Phonological Fossils: Machine Learning Detection of Non-Mainstream Vocabulary in Sulawesi Basic Lexicon

Diese Studie kombiniert regelbasierte Kognaten-Subtraktion mit einem maschinellen Lernklassifikator, um in den Grundwortschätzen von sechs Sulawesi-Sprachen nicht-austronesische Substratwörter zu identifizieren, wobei die Ergebnisse zwar eine signifikante Häufung nicht-mainstreamer Formen bestätigen, aber keine Evidenz für eine einheitliche vorgeschichtliche Substratsprache liefern.

Das Wesentliche

Stellen Sie sich die Sprachen der Welt wie einen riesigen, alten Wald vor. Die austronesischen Sprachen (die von Madagaskar bis zu den Osterinseln gesprochen werden) sind wie eine große, gut dokumentierte Baumart, die sich über Tausende von Jahren ausgebreitet hat. Linguisten können die Wurzeln dieser Bäume fast immer zurückverfolgen, bis sie auf einen gemeinsamen „Urahn" (die Ursprache) stoßen.

Aber in Sulawesi (einer Insel in Indonesien) gibt es im Grundwortschatz dieser Sprachen seltsame „Unkraut-Pflanzen". Diese Wörter passen nicht in das Muster der großen Bäume. Sie klingen anders, haben eine andere Struktur und lassen sich nicht mit den bekannten Wurzeln verbinden.

Die große Frage war: Sind diese seltsamen Wörter Überreste einer völlig anderen, alten Sprache, die von den Ausbreitern der austronesischen Sprachen verdrängt wurde (ein sogenanntes „Substrat")? Oder sind sie einfach nur neue Erfindungen der lokalen Sprachen?

Bislang mussten Sprachwissenschaftler diese Wörter einzeln mit der Lupe untersuchen – ein langsamer, mühsamer Prozess. In dieser Studie haben die Forscher einen neuen Weg gewählt: Sie haben einen KI-Scanner gebaut, der nach dem „akustischen Fingerabdruck" dieser Wörter sucht.

Hier ist die einfache Erklärung der Studie, aufgeteilt in drei Teile:

1. Der Detektiv-Algorithmus (Die KI)

Stellen Sie sich vor, Sie haben einen Haufen Wörter. Die Forscher haben zuerst alle Wörter entfernt, die eindeutig zu den bekannten austronesischen Familien gehören (wie das Entfernen von bekannten Unkrautarten). Übrig blieben 438 „verdächtige" Wörter.

Dann haben sie eine KI (eine Art digitaler Detektiv) trainiert. Das Besondere daran: Der Detektiv durfte nicht wissen, welche Wörter zu welcher Familie gehören. Er durfte nur auf das Aussehen und den Klang der Wörter schauen (z. B. wie lang sie sind, wie viele Buchstaben sie haben, ob sie Pausen oder spezielle Laute enthalten).

Das Ergebnis: Die KI hat einen sehr klaren „Fingerabdruck" für diese verdächtigen Wörter gefunden. Sie unterscheiden sich von den normalen Wörtern durch:

• Sie sind länger (wie lange, verschlungene Sätze).
• Sie haben mehr Konsonanten-Haufen (schwierige Lautkombinationen).
• Sie enthalten öfter den Glottisschlag (ein kurzes, hartes „Halt!" im Hals, wie beim Wort „Uh-oh").
• Sie fehlen oft die typischen Vorsilben, die austronesische Sprachen normalerweise haben.

Die KI konnte diese „Unkraut-Wörter" mit einer Genauigkeit von etwa 76 % von den normalen Wörtern unterscheiden. Das ist wie ein Scanner, der erkennt: „Aha, dieses Wort klingt nicht wie ein typischer austronesischer Baum, es sieht aus wie etwas Fremdes."

2. Die große Enttäuschung (Kein gemeinsamer Urvater)

Jetzt kam der spannende Teil. Wenn diese seltsamen Wörter wirklich von einer einzigen, alten, untergegangenen Sprache stammen würden, müssten sie sich untereinander ähneln – wie Geschwister, die vom selben Vater abstammen.

Die Forscher haben die 266 sichersten „Verdächtigen" aus verschiedenen Sprachen der Insel verglichen.
Das Ergebnis war überraschend: Diese Wörter waren sich nicht ähnlich genug, um eine gemeinsame Familie zu bilden. Es gab keine klaren „Wortfamilien".

Die Analogie:
Stellen Sie sich vor, Sie finden in fünf verschiedenen Dörfern jeweils einen seltsamen, fremden Stein.

• Hypothese A (Substrat): Alle Steine stammen aus demselben alten Berg, der unter der Erde liegt.
• Hypothese B (Unabhängige Erfindung): Jeder Dorfbewohner hat sich einfach einen eigenen, seltsamen Stein aus dem lokalen Flussbett geholt, weil ihm der normale Stein nicht gefiel.

Die Studie zeigt, dass Hypothese B wahrscheinlicher ist. Die „seltsamen Wörter" in Sulawesi sind wahrscheinlich keine Überreste einer einzigen alten Sprache, sondern unabhängige Erfindungen jeder einzelnen Sprache. Jede Sprache hat auf ihre eigene Art neue Wörter für Dinge wie „beißen", „binden" oder „werfen" entwickelt, die nicht zum Standardmuster passten. Es ist, als hätte jeder Dorfbewohner sein eigenes, kleines Unkraut gezüchtet, anstatt dass alle dasselbe alte Unkraut geerbt hätten.

3. Warum ist das wichtig?

Die Studie zeigt zwei Dinge:

1. KI ist nützlich: Wir können Computer nutzen, um schnell zu erkennen, welche Wörter in einer Sprache „anders klingen" als der Rest. Das hilft Sprachforschern, ihre Arbeit zu beschleunigen.
2. Vorsicht bei Schlussfolgerungen: Nur weil ein Wort „anders klingt", heißt das nicht automatisch, dass es von einer fremden, alten Zivilisation stammt. Oft sind es einfach nur kreative Neuerungen der lokalen Sprache.

Zusammenfassend:
Die Forscher haben einen digitalen Detektiv gebaut, der die „akustische DNA" von Wörtern in Sulawesi analysiert. Er fand heraus, dass es viele Wörter gibt, die nicht ins Standardmuster passen. Aber statt sie als Beweis für eine große, verlorene alte Sprache zu sehen, deuten die Daten darauf hin, dass jede Sprache diese Wörter einfach selbst erfunden hat. Es ist eine Geschichte über kreative Unabhängigkeit statt über gemeinsame Herkunft.

Technische Zusammenfassung

1. Problemstellung

Die austronesischen Sprachen Südostasiens, insbesondere auf Sulawesi, enthalten einen signifikanten Anteil an Grundwortschatz, der sich nicht auf eine rekonstruierbare Protosprache zurückführen lässt. Diese Formen weichen von der kanonischen zweisilbigen Wurzelstruktur ab und zeigen phonologische Muster, die mit etablierten Lautkorrespondenzen unvereinbar sind.

• Hypothese: Traditionell wird dies als Beweis für ein prä-austronesisches Substrat (eine verdrängte Vorgängersprache) interpretiert.
• Annahme: Es wird angenommen, dass phonologische Nicht-Konformität über verwandte Sprachen hinweg auf eine gemeinsame nicht-austronesische Herkunft hindeutet.
• Lücke: Diese Annahme wurde bisher nicht systematisch computergestützt getestet. Zudem besteht bei der Identifizierung solcher Wörter oft ein Zirkelschluss: Man nutzt Daten zur Verwandtschaft (Kognaten), um Wörter als nicht-verwandt zu klassifizieren, und nutzt diese Klassifizierung dann wieder, um Muster zu finden.

2. Methodik

Die Studie kombiniert regelbasierte linguistische Methoden mit einem maschinellen Lernansatz, um phonologische Muster zu isolieren, die unabhängig von Kognaten-Daten sind.

Datengrundlage

• Korpus: 1.357 lexikalische Formen aus sechs Sprachen Sulawesis (Muna, Bugis, Makassar, Wolio, Toraja-Sa'dan, Tolaki) basierend auf der Austronesian Basic Vocabulary Database (ABVD).
• Labeling (Positive-Unlabeled Learning):
  • Positiv (Vererbte austronesische Wörter): Formen mit ABVD-Kognaten-Codes oder rekonstruierbaren Formen (n=919).
  • Unbekannt/Kandidat (Substrat-Kandidaten): Restformen ohne Kognaten-Zuordnung (n=438). Diese Gruppe enthält echte Substrate, aber auch fehlende Kognaten-Daten.

Zwei-Modell-Design (Zur Vermeidung von Zirkelschlüssen)

Um zu beweisen, dass phonologische Eigenschaften allein ausreichen, wurden zwei Modelle trainiert:

1. Modell A (Baseline): Enthält 31 Merkmale, einschließlich verteilter Kognaten-Daten (z. B. Größe der Kognatenmenge). Dies dient nur als Referenz und erreicht fast perfekte Genauigkeit (AUC ≈ 1,0), da es das Label direkt kodiert.
2. Modell B (Wissenschaftlicher Kern): Trainiert ausschließlich auf 27 phonologischen und semantischen Merkmalen, ohne jegliche Kognaten-Informationen.
   • Merkmale: Wortlänge (Silben/Zeichen), Vokalverhältnis, Vorhandensein von Glottalstopps, Konsonantencluster, Reduplikation, semantische Domäne (z. B. Aktionen), und Sprach-IDs.
   • Algorithmen: XGBoost, Random Forest und Logistische Regression.

Validierung und Analyse

• Cross-Validation: 5-fache geschichtete Kreuzvalidierung (10 Wiederholungen).
• Leave-One-Language-Out (LOLO): Testet die Generalisierbarkeit über Sprachgrenzen hinweg.
• Interpretierbarkeit: SHAP-Werte (SHapley Additive exPlanations) zur Identifizierung der wichtigsten Merkmale.
• Konsens-Analyse: Vergleich der regelbasierten Restform-Identifikation mit den ML-Vorhersagen (Cohen's κ).
• Kluster-Analyse: Prüfung, ob die als Substrat identifizierten Wörter über verschiedene Sprachen hinweg phonologisch ähnliche Wortfamilien bilden (Ward-Clustering, DBSCAN, Levenshtein-Distanz).

3. Wichtige Ergebnisse

Phonologischer „Fingerabdruck"

Das ML-Modell (Modell B) unterscheidet vererbte Wörter von nicht-hauptstromigen Formen mit moderater, aber zuverlässiger Genauigkeit (AUC = 0,763 nach Entfernung von Störvariablen).
Der identifizierte „phonologische Fingerabdruck" für nicht-hauptstromige Wörter zeichnet sich durch folgende Merkmale aus:

• Längere Formen (durchschnittlich mehr Silben).
• Häufigere Konsonantencluster.
• Höhere Rate an Glottalstopps.
• Weniger kanonische austronesische Präfixe.
• Überrepräsentation von Verben der Handlung (ACTION-Semantik).

Konsens und Validierung

• Übereinstimmung: Es besteht eine substanzielle Übereinstimmung zwischen der regelbasierten Methode und dem ML-Modell (Cohen's κ = 0,61).
• Hohe Konfidenz: 266 Wörter wurden von beiden Methoden als hochwahrscheinliche Substrat-Kandidaten identifiziert.
• Robustheit: Die Ergebnisse bleiben stabil bei Umwandlung von Orthographie in approximatives IPA (AUC-Änderung < 0,01) und bei Entfernung von Sprach-IDs als Kontrollmerkmal.

Die entscheidende negative Erkenntnis: Keine gemeinsame Substrat-Sprache

Die wichtigste Erkenntnis der Studie ist das Fehlen einer gemeinsamen etymologischen Wurzel für die identifizierten Kandidaten:

• Keine Wortfamilien: Phonologisches Clustering der 266 Konsens-Kandidaten ergab keine kohärenten Wortfamilien (Silhouette-Score = 0,114).
• Keine signifikante Ähnlichkeit: Ein statistischer Test über die Levenshtein-Distanz hinweg zeigte, dass Wörter für dieselben Konzepte in verschiedenen Sprachen nicht ähnlicher sind als zufällige Wörter (p = 0,569).
• Schlussfolgerung: Die nicht-hauptstromigen Wörter stammen nicht von einer einzigen prä-austronesischen Sprache ab. Stattdessen deuten die Daten auf parallele, unabhängige Innovationen hin (z. B. durch Sprachkontakt, semantische Verschiebung oder phonologische Erosion), die zufällig ein ähnliches phonologisches Profil aufweisen.

Geografische Muster

Die Anwendung des Modells auf 16 weitere indonesische Sprachen bestätigte ein geografisches Muster: Sprachen auf Sulawesi zeigen eine signifikant höhere vorhergesagte Rate an nicht-hauptstromigen Wörtern (Mittelwert P_sub = 0,606) als westlich-indonesische Sprachen (0,393).

4. Bedeutung und Beiträge

1. Methodologischer Durchbruch: Die Studie demonstriert, wie maschinelles Lernen traditionelle komparative Methoden ergänzen kann, um phonologische Anomalien in großen Datensätzen skalierbar zu erkennen, ohne auf tiefes Expertenwissen für jede einzelne Sprache angewiesen zu sein.
2. Entkräftung einer Annahme: Sie widerlegt die Annahme, dass phonologische Nicht-Konformität in verwandten Sprachen automatisch auf ein gemeinsames Substrat hindeutet. Stattdessen wird gezeigt, dass solche Muster auch durch unabhängige Innovationen entstehen können.
3. Konvergente Evidenz: Die computergestützten Ergebnisse korrelieren mit historischen Schriftanpassungen (z. B. die Reduktion des javanischen Hanacaraka-Schriftsystems), die genau die phonologischen Kategorien (Aspiration, Retroflexion) eliminierten, die im austronesischen System fehlen. Dies stärkt die These, dass der gefundene „Fingerabdruck" echte strukturelle Eigenschaften des austronesischen Systems widerspiegelt.
4. Rahmenwerk für zukünftige Forschung: Das vorgestellte Zwei-Modell-Design (Trennung von zirkulären Kognaten-Daten und rein phonologischen Merkmalen) bietet ein Template für die Untersuchung von Substraten in anderen Sprachfamilien und Kontaktsituationen.

Fazit

Die Studie liefert einen starken Beleg dafür, dass maschinelles Lernen in der Linguistik effektiv eingesetzt werden kann, um Schichten nicht-hauptstromigen Wortschatzes zu identifizieren. Gleichzeitig warnt sie davor, phonologische Abweichungen vorschnell als Beweis für eine gemeinsame, verlorene Substratsprache zu interpretieren. Die beobachteten Muster auf Sulawesi sind wahrscheinlich das Ergebnis paralleler Entwicklungen und nicht eines einheitlichen prä-austronesischen Erbes.