Pamamaraan ng Pagsipi para sa Language Card

Kung paano tinitiyak ng Champollion na ang bawat pahayag sa isang language card ay masusubaybayan sa isang pangunahing sanggunian.

---

1. Ang Problema

Naglalaman ang mga language card ng mga paktuwal na pahayag — bilang ng nagsasalita, kalagayan ng pagiging nanganganib, mga impluwensiya ng contact, mga katangiang morpolohikal, mga kumbensiyong tipograpiko, suporta sa pamamaraan — na dapat mapatunayan. Sa kasalukuyan:

• Ang field na dataSources ay isang flat array ng mga string (hal., ["cldr-48", "glottolog-5.3"])
• Walang granularity ng pagsipi sa bawat field
• Ang mga pahayag tulad ng "~2.8M speakers" o "vulnerable" ay walang masusubaybayang pinagmulan
• Hindi matutukoy ng reviewer kung aling sanggunian ang sumusuporta sa aling pahayag

[!CAUTION] Ang pahayag na walang sanggunian ay pahayag na hindi mapapatunayan. Para sa isang proyektong inilalagay ang sarili bilang propesyonal at masusing-masusi, ang bawat assertion sa isang language card ay dapat masusubaybayan sa isang partikular at may-bersyong pangunahing sanggunian.

---

2. Mga Awtoritatibong Sanggunian (Naka-ranggo ayon sa Prayoridad)

Para sa bawat uri ng pahayag, ang mga sumusunod na sanggunian ang awtoritatibo. Palaging mas piliin ang pinakamataas na ranggong sangguniang available.

Klasipikasyon at Identidad

Prayoridad	Sanggunian	Sinasaklaw	Lisensya	Paano Sipiin
1	Glottolog (Max Planck)	Pamilya, ancestry, glottocode	CC-BY 4.0	glottolog-5.x
2	ISO 639-3 (SIL)	Mga ISO code, macrolanguages	Libre	iso639-3-{date}
3	WALS (Max Planck)	Mga depinisyon ng genus, mga katangiang typological	CC-BY 4.0	wals-2024
4	CLDR (Unicode)	Mga locale code, script code, plural rule	Unicode ToS	cldr-{version}

Demograpiya ng mga Nagsasalita at Vitality

Prayoridad	Sanggunian	Sinasaklaw	Lisensya	Paano Sipiin
1	National census data	Opisyal na bilang ng mga nagsasalita	Nag-iiba (karaniwang pampubliko)	census-{country}-{year}
2	Ethnologue	Mga pagtatantiya ng nagsasalita, EGIDS	Proprietary (subscription)	ethnologue-{edition}
3	UNESCO Atlas	Kalagayan ng pagiging nanganganib	Libre	unesco-atlas-{year}
4	Mga nailathalang akademikong papel	Mga panrehiyong survey ng nagsasalita	Lisensya ayon sa papel	{author}-{year}
5	Katig Collective	Mga wika sa Pilipinas	Akademiko	katig-{year}

[!WARNING] Huwag kailanman gumamit ng Wikipedia, tekstong nabuo ng LLM, o sariling kaalaman bilang pangunahing sanggunian para sa mga pahayag na demograpiko. Ang mga ito ay mga sekundaryo/tersiyaryong sanggunian sa pinakamahusay na kaso. Palaging subaybayan pabalik sa pangunahing datos.

Suporta sa Pamamaraan (Saklaw ng Translation API)

Pamamaraan	Sanggunian sa Pag-verify	Paano I-verify	Paano Sipiin
Google Translate	Listahan ng wika	API call o pahina ng docs	google-translate-{date}
DeepL	Listahan ng wika	API call	deepl-api-{date}
Microsoft Translator	Listahan ng wika	Pahina ng docs	ms-translator-{date}
LibreTranslate	Listahan ng wika	API call	libretranslate-{date}
NLLB	FLORES README	README + model card	nllb-200-{date}
LLM	Palaging true	N/A (nag-iiba ang kalidad)	llm-assumed

DLS (Digital Language Support)

Prayoridad	Sanggunian	Sinasaklaw	Paano Sipiin
1	Simons et al. 2022	Mga DLS score (orihinal na 143 tool)	simons-2022
2	Ethnologue ika-27+ ed.	Mga DLS score (pinalawak na 211 tool)	ethnologue-{edition}-dls

Tipograpiya, Plural, Script

Prayoridad	Sanggunian	Sinasaklaw	Paano Sipiin
1	CLDR	Mga plural rule, panipi, format ng numero	cldr-{version}
2	Unicode CSUR	Mga script code	iso15924-{date}
3	Mga nailathalang grammar	Mga panuntunang partikular sa wika	{author}-{year}

Mga Impluwensiya ng Contact

Prayoridad	Sanggunian	Sinasaklaw	Paano Sipiin
1	Mga nailathalang papel sa historical linguistics	Mga pag-aaral ng loanword, kasaysayan ng contact	{author}-{year}
2	Mga reference grammar	Mga paglalarawan ng istruktural na impluwensiya	{grammar-title}-{year}
3	WALS	Mga paghahambing na typological	wals-{feature}-{year}

[!IMPORTANT] Ang mga pahayag tungkol sa impluwensiya ng contact ang pinakamahirap hanapan ng sanggunian. Ang mga pahayag tulad ng "Spanish superstrate, deep, 1571–1898" ay nangangailangan ng kadalubhasaan sa historical linguistics. Kung hindi makahanap ng nailathalang sanggunian, markahan ang pahayag gamit ang "citation_needed": true sa halip na manghula.

---

3. Pamamaraan ng Pagsipi (Hakbang-hakbang)

Kapag Gumagawa ng Bagong Language Card

1. Magsimula sa mga auto-populated field:

   • Patakbuhin ang node scripts/build-language-tree.mjs --enrich → pinupunan ang classification mula sa Glottolog
   • Itala ang "glottolog-{version}" sa dataSources

2. Magdagdag ng datos mula sa CLDR:

   • Hanapin ang plural rules, panipi, script code mula sa CLDR
   • Itala ang "cldr-{version}" sa dataSources

3. Magsaliksik ng demograpiya ng nagsasalita:

   • Suriin MUNA ang national census data
   • I-cross-reference sa Ethnologue (kung available)
   • I-cross-reference sa UNESCO Atlas
   • Itala ang LAHAT ng sangguniang kinonsulta sa dataSources

4. I-verify ang suporta sa pamamaraan:

   • Suriin ang listahan ng wika ng BAWAT API (hindi mula sa memorya, hindi mula sa mga palagay)
   • Itala ang petsa ng pag-verify

5. Magsaliksik ng mga impluwensiya ng contact:

   • Maghanap ng mga nailathalang papel sa historical linguistics
   • Idokumento ang panahon, uri, at lalim gamit ang mga pagsipi
   • Kung walang nailathalang sanggunian, magdagdag ng "citation_needed": true sa influence entry

6. Magsaliksik ng vitality:

   • Suriin ang Ethnologue para sa EGIDS
   • Suriin ang UNESCO Atlas para sa kalagayan ng pagiging nanganganib
   • Itala ang anumang pagkakaiba sa pagitan ng mga sanggunian

7. Punan ang dataSources:

   • Ilista ang BAWAT sangguniang kinonsulta (hindi lamang ang mga nagbigay ng datos)
   • Gamitin ang format ng pagsipi mula sa mga talahanayan sa itaas

Kapag Nag-a-update ng Umiiral na Card

1. Huwag kailanman baguhin ang isang paktuwal na pahayag nang hindi ina-update ang dataSources
2. Kung ina-update ninyo ang bilang ng nagsasalita, alisin ang lumang sanggunian at idagdag ang bago
3. Kung nagdaragdag kayo ng suporta sa pamamaraan, i-verify laban sa API at itala ang petsa
4. Lagyan ng date stamp ang lahat ng pagsusuri sa suporta sa pamamaraan — madalas magbago ang saklaw ng API

---

4. Iminungkahing Pagpapahusay sa Schema: Mga Pagsipi sa Bawat Field

Kasalukuyang Schema (Flat dataSources)

"dataSources": ["cldr-48", "glottolog-5.3"]

Problema: Aling mga field ang galing sa CLDR? Alin ang mula sa Glottolog? Alin ang walang pagsipi?

Iminungkahing Pagpapahusay: Nakabalangkas na dataSources

"dataSources": {
  "classification": ["glottolog-5.3"],
  "vitality.unescoStatus": ["unesco-atlas-2024"],
  "vitality.egids": ["ethnologue-27"],
  "vitality.speakerCount": ["census-ph-2020", "ethnologue-27"],
  "rules.plurals": ["cldr-48"],
  "rules.typography": ["cldr-48"],
  "contactInfluences": ["blust-2013", "llamzon-1969"],
  "methodSupport.googleTranslate": ["google-translate-2024-07"],
  "methodSupport.nllb": ["nllb-200-2024-03"],
  "dls": ["simons-2022", "ethnologue-27-dls"],
  "pipelineReadiness": ["manual-assessment-2025-06"]
}

Migration Path

Ito ay isang backwards-compatible na pagbabago:

1. Panatilihin ng mga kasalukuyang card ang flat array (balido pa rin)
2. Gagamitin ng mga bagong card ang nakabalangkas na format
3. Tinatanggap ng schema validation ang parehong format
4. I-migrate ang mga kasalukuyang card nang paunti-unti habang nire-review ang mga ito

[!TIP] Mag-validate gamit ang script. Magdagdag ng script na validate-citations.mjs na:

• Tinitiyak na bawat card ay may hindi bababa sa mga sangguniang classification at vitality
• Nagfa-flag ng mga card na may flat na dataSources array para sa upgrade
• Nagbibigay-babala sa mga entry na methodSupport na walang date-stamped verification

---

5. Checklist ng Kalidad

Bago i-merge ang anumang pagbabago sa language card, i-verify:

• Bawat bilang ng nagsasalita ay may sanggunian (census o Ethnologue, hindi Wikipedia)
• Bawat kalagayang UNESCO/EGIDS ay may sanggunian
• Bawat method support flag ay na-verify laban sa aktuwal na API (hindi ipinagpalagay)
• Bawat impluwensiya ng contact ay may nailathalang akademikong sanggunian O minarkahang citation_needed
• Ang klasipikasyon ay auto-populated mula sa Glottolog (hindi manu-manong binuo)
• Inililista ng dataSources ang LAHAT ng sangguniang kinonsulta
• Walang pahayag na umaasa lamang sa kaalamang nabuo ng LLM
• Nakatakda ang humanReviewed sa identifier at petsa ng reviewer kung nag-review ang isang native speaker

---

6. Field na humanReviewed

Kasama sa schema ng language card ang field na humanReviewed na kasalukuyang null sa lahat ng card. Dapat punan ang field na ito kapag nire-review ng isang native speaker o kwalipikadong linguist ang card:

"humanReviewed": {
  "reviewer": "Prof. Kenneth Jamandre",
  "affiliation": "University of the Philippines",
  "date": "2026-06-08",
  "scope": "full",
  "notes": "Verified speaker count, vitality assessment, and contact influences."
}

[!IMPORTANT] Ang community review ang gold standard. Nagbibigay ng pundasyon ang automated data at mga akademikong papel, ngunit ang review ng isang native speaker ang panghuling validation. Lalo itong kritikal para sa:

• Mga pahayag tungkol sa impluwensiya ng contact (alam ng mga miyembro ng komunidad kung aling mga hiniram na salita ang aktuwal na ginagamit)
• Mga pagtatasa ng vitality (alam ng mga miyembro ng komunidad kung nagsasalita ng wika ang mga bata)
• Mga sistema ng pormalidad (maaaring hindi makita ng mga akademikong paglalarawan ang mga pattern ng pang-araw-araw na paggamit)

---

7. Mga Sanggunian para sa Pamamaraang Ito

1. Glottolog: https://glottolog.org — CC-BY 4.0
2. ISO 639-3: https://iso639-3.sil.org — Libre
3. WALS: https://wals.info — CC-BY 4.0
4. CLDR: https://cldr.unicode.org — Unicode Terms of Use
5. Ethnologue: https://www.ethnologue.com — Proprietary (subscription)
6. UNESCO Atlas: http://www.unesco.org/languages-atlas/ — Libre
7. Simons et al. (2022): https://aclanthology.org/2022.coling-1.379/
8. Champollion Language Card Spec: cli/website/docs/reference/language-card-spec.md