Schlagwort-Archive: Geisteswissenschaften

Zwei und Vierzig

Schreibe eine Antwort

Ich war vor Kurzem eingeladen, auf einer jährlich stattfindenden Linguistikkonferenz in Posen, dem Poznań Linguistic Meeting, an einer Podiumsdiskussion zum Thema “What can linguistics contribute to artificial intelligence” teilzunehmen. Während ich keine Antwort auf die Frage, was die Linguistik denn spezifisch zur Forschung zur künstlichen Intelligenz beitragen könnte, geben kann, hat mich das Spannungsfeld, in dem sich die Sprachforschung als Mittlerin zwischen modernen Computermethoden, maschinellem Lernen, und spektakulärer Forschung zur künstlichen Intelligenz auf der einen Seite und den klassischen philologischen und künstlerisch ausgerichteten Disziplinen auf der anderen Seite befindet, schon immer sehr interessiert. So stand auch die gesamte Konferenz mit ihrem Leitmotiv in diesem Spannungsfeld, wie man besonders auch an den vielfältigen Vorträgen sehen konnte, die immer wieder zur Frage zurückkehrten, was die Linguistik in Zeiten sprechender und selbstfahrender polyglotter Autos eigentlich noch zu sagen habe. Antworten waren vielfältig. Die einen beharrten trotzig auf dem Vorrang der “reinen Sprachforschung”, die primär in der Feldforschung und der Auseinandersetzung mit bisher unerforschten Sprachen bestehe, und als einzige erlauben würde, Maschinen Sprache wirklich beizubringen. Die anderen spannen wild anmutende, aber vielleicht gar nicht so unrealistische, Visionen einer Zukunft, in der Suchmaschinen nicht nur auf Schlagworte reagieren, sondern Sätze in “natürlicher Sprache” aufnehmen und dann versuchen, individuell zu beantworten.

Ich selbst hatte in meinem vor der Diskussion gehaltenen Vortrag argumentiert, dass wir nicht das maschinelle Lernen verbessern müssen, sondern eher an das maschinelle Trainieren, oder — vielleicht genauer — das Trainieren von Maschinen denken sollten. Denn in meinem Forschungsfeld ist es in vielen Fragen zwar Gang und Gäbe, Lösungen anzubieten und zu testen, die mit Hilfe moderner Forschung zum maschinellen Lernen und zur künstlichen Intelligenz zustande kommen, dabei wird jedoch oft ein relativ naiver Ansatz verfolgt, der mit der praktischen Forschung im Bereich des computergestützten Sprachvergleichs kaum was zu tun hat. Mal sind Ansätze von normalen Menschen nicht durchführbar, weil sehr komplexe Workflows verwendet werden, die enorme Rechenresourcen benötigen und nur begrenzt von anderen Menschen repliziert werden können, mal sind Lösungen so spezifisch, dass sie lediglich auf einem Datensatz funktionieren, und somit kaum auf ähnliche Probleme übertragen werden können.

Meine Idee war es, zu betonen, dass wir mehr darüber nachdenken sollten, wie wir wirklich Gutes aus den ganzen neuen Ansätzen herausholen, anstatt uns zu fragen, wie wir die Forschung zur künstlichen Intelligenz noch mehr verbessern. Dazu brauchen wir auf der einen Seite mehr Forscherinnen und Forscher, die nicht nur in den geisteswissenschaftlichen Aspekten des historischen Sprachvergleichs ausgebildet sind, sondern auch in Bezug auf Programmierung, Algorithmen und quantitative Ansätze. Gleichtzeitig sollten Menschen, die Computerlinguistik betreiben, besser in Bezug auf die konkreten Problemen im historischen Sprachvergleich geschult werden. Meiner Erfahrung nach stößt diese Position, welche versucht, beide Lager — das Lager der klassischen Linguistinnen und Linguisten und das Lager der Computerlinguistikbetreibenden — in die Pflicht zu nehmen, entweder beiden Lagern auf, oder sie gefällt beiden Lagern.

So war es auch in dieser Podiumsdiskussion. Neben nicht vollständig verständlicher Kritik an konkreten Forschungsergebnissen, die auf unserem Repositorium standardisierter lexikalischer Daten beruhen (List et al. 2022), und vor allem die Unvollständigkeit dieser Daten betonen, an der wir unsererseits nie gezweifelt haben, gab es — zumindest schien mir das so — recht viel Zuspruch in Bezug auf die Idee, dass wir den Umgang mit Systemen des maschinellen Lernens in der Linguistik verbessern müssen.

Als es um die Schlussbetrachtung ging, war schon sehr viel von vielen Seiten gesagt worden, und ich sah mich selbst ein bisschen unter dem Druck, nicht zu lange zu reden und mich nicht zu sehr zu wiederholen. Ein Punkt, den die Diskussion für mich noch mal deutlich gemacht hatte, war, dass es wichtig ist zu, unterscheiden zwischen wissenschaftlichen und wirtschaftlichen Interessen. Zu oft wird nicht zwischen beiden unterschieden, was dann im Nachhinein zu Verstimmungen in beiden Lagern führen kann. Denn wenn eine wirtschaftlich, an praktischer Anwendung orientierte Person eine Methode zur automatischen Entdeckung von Lehnwörtern erstellt, oder eine Person, die primär an wissenschaftlichen Fragestellungen interessiert ist, so unterscheiden sich die Ansätze zumeist sehr stark. Während die wirtschaftlich denkende Person primär am Funktionieren der Methode interessiert ist, interessiert sich die wissenschaftlich denkende Person, wie das Funktionieren sich auszeichnet, also warum beispielsweise eine Methode besser funktioniert als eine andere, und was das mit Sprache im Allgemeinen und mit Prozessen der Entlehnung und des Sprachkontakts im Besonderen zu tun haben mag.

Entlang der wirtschaftlich-wissenschaftlichen Achse finden wir eine neue Spaltung in Lager vor, nicht nur in der vergleichenden Sprachforschung, sondern in der Forschung zur künstlichen Intelligenz im Allgemeinen. Auf der einen Seite haben wir die Ingenieurinnen und Ingenieure, die sich freuen, wenn sie menschliche Leistungen mit Maschinen modellieren können, auf der anderen Seite haben wir Wissenschaftlerinnen und Wissenschaftler, die verstehen wollen, wodurch sich menschliche Leistungen und maschinelle Leistungen auszeichnen. Diesen Zwiespalt zwischen anwendungsorientierter Forschung und Grundlagenforschung spüre ich als jemand, der primär an Grundlagen forschen will, meist noch mehr als den Zwiespalt zwischen qualitativer und quantitativer Forschung, da meine Arbeiten zum computergestützten Sprachvergleich häufig von anwendungsorientierten Forscherinnen und Forschern evaluiert und harsch kritisiert werden.

Während ich noch überlegte, wie ich diesen Punkt in zwei Sätzen als Fazit meiner Diskussion unterbringen sollte, fiel mir plötzlich Douglas Adams’ 42 ein (Adams 1979). 42 ist die berühmte Antwort aus dem Roman Per Anhalter durch die Galaxis, die von einem Supercomputer innerhalb von 7,5 Millionen Jahren errechnet wurde, der nach der Antwort auf die Frage aller Fragen gefragt worden war. Da die Frage aller Fragen jedoch selbst viel zu schwammig gestellt worden war, konnte niemand etwas mit der Antwort anfangen, und man erwog deshalb, einen weiteren Supercomputer zu bauen, der die Frage auf die Antwort finden sollte.

In Bezug auf das Spannungsfeld von Anwendung und Erkenntnis, könnte man sagen, dass die anwendungsorientierte Forschung sich mit der 42 zufrieden geben würde, während die wissenschaftsorientierte Forschung auf der Suche nach der Frage beharren würde. Damit waren meine Schlusspunkte für die Diskussion gefunden, und ich schraffierte eine große 4 und eine große 2 in mein Notizbuch und hielt es in die Höhe, während ich zu meinem Fazit ansetzte.

Erst später wurde mir klar, dass dieser Vergleich mit Douglas Adams’ 42 vielleicht doch weit weniger treffend war, als ich ursprünglich gedacht hatte. Denn eigentlich geht es der anwendungsbezogenen Forschung ja eben nicht darum, die Antwort auf eine Frage zu kennen, sondern darum, eine Möglichkeit zu haben, rasch sehr viele Lösungen für Probleme zu finden, ohne Anspruch auf das Wissen um die Lösungswege zu erheben. Wenn man also einen Supercomputer hätte, der alle Fragen beantwortet, dann würde die Wissenschaft fordern, dass der Computer bitte auch die Lösungswege ausspuckt.

Ich habe jedoch beschlossen, mir die schiefe Analogie zu verzeihen. Mein Hauptanliegen war es ja, auf die Trennung zwischen Anwendungs- und Erkenntnisinteresse hinzuweisen. Hierfür hatte mir die 42 von Douglas Adams eine schöne Eselsbrücke geliefert, wodurch ich mein Schlussstatement tatsächlich kurzhalten konnte. Wenn ich noch mal in eine ähnliche Situation kommen sollte, würde ich allerdings versuchen, eine andere Analogie zu finden.

Literatur

Adams, Douglas (1979): The hitch hiker’s guide to the galaxy. Pan Books: London.

List, Johann-Mattis and Forkel, Robert and Greenhill, Simon J. and Rzymski, Christoph and Englisch, Johannes and Gray, Russell D. (2022): Lexibank, A public repository of standardized wordlists with computed phonological and lexical features. Scientific Data 9.316. 1-31.

Was Wissen schafft, wird festgestellt: Gedanken zur offenen Forschung

Schreibe eine Antwort

Schon viele Krisen haben die wissenschaftliche Forschung im Laufe ihrer Geschichte ergriffen. Mussten frühe Forscherpersönlichkeiten sich noch gegen religiöse Doktrinen durchsetzen, so haben seit Mitte der neunziger Jahre des letzten Jahrtausends insbesondere die Geisteswissenschaften darunter zu leiden, ihre gesellschaftliche Relevanz legitimieren zu müssen. Während dieser Trend sich in den letzten Jahren auch auf andere Wissenschaftsbereiche weiter ausgedehnt hat, kämpfen vor allem die Psychologie und Medizin seit längerer Zeit mit der Replikationskrise, welche nicht nur die bisherige Forschungspraxis, sondern auch viele bisher als gesichert geglaubte Ergebnisse in Frage stellt.

Als Antwort auf die Replikationskrise, welche sich vor allem darin gezeigt hat, dass ein erschreckend großer Antweil von Studien, die in der Psychologie in den letzten Jahrzehnten veröffentlich wurden, Ergebnisse lieferte, die sich bei weiteren Studien nicht bestätigen ließen, wird häufig die offene Wissenschaft genannt. Diese Bewegung setzt sich für die freie Verfügbarkeit jedweder wissenschaftlicher Forschung ein, wobei sie sich auf sechs grundlegende Säulen der freien Verfügbarkeit stützt: die Verfügbarkeit pädagogischer Resourcen (Open Educational Resources), die Verfügbarkeit von Studien (Open Access), die Verfügbarkeit von Gutachten (Open Peer Review), die Verfügbarkeit der Methodologie (Open Methodology), sowie die Verfügbarkeit von Quellcode (Open Source) und Daten (Open Data).

Open Research wird nach wie vor relativ wenig in den Geisteswissenschaften diskutiert. Man redet über Open Access, vielleicht ärgert man sich über hohe Gebühren für Autoren und wünscht sich mehr Open-Access-Platin-Zeitschriften, die für Autoren- und Leserschaft kostenlos sind, aber Fragen zu offener Begutachtung, offenen Daten, offener Methodologie oder offenen pädagogischen Resourcen werden selten explizit diskutiert.

Ich denke jedoch, dass die Fragen der freien Verfügbarkeit von Forschung nicht nur für die Natur- und Lebenswissenschaften von großer Bedeutung sind, sondern für wissenschaftliche Praxis im Allgemeinen. Gerade jetzt, wo im Zuge der Pandemie wieder verstärkt darüber diskutiert wird, was Wissenschaft eigentlich ist, oder sein soll, und worin genau die wissenschaftliche Methode besteht oder bestehen sollte, scheint es immer wichtiger zu werden, dass wir uns klar machen, was Wissenschaft insbesondere auch für uns als Geisteswissenschaftler bedeutet, und wie wir dafür sorgen können, dass unsere” Forschung frei zugänglich ist. Denn wenn es tatsächlich eine Vision von Wissenschaft gibt, die Grundlage für jede Forschung sein sollte, dann ist es meiner Meinung nach die offene Forschung, welche für alle Wissenschaftsfelder gleich gelten sollte.

Ein guter Ausgangspunkt für eine Darlegung dessen, was offene Forschung ausmachen sollte, ist die Frage von Daten-FAIRness, wie sie erstmals von Wilkinson et al. (2016) genauer dargelegt wurde. Die Grundidee von FAIRen Daten ist dabei, dass Daten, die in der Forschung verwendet werden, findable (auffindbar), accessible (zugänglich), interoperable (integrierbar) und reproducible (reproduzierbar) sein sollten. Was Wilkinson et al. fordern, sollte aber nicht nur für Daten gelten, sondern auch für Quellcode, für Forschungsartikel, und entsprechend auch für Lehrresourcen, Methoden, und in gewissem Maße auch für Gutachten, also für alle sechs Säulen der offenen Wissenschaft.

Während die Idee von FAIRness von Forschung jedoch in den Natur- und Lebenswissenschaften relativ eindeutig überprüft werden kann, stellen uns die Geisteswissenschaften mal wieder vor Probleme, wobei dies weniger die Auffindbarkeit und die physische Zugänglichkeit von geisteswissenschaftlichen Werken betrifft, als vielmehr deren Integrierbarkeit und Reproduzierbarkeit. Mann kann sich fragen, ob es überhaupt möglich ist, in den Geisteswissenschaften etwas zu reproduzieren, oder ob dies ernsthaft Sinn machen würde.

Es scheint daher wichtig sein, klarer zu definieren, was offene Forschung in der Geisteswissenschaft bedeutet. Wenn wir uns die vier Grundpunkte der FAIRness von Wilkinson et al. anschauen, so ist es zunächst wichtig, diese Punkte weiter zu differenzieren. Während die Auffindbarkeit (findability) unproblematisch ist, sollte man Zugänglichkeit (accessibility) weiter unterteilen in freie Verfügbarkeit und inhaltliche Nachvollziehbarkeit. Dass Artikel idealerweise in digitaler Form frei verfügbar sein sollten, ist in diesem Zusammenhang trivial. Dass Forschung allerdings inhaltlich bemüht sein sollte, nachvollziehbar zu sein, ist eine Maxime, die leider sehr oft vergessen wird.

Dabei denke ich nicht nur an den typisch deutschen Sprachstil, der Schachtelsätze mit eigenwilligen Metaphern so verschränkt, dass man das Werk, das man vor sich hat, am liebsten an die Wand schmeißen würde. Ich denke auch an eine übertriebene Verwendung von Abkürzungen, welche suggeriert, die Arbeit behandle Standardwissen, das jedem Menschen bekannt sein müsse. Noch schlimmer sind in diesem Zusammenhang die Fälle, in denen der Name einer Person anstelle ihrer konkreten Theorie genannt wird, ohne dies mit Literaturangaben zu untermauern. Wenn ich lese, dass jemand irgendetwas ganz “im Sinne Bourdieus” sieht, dann möchte ich wissen, auf welches Werk Bourdieus sich das bezieht und was der dort gesagt hat, denn in den wenigsten Fällen hat eine Person nur eine Theorie aufgestellt, und in noch weniger Fällen kann man davon ausgehen, dass die Theorie wissenschaftlich so kanonisch geworden ist, dass man sie unzitiert erwähnen kann. Geisteswissenschaftler tun sich immer schwer mit der Kanonisierung ihrer Forschungsbereiche, und sie tun gut daran, Kanonisierung skeptisch zu betrachten. Umso komischer finde ich es, wenn Forschungsunterfelder entstehen, in denen sich Menschen nur noch Abkürzungen und Personennamen an den Kopf werfen und so tun, als seien diese so eindeutig wie das kleine Einmaleins.

Auch die Frage nach der Integrierbarkeit von Forschung ist wichtig für geisteswissenschaftliche Arbeiten. Natürlich sollte Forschung frei sein, und man sollte die Freiheit haben, das zu erforschen, wonach einem der Sinn steht, aber es ist auch klar, dass Forschung dann am besten legitimiert werden kann (und die Geisteswissenschaften stehen unter einem permanenten Legitimierungsdruck), wenn man zeigen kann, dass die Forschung, die man betreibt, in andere Forschungsarbeiten integrierbar ist, am besten sogar interdisziplinär, über das Ursprungsfach hinaus. Leider findet man nur zu häufig die gegenteilige Situation vor: Forschung in den Geisteswissenschaften ist so spezifisch orientiert, dass sie eigentlich nur die Person interessiert, die sie betreibt, und sich nicht mal mit anderen Arbeiten im gleichen Fachgebiet integrieren lässt.

Reproduzierbarkeit, schließlich, mag in Bezug auf die Geisteswissenschaften generell als skeptisch angesehen werden, jedoch nur, wenn man an die strenge Idee der Reproduzierbarkeit bestimmter Experimente oder Studien denkt. Denn Reproduzierbarkeit kann man im Sinne einer allgemeinen offenen Forschung weiter unterteilen in Überprüfbarkeit und Wiederholbarkeit, wobei die Überprüfbarkeit zum wichtigsten Aspekt von freier Forschung in den Geisteswissenschaften gehört. Als Paradebeispiel für Überprüfbarkeit in den Geisteswissenschaften ist vor allem das Zitieren zu nennen. Zitieren dient ja einerseits, die Quellen des Wissens, welches man zusammengetregen hat, transparent aufzulisten, während es andererseits auch unabdingbar für die Überprüfung von Analysen ist.

Um die Überprüfbarkeit zu gewährleisten, muss die Sekundärliteratur in ihrer Vollständigkeit aufgelistet werden. Die gängige Praxis, ein Einführungswerk zu lesen, aus diesem Literatur herauszupicken, und diese Literatur dann zu zitieren, als hätte man die Artikel selbst nach längerem Suchen gefunden, verstößt zum Beispiel direkt gegen das Prinzip der Überprüfbarkeit, weil diejenigen, die eine derartige Arbeit lesen, nicht vollständig nachvollziehen können, wie die Arbeit zustandegekommen ist. Offene Forschung fordert im Idealfall absolute Transparenz in Bezug auf die Quellen unseres Wissens. Leider ist diese Transparenz in der wissenschaftlichen Praxis selten zu erreichen. Wer wird schon angeben, welche Suchmaschinenanfragen getätigt wurden, um zu schauen, ob Wikipedia einige erste Anhaltspunkte liefert? Wie oft verweigern Journals aufgrund ihrer teilweise idiotischen Zitierrichtlinien Zitaten die Angaben der Seitenzahlen beizufügen? Was würde passieren, wenn man neben jedes Werk, das man zitiert, schreibt, ob man dieses zum Zeitpunkt des Schreibens komplett vorliegen hatte, oder ob die Einsicht beschränkt war, zum Beispiel, weil man sich nur kurz die erlaubten Seiten bei Google-Books angeschaut hat?

Nur wenn wir die Überprüfbarkeit gewährleisten, oder zumindest anstreben, ist es möglich, qualitative Arbeiten auch auf ihre Wiederholbarkeit hin zu überprüfen. Dass dies nicht schematisch geschehen kann, ist klar. Es ist jedoch zumindest annähernd möglich, aufgrund der genauen Überprüfung einer geisteswissenschaftlichen Arbeit zu schauen, ob man zu den gleichen Ansichten kommt, die in der Studie vertreten werden. Je größer dabei der Forschungskreis von Personen wird, welche die Schlussfolgerungen dabei teilen und nicht ablehnen oder modifizieren, desto mehr kann man sagen, dass die Studie eine Art von Wiederholbarkeitstest bestanden hat.

Natürlich wäre die Überprüfung der FAIRness geisteswissenschaftlicher Forschung schwer zu operationalisieren, und natürlich gäbe es — wie nahezu in allen Bereichen der Wissenschaft — die Möglichkeit der Manipulation, sei es durch Rhetorik oder andere Mittel. Aber wenn uns ernsthaft daran gelegen ist, die Bedeutung von Wissenschaft im Allgemeinen für unsere Gesellschaften selbstbewusst zu vertreten, dann gibt es für mich nur die Möglichkeit, dies im Rahmen einer freien Forschung zu tun. Um die Grundlagen dieser freien Forschung jedoch zu festigen, müssen auch die Geisteswissenschaften endlich anfangen, sich in methodologische Diskussionen zur “wissenschaftlichen Methode” einzumischen und Maximen ihrer Forschungspraxis sowohl innerhalb der einzelnen geisteswissenschaftlichen Fächer als auch über die Grenzen der Geisteswissenschaft hinaus selbstbewusst zu vertreten.

Literatur

  • Wilkinson, Mark D. and Dumontier, Michel and Aalbersberg, Ilsbrand J. and Appleton, Gabrielle and Axton, Myles and Baak, Arie and Blomberg, Niklas and Boiten, Jan-Willem and da Silva Santos, Luiz B. and Bourne, Philip E. and others (2016): The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data 3. 1-9. DOI: 10.1038/sdata.2016.18

Überzeugungsarbeit

Schreibe eine Antwort

Es ist immer wieder interessant zu sehen, was passiert, wenn man Geisteswissenschaft betreibende mit quantitativen, scheinbar harten, Argumenten konfrontiert. Während Forscher mit quantitativem Training oftmals schnell klein beigeben, wenn man ihnen Signifkanzwerte unter 0.05 präsentiert, sind die Geisteswissenschaftler, die sich jeder Quantifizierung widersetzen, und gern betonen, dass die Arbeit, die sie leisten, unmöglich von Computerprogrammen geleistet werden könnte, erstaunlich resistent gegenüber Fakten, die auf Zahlen basieren.

Ich habe das bei mir selbst beobachtet. Wenn ich überzeugt bin, aus welchem Grund auch immer, dass eine Analyse falsch ist, zum Beispiel weil mir die Grundannahmen zu banal vorkommen, dann ist es egal, welche Zahlen man mir präsentiert: ich werde sie solange abstreiten, bis ich den Grund gefunden habe, warum die Zahlen so gut aussehen. Eine meiner ersten Begegnungen mit Kolleginnen und Kollegen aus der Biologie verlief genau in diese Richtung: man präsentierte uns eine Methode, die scheinbar in der Lage war, Entlehungen in verschiedenen Sprachen mit sehr großer Genauigkeit zu entdecken, und belegte diese mit Signifikanzwerden, die in diesem Fall über 0.05 liegen mussten, da man eine Verteilung von Zahlen suchte, die gerade nicht signifikant unterschiedlich war. Ich hatte unheimlich viele Vorbehalte gegenüber der Methode, vor allem auch deshalb, weil — wie es in der Biologie oftmals üblich ist — keine direkten Evaluierungen vorgenommen wurden, um zu schauen, ob und wie viele bekannten Entlehnungen in den Daten nun wirklich festgestellt werden konnten. Der Signifikanzwert war mir vollkommen egal. Ich sollte ohnehin erst später verstehen, worauf der überhaupt basierte.

Nachdem ich später meine algorithmischen Kenntnisse erweitern konnte, und irgendwann in der Lage war, die Methode selbst neu zu programmieren, merkte ich schließlich, was eigentlich das Problem gewesen war: die Methode, die wir zur Entdeckung von Entlehungen verwendet hatten, hat keine hohe Präzision, sie schießt also oft daneben, sie hat aber dafür einen hohen Recall, das heißt, sie kann fast alle Entlehnungen in den Daten finden, die dort auftauchen (siehe List 2019 für eine Diskussion verschiedener Methoden zur automatischen Entdeckung von Entlehnungen). Das Problem ist nur, wie wir schon bei der Diskussion von den Grundlinien gesehen haben, dass eine solche Methode generell mit Vorsicht zu genießen ist. Wenn man als Polizeikommissar jeden Verdächtigen verhaftet, der einem über den Weg läuft, findet man sicher viele Mörder. Man wird aber auch viele Unschuldige verhaften, was man natürlich vermeiden will.

Als ich das erste Mal mit den Zahlen und Ergebnissen der Entlehnungsentdeckungsmethode konfrontiert wurde, konnte ich in keiner Weise beurteilen, wie gut oder wie schlecht diese eigentlich funktioniert. Ich konnte ja nicht einmal sehen, welche Ergebnisse die Methode denn liefert, weil die Ergebnisse lediglich in Zahlen und Visualisierungen bestanden, die auf viele Kolleginnen und Kollegen (vor allem diejenigen, die selbst quantitative arbeiten) einen sehr großen Eindruck machten. Ich konnte nur intuitiv sagen, dass irgendetwas mit dem Ansatz nicht stimmte, und dieses Unbehagen, dass ich spürte war sicherlich auch der Grund, warum ich die Methode später nachimplementierte und weiter erforschte, bis ich, vor nicht allzu langer Zeit, enttäuscht feststellen musste, dass der Ansatz im Grunde genommen wirklich nur mit großer Vorsicht zu verwenden ist.

Ich glaube, dass es vielen Geisteswissenschaftlerinnen und -wissenschaftlern so geht, wenn man ihnen die Ergebnisse quantitativer Methoden vorsetzt. Egal, wie überzeugend die Zahlen aussehen mögen: mit Zahlen allein kann man diejenigen, die Geisteswissenschaften mit Herz und Seele betreiben, selten überzeugen, vor allem nicht mit Experimenten, die auf Wahrscheinlichkeitsberechnungen beruhen. Dies konnte man vor einiger Zeit wieder gut sehen, als Kassian et al. (2015) einen probabilistischen Test präsentierten, in dem sie nachzuweisen versuchten, dass es sehr wahrscheinlich ist, dass die uralischen und die indogermanischen Sprachen urverwandt sind. In diesem Test werteten die Forscher Listen von rekonstruierten Formen für beide Sprachen aus, und zählten, wie viele ähnliche Wörter man in beiden Listen finden kann, und wie viele man zu finden erwarten würde, wenn beide Sprachen nicht verwandt sind.

Diese Art von Test selbst ist nicht neu und beruht auf einem sogenannten Permutationsverfahren. Zunächst schaut man sich die “attestierten Daten” an, also die Listen mit Wörtern (sortiert nach Bedeutung), wie man sie in beiden Sprachen vorfindet. Dann erzeugt man Zufallsverteilung, indem man eine der Listen immer wieder mischt, also am Ende, wenn man die Listen miteinander vergleicht, eben nicht mehr Wörter mit der gleichen Bedeutung, sondern mit verschiedenen Bedeutungen vergleicht, also Äpfel mit Birnen, Hände mit Füßen, Fische mit Fahrrädern. Die Grundannahme ist nun: wenn man im Durchschnitt sehr viel weniger ähnliche Wörter in den zufällig erstellten Listen findet, als in den attestierten Daten, dann ist das ein Hinweis auf eine hohe Wahrscheinlichkeit von Verwandtschaft (siehe vor allem Kessler 2001).

Tatsächlich scheint diese Analyse nun die Annahme, dass die uralischen (also bspw. Finnisch und Ungarisch) mit den indogermanischen Sprachen (bspw. Hindi, English, und Französisch) verwandt seien, zu bestätigen. Sieben ähnliche Wörter konnten in einer Liste von 50 Wortpaaren zwischen den beiden Sprachfamilien gefunden werden, während in den permutierten Listen nur zwischen einem und vier Treffern gefunden werden konnten, und es also extrem unwahrscheinlich ist, in unverwandten Sprachen sieben Treffer zu landen (vgl. Starostin 2018). Die schiere Unwahrscheinlichkeit, die so beeindruckend in Zahlen ausgedrückt werden kann, konnte die Fachwelt bisher jedoch noch nicht überzeugen. Nach wie vor gilt die indo-uralische Hypothese als spekulativ und nicht gesichert, und es wurde auch überraschend wenig über den Artikel diskutiert.

Um zu verstehen, aus welchen Gründen die Kollegen die Befunde ablehnen, genügt es, sich Kommentare zum Artikel von Kassian et al. in der gleichen Ausgabe der Zeitschrift anzuschauen. Hier finden wir nicht nur Kritik an den verwendeten Transkriptionen oder Kritik an der geringen Anzahl von Wortpaaren, die vergleichen wurden, sondern auch Hinweise auf alternative Erklärungen für die Treffer, wie frühen Kontakt der Sprachfamilien, oder puren Zufall. Man könnte sich fast an Kuhns (1962) Struktur wissenschaftlicher Revolutionen erinnert fühlen, wenn man sieht, mit welcher Hartnäckigkeit neue Hypothesen zur Sprachverwandtschaft in unserer Disziplin abgelehnt werden. Bevor wir unsere konservative Ansicht, dass es keine tieferen Verwandtschaften als Indogermanisch und Uralisch geben kann, aufgeben, werden wir mit aller Macht versuchen, alle möglichen Hinweise im Rahmen unseres derzeitigen Paradigmas zu deuten.

Diese Interpretation der Situation in der historischen Linguistik wäre allerdings irreführend. Obwohl es eine große Skepsis gegenüber neuen Verwandtschaftstheorien gibt, ist diese nicht der einzige Grund, warum das Experiment von Kassian und Kollegen nicht überzeugt. Der Hauptgrund für die mangelnde Überzeugungskraft liegt meiner Meinung nach vor allem im Experiment an sich und in der Vielzahl von Unsicherheiten, die dieses Begleiten. Zum Beispiel wurden keine modernen Sprachen verglichen, sondern rekonstruierte Versionen von Uralisch und Indogermanisch. Allein hier gibt es eine Unzahl an Entscheidungen, die getroffen wurden, und zu hitzigen Diskussionen unter Expertinnen und Experten führen, wenn man jede einzelne durchexerzieren würde. Das intuitive Argument der Zahlenskeptiker ist, dass es zu viele Unwägbarkeiten gibt, die in die Produktion der Daten eingegangen sind, als dass man von einem neutralen Experiment sprechen könnte.

Desweiteren wurden nur zwei Sprachen verglichen, wobei es bis zu 300 größere Sprachfamilien gibt, gegen die man die Methode ebenfalls vergleichen könnte und vielleicht sogar müsste, um die Frage, was denn nun eigentlich zufällig zu erwarten ist, und was man bekommt, ernsthaft beantworten zu können. Dass frühe Entlehnung zu großen Ähnlichkeiten führen kann, ist ein schwerwiegendes Argument, das man jedoch gut vergleichen könnte, indem man andere Sprachfamilien ebenfalls untersucht. Auch die Möglichkeit von Zufallstreffern, von der man allgemein annimmt, dass sie durch das Permutationsverfahren gut modelliert wird, sollte man nicht unterschätzen. Es gibt schließlich Hinweise, dass es Tendenzen in allen Sprachen der Welt gibt, bestimmte Laute für bestimmte Konzepte zu verwenden (Blasi et al. 2016). Wieder wäre es einfach, durch die Einbeziehung von mehr Sprachfamilien empirisch zu testen, wie viel Ähnlichkeit man erwarten könnte, die vom Permutationstest schlicht und einfach nicht abgedeckt werden kann.

Mich selbst nervt die Zahlenskepsis von klassischen Linguistinnen und Linguisten zuweilen selbst stark, vor allem, wenn sie sich in einer stark herablassenden Haltung gegenüber denjenigen äußert, die sich bemühen, unsere Wissenschaft wissenschaftlicher, transparenter, und eben auch ein Stück quantitativer zu machen. In vielen Fällen bin ich jedoch auch sehr froh, dass wir nach wie vor über eine so selbstbewusste Forschungsgemeinschaft verfügen, die sich nicht blind mit Zahlen ruhigstellen lässt, sondern stattdessen versucht, der Evidenz in ihrer Ganzheit gerecht zu werden, und Modellierungen kritisch zu hinterfragen.

Schade ist dabei jedoch, dass möglicherweise interessante, neue Theorien oftmals direkt zurückgewiesen werden, ohne ihnen eine Chance zu geben, sich zu bewähren. Die Zurückhaltung in Bezug auf Theorien zu tieferer Sprachverwandtschaft, die viele historische Linguisten teilen, stellt hier zum Teil wirklich ein Forschungsparadigma da, das hoffentlich irgendwann abgelöst und durch ein flexibleres Paradigma ersetzt wird, das unterschiedliche Stufen der Validität von Verwandtschaftshypothesen zulässt. Wenn man so weit zurück in die Vergangenheit geht, wie man das tun müsste, um die Verwandtschaft des Indogermanischen mit dem Uralischen zu postulieren, dann braucht man keine absolute Sicherheit, kein binäres “verwandt-oder-nicht-verwandt”, wie wir das für die kleineren Sprachfamilien kennen. Vielleicht genügt dann auch einfach ein “relativ wahrscheinlich”, oder ein “möglich”, je nachdem, wie viele Studien nun eigentlich die eine oder die andere Theorie stützen. Denn auch wenn es Vorbehalte gegenüber der Studie von Kassian und Kollegen geben mag, so wäre es doch interessant, sie weiter zu verfolgen, und zu schauen, ob sich mehr Hinweise finden lassen. Selbst wenn sich nicht mehr Hinweise finden lasse, es sich aber zeigen sollte, dass wir viel mehr mögliche Treffer zwischen Uralisch und Indogermanisch finden können, als zwischen Indogermanisch und Uralisch mit jeweils anderen Sprachfamilien, wäre das eine Erkenntnis, die es wert wäre, dokumentiert und ohne Vorbehalte diskutiert zu werden.

Das Unterscheiden von Fakten in Bezug auf ihren jeweiligen Erkenntnisstatus wäre ohnehin eine gute Idee, auch für die Wissenschaft im Allgemeinen. Vielleicht könnte das auf Dauer auch die Konflikte, die um Fake-News, alternative Fakten, und vermeintliche wissenschaftliche Erkenntnisse entbrennen, eindämmen helfen. Denn auch hier wird derzeit meist binär geurteilt, obwohl oftmals eine viel differenziertere Analyse vonnöten wäre. Denn nicht alle Erkenntnisse, die die Wissenschaft liefert, sind gleichermaßen gut gesichert, weshalb es wichtig wäre, nicht nur eine bestimmte Erkenntnis als “wissenschaftlich gesicherten Fakt” zu bezeichnen, sondern immer auch hinzuzufügen, wie sicher sich die Wissenschaftlerinnen und Wissenschaftler selbst sind.

Literatur

  • Damián E. Blasi and Wichmann, Søren and Hammarström, Harald and Stadler, Peter and Christiansen, Morten H. (2016): Sound–meaning association biases evidenced across thousands of languages. Proceedings of the National Academy of Science of the United States of America 113.39. 10818-10823.
  • Kassian, Alexei and Zhivlov, Mikhail and Starostin, George S. (2015): Proto-Indo-European-Uralic comparison from the probabilistic point of view. The Journal of Indo-European Studies 43.3-4. 301-347.
  • Kessler, Brett (2001): The significance of word lists. Statistical tests for investigating historical connections between languages. Stanford:CSLI Publications.
  • Thomas S. Kuhn (1996): The structure of scientific revolutions. Chicago:University of Chicago Press.
  • List, Johann-Mattis (2019): Automated methods for the investigation of language contact situations, with a focus on lexical borrowing. Language and Linguistics Compass 13.e12355. 1-16.
  • Starostin, George S. (2018): Typological expectations and historic reality: Once again on the issue of lexical cognates between Indo-European and Uralic. In: : Farnah. Indo-Iranian and Indo-European studies in honor of Sasha Lubotsky. Ann Arbor and New York:Beech Stave Press. 327-334.