ขั้นตอนการอ้างอิงบัตรข้อมูลภาษา

วิธีที่ Champollion ตรวจสอบให้แน่ใจว่าทุกข้อความในบัตรข้อมูลภาษาสามารถสืบค้นกลับไปยังแหล่งข้อมูลหลักได้

---

1. ปัญหา

บัตรข้อมูลภาษาประกอบด้วยข้อความเชิงข้อเท็จจริง — จำนวนผู้พูด สถานะความเสี่ยง อิทธิพลจากการสัมผัสภาษา คุณสมบัติทางสัณฐานวิทยา ข้อกำหนดด้านการพิมพ์ การรองรับวิธีการแปล — ซึ่งต้องสามารถตรวจสอบได้ ในปัจจุบัน:

• ฟิลด์ dataSources เป็น array แบบแบนของสตริง (เช่น ["cldr-48", "glottolog-5.3"])
• ไม่มีการระบุแหล่งอ้างอิงในระดับต่อฟิลด์
• ข้อความเช่น "~2.8M speakers" หรือ "vulnerable" ไม่มีที่มาที่สามารถสืบค้นได้
• ผู้ตรวจสอบไม่สามารถระบุได้ว่าแหล่งข้อมูลใดรองรับข้อความใด

[!CAUTION] ข้อความที่ไม่มีแหล่งอ้างอิงคือข้อความที่ไม่สามารถตรวจสอบได้ สำหรับโปรเจกต์ที่วางตำแหน่งตัวเองว่ามีความเข้มงวดในระดับมืออาชีพ ทุกข้อความในบัตรข้อมูลภาษาต้องสามารถสืบค้นกลับไปยังแหล่งข้อมูลหลักที่เฉพาะเจาะจงและมีการกำหนดเวอร์ชันได้

---

2. แหล่งข้อมูลที่เชื่อถือได้ (จัดลำดับตามความสำคัญ)

สำหรับข้อความแต่ละประเภท แหล่งข้อมูลต่อไปนี้ถือเป็นแหล่งอ้างอิงที่เชื่อถือได้ ให้เลือกใช้แหล่งข้อมูลที่มีลำดับสูงสุดที่มีอยู่เสมอ

การจำแนกประเภทและอัตลักษณ์

ลำดับ	แหล่งข้อมูล	ครอบคลุม	สัญญาอนุญาต	วิธีอ้างอิง
1	Glottolog (Max Planck)	ตระกูลภาษา บรรพบุรุษ glottocode	CC-BY 4.0	glottolog-5.x
2	ISO 639-3 (SIL)	รหัส ISO, macrolanguages	ฟรี	iso639-3-{date}
3	WALS (Max Planck)	คำจำกัดความ genus, คุณลักษณะทางประเภทวิทยา	CC-BY 4.0	wals-2024
4	CLDR (Unicode)	รหัส locale, รหัสอักษร, กฎพหูพจน์	Unicode ToS	cldr-{version}

ข้อมูลประชากรผู้พูดและความมีชีวิตชีวาของภาษา

ลำดับ	แหล่งข้อมูล	ครอบคลุม	สัญญาอนุญาต	วิธีอ้างอิง
1	ข้อมูลสำมะโนประชากรแห่งชาติ	จำนวนผู้พูดอย่างเป็นทางการ	แตกต่างกัน (โดยทั่วไปเป็นสาธารณะ)	census-{country}-{year}
2	Ethnologue	การประมาณจำนวนผู้พูด, EGIDS	กรรมสิทธิ์ (ต้องสมัครสมาชิก)	ethnologue-{edition}
3	UNESCO Atlas	สถานะความเสี่ยง	ฟรี	unesco-atlas-{year}
4	บทความวิชาการที่ตีพิมพ์แล้ว	การสำรวจผู้พูดในระดับภูมิภาค	สัญญาอนุญาตตามบทความ	{author}-{year}
5	Katig Collective	ภาษาฟิลิปปินส์	วิชาการ	katig-{year}

[!WARNING] ห้ามใช้ Wikipedia, ข้อความที่สร้างโดย LLM, หรือความรู้ส่วนตัวเป็นแหล่งข้อมูลหลักสำหรับข้อมูลประชากร แหล่งข้อมูลเหล่านี้เป็นแหล่งข้อมูลรองหรือตติยภูมิอย่างดีที่สุด ให้สืบค้นกลับไปยังข้อมูลหลักเสมอ

การรองรับวิธีการแปล (ความครอบคลุมของ Translation API)

วิธีการ	แหล่งตรวจสอบ	วิธีตรวจสอบ	วิธีอ้างอิง
Google Translate	รายการภาษา	เรียก API หรือดูหน้าเอกสาร	google-translate-{date}
DeepL	รายการภาษา	เรียก API	deepl-api-{date}
Microsoft Translator	รายการภาษา	หน้าเอกสาร	ms-translator-{date}
LibreTranslate	รายการภาษา	เรียก API	libretranslate-{date}
NLLB	FLORES README	README + model card	nllb-200-{date}
LLM	true เสมอ	ไม่มี (คุณภาพแตกต่างกัน)	llm-assumed

DLS (การรองรับภาษาดิจิทัล)

ลำดับ	แหล่งข้อมูล	ครอบคลุม	วิธีอ้างอิง
1	Simons et al. 2022	คะแนน DLS (143 เครื่องมือดั้งเดิม)	simons-2022
2	Ethnologue ฉบับที่ 27 ขึ้นไป	คะแนน DLS (211 เครื่องมือที่ขยายเพิ่ม)	ethnologue-{edition}-dls

การพิมพ์ พหูพจน์ และอักษร

ลำดับ	แหล่งข้อมูล	ครอบคลุม	วิธีอ้างอิง
1	CLDR	กฎพหูพจน์ เครื่องหมายคำพูด การจัดรูปแบบตัวเลข	cldr-{version}
2	Unicode CSUR	รหัสอักษร	iso15924-{date}
3	ไวยากรณ์ที่ตีพิมพ์แล้ว	กฎเฉพาะของภาษา	{author}-{year}

อิทธิพลจากการสัมผัสภาษา

ลำดับ	แหล่งข้อมูล	ครอบคลุม	วิธีอ้างอิง
1	บทความภาษาศาสตร์ประวัติศาสตร์ที่ตีพิมพ์แล้ว	การศึกษาคำยืม ประวัติการสัมผัสภาษา	{author}-{year}
2	ไวยากรณ์อ้างอิง	คำอธิบายอิทธิพลเชิงโครงสร้าง	{grammar-title}-{year}
3	WALS	การเปรียบเทียบทางประเภทวิทยา	wals-{feature}-{year}

[!IMPORTANT] ข้อความเกี่ยวกับอิทธิพลจากการสัมผัสภาษาเป็นสิ่งที่หาแหล่งอ้างอิงได้ยากที่สุด ข้อความเช่น "Spanish superstrate, deep, 1571–1898" ต้องอาศัยความเชี่ยวชาญด้านภาษาศาสตร์ประวัติศาสตร์ หากไม่สามารถหาแหล่งข้อมูลที่ตีพิมพ์แล้วได้ ให้ทำเครื่องหมายข้อความนั้นด้วย "citation_needed": true แทนการคาดเดา

---

3. ขั้นตอนการอ้างอิง (ทีละขั้นตอน)

เมื่อสร้างบัตรข้อมูลภาษาใหม่

1. เริ่มต้นด้วยฟิลด์ที่กรอกข้อมูลอัตโนมัติ:

   • รัน node scripts/build-language-tree.mjs --enrich → กรอกข้อมูล classification จาก Glottolog
   • บันทึก "glottolog-{version}" ใน dataSources

2. เพิ่มข้อมูล CLDR:

   • ค้นหากฎพหูพจน์ เครื่องหมายคำพูด รหัสอักษรจาก CLDR
   • บันทึก "cldr-{version}" ใน dataSources

3. ค้นคว้าข้อมูลประชากรผู้พูด:

   • ตรวจสอบข้อมูลสำมะโนประชากรแห่งชาติก่อนเป็นอันดับแรก
   • ตรวจสอบข้ามกับ Ethnologue (หากมี)
   • ตรวจสอบข้ามกับ UNESCO Atlas
   • บันทึกแหล่งข้อมูลทั้งหมดที่ค้นคว้าใน dataSources

4. ตรวจสอบการรองรับวิธีการแปล:

   • ตรวจสอบรายการภาษาของ API แต่ละตัว (ไม่ใช่จากความจำหรือการสันนิษฐาน)
   • บันทึกวันที่ตรวจสอบ

5. ค้นคว้าอิทธิพลจากการสัมผัสภาษา:

   • ค้นหาบทความภาษาศาสตร์ประวัติศาสตร์ที่ตีพิมพ์แล้ว
   • บันทึกช่วงเวลา ประเภท และความลึกพร้อมการอ้างอิง
   • หากไม่มีแหล่งข้อมูลที่ตีพิมพ์แล้ว ให้เพิ่ม "citation_needed": true ในรายการอิทธิพลนั้น

6. ค้นคว้าความมีชีวิตชีวาของภาษา:

   • ตรวจสอบ Ethnologue สำหรับ EGIDS
   • ตรวจสอบ UNESCO Atlas สำหรับสถานะความเสี่ยง
   • บันทึกความแตกต่างระหว่างแหล่งข้อมูล

7. กรอกข้อมูล dataSources:

   • ระบุแหล่งข้อมูลทุกแหล่งที่ค้นคว้า (ไม่ใช่เฉพาะที่ให้ข้อมูล)
   • ใช้รูปแบบการอ้างอิงจากตารางข้างต้น

เมื่ออัปเดตบัตรข้อมูลที่มีอยู่แล้ว

1. ห้ามเปลี่ยนแปลงข้อความเชิงข้อเท็จจริงโดยไม่อัปเดต dataSources
2. หากอัปเดตจำนวนผู้พูด ให้ลบแหล่งข้อมูลเดิมและเพิ่มแหล่งข้อมูลใหม่
3. หากเพิ่มการรองรับวิธีการแปล ให้ตรวจสอบกับ API และบันทึกวันที่
4. ประทับวันที่การตรวจสอบการรองรับวิธีการแปลทุกครั้ง — ความครอบคลุมของ API เปลี่ยนแปลงบ่อย

---

4. ข้อเสนอการปรับปรุง Schema: การอ้างอิงระดับต่อฟิลด์

Schema ปัจจุบัน (dataSources แบบแบน)

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

ปัญหา: ฟิลด์ใดมาจาก CLDR? ฟิลด์ใดมาจาก Glottolog? ฟิลด์ใดไม่มีการอ้างอิง?

ข้อเสนอการปรับปรุง: dataSources แบบมีโครงสร้าง

"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"]
}

เส้นทางการย้ายข้อมูล

นี่คือการเปลี่ยนแปลงที่ เข้ากันได้กับเวอร์ชันก่อนหน้า:

1. บัตรข้อมูลที่มีอยู่แล้วยังคงใช้ array แบบแบน (ยังคงใช้งานได้)
2. บัตรข้อมูลใหม่ใช้รูปแบบที่มีโครงสร้าง
3. การตรวจสอบ schema ยอมรับทั้งสองรูปแบบ
4. ย้ายข้อมูลบัตรที่มีอยู่แล้วทีละส่วนเมื่อมีการตรวจสอบ

[!TIP] ตรวจสอบด้วย script เพิ่ม script validate-citations.mjs ที่:

• ตรวจสอบว่าทุกบัตรมีแหล่งข้อมูล classification และ vitality อย่างน้อยหนึ่งแหล่ง
• ทำเครื่องหมายบัตรที่มี array dataSources แบบแบนเพื่ออัปเกรด
• แจ้งเตือนรายการ methodSupport ที่ไม่มีการตรวจสอบพร้อมประทับวันที่

---

5. รายการตรวจสอบคุณภาพ

ก่อนรวมการเปลี่ยนแปลงบัตรข้อมูลภาษาใด ๆ ให้ตรวจสอบ:

• จำนวนผู้พูดทุกตัวเลขมีแหล่งอ้างอิง (สำมะโนประชากรหรือ Ethnologue ไม่ใช่ Wikipedia)
• สถานะ UNESCO/EGIDS ทุกรายการมีแหล่งอ้างอิง
• การรองรับวิธีการแปลทุกรายการได้รับการตรวจสอบกับ API จริง (ไม่ใช่การสันนิษฐาน)
• อิทธิพลจากการสัมผัสภาษาทุกรายการมีแหล่งวิชาการที่ตีพิมพ์แล้ว หรือทำเครื่องหมาย citation_needed
• การจำแนกประเภทถูกกรอกข้อมูลอัตโนมัติจาก Glottolog (ไม่ได้สร้างด้วยมือ)
• dataSources ระบุแหล่งข้อมูลทุกแหล่งที่ค้นคว้า
• ไม่มีข้อความใดที่อาศัยเพียงความรู้ที่สร้างโดย LLM
• humanReviewed ถูกตั้งค่าเป็นตัวระบุผู้ตรวจสอบและวันที่ หากมีเจ้าของภาษาตรวจสอบ

---

6. ฟิลด์ humanReviewed

schema ของบัตรข้อมูลภาษาประกอบด้วยฟิลด์ humanReviewed ซึ่งปัจจุบันเป็น null ในทุกบัตร ฟิลด์นี้ควรกรอกข้อมูลเมื่อเจ้าของภาษาหรือนักภาษาศาสตร์ที่มีคุณสมบัติเหมาะสมตรวจสอบบัตรแล้ว:

"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] การตรวจสอบโดยชุมชนคือมาตรฐานสูงสุด ข้อมูลอัตโนมัติและบทความวิชาการให้รากฐาน แต่การตรวจสอบโดยเจ้าของภาษาคือการยืนยันขั้นสุดท้าย สิ่งนี้มีความสำคัญอย่างยิ่งสำหรับ:

• ข้อความเกี่ยวกับอิทธิพลจากการสัมผัสภาษา (สมาชิกชุมชนรู้ว่าคำยืมใดที่ใช้จริง)
• การประเมินความมีชีวิตชีวาของภาษา (สมาชิกชุมชนรู้ว่าเด็ก ๆ ยังพูดภาษานั้นอยู่หรือไม่)
• ระบบความเป็นทางการ (คำอธิบายทางวิชาการอาจพลาดรูปแบบการใช้งานในชีวิตประจำวัน)

---

7. เอกสารอ้างอิงสำหรับขั้นตอนนี้

1. Glottolog: https://glottolog.org — CC-BY 4.0
2. ISO 639-3: https://iso639-3.sil.org — ฟรี
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 — กรรมสิทธิ์ (ต้องสมัครสมาชิก)
6. UNESCO Atlas: http://www.unesco.org/languages-atlas/ — ฟรี
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