Schlagwort-Archive: wissenschaftliche Praxis

Von Beutegreiferverlagen und Papierfabriken

2 Antworten

Ich bekomme fast jede Woche mindestens eine Email, die mit “Dear Sir/Madam, Greetings of the day” beginnt und dann von mir ohne sie weiter anzusehen sofort gelöscht wird. Ich habe schon überlegt, ob ich nicht einen automatischen Filter einrichten sollte, aber leider gibt es immer noch einige Kolleginnen und Kollegen, die ihre Emails mit “Greetings” beginnen, und deren Emails ich nicht gerne löschen würde. Daher mache ich das nach wie vor händisch.

Abbildung 1: Greetings! Ein Screenshot einer typischen Email, die ich am Tag des Verfassens des Beitrags erhalten habe.

Ich lösche die Emails, weil es dabei fast immer um dubiose Publikationsangebote geht. Da meine Artikel online erscheinen, sind meine Kontaktdaten automatisch abgreifbar und daher willkommene Beute für die sogenannten predatory journals, die keine wirklichen wissenschaftlichen Ziele verfolgen, sondern stattdessen auf naive Menschen in der Wissenschaft hoffen, die einen Artikel ohne großen Aufwand publizieren wollen, und bereit sind (oder in der Lage), dafür zu bezahlen.

Die Emails folgen meist demselben Muster. Da heißt es, das renommierte International Journal of Cultural and Philological Linguistics wolle gerne seine dritte Ausgabe für das laufende Jahr publizieren, es fehle aber leider ledigclich ein toller Artikel. Da man selbst ja den Artikel XYZ im Jahr davor im Journal ABC publiziert habe, wäre es doch toll, wenn man einen Artikel, der so ähnlich ist, jetzt noch mal schreibt und einreicht. Der Artikel wird dann ohne große Probleme angenommen und kostet lediglich schlappe 100 Euro, um ihn zu publizieren, was ein Schnäppchen im Vergleich mit anderen Verlagen ist, die schon mal 2000 Euro für Open Access fordern und nicht jeden Artikel annehmen.

Wenn man neu in der Branche ist, ist es schwer, den Unterschied zwischen den Journals zu erkennen. Was ist so schlimm am fiktiven International Journal of Cultural and Philological Linguistics? Warum ist es anders als das Journal of Language Contact oder das Journal Language Variation and Change? Die Bewertung von Journals geschieht ausschließlich über den Kollegenkreis und ist sehr stark abhängig vom Fach. Während das Journal PLOS ONE von der Biologie geschmäht wird, ist es in Linguistikkreisen sehr beliebt, auch wenn bekannt ist, dass es sehr wenig Qualitätskontrolle gibt. Zu PLOS schickt man in der Linguistik diejenigen Artikel, von denen man sich wünscht, dass sie mehr Menschen lesen, ohne dass man den großen Aufwand gehen möchte, sie in ein langwieriges Reviewverfahren zu schicken, an dessen Ende sie vielleicht sogar abgelehnt werden. Das Journal ist also okay, auch wenn es für die Biologie als Predatorypublisher gelten kann.

Es ist also oft gar nicht so leicht zu erkennen, ob ein Journal seriös ist oder nicht. Das wird auch dadurch erschwert, dass die “normalen” Journals sich oft gar nicht so anders verhalten. So verschicken Verlage wie Frontiers und MDPI sehr aggressive automatische Emails, vor allem wenn es darum geht, Menschen dafür zu gewinnen, kostenlos als Editor zu fungieren, die dann andere Autorinnen und Autoren dazu bringen, Geld für Artikel zu bezahlen, weil die Publikation in diesen Journals natürlich nicht kostenlos ist. Um die Verantwortlichen dazu zu bringen, diese automatische Kommunikation abzustellen, muss man schon sehr direkte Emails schreiben, was einem irgendwann dann auch keinen Spaß mehr macht, weshalb man sie dann auch einfach anfängt, zu löschen. Auch wenn diskutiert wird, ob Frontiers und MDPI jetzt Predators sind oder nicht, so denke ich, dass sie sich auf jeden Fall (Stand Juni 2021) in der Grauzone bewegen und nicht dazu beitragen, dass unsere Wissenschaft besser wird.

Ein hundert Prozent eindeutiges Urteil über Beutegreiferzeitschriften und -verlage zu machen mag also zuweilen schwer fallen. Es gibt jedoch neben der Faustregel, nie auf Emails zu antworten, die mit Greetings of the day beginnen, noch ein ganz klares Ausschlusskriterium: Wenn die Email versucht, die Spamfilter zu umgehen, dann ist das absolut unseriös. So hat das Science Research Journal mir zum Beispiel folgende Email geschrieben:

Science Reseαrϲհ is a peer-reᴠіeᴡed aϲaԀemіϲ jоᴜrnαl, which provides a solid platform for rеsеarϲһers, ѕсhоlars and those who take a great interest in emerging trends and іѕѕսes in science rеsеarϲһ to spread ideas.

Diese Email mag auf den ersten Blick unproblematisch erscheinen, vor allem, wenn man nicht sensibilisiert ist für die Verwendung von sogenannten Unicode-Confusables, aber wenn man genauer hinschaut, sieht man, dass bestimmte Buchstaben komisch aussehen. Das tun sie nicht, weil ich eine komische Schriftart verwendet habe, sondern weil hier systematisch einige Buchstaben mit Buchstaben aus anderen Alphabeten ersetzt wurden, die allerdings so ähnlich aussehen wie die Buchstaben aus dem lateinischen Alphabet.

So wird zum Beispiel das griechische Alpha «α» anstelle des «a» verwendet. Anstelle des «d» verwendet der Text «Ԁ», der anscheinend nur im Molodtsov Alphabet verwendet wird. Das «ᴡ» ist lateinisch, aber es handelt sich um ein Kapitälchen, was einen anderen Codepunkt hat, als das normale «w». Und auch das «һ» in research ist kein richtiges «h», sondern den kyrillischen Buchstaben Shha, der unter anderem im Kurdischen verwendet wird.

Während es auch in linguistischen Arbeiten immer wieder vorkommt, dass sich Menschen mit Zeichenkodes vertun (vgl. Anderson et al. 2018), sind diese Ersetzungen mutwillig gemacht worden um Spamdetektoren zu täuschen. Das Pseudojournal “Science Reseαrch” ist dabei nicht das einzige, welches derartige Emails versendet.

Predatory Journals ziehen Forscherinnen und Forschern, die es wahrscheinlich seriös meinen mit der Forschung, das Geld aus der Tasche, indem sie ihnen eine schnelle Publikation anbieten und mit vermeintlichem Prestige und geringem Arbeitsaufwand locken. Das Geld zahlen die Menschen in reichen Ländern so gut wie nie selbst, da es ja meist Fördertöpfe für Open-Access-Publikationen gibt. Es werden also lediglich öffentliche Gelder verwendet.

Das Gegenstück zu den Beutegreifern sind die Paper Mills (wörtl. also Papiermühlen), wie sie im Englischen genannt werden. Hierbei handelt es sich um gut organisierte Ghostwriterorganisationen, die Forscherinnen und Forschern, die es nicht so ernst mit der Forschung meinen, anbieten, sie in gute Journals zu bringen, ohne dass diese viel tun müssten (Else und Van Noorden 2021). Erst allmählich stellt sich heraus, dass diese Fakeproduktion von wissenschaftlichen Artikeln eine Tragweite zu erreichen beginnt, welche seriöse wissenschaftliche Forschung ernsthaft gefährden kann (siehe ibid.).

Bei all den Problemen, die die wissenschaftliche Forschung mit Reproduzierbarkeit, guter wissenschaftlicher Praxis, Papiermühlen und Beutegreiferverlagen hat, ist es manchmal wirklich verwunderlich, dass sie dennoch Fortschritte macht. Vielleicht liegt das aber auch nur daran, dass lediglich ein kleiner Teil dessen, was in der Forschung produziert wird, sich am Ende auch konkret in der Praxis bewähren muss.

Literatur

Anderson, Cormac and Tresoldi, Tiago and Chacon, Thiago Costa and Fehn, Anne-Maria and Walworth, Mary and Forkel, Robert and List, Johann-Mattis (2018): A Cross-Linguistic Database of Phonetic Transcription Systems. Yearbook of the Poznań Linguistic Meeting 4.1. 21-53.

Holly Else and Van Noorden, Richard (2021): . Nature 591.12. 516-519.

Handarbeit im digitalen Zeitalter

Eine Antwort

In Zeiten, in denen man dreidimensionale Objekte in höchster Präzision am Computer ausdrucken kann, in denen Autos ohne Pilot durch unsere Straßen zu fahren lernen, und in denen wir nicht einmal mehr in der Lage sind, die Batterie in elektronischen Objekten auszutauschen, finde ich es immer wieder überraschend, wie sehr Menschen es schätzen, wenn etwas manuell für sie erstellt wurde. Brot schmeckt uns besser, wenn es in Handarbeit hergestellt wurde, Craft-Bier wird in immer mehr Kneipen ausgeschenkt, und Schmuck hängt man sich lieber um, wenn er manuell gefertigt wurde. Es ist, als trauten wir unseren eigenen Händen mehr über den Weg, als den Maschinen und Computern, wenn es um bestimmte Präzisionsarbeiten geht. Es gibt Dinge, die Maschinen nach wie vor nicht erschaffen können, und wir sind fast stolz, dass dies der Fall ist, nicht nur, weil wir die Macht der Maschinen kontinuierlich wachsen sehen, sondern auch weil wir der Massenproduktion zu misstrauen gelernt haben und daher das Individuelle und Hausgemachte wieder mehr schätzen.

Bei all dem Boom um Hand- und Hausgemachtes sollte man aber nicht vergessen, dass es viele Dinge gibt, bei denen die Präzision der Maschinen der unserer Hände inzwischen weit überlegen ist. Wer würde einem Verkäufer vertrauen, der die Preise für die Produkte, die wir kaufen, im Kopf ausrechnet anstatt mit einem Taschenrechner? Wer wollte, dass man ihm die Bretter im Baumarkt mit der Säge vom Schweizer Taschenmesser zusägt? Wer verlässt sich auf die innere Uhr, wenn es darum geht, Termine einzuhalten? Nichtsdestotrotz gibt es nach wie vor viele Bereiche, in denen wir den Menschen mehr zutrauen als den Maschinen. Im Instrumentenbau vertraut man nach wie vor auf die Hände der Meisterinnen und Meister. Der Spargel wird nach wie vor besser von Hand gestochen. Und wir lassen lieber chirurgische Hände an uns als Präzisionsroboter.

Das Menschen in den klassischen Bereichen der Handarbeit den Maschinen auf Dauer überlegen sein werden, ist jedoch keinesfalls immer klar. Selbst wenn der Instrumentenbau der höchsten Qualität vorwiegend manuell ausgeführt wird, bedienen sich die Meisterinnen und Meister von heute einer großen Zahl ausgeklügelter mechanischer Hilfsmittel, von denen Stradivari nur hätte träumen können. Obwohl Luke Skywalker den Autopilot nur dann verwendet, wenn er ein Nickerchen einlegen möchte, kann es gut sein, dass sogar die Piloten der Formel 1 bald chancenlos gegenüber autonom gesteuerten Autos sei werden. Und in der Chirurgie werden erste automatische Operationen derzeit bereits mit Erfolg getestet. Dennoch herrscht in vielen bisher primär manuell ausgeführten Tätigkeiten oft das Gefühl vor, dass menschliche Handarbeit jeglicher Automatisierung überlegen ist.

Auch in der Wissenschaft können wir diese Tendenz finden, den Wert menschlicher Arbeit gegenüber dem Wert maschineller Arbeit abzugrenzen. Deutlich zeigt sich das immer dann, wenn Wissenschaftszweige das Intuitive über das Formale stellen und betonen, dass bestimmte Berechnungen nur von Menschen ausgeführt werden könnten. Dies begegnet uns nicht nur in vielen primär geisteswissenschaftlich ausgerichteten Wissenschaftszweigen, sondern auch in den Zweigen, die eher der Naturwissenschaft zugerechnet werden. So betonte der berühmte Verhaltensforscher Konrad Lorenz, dass die Intuition von Forscherinnen und Forschern in der Klassifikation von Tieren formalen quantitativen Ansätzen grundsätzlich überlegen sei, da dort viel mehr Merkmale verarbeitet würden:

Der Systematiker beurteilt nämlich ein Lebewesen durchaus nicht nur nach jenen Merkmalen, die in seiner Tabelle aufgezeichnet sind, sondern nach einem Gesamteindruck, in dem geradezu unzählige Merkmale in solcher Weise eingewoben sind, dass sie zwar die unverwechselbare Eigenart des Eindruckes bestimmen, gleichzeitig aber in ihr aufgehen. Deshalb bedarf es einer ziemlich schwierigen analytischen Arbeit, um sie aus dieser Gesamtqualität, in der sie gesondert gar nicht mehr ohne weiteres bemerkbar sind, einzeln herauszuschälen. (Lorenz 1972: 38)

Selbst wenn die heutige Biologie ihre Klassifikationen nahezu ausschließlich auf Grundlagen von quantitativen automatischen Wegen ermittelt und die Idee, intuitiven Klassifikationen zu trauen, weitgehend verworfen hat, finden wir die Idee, dass das Individuelle dem formalen Verfahren grundsätzlich überlegen sei, in vielen Fällen immer noch vor. Ein Beispiel ist die Sequenzalinierung, bei der DNA- und Proteinsequenzen verschiedener Spezies und Individuen miteinander verglichen werden. Zwar wird auch hier generell automatisch gearbeitet, jedoch bessern viele Forscher nach wie vor manuell nach, vor allem wenn sie mit Datensätzen von überschaubarer Größe arbeiten, weil die Algorithmen viele Fehler machen, die erfahrene Forscher nach wie vor besser intuitiv erkennen können. Aufgrund der Unzulänglichkeit der Algorithmen und der starken Abhängigkeit von Forscherintuition gilt Sequenzalinierung in der Biologie trotz jahrzehntelanger Forschung nach wie vor eher als Kunst denn als Wissenschaft (Morrison 2015).

Auch in der Mathematik ist es üblich, das komplexe Beweise von Menschen überprüft werden, was mich schon immer verwundert hat, da es sich doch bei der Mathematik um eine formale Wissenschaft handelt, und wenn alles formal abläuft, frage ich mich, wie es sein kann, dass man einen Beweis, wenn er denn gefunden wurde, nicht auch formal mit Hilfe eines Computerprogramms überprüft. Das wäre viel praktischer als darauf zu warten, dass unzählige Mathematiker sich durch Beweise von 300 und mehr Seiten wühlen und nach Fehlern in der Argumentation suchen. Es scheint nun tatsächlich Versuche zu geben, Beweise in Zukunft komplett von Computern machen zu lassen, obwohl sich das anscheinend dann doch schwieriger darstellt, als man auf den ersten Blick meinen könnte (Hartnett 2016).

Auch in manchen Bereichen Linguistik hält sich hartnäckig der Gedanke, dass Handarbeit und menschliche Intuition formalen Verfahren überlegen seien. Viele Kolleginnen und Kollegen insistieren hartnäckig, dass die einzige Methode, Sprachen miteinander zu vergleichen, auf der traditionellen “komparativen Methode” beruht, welcher ein rein qualitativ-intuitiver Vergleich von Wortlisten und Wörterbüchern zugrunde liegt, dessen Arbeitsschritte von Linguistinnen und Linguisten — wenn überhaupt — nur in Prosa dokumentiert werden.

Angesichts der Vielzahl an anstrengenden Debatten über einzelne Wortgeschichten, die den linguistischen Diskurs beherrschen und zuweilen unangenehm in persönliche Kämpfeleien abdriften, in deren Verlauf sich Forscherinnen und Forscher von einer unangenehm menschlichen Seite zeigen, weigere ich mich, zu akzeptieren, dass der qualitative Wortlistenvergleich die einzige Lösung zur Erforschung von Sprachverwandtschaften ist. Wenn man zehn Linguistinnen oder Linguisten nach ihrer Meinung zur Geschichte individueller Wörter im Indogermanischen fragt und zwanzig verschiedene Antworten bekommt, dann zeigt dies ja auch, dass es der Intuition an einer wichtigen wissenschaftlichen Eigenschaft mangelt: der Reliabilität, die ein Gütekriterium dafür ist, dass Versuche sich wiederholen lassen und Menschen, die ein Verfahren unabhängig auf dieselben Daten anwenden zu ähnlichen Ergebnissen kommen (Statt 1998[1981]: 30).

In der historischen Linguistik gelangen wir langsam — sehr langsam — zu einem Punkt, wo die automatischen und formalen Verfahren, die wir in den letzten Jahren entwickelt haben, sich endlich auszuzahlen beginnen (vgl. List 2019). Die Erfolge sind meist klein und bestehen in einzelnen Fehlern, die ich dem einen Kollegen oder der einen Kollegin nachweisen kann. Je mehr die Menschen, die aktiv Sprachen vergleichen, sich jedoch auf unsere formalen Annotationspraktiken einlassen (vgl. List 2017, Schweikhard und List 2020), desto mehr werden wir alle davon profitieren, vor allen auch dann, wenn wir zu denen gehören, die Schwierigkeiten haben, eine starke Intuition zu entwickeln, mit der sie auf die Suche nach Wortgeschichten gehen.

Auch wenn wir in vielen Fällen mit der Überlegenheit menschlicher Intuition konfrontiert werden, sollten wir uns zumindest in der Wissenschaft nie blind mit ihr zufrieden geben. Schließlich wollen wir doch herausfinden, was passiert ist, und warum. Wir wollen den Sachen auf den Grund gehen, und dazu gehört es nun einmal auch, die Intuition zu erklären, selbst wenn es, wie Lorenz schon sagte, mitunter sehr lange dauern kann, bis wir die vielen Parameter, mit denen unsere Intuition arbeitet, aus dieser Gesamtqualität “herausgeschält” haben. Während ich Menschen verstehe, die hausgemachtes Brot gegenüber Massenbackware mit unklarer Herkunft vorziehen, kann ich Wissenschaftler daher nicht verstehen, wenn sie sich mit der Überlegenheit ihrer Intuition zufrieden geben.

Literaturangaben

  • Hartnett, Kevin (2016): Werden Computer das Wesen der Mathematik verändern? Spektrum der Wissenschaft 12. .
  • List, Johann-Mattis (2017): A web-based interactive tool for creating, inspecting, editing, and publishing etymological datasets. In: Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics. System Demonstrations. 9-12.
  • List, Johann-Mattis (2019): Automatic inference of sound correspondence patterns across multiple languages. Computational Linguistics 1.45. 137-161.
  • Lorenz, Konrad (1969): Psychologie und Stammesgeschichte. In: Lorenz, Konrad (ed.): Vom Weltbild des Verhaltensforschers. Drei Abhandlungen. München:DTV. 35-95.
  • Morrison, David (2015): Molecular homology and multiple-sequence alignment: an analysis of concepts and practice. Australian Systematic Botany 28. 46-62.
  • Schweikhard, Nathanael E. and List, Johann-Mattis (2020): Developing an annotation framework for word formation processes in comparative linguistics. SKASE Journal of Theoretical Linguistics 17.1. 2-26.
  • Statt, David A. : Concise Dictionary of Psychology, London, New York 1989 [1981].

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.