Миноритарные языки РФ в Интернете: количественное описание и анализ данных

Исследование посвящено изучению представленности миноритарных языков России в Интернете. Целью исследования является создание количественного описания интернета на миноритарных языках, определение характеристик национальных интернетов и поиск параметров, на основе которых можно предсказать, будет ли представлен малый язык в интернете и в каком объёме. В исследовании были использованы разные внешние данные о языке, такие как число носителей, данные по региону распространения и некоторые другие, а также данные по собранным интернет-коллекциям: количество сайтов на малом языке, количество веб-страниц, токенов, медианное значение количества токенов на веб-страницу. Для поиска связей и зависимостей применялся анализ корреляций, многофакторная линейная регрессия и кластерный анализ. Для определения характеристик национальных интернетов был построен веб-граф. В результате было создано количественное описание национальных интернетов для более чем 40 языков, подробно были рассмотрены сайты на малых языках и их регистрационные данные, а также соотношение медианного значения токенов на веб-страницу и общего количества веб-страниц. Языки с самыми большим количеством сайтов на малом языке (башкирский, татарский, якутский, удмуртский), к сожалению, не участвовали в дальнейшем анализе. В работе была построена модель линейной регрессии на основе офлайн и онлайн данных по малому языку, с помощью которой можно приблизительно предсказать, будет ли присутствовать малый язык не из выборки в интернете. Иерархическая кластеризация показала, что все языки из выборки можно разделить на два кластера по представленности в интернете и офлайн-среде. Большинство национальных интернетов являются дисассортативными слабо связными графами, однако, общий же граф национальных интернетов ассортативен и не является слабо связным.