كمتر كسي در مورد تفاوت هاي موجود بين زبان هاي مختلف ترديد دارد، اما مي توان اين تفاوت ها را مدل سازي نموده و الگويي را استخراج كرد كه به كمك آن بتوان يك زبان مورد نظر را از ميان ساير زبان ها و بصورتي اتوماتيك شناسايي كرد؟ منظور از مدل سازي، بررسي ساختاري زبان هاي مختلف در يك چارچوب يكسان و در ارتباط با فيزيك و كالبد كلمات است.
در اين مقاله، طول كلمه و توزيع آماري آن را تحليل كرده و نشان خواهيم داد كه شناسايي پنج زبان زنده دنيا با مطالعه طول كلمات آن ها كاملا امكان پذير است. اين مدل سازي امكانات و تسهيلات جديدي را در فضاي فناوري اطلاعات و بهينه سازي فرآيندهاي داده كاوي فراهم خواهد آورد.