\textit{Versteasch du mi?} Computational and Socio-Linguistic Perspectives on GenAI, LLMs, and Non-Standard Language
Dieser interdisziplinäre Beitrag untersucht die Schnittstellen von Generativer KI und nicht-standardisierten Sprachvarietäten am Beispiel südtiroler Dialekte und Kurdisch, um sowohl technische Lösungen für deren Verarbeitung als auch deren Beitrag zu einer demokratischen und dekolonialen Digitalpolitik zu erörtern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Versteasch du mi? – Warum KI-Diener oft nur „Hochdeutsch" verstehen
Stell dir vor, du hast einen sehr intelligenten, aber etwas sturen Butler. Dieser Butler hat in seiner Jugend nur eine einzige Art von Sprache gelernt: die perfekte, glatte, standardisierte Sprache, wie sie in Schulbüchern und offiziellen Briefen steht. Er kennt keine Dialekte, keine Straßensprache und keine regionalen Besonderheiten.
Wenn du nun in deinem südtirolerischen Dialekt oder in einer bestimmten kurdischen Mundart mit ihm sprichst, passiert Folgendes:
- Er versteht dich nicht richtig: Er versucht, deine Worte in seine starre Sprache zu übersetzen, verliert dabei aber die Nuancen und den Charme deiner Rede.
- Es kostet dich mehr: Für ihn ist jede deiner Wörter wie ein riesiger Koffer, den er tragen muss, während er für einen Standard-Sprecher nur eine leichte Feder trägt. Du zahlst also mehr für denselben Service.
- Er ignoriert dich: Wenn er zu müde wird, antwortet er einfach auf der Sprache, die er am besten kann – und das ist nicht deine.
Genau darum geht es in diesem wissenschaftlichen Papier von Verena Platzgummer, John McCrae und Sina Ahmadi. Sie untersuchen, wie Künstliche Intelligenz (KI) und große Sprachmodelle (LLMs) mit Sprachen umgehen, die nicht „standardisiert" sind.
Hier ist die Erklärung in einfachen Bildern:
1. Das Problem: Der „Token-Taxi"-Effekt
Stell dir vor, KI-Modelle lesen Text nicht wie Menschen, sondern zerlegen ihn in kleine Puzzleteile, die sie „Tokens" nennen.
- Für Standard-Sprachen (wie Hochdeutsch oder Englisch): Ein Wort wie „Tokenisierung" ist ein großes, sinnvolles Puzzleteil.
- Für Dialekte oder nicht-standardisierte Sprachen: Da die KI diese Wörter nicht kennt, muss sie das Wort in winzige, sinnlose Bruchstücke zerlegen (z. B. in einzelne Buchstaben oder seltsame Silben).
Die Metapher:
Stell dir vor, du willst ein Haus bauen.
- Ein Standard-Sprecher liefert fertige Ziegelsteine.
- Ein Dialekt-Sprecher muss erst jeden einzelnen Ziegelstein aus dem Boden graben, schleifen und formen, bevor er ihn legen kann.
Das kostet mehr Zeit, mehr Energie und mehr Geld. Die Autoren nennen das die „Token-Steuer". Wer Dialekt spricht, zahlt buchstäblich mehr, um dieselbe Information zu erhalten.
2. Die zwei Fallbeispiele: Südtirol und Kurdistan
Die Autoren schauen sich zwei konkrete Beispiele an, um zu zeigen, wie unfair das System ist:
A. Südtiroler Dialekt (Italien)
In Südtirol sprechen die Leute im Alltag oft Dialekt, schreiben aber in offiziellen Dingen Hochdeutsch.
- Das Problem: Die KI-Modelle wurden mit riesigen Mengen an Hochdeutsch trainiert. Der Dialekt ist für die KI quasi unsichtbar. Es gibt keinen offiziellen „Ausweis" (ISO-Code) für den Südtiroler Dialekt, daher wird er von den Datenbanken einfach ignoriert.
- Die Folge: Wenn du der KI einen Dialekt-Text gibst, versteht sie ihn vielleicht oberflächlich, aber sie kann ihn nicht richtig verarbeiten oder in andere Sprachen übersetzen, ohne den lokalen Charakter zu verlieren.
B. Kurdische Sprachen
Kurdisch ist wie ein großer Baum mit vielen Ästen (Dialekten), die sich teilweise verstehen, aber nicht alle gleich sind.
- Das Problem: Die Hauptäste (Nord- und Zentral-Kurdisch) haben etwas mehr Unterstützung. Aber die kleineren Äste (wie Südkurdisch, Hawrami oder Zazaki) sind für die KI komplett unsichtbar.
- Der Hintergrund: Diese Sprachen wurden jahrzehntelang unterdrückt (verboten, nicht in Schulen gelehrt). Es gibt kaum geschriebene Texte im Internet, aus denen die KI lernen könnte. Die KI lernt nur aus dem, was online steht – und da sind diese Sprachen kaum vertreten.
3. Warum passiert das? (Die Ursachen)
Die Autoren sagen: Das ist kein technischer Fehler, sondern ein politisches und historisches Problem.
- Die „Schreiberei"-Voreingenommenheit: KI braucht Text. Aber viele Dialekte werden nur gesprochen. Die KI ignoriert also alles, was nicht auf Papier (oder Bildschirm) steht.
- Die Kolonial-Brille: Die KI wurde von Firmen in Europa und den USA entwickelt. Sie denkt in den Kategorien dieser Länder. Sprachen, die nicht „modern" oder „staatlich anerkannt" sind, gelten für die KI als „fehlerhaft" oder „unwichtig".
- Der Teufelskreis: Weil die KI den Dialekt nicht versteht, nutzen die Leute sie nicht. Weil sie nicht genutzt wird, gibt es keine Daten, um sie zu verbessern. Und weil es keine Daten gibt, versteht sie sie immer noch nicht.
4. Was ist die Lösung?
Die Autoren schlagen vor, dass wir die KI nicht nur technisch verbessern müssen, sondern auch die Art und Weise, wie wir darüber nachdenken:
- Rechenschaftspflicht: Die großen Tech-Firmen (wie Google, Meta) sollten offenlegen, wie schlecht ihre KI mit Dialekten zurechtkommt („Dialekt-Lücke"). Sie sollten dafür belohnt werden, wenn sie das ändern.
- „Nichts über uns ohne uns": Die Communities (die Menschen, die den Dialekt sprechen) müssen die Kontrolle über ihre eigenen Daten haben. Sie sollten entscheiden, wie ihre Sprache in die KI kommt, statt dass die KI einfach alles aus dem Internet „klaut".
- Gemeinsame Arbeit: Linguisten (Sprachforscher) und Informatiker müssen enger zusammenarbeiten. Die Informatiker bringen die Technik, die Linguisten bringen das Wissen über die Kultur und die Nuancen der Sprache.
Fazit
Die Botschaft des Papiers ist klar: KI sollte nicht dazu dienen, die Welt glatt zu schleifen und alle in eine Sprache zu zwingen.
Statt dessen sollte KI wie ein guter Übersetzer sein, der nicht nur die Wörter, sondern auch die Seele, den Humor und die Geschichte einer Sprache versteht. Wenn wir das nicht ändern, droht eine digitale Welt, in der nur noch die „Standard-Sprachen" gehört werden und alle anderen Dialekte und Minderheitensprachen im digitalen Zeitalter stumm werden.
Kurz gesagt: Wir müssen der KI beibringen, dass „anders" nicht „falsch" bedeutet. Sonst verlieren wir einen großen Teil der menschlichen Vielfalt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.