar | Din ce se spune | Din Wikipedia |
|---|---|---|---|---|
| Franceza | 24.158 | 52,6% | 8,9% | 22,9% |
| Latina moștenită | 1.496 | 13,7% | 79,0% | 62,0% |
| Slava veche | 1.006 | 5,5% | 2,9% | 2,5% |
| Limbile slave vecine | 1.241 | 4,3% | 1,6% | 1,0% |
| Latina savantă | 1.354 | 3,4% | 2,0% | 5,6% |
| Germana | 1.092 | 2,5% | 0,2% | 0,6% |
| Turca | 940 | 2,4% | 0,4% | 0,3% |
| Greaca | 629 | 1,9% | 0,6% | 0,8% |
| Italiana | 768 | 1,7% | 0,6% | 1,1% |
| Engleza | 812 | 1,5% | 0,3% | 0,3% |
| Maghiara | 348 | 1,3% | 0,6% | 0,8% |
| Alte limbi | 89 | 0,2% | 0,0% | 0,1% |
| Făcute în română | 22.956 | 1,8% | 0,5% | 0,4% |
| Origine necunoscută | 2.186 | 7,3% | 2,5% | 1,8% |
Depinde ce numeri. Din intrările DEX '98, 13,7% sunt moștenite din latină sau făcute în română din cuvinte moștenite, iar 3,4% sunt luate din latina scrisă. Din cuvintele rostite în dialogurile din filme, 79,0% sunt latinești moștenite.
În DEX '98, între 48,1% și 52,6% din intrări sunt franceze sau făcute din cuvinte franceze, după cum socotești cuvintele cu mai multe origini. Din cuvintele venite direct din alte limbi, franceza are 66,9%. În vorbire, doar 8,9% din cuvintele rostite sunt franceze.
E adevărat pentru cuvintele din dicționar venite direct din alte limbi: franceza are 66,9% din ele. Nu e adevărat pentru cuvintele rostite: în dialogurile din filme, 79,0% e latină moștenită și 8,9% e franceză.
Aceeași limbă de origine are ponderi diferite în dialogurile din filme și în Wikipedia. Cuvintele franceze sunt de 2,6 ori mai dese în Wikipedia decât în dialogurile din filme, iar cele din latina savantă de 2,9 ori. În vorbire au mai mult loc latina moștenită, limbile slave vecine (de 1,6 ori, mai ales prin da) și turca (de 1,3 ori, cu haide, rahat, cafea).
Proclamația de la Islaz și constituțiile care au urmat sunt texte publice, datate, care acoperă un secol și jumătate. În 1848, franceza avea 7,5% din cuvinte; în Constituția din 2003, 29,8%. Latina moștenită a scăzut de la 78,1% la 55,3%. Cuvintele turcești lipsesc aproape cu totul, în toate cele nouă texte.
| Anul | Textul | Cuvinte | Latină moștenită | Franceză | Latină savantă | Slavă |
|---|---|---|---|---|---|---|
| 1848 | Proclamația de la Islaz | 4.238 | 78,1% | 7,5% | 2,9% | 5,1% |
| 1866 | Constituția României | 4.838 | 71,0% | 16,3% | 5,9% | 1,9% |
| 1923 | Constituția României | 6.994 | 66,1% | 19,2% | 7,8% | 2,2% |
| 1938 | Constituția României | 5.654 | 64,4% | 19,9% | 8,4% | 2,1% |
| 1948 | Constituția Republicii Populare Române | 4.010 | 58,3% | 22,7% | 9,9% | 2,4% |
| 1952 | Constituția Republicii Populare Române | 5.321 | 52,7% | 26,4% | 7,3% | 4,7% |
| 1965 | Constituția Republicii Socialiste România | 6.805 | 53,0% | 26,3% | 9,7% | 3,3% |
| 1991 | Constituția României | 9.457 | 55,2% | 29,8% | 7,6% | 1,9% |
| 2003 | Constituția României, revizuită | 11.567 | 55,3% | 29,8% | 7,8% | 1,6% |
Pe Wikisource, în proza datată a autorilor români, franceza crește de la 3,9% (1825–1849) la 8,7% (1925–1949). Latina moștenită rămâne cea mai mare, de la 80,8% la 77,3%. Seria acoperă anii 1825–1949, pentru care Wikisource are destulă proză datată.
| Perioada | Texte | Autori | Cuvinte | Latină moștenită | Franceză |
|---|---|---|---|---|---|
| 1825–1849 | 450 | 18 | 406.207 | 80,8% | 3,9% |
| 1850–1874 | 953 | 41 | 1.957.434 | 79,6% | 5,1% |
| 1875–1899 | 1.935 | 54 | 3.089.249 | 79,2% | 6,0% |
| 1900–1924 | 2.321 | 86 | 2.848.168 | 76,5% | 8,0% |
| 1925–1949 | 967 | 60 | 3.468.369 | 77,3% | 8,7% |
Pentru fiecare: ce înseamnă, cât de mare e și ce cuvinte îl reprezintă în vorbire. Apasă pe un cuvânt ca să-l vezi în căutare.
Cuvintele care au trecut din latina vorbită în română din generație în generație, schimbându-și forma pe drum: aqua a devenit apă, oculus a devenit ochi. DEX le marchează cu „Lat.”, fără „Din”.
1.496 de intrări în DEX '98 · 13,7% din dicționar · 79,0% din ce se spune · 62,0% din Wikipedia
Cele mai rostite: fi, avea, nu, el, să, de, eu, vrea, tu, și
Cuvinte luate direct din latina cărților, cu forma aproape neschimbată: abrevia, abecedar, regulă. DEX le marchează cu „Din lat.”, ca pe orice împrumut.
1.354 de intrări în DEX '98 · 3,4% din dicționar · 2,0% din ce se spune · 5,6% din Wikipedia
Cele mai rostite: regulă, ultim, familie, caz, oră, moment, spera, persoană, doctor, ocupa
Cel mai mare strat al dicționarului. În multe dintre ele DEX dă și o a doua sursă, de obicei latina: grav e „Din fr. grave, lat. gravis”.
24.158 de intrări în DEX '98 · 52,6% din dicționar · 8,9% din ce se spune · 22,9% din Wikipedia
Cele mai rostite: problemă, tip, termina, exista, mașină, serios, idee, deja, dată, deveni
Împrumuturi din slava veche, inclusiv din slavona folosită în biserică și în cancelarii. DEX le scrie pe toate „Din sl.”, fără să despartă calea vorbită de cea scrisă.
1.006 intrări în DEX '98 · 5,5% din dicționar · 2,9% din ce se spune · 2,5% din Wikipedia
Cele mai rostite: trebui, nevoie, prea, prieten, iubi, opri, treabă, omorî, drum, primi
Împrumuturi din limbile slave de azi, pe care DEX le numește separat: bulgară, sârbo-croată, ucraineană, rusă, polonă.
1.241 de intrări în DEX '98 · 4,3% din dicționar · 1,6% din ce se spune · 1,0% din Wikipedia
Cele mai rostite: da, grijă, poliție, ciudat, grozav, școală, ba, păstra, grăbi, obicei
Cuvinte din bulgară, sârbă, rusă, ucraineană și polonă în limba română
Cuvinte pe care DEX le dă „Din magh.”: oraș, gând, fel, seamă.
348 de intrări în DEX '98 · 1,3% din dicționar · 0,6% din ce se spune · 0,8% din Wikipedia
Cele mai rostite: fel, hei, oraș, seamă, gând, locui, pahar, bănui, uriaș, marfă
DEX deosebește greaca modernă („ngr.”) de cea veche („gr.”); aici sunt numărate împreună. Sigur, măcar și stradă sunt date ca venite din greaca modernă.
629 de intrări în DEX '98 · 1,9% din dicționar · 0,6% din ce se spune · 0,8% din Wikipedia
Cele mai rostite: sigur, măcar, stradă, rest, ah, lipsi, pat, sosi, scop, englez
Cuvinte pe care DEX le dă „Din tc.”: haide, cafea, dușman, cutie. Aici intră și cele câteva din tătară.
940 de intrări în DEX '98 · 2,4% din dicționar · 0,4% din ce se spune · 0,3% din Wikipedia
Cele mai rostite: haide, rahat, haideți, cafea, cutie, șerif, hain, dușman, murdar, habar
Cuvinte pe care DEX le dă „Din germ.”, inclusiv din dialectul săsesc: spital, polițist, pantof.
1.092 de intrări în DEX '98 · 2,5% din dicționar · 0,2% din ce se spune · 0,6% din Wikipedia
Cele mai rostite: polițist, spital, referi, pantof, laborator, proiect, firmă, lecție, vest, țigară
Cuvinte pe care DEX le dă „Din it.”: cameră, scuză, căpitan.
768 de intrări în DEX '98 · 1,7% din dicționar · 0,6% din ce se spune · 1,1% din Wikipedia
Cele mai rostite: scuza, cameră, reuși, căpitan, oferi, distruge, stat, proces, incredibil, speranță
Cuvinte pe care DEX le dă „Din engl.”: meci, lider, weekend. Dicționarul este din 1998, deci împrumuturile mai noi lipsesc.
812 intrări în DEX '98 · 1,5% din dicționar · 0,3% din ce se spune · 0,3% din Wikipedia
Cele mai rostite: dolar, cip, york, meci, weekend, computer, lord, lider, fotbal, team
Spaniola, limba romani, araba, ebraica, portugheza și altele, cu 89 de intrări împreună; 25 dintre ele sunt date de DEX din limba romani, între care mișto și baftă.
89 de intrări în DEX '98 · 0,2% din dicționar · 0,0% din ce se spune · 0,1% din Wikipedia
Cele mai rostite: mișto, rom, nasol, baftă, gagică, marijuana, country, călău, rodeo, danci
Cuvinte românești din alte limbi: romani, spaniolă, arabă, ebraică
Cuvinte făcute în română din cuvintele ei: derivate (abandonare din abandona), compuse (acasă din a și casă). 8.130 dintre ele sunt participii și infinitive lungi pe care DEX le trece ca intrări separate. În numărătoarea principală, fiecare e dat limbii cuvintelor din care a fost făcut.
22.956 de intrări în DEX '98 · 1,8% din dicționar · 0,5% din ce se spune · 0,4% din Wikipedia
Cele mai rostite: pentru, din, dacă, ceva, vorbi, cel, despre, mulțumi, lucru, sau
DEX scrie „Et. nec.” (etimologie necunoscută) sau dă doar o comparație („Cf.”). La 84 dintre ele comparația e cu albaneza, cum e cazul lui brad, barză și buză; de aici ipoteza că vin din limba vorbită aici înaintea latinei.
2.186 de intrări în DEX '98 · 7,3% din dicționar · 2,5% din ce se spune · 1,8% din Wikipedia
Cele mai rostite: dar, găsi, copil, puțin, iar, ban, naibă, băiat, gata, adică
Toate cele 59.075 de intrări din DEX '98 cu origine, într-un singur fișier: cuvântul, nota etimologică din dicționar, originea atribuită aici, limba căreia îi e dat cuvântul când a fost făcut în română, verdictul Wiktionary și cât de des apare în dialogurile din filme și în Wikipedia. Licență GNU GPL v2 sau ulterioară, ca baza dexonline din care provine.
Etichetele vin dintr-un program care citește notele de etimologie din DEX '98. Ca să se vadă cât greșește, au fost trase la sorți 327 de note (sămânța 20261010), din toate straturile, cu mai multe din cele rare. Notele au fost citite separat de doi cititori, Claude Code și Codex, două modele de limbaj, care au primit aceleași reguli scrise (mai jos). Codex nu a văzut răspunsurile programului. Claude Code cunoștea programul și regulile lui și i-a văzut răspunsul pentru șase dintre note, afișate la tragerea la sorți. Eșantionul a fost citit numai de aceste două modele, nu de un om.
Programul a dat aceleași origini ca ambii cititori la 318 din 327 de note (97,2%, interval de încredere de 95%: 94,9%–98,5%). La cele 321 de note al căror răspuns nu fusese văzut: 312 (97,2%, 94,8%–98,5%). Cei doi cititori s-au potrivit între ei la 324 de note. La șase note ambii cititori au căzut de acord împotriva programului: o notă care compară cuvântul cu albaneza și cu bulgara, fără să numească o sursă, și pe care programul o încadrează la comparațiile cu albaneza, două cuvinte „Din lat.” pe care programul le încadrează la latina moștenită după Wiktionary, o notă care trimite la alt omonim („Cf. copil.”), un cuvânt-bază fără notă și o origine scrisă într-o paranteză, pe care programul o ignoră. Aceasta din urmă e singura greșeală propriu-zisă.
Toate cele 327 de note, cu răspunsul programului și al fiecărui cititor: error-sample.csv. Cititorii au avut regulile de mai jos, deci eșantionul verifică citirea notelor după aceste reguli, nu corectitudinea etimologiilor din DEX '98.
Originea fiecărui cuvânt vine din nota de la sfârșitul definițiilor din Dicționarul explicativ al limbii române, ediția 1998 (DEX '98), așa cum apare în baza de date publică dexonline din 3 septembrie 2026. Dintre dicționarele incluse în copia publică a bazei, DEX '98 e cel care dă etimologia pentru tot vocabularul; DEX '96, care o dă doar pentru o parte, completează unde DEX '98 lipsește. Fiecare omonim are originea lui (masă¹, masă²). Nota se citește în ordinea în care e scrisă: la „Din fr. grave, lat. gravis” contează franceza.
Cuvintele făcute în română („V. abandona”, „Din abur”, „A + casă”) sunt date, în părți egale, limbii cuvintelor din care au fost făcute, urmărind lanțul până la un cuvânt venit din altă limbă. Unde nota nu numește un cuvânt de bază, cuvântul rămâne „făcut în română”.
Al doilea verdict vine din Wiktionary, pentru 32.730 de cuvinte. El decide doar când DEX scrie „Din lat.” la un cuvânt pe care Wiktionary îl dă moștenit și, la omonimele de origini diferite, care dintre ele e cuvântul obișnuit.
Vorbirea e lista de frecvențe a subtitrărilor românești din OpenSubtitles 2018: 332 de milioane de cuvinte din dialoguri de filme și seriale. Scrisul e Wikipedia în română: 41.357 de articole, 17,2 milioane de cuvinte. Proza veche e textul datat de pe Wikisource, cu cel mult două milioane de caractere de la un autor în fiecare sfert de secol.
De la cuvântul din text la cuvântul din dicționar. Fiecare formă (mergem, casei) e legată de cuvântul-titlu prin cele 2,27 milioane de forme flexionare din dexonline. O formă scrisă cu diacritice se potrivește exact. Una scrisă fără (in, cand) e împărțită între scrierile posibile după cât de des apare fiecare în Wikipedia. O formă care aparține mai multor cuvinte e împărțită după cât strânge fiecare din formele lui neambigue; pentru câteva zeci de forme foarte frecvente decizia e luată după gramatică: e e forma lui a fi, nu litera, iar și singur e conjuncția. Grupurile ca s-a sau n-am sunt despărțite în cuvintele lor.
Limite. DEX '98 e ediția din 1998; reviziile din 2009, 2012 și 2016 nu sunt în baza publică, iar împrumuturile mai noi din engleză lipsesc. Un dicționar marchează mai ușor împrumutul decât moștenirea, iar „origine necunoscută” e verdictul dicționarului, nu al lingvisticii. Subtitrările sunt dialog scris pentru ecran, adesea tradus, nu vorbire spontană. În dialog, 7,0% din cuvinte sunt forme comune unor omonime de origini diferite, iar rezultatul lor depinde de regula de mai sus.
Pagina numără ce a luat româna din alte limbi; sensul invers, cele 392 de cuvinte românești luate de 13 limbi, fiecare citit în dicționarul limbii care l-a primit, e numărat în Cuvinte românești în alte limbi.
Mai mult pe site: Câte cuvinte are limba română? · Cimitirul cuvintelor · Cuvintele dace · O zi în cuvinte · Ce însemnau cuvintele · Hainele împrumutate