Über die Berechenbarkeit und das Erheben von Daten

Nicht alle Daten, die wir sammeln, sind gleichwertig. Daten unterscheiden sich in ihrer Aussagekraft. Das mag trivial klingen mag, wird aber oft vergessen, wenn Daten erhoben werden. Wenn ich in meinem Adressbuch die Geburtstage und die Geburtsdaten von allen meinen Freunden sammle, dann ist es nicht nötig, gleichzeitig zu erheben, ob sie zur Generation X, Y, oder Z gehören, denn diese Information kann ich ja direkt aus dem Geburtsdatum ableiten. Wenn Daten aber aus anderen Daten ableitbar sind, dann lohnt es sich so gut wie nie, diese gesondert zu sammeln. Man kann sie ja einfach generieren, indem man von vornherein die aussagekräftigeren Daten sammelt. Man kann sogar so weit gehen, und daraus eine Maxime für die Datensammlung ableiten: “Erhebe keine berechenbaren Daten, erhebe stattdessen die Grunddaten und leite die berechenbaren Daten daraus ab”.

Ein weiteres wichtiges Prinzip des Datensammelns besteht darin, den Aufwand und den Ertrag des Datensammelns klar miteinander zu verrechnen, bevor man sich an das Datensammeln begibt. Oft ist es ja so, dass es ein bisschen komplizierter ist, Daten in der einen Form zu erheben als in der anderen. Wenn man dann aber aus Bequemlichkeit den einfacheren Weg wählt, dann kann dies auf längere Sicht problematisch werden, vor allem dann, wenn man die Daten erweitern möchte.

Wenn man beispielsweise Daten über sich selbst sammeln und jeden Tag im Jahr erfassen möchte, an dem man einmal joggen war, dann kann man einfach ein Kreuzchen in den Kalender machen an jedem Tag, an dem man unterwegs war, aber wenn man am Ende alle Tage zählen möchte, dann kann es mitunter kompliziert werden, weil man sich beim Blättern durch den Kalender leicht verzählen kann. Es ist daher sicher besser, die Daten digital zu sammeln. Noch besser, als in einer Tabelle jedoch einfach nur ein Kreuz an einem bestimmten Tag zu machen, wäre es, die Kilometerzahl oder die Zeitdauer aufzuschreiben. Denn man läuft ja nicht immer gleich viel. Die Information, ob man joggen war oder nicht, ist aus der Zeitdauer oder der Kilometerzahl ableitbar: wenn es keinen Eintrag gibt, oder man sie auf Null setzt, dann war man nicht joggen.

Wenn man also ein bisschen mehr Zeit investiert (man muss statt eines Kreuzchens eine Zahl in die Tabelle eintragen und auch sicherstellen, dass man weiß, wie viel Strecke man zurückgelegt hat oder wie lange man unterwegs war), dann kann man auf der einen Seite die Zielinformationen sammeln und sich auf der anderen Seite auf den Tag vorbereiten, an dem man eine Fitnesskurve über das Jahr hinweg erstellen und sie stolz auf Twitter mit seinen Followern teilen kann. Diese zweite Maxime des Datensammelns könnte man formulieren als: “Sei bereit, ein bisschen mehr Zeit zu investieren, wenn das Deine Daten bereichert.”

Ein letztes wichtiges Prinzip des Datensammelns, welches mir im Moment spontan einfällt, besteht darin, jegliche Form von Datenverlust zu vermeiden. Datenverlust kann auf verschiedene Arten entstehen. Die schlimmste Form ist dabei aber die, die von den Datensammlern selbst bewusst forciert wird, indem diese Daten aus der Sammlung herausschmeißen, die sie für unwichtig halten. Das passiert oftmals aus vermeintlicher Bequemlichkeit, wenn man Daten in einer bestimmten Form gesammelt hat, die sich dann als unpraktisch erweist, und dann alle Daten umformt, ohne die ursprüngliche Form zu bewahren. Diese Art des Datenverlustes findet man häufig dann vor, wenn Menschen mit Daten arbeiten, die sie aus anderen Quellen übernommen haben. Da diese Daten selten den eigenen Ansprüchen genau entsprechen, werden sie entsprechend verändert und ungeformt, was oft mit Informationsverlust einhergeht, was eigentlich nicht schlimm wäre, solange die Rohdaten aufbewahrt und in die Datenbank mit aufgenommen und nicht “weggeworfen” werden.

Das Problem am Wegwerfen von Daten ist, dass man Daten meist auch ohne Verlust automatisch transformieren könnte. In vielen Fällen wird die Umformung von Daten in neue Formate ja sogar automatisch durchgeführt. Wenn man die Daten aber selbst ableitet und nachher die Rohdaten wegschmeißt, dann nimmt man bewusst einen Informationsverlust in Kauf, der irreversibel ist. Wenn es um das Umwandeln von Daten geht, sollte man daher in keinem Fall die Rohdaten wegschmeißen, und im Idealfall dafür sorgen, dass die Umwandlung komplett automatisch stattfindet, da sie nur so auch transparent auf neue Rohdaten angewendet werden kann. Die dritte Maxime des Datensammelns könnte daher lauten: “Wirf keine Daten weg, die Dir zur Verfügung gestellt wurden.”

Leider wird in meiner Forschung zur Sprachwissenschaft nur allzu oft gegen diese drei Maximen des Datensammelns (“Erhebe Grunddaten, denke an die Erweiterbarkeit Deiner Daten, und wirf keine Daten weg!”) verstoßen. Ich selbst habe auch Datensätze erstellt, in denen ich die Maximen nicht beachtet und damit zur Entstehung von “Datenfriedhöfen” beigetragen habe.

Für meine Dissertation (List 2014) zum Beispiel hatte ich lange Zeit ein sehr striktes Datenformat verwendet, das so unflexibel war, dass ich nur die phonetische Transkription von Wörtern, nicht aber deren ursprüngliche Orthographie in mein Programm einlesen konnte. Da ich die Orthographie aber ohnehin für die Analyse nicht brauchte, war sie mir auch herzlich egal, und so ließ ich sie einfach weg, obwohl sie eigentlich den meisten Daten, die ich verwendete, ursprünglich zugrunde lag. Das bereue ich heute, da man mich später auf Transkriptionsprobleme hinwies, bei denen es sinnvoll wäre, die Transkription mit der Orthographie abzugleichen (die Daten sind auf sequencecomparison.github.io verfügbar und einsehbar). Selbst die Transkriptionen, die ich von verschiedenen Wörterbüchern übernommen hatte, hatte ich nicht in ihrer Grundform von den verschiedenen Quellen übernommen, sondern sie oftmals halbautomatisch leicht verändert, ohne die Ursprungsform zu bewahren. Ich hatte also weder wirkliche Grunddaten erhoben, noch die Erweiterbarkeit der Daten beachtet, und dabei noch gehörig Information weggeworfen.

Zum Glück haben ich in der Folgezeit viel Kontakt zu Kolleginnen und Kollegen gehabt, die sich mit dem Erheben von Daten auskennen. Ich habe in dem Zusammenhang auch gelernt, dass man Daten, die nicht vollkommen perfekt sind, mit Hilfe einiger gezielter Techniken auch relativ leicht “liften”, also “anheben”, kann, indem man sie in Bezug auf verschiedene Aspekte vergleichbar macht. Dazu zählt in der Linguistik die Standardisierung der Namen von Sprachvarietäten (die stark variiert), die Standardisierung von Glossen, mit denen man die Bedeutung von Wörtern denotiert, und die Standardisierung der Transkriptionssysteme. Für alle Probleme gibt es inzwischen erste Standards. Für Sprachvarietäten gibt es den Referenzkatalog Glottolog (https://glottolog.org, Hammarström et al. 2021). Für Konzepte gibt es unser Concepticon (https://concepticon.clld.org, List et al. 2021, und für die phonetische Transkription haben wir die Cross-Linguistic Transcription Systems entwickelt (https://clts.clld.org, CLTS, List et al. 2020). Wenn man nun Sprachdaten, wie Wortlisten, die nicht standardisiert sind, halbautomatisch auf diese drei Kataloge verlinkt, dann kann man sie “retrostandardisieren”, wie wir das inzwischen nennen.

Ein Beispiel für einen solchen retrostandardisierten Datensatz ist unsere digitale Ausgabe der Tableaux phonétiques des patois suisses romands, einer Sammlung von Wortlisten für französische Dialekte der Schweiz, die zu Beginn des 20. Jahrhunderts erhoben wurde. Da die Dialekte selbst inzwischen nahezu vollständig ausgestorben sind, stellt diese Sammlung ein wichtiges Zeugnis ehemaliger Sprachdiversität in der Suisse Romands dar. Um sie vergleichbar zu machen, nutzten wir zunächst die Methoden der Retrostandardisierung, für die wir inzwischen einen relativ flexiblen Workflow entwickelt haben, der sich derzeit noch unter Begutachtung befindet (List et al. 2021). Die retrostandardisierten Daten, die nur als Wortlisten vorlagen, konnten dann ohne allzu großen Aufwand in eine Webapplikation überführt werden (https://tppsr.clld.org, TPPSR online, Geisler et al. 2020), in der man die Sprachdaten interaktiv im geographischen Raum inspizieren kann (Geisler et al. im Erscheinen).

Nicht alle Daten, die nicht vollständig erhoben wurden, sind verloren. Es kann aber mitunter erheblichen Aufwand kosten, Daten im Nachhinein zu standardisieren oder zu erweitern. Auch wenn ich mich inzwischen daran gewöhnt habe, alle möglichen linguistischen Daten zu “liften”, welche nicht standardisiert und in problematischen Formaten oder mit anderen Mängeln geteilt werden, ist es nach wie vor immer wieder enttäuschend, zu sehen, wie viel Zeit wir eigentlich vergeuden, indem wir Datensätze erheben, ohne genauer darüber nachzudenken, wie man diese Erhebung optimieren könnte.

Nicht nur in der Linguistik geht uns das übrigens so. Auch in der aktuellen Pandemiesituation wurde ja schon oft diskutiert, welche Daten eigentlich erhoben werden müssten. Wir haben das in Debatten um den Ct-Wert erlebt, der den Grad der Infektiosität von Infizierten messen könnte, aber — soweit ich das verstehe — kaum explizit erfasst wird. Wir haben auch gesehen, welche Probleme starre Dateneingabesysteme haben, die beispielsweise von zwei Impfungen ausgehen, und dadurch zu Unsicherheiten beim Erfassen von Impfungen führen, die nur einmal verabreicht werden müssen. Wir erleben auch (zum Beispiel wieder beim Ct-Wert), wie große Probleme aus der mangelnden Vergleichbarkeit von Daten entstehen. Ich habe leider meine Zweifel, dass Retrostandardisierung in Bezug auf die Daten, die zur Pandemie erhoben wurden, viel helfen würde. In der Linguistik leistet sie uns allerdings bisher wunderbare Dienste.

Literatur

  • Geisler, Hans and Forkel, Robert and List, Johann-Mattis (forthcoming): A digital, retro-standardized edition of the Tableaux Phonétiques des Patois Suisses Romands (TPPSR). In: M. Avanzi and N. LoVecchio and A. Millour and A. Thibault (eds.): Nouveaux regards sur la variation dialectale. Strasbourg:Éditions de Linguistique et de Philologie. 1-21. https://doi.org/10.17613/x8yd-5y42
  • Geisler, Hans and Robert Forkel and Johann-Mattis List (2020): The Tableaux phonétiques des patois suisses romands Online. Version 1.0. Max Planck Institute for Evolutionary Anthropology. Leipzig: https://tppsr.clld.org.
  • Hammarström, Harald and Haspelmath, Martin and Forkel, Robert and Bank, Sebastiaon (2021): Glottolog. Version 4.4. Leipzig:Max Planck Institute for Evolutionary Anthropology.
  • List, Johann-Mattis (2014): Sequence comparison in historical linguistics. Düsseldorf: Düsseldorf University Press.
  • List, Johann-Mattis and Anderson, Cormac and Tresoldi, Tiago and Forkel, Robert (2021): Cross-Linguistic Transcription Systems. Version 2.1.0. Jena:Max Planck Institute for the Science of Human History. https://clts.clld.org
  • List, Johann-Mattis and Christoph Rzymski and Simon Greenhill and Nathanael Schweikhard and Kristina Pianykh and Annika Tjuka and Carolin Hundt and Robert Forkel (2021): Concepticon. A resource for the linking of concept lists. Version 2.5.0. Jena:Max Planck Institute for the Science of Human History. https://concepticon.clld.org
  • List, Johann-Mattis and Forkel, Robert and Greenhill, Simon J. and Rzymski, Christoph and Englisch, Johannes and Gray, Russell D. (2021): Lexibank: A public repository of standardized wordlists with computed phonological and lexical features [Preprint, Version 1]. Research Square 0.0. 1-31. [Preprint, under review, not peer-reviewed] https://doi.org/10.21203/rs.3.rs-870835/v1
Sie können diesen Artikel zitieren als: Johann-Mattis List, "Über die Berechenbarkeit und das Erheben von Daten," in Von Wörtern und Bäumen, 04/10/2021, https://wub.hypotheses.org/1356.

Die Summe der Teile beim Bilden von Wörtern

Meine Mutter wies mich vor kurzem auf einen sehr amüsanten Text zu den Sieben Weisen aus Griechenland hin, welcher auf die Rezeption der Sieben Weisen von Griechenland in Antike und Kaiserzeit eingeht (Asper 2006). Amüsant ist vor allem das Ende des Textes, in dem der Autor sehr plastisch davon berichtet, wie die sieben Weisen in einer Wanddekoration in einer Bar in Ostia parodiert wurden, indem man sie auf Latrinen setzte und über die großen Geschäfte des Menschen diskutieren ließ (ibid. 101f).

Als ich die Beschreibung der Parodie las und mir später die Sprüche, die man den Weisen in den Mund legte, im Internet anschaute (vgl. Ostia-Antica), musste ich unmittelbar an das Wort klugscheißen denken, weil es einfach so gut zu diesem Thema zu passen schien, sozusagen “im wahrsten Sinne des Wortes”. Erst als ich dann genauer über den “wahren Sinn” des Wortes klugscheißen nachdachte, welches im Duden ja als “besserwisserisch daherreden” definiert wird, fiel mir auf, wie schwer es bei diesem Wort doch ist, die Gesamtbedeutung aus den Bedeutungen der Teile des Wortes heraus zu deuten.

Auch wenn ich nicht alle Menschen, die Deutsch sprechen, danach fragen kann, woran sie denken, wenn sie das Wort klugscheißen oder Klugscheißer hören, so gehe ich doch stark davon aus, dass es nicht nur mir so geht, dass ich eigentlich an gar nichts Tieferes oder Wahreres oder Ursprünglicheres beim Hören des Wortes denke. Die Wortteile (oder auch Morpheme) klug und scheiß, aus denen sich das Wort zusammensetzt, lösen bei mir normalerweise keine noch so kleine Assoziation in Richtung der Bedeutung der Wörter in Isolation aus. Wenn ich jemanden einen Klugscheißer nenne (was auch nicht so oft vorkommt, vor allem nicht in Zeiten reduzierter sozialer Kontakte), dann denke ich einfach so gut wie nie an einen Weisen auf dem Klo, der dünn vor sich hinpfeift, und erst durch den Text von Asper fiel mir auf, wie derb das Wort in Bezug auf die Idee, die seiner Entstehung zugrunde lag, doch eigentlich ist.

Der Großteil der Wörter in unseren Sprachen besteht nicht aus arbiträr zusammengewürfelten Folgen von Konsonanten und Vokalen sondern aus Lautketten die für sich genommen selbst Bedeutung haben. Wörter werden aus anderen abgeleitet, indem man sie mit Präfixen und Suffixen versieht (aus knien machen wir be-knien, hin-knien, rein-knien), oder direkt miteinander kombiniert (aus Hand und Schuh machen wir Handschuh, aus Hintern und Backe machen wir Hinterbacke). Die Wortbildung, wie wir das Erschaffen neuer Wörter mit Hilfe vorhandenen Wortmaterials in der Linguistik nennen, ist neben der Entlehnung von Wörtern aus anderen Sprachen eine der wichtigsten Methoden, um mit unseren Sprachen auf die sich verändernde Welt zu reagieren.

Die Geschichte unserer Wörter, oder deren Motivation, von der man in der Linguistik in diesem Zusammenhang meist spricht (Koch 2001), spielt für deren Gebrauch in unserer Sprache interessanterweise sehr selten eine Rolle. Wenn ich in Vorträgen auf das deutsche Wort Handschuh hinweise, dann ernte ich meist Lacher von den Kolleginnen und Kollegen, die kein Deutsch sprechen, weil ihnen die Motivation, das, was wir uns über die Hände ziehen, wenn es kalt ist, einen “Schuh für die Hand” zu nennen, lustig vorkommt, oder — wie manch einer vielleicht sagen würde — putzig oder cute, ein bisschen kindlich naiv also, weil Kinder in einem gewissen Alter, wenn sie die gebräuchlichen Wörter noch nicht kennen, auf ähnliche Weise mit der Sprache spielen und kreativ eigene erschaffen.

Wenn Menschen sich die Garten-hand-schuhe überstreifen und sich an die Arbeit machen, oder wenn sie bei einer Polizeikontrolle die Autopapiere verzweifelt im Hand-schuh-fach ihres Wagens suchen, dann denken sie kaum an die Putzigkeit von Wörtern wie Handschuh oder Hinterbacke, genauso wenig, wie wir an große Geschäfte denken, wenn arrogante Manager von Großkonzernen uns die Welt erklären. Die Motivation, die Wortbildungen zugrunde liegt, verblasst meist schnell, wenn ein Wort in der Welt angekommen ist. Auch wenn wir in vielen Fällen aus den Teilen, aus denen unsere Wörter bestehen, ableiten können, wie diese ursprünglich motiviert waren, als sie zum ersten Mal gebildet wurden, so spielt die Bedeutung der Teile von Wörtern im alltäglichen Sprachgebrauch kaum eine Rolle in der Bewertung des Ganzen (sehr schön wird dies von Enfield 2015 diskutiert). Die Summe ist nicht mehr nur mehr als die Teile, die Summe ist unabhängig von ihnen, und zuweilen kann es sogar unmöglich sein, die ursprüngliche Motivation einer Wortbildung zu erschließen.

In welchem Zusammenhang die Motivation, die zur Bildung eines Wortes Anlass gibt, und die Bedeutung, mit der das gebildete Wort dann in der Sprache gebraucht wird, stehen, ist in der Linguistik bisher nur sporadisch untersucht worden. Zwar gibt es viele einzelsprachliche Studien zu Neubildungen in den Sprachen mit langer schriftsprachlicher Tradition und großen Buchmärkten (also Deutsch, Englisch, usw.), aber eine sprachübergreifende Perspektive wurde bisher nur selten eingenommen. Dabei kann vor allem der Vergleich von Motivationsmustern über verschiedene Sprachen hinweg mitunter sehr faszinierende Erkenntnisse ermöglichen. Da gibt es Muster, die vorwiegend regional wiederkehren, wie die Tendenz, die wir vor allem im südostasiatischen Raum finden, die Bedeutung “Träne” mit Hilfe eines Kompositums aus “Auge” und “Wasser” auszudrücken (Tränen sind also das Wasser der Augen, vgl. Wu et al. 2020: 7, List et al. 2021). Da gibt es Muster, die auf den ersten Blick sehr einleuchtend zu sein scheinen, und sich am Ende nur als einmalige Muster entpuppen, die nur in einer einzigen Sprachfamilie auftauchen, wie das Wort Ellenbogen, welches ja wörtlich so viel heißt wie “Bogen des Unterarms”, was sehr transparent zu sein, aber nur in den germanischen Sprachen aufzutauchen scheint. Und da gibt es die Muster, die wir in fast allen Gegenden der Welt vorfinden (wenn auch nicht in jeder Einzelsprache) wie beispielsweise die Tendenz, dass Wörter für “Mann” und “Frau” ein gemeinsames Wort teilen, was sich beispielsweise darin äußern kann, dass man von “männlichem Menschen” und “weiblichen Menschen” spricht, wie im Chinesischen (男人 nán-rén vs. 女人 nǚ-rén) (List et al. 2021).

Forschungstechnisch gibt es also noch viel zu tun, wenn wir genauer verstehen wollen, wie unsere Sprachen Raum für neue Gedanken und Konzepte schaffen, indem sie vorhandenes Material recyclen. Neben den sprachübergreifenden Untersuchungen würde mich persönlich darüber hinaus noch sehr interessieren, wie stark der Einfluss der Teile, aus denen unsere Wörter sich zusammensetzen, am Ende tatsächlich nachwirkt, und in welchem Grade Menschen, die nicht beruflich die Motivation von Wörtern zu erschließen suchen, deren Teile in Beziehung zum Ganzen zu setzen versuchen.

Literatur

  • Markus Asper (2006): Literatursoziologisches zu den Sprüchen der Sieben Weisen. In: Althoff, Jochen and Zeller, Dieter (eds.): Die Worte der Sieben Weisen.89. Darmstadt: 87-105.
  • Enfield, N. J. and Comrie, Bernard (2015): . Berlin and New York:Mouton de Gruyter.
  • Peter Koch (2001): Lexical typology from a cognitive and linguistic point of view. In: : Linguistic typology and language universals.20.2. Berlin and New York:de Gruyter. 1142-1178.
  • List, Johann-Mattis and Forkel, Robert and Greenhill, Simon J. and Rzymski, Christoph and Englisch, Johannes and Gray, Russell D. (2021): Lexibank: A public repository of standardized wordlists with computed phonological and lexical features [Preprint, Version 1]. Research Square 0.0. 1-31. [Preprint, under review, not peer-reviewed] https://doi.org/10.21203/rs.3.rs-870835/v1
  • Wu, Mei-Shin and Schweikhard, Nathanael E. and Bodt, Timotheus A. and Hill, Nathan W. and List, Johann-Mattis (2020): Computer-Assisted Language Comparison. State of the Art. Journal of Open Humanities Data 6.2. 1-14.
Sie können diesen Artikel zitieren als: Johann-Mattis List, "Die Summe der Teile beim Bilden von Wörtern," in Von Wörtern und Bäumen, 10/09/2021, https://wub.hypotheses.org/1348.

Worüber man schweigen sollte…

Mit großer Macht kommt große Verantwortung. Das gilt nicht nur für Spidermenschen oder Personen, die Rootrechte für ihre Computer besitzen, sondern auch für diejenigen, die Wissenschaft betreiben. Was dabei immer ganz besonders wichtig ist, ist es, zu beachten, dass man nicht alles zwangsläufig tun muss, was man tun kann, und dass man auch — was manchmal noch wichtiger ist — nicht über alles berichten muss, was man getan hat.

Es gibt eben immer wieder Situationen, in denen man sich in diesen Grenzbereichen verfängt, — und die tauchen vielleicht am Ende sogar in jeder Wissenschaftsdisziplin auf — an denen man am Ende einer Frage nachforscht, über deren Erforschung man nicht unbedingt öffentlich sprechen muss, weil die Fragestellung zu verrückt, zu dumm, aber vielleicht auch zu verletzend sein kann, als dass man wirklich möchte, dass andere erfahren, dass man sie bearbeitet hat.

Ich denke da weniger an den Biologiestudenten, der eigene Zellkulturen in seiner Kaffeetasse züchtet oder fasziniert sein verschimmeltes Marmeladenbrot unterm Mikroskop betrachtet. Dieser wird auf dem nächsten Maskenball sicher einige Lacher für seine Story ernten. Ich denke auch nicht an die Linguistikstudentin, die sprachliche Ausdrücke für Tätigkeiten an stillen Orten sammelt und dann versucht, herauszufinden, ob es eine lautmalerische Tendenz zur Bezeichung dieser Tätigkeiten in den Sprachen der Welt gibt. Diese findet sicher leicht eine Fangemeinde in einem Redditforum und wird sich dann vor Angeboten aus der Conlang-Community (Menschen, die Sprachen selbst erfinden oder erfundene Sprachen lernen und erforschen) ihre Daten aufzufrischen und zu erweitern kaum retten können.

Ich denke eher an Fälle, in denen Forscher gedacht haben, dass es vielleicht eine gute Idee sei, mal zu schauen, inwiefern Sprachen, in denen aspirierte Konsonanten auftauchen (also Sprachen wie das Deutsche, in denen das t spuckt) vielleicht zu einem höhreren Ausstoß von Aerosolen in der Sprachgemeinschaft führen, die dann wiederum begründen, warum sich Covid-19 dort schneller verbreitet (Georgiou und Kilani 2020). Klar kann man darüber nachdenken, und klar kann man sich hinsetzen und mal schauen, ob es eine Korrelation ergibt. Aber abgesehen davon, dass man diesen Gedanken in geselliger Runde mit anderen Menschen austauschen kann, tut man den Gesellschaften in der Welt keinen Gefallen damit, wenn man diese Idee öffentlich publiziert. Denn zum einen sind unsere Erkenntnisse zu unterschiedlichen Aerosolausstößen in unterschiedlichen Sprachen gleich null, weshalb es gar nicht möglich ist, von der Aspiration auf eine Tendenz zum erhöhten Spucken beim Sprechen zu schließen, und zum anderen fehlen uns die Daten, diese Theorie zu untersuchen, sowohl in der Linguistik, als auch in Bezug auf die Entwicklung der Pandemie, die ja noch nicht vorüber ist.

Ich denke auch an Fälle, wo versucht wurde, nachzuweisen, dass es einen Zusammenhang zwischen der Tendenz, Personalpronomen am Verb auszudrücken, oder sie explizit auszusprechen und der ökonomischen Situation von Gesellschaften gibt (Feldmann 2019). Klar kann man sich fragen, inwiefern sich Sprachen dahingehend unterscheiden, ob sie es erlauben, das Personalpronomen wegzulassen, wie wir es im Russischen vorfinden, wo man понимаю ponimaju “verstehe” sagen kann, oder ob sie in fast allen Situationen fordern, dass man das Personalpronomen explizit verwendet, wie im Englischen, wo wir I understand sagen müssten, während understand einfach so, also ohne das I, komisch klingen würde. Allerdings ist diese Frage bereits linguistisch problematisch, da wir sehr gut wissen, dass es hier viele Grenzfälle gibt, wie zum Beispiel im Deutschen, wo wir uns häufig, abhängig vom Kontext, die Pronomen ersparen (ja, verstehe das gut…). Wenn wir es aber schon nicht schaffen, alle Sprachen unter zwei eindeutige Hüte zu bringen, dann sollte man nicht auf Teufel komm raus versuchen, diese doch sehr banale Einteilung von Sprachen in verschiedene Gruppen mit irgendwelchen ökonomischen Faktoren der Gesellschaften zu korrelieren, die die Sprachen sprechen.

Natürlich kann man alles miteinander korrelieren und sich wundern, was es für komische Zusammenhänge gibt. Aber man sollte dann auch so redlich sein in der Forschung, dass man sich gründlich über die Probleme und Gefahren informiert, die durch wilde Korrelationssuche (das sogenannte pi-hacking) entstehen können (Head et al. 2015). Außerdem finde ich, dass man sich insbesondere bei Forschungsthemen, von denen klar ist, dass sie leicht für politische Zwecke missbraucht werden können, auch ruhig mal ein bisschen zurückhalten darf.

Besonders gefährdet, Experimente durchzuführen, die man besser verschweigen sollte, ist neben den typischen Korrelationsversuchen die Forschung zur artifiziellen Intelligenz und zum maschinellen Lernen. Während man bei den Korrelationsversuchen wild irgendwelche Variablen miteinander vergleicht, versucht man beim maschinellen Lernen zu zeigen, dass man mit genügend Daten zum Trainieren bestimmte Voraussagen über bisher unbekannte Daten machen kann. Die Anwendung dieser Methoden ist dabei verhältnismäßig simpel und erfordert wenig fachliches Wissen über das, was in den eigentlichen Forschungsdisziplinen, die sich mit den ursprünglichen Probleme beschäftigen, am Ende diskutiert wird. Alles, was man braucht, ist ein Trainingsdatensatz, in dem Daten in Bezug auf eine Variable annotiert wurden — wie beispielsweise Bilder von Katzen und Hunden, die entsprechend gekennzeichnet wurden — und einen Testdatensatz, an dem man dann testen kann, wie gut die Methode voraussagt, ob zum Beispiel ein Bild eine Katze oder einen Hund aufweist.

Generell gibt es gegen diese Methoden nichts einzuwenden. Auch, wenn sie nicht immer so gut funktionieren, wie man sich das wünscht (wie wir in einem Experiment zur Erkennung von Lehnwörtern feststellen konnten, Miller et al. 2020), können sie mitunter sehr hilfreiche Ergebnisse liefern und uns helfen, wichtige Daten automatisch vorzuannotieren (zum Beispiel in der Optical Character Recognition, die uns hilft, Daten zu digitalisieren und uns damit sehr viel Arbeit erspart). Problematisch wird es aber, wenn Menschen wieder anfangen, blind alles zu testen, was ihnen so durch den Kopf geht, und diese virtuellen selbstgezüchteten Kaffeeschimmelkulturen dann auch noch mit einer breiten Öffentlichkeit im Rahmen von Publikationen teilen.

Das beste Beispiel, welches ich in diesem Zusammenhang bisher finden konnte, ist eine Studie, in der Forscher versuchten, Modelle zu entwickeln, die von dem Aussehen einer Person auf deren Vornamen schließen können (Chen et al. 2014). Als ich zum ersten Mal von dieser Idee hörte, musste ich an eine deutsche Komödie (oder Serie, ich kann mich nicht mehr erinnern) aus den Neunzigern denken, in der eine der Hauptfiguren ständig versuchte, vom Aussehen eines Menschen auf seinen Namen zu schließen (“du siehst aus wie ein Herbert”). Aber so absurd es auch klingen mag, war es genau das, was in dieser Studie am Ende wirklich untersucht wurde. Ein Datensatz wurde erstellt, in dem man Bilder mit den tatsächlichen Vornamen von Menschen verlinkte und dann daraufhin ein Modell “trainierte”, welches in der Lage sein sollte, einem neuen Bild sofort einen Personennamen zuzuordnen. Das Ganze, so betonten es die Autoren, funktionierte dann angeblich überraschend gut, auf jeden Fall besser, als wenn man einfach nur gewürfelt hätte.

Das Problem an dieser Studie ist nicht ihre Absurdität, sondern die Naivität, mit der Methoden des maschinellen Lernens hier angewendet wurden, um ein Problem zu lösen, das eigentlich keines ist, weshalb ich es mir auch lieber erspare, zu sehr ins Detail zu gehen, warum diese Studie bei mir nicht nur lachen, sondern auch ein mulmiges Gefühl ausgelöst hat.

Aber wer weiß? Vielleicht hat die Studie ja bald eine konkrete Anwendung, die die Welt zu einem sichereren Ort macht? Ich kann mir vorstellen, dass Geheimdienste oder Polizeibehörden die Methode anwenden könnten, um Menschen ausfindig zu machen, die unter falschem Vornamen unterwegs sind. Das wäre sicher auch toller Stoff für neue Fernsehserien, wenn der Geheimdienstler sag: “Sie sagen, dass sie Lars heißen, stimmt das? Geben Sie endlich zu, dass sie ein Peter sind!” Es würde auch vielen Actionfilmen in der Zukunft eine drastische neue Wendung geben können. Man stelle sich nur vor, was passiert, wenn Blofelds künstliche Intelligenz herausfindet, dass Peter Franks, David Somerset, Charles Morton und Richard Sterling mit falschen Vornamen herumlaufen, da es sich bei allen diesen Personen ja in Wirklichkeit um James — James Bond — handelt!

Literatur

  • Chen, Huizhong and Galagher, Andrew C. and Girod, Bernd (2014): The hidden sides of names. Face modeling with first name attributes. IEEE Transactions on Pattern Analysis and Machine Intelligence 36.9. 1860-1873.
  • Georgios P. Georgiou, Ahmad Kilani (2020). The use of aspirated consonants during speech may increase the transmission of COVID-19, Medical Hypotheses. 144. 2020.
  • Horst Feldmann (2019): Do linguistic structures affect human capital? The case of pronoun drop. Kyklos 72.1. 29-54.
  • Megan L. Head and Luke Holman and Rob Lanfear and Andrew T. Kahn and Michael D. Jennions (2015): The Extent and Consequences of P-Hacking in Science. PLOS Biology 13.3. e1002106.
  • Miller, John E. and Tresoldi, Tiago and Zariquiey, Roberto and Beltrán Castañón, César A. and Morozova, Natalia and List, Johann-Mattis (2020): Using lexical language models to detect borrowings in monolingual wordlists. PLOS One 15.12. e0242709.
Sie können diesen Artikel zitieren als: Johann-Mattis List, "Worüber man schweigen sollte…," in Von Wörtern und Bäumen, 13/08/2021, https://wub.hypotheses.org/1341.