אוצר המילים ה"נושא בעומס" של Claude: עשרה אשכולות ב־461 אלף בקשות משיכה

פרויקט נתונים עצמאי מקבץ תיאורי pull request של GitHub לפי המילים שבהן הם נכתבו, ולא לפי תווית שהחוקר בחר מראש. התוצאה היא עשרה אשכולות, ואחד מהם מתנהג אחרת מכולם: בראשית 2025 הוא היווה 0.7% מהקורפוס, ובאמצע 2026 — כ־39%.

מה הפרויקט מודד

האתר The load-bearing vocabulary of Claude אוסף אלף תיאורי pull request ביום דרך ה־API לחיפוש של GitHub ומפצל אותם לעשרה קבוצות בשיטת KL-divergence k-means, המשווה התפלגויות הסתברות של מילים. לא מיושמת כאן שום הפשטת שורש ולא רשימת מילות עצירה: מילה היא כל רצף של אותיות, ספרות, לוכסנים, מקפים וקווים תחתונים ובו לפחות אות אחת, ולכן טוקנים כמו load-bearing או mutation-tested נשמרים בשלמותם.

החשבונאות המפורסמת מכסה 603 ימים שנאספו, מתוכם 595 ב־85 שבועות שלמים — מ־6 בינואר 2025 עד 17 באוגוסט 2026. אלו 461,121 תיאורים ו־51,079,244 הופעות של מילים, שמתוכן 19,798 מילים עברו את סף התדירות.

האשכול שהגיע

המילים המאפיינות ביותר של האשכול הזה הן load-bearing, plainly, quietly, nobody, outright, re-derived, mutation-checked, mutation-tested, refused, vacuously, premise ו־restated. לפי כותבי הפרויקט, אוצר מילים זה אמור להיראות מוכר לכל מי שמשתמש בסוכני קוד. בקורפוס כולו מחזיק האשכול 8.2%, אך בארבעת השבועות האחרונים הוא מהווה כ־37% מהתיאורים.

באתר יש גם גלאי: אפשר להדביק תיאור של pull request או קישור ל־GitHub, ואותה התאמה תדווח אם הטקסט שייך לאשכול הזה.

איך נבנה המדגם

בתיעוד המתודולוגיה מוסבר מדוע המקור המובן מאליו אינו שמיש עוד. הארכיון הציבורי של אירועי GitHub הפסיק לשאת טקסט: מאז שהוסר ממנו מערך הקומיטים באוקטובר 2025, הזרם מכיל כמעט רק אירועי push. לעומתו, ה־API לחיפוש עובד, משום שמסנן התאריך שלו מקבל חותמות זמן ולכן אפשר למדוד חלון של דקות. בכל יום נבחרים עשרה חלונות של חמש דקות — אחד לכל מקטע של 2.4 שעות — וכל אחד מחזיר טקסט מלא.

מגבלה אחת נאמרת בגלוי: שאילתה מחזירה לכל היותר אלף תוצאות ועמוד מכיל מאה, ולכן מדובר במדגם ולא במפקד מלא. בקשות משיכה שנכתבו על ידי ארבעה אפליקציות — dependabot, renovate ובוטים דומים — מוחרגות בתוך השאילתה עצמה, כיוון שהן כ־90% מהגוף שנכתב על ידי אפליקציות.

מה זה מראה ומה לא

הפרויקט אינו מתיימר לייחס תיאור מסוים לכלי מסוים. הוא מראה ששפת ה־pull requests התפצלה סטטיסטית, ושאחת משתי החצאיות גדלה במהירות בקנה מידה שנתי — שינוי מהסוג שמעסיק כל מי שקורא סקירות קוד, תיעוד והיסטוריית פרויקטים למחייתו.