Discovering Conceptual Metaphors Across Topics and Media Types

Das menschliche Denken stützt sich oft auf ein verborgenes Gerüst aus Vergleichen. Wir verstehen komplexe, abstrakte Ideen, indem wir sie auf einfachere, physische Erfahrungen projizieren, die wir gut kennen. Dies ist der Kern der Konzeptuellen Metapherntheorie, einem Rahmenwerk, das nahelegt, dass wir, wenn wir über Dinge wie „Steuern zahlen“ oder „politische Kampagnen“ sprechen, nicht bloß blumige Sprache verwenden; wir entleihen unbewusst die Logik von physischen Objekten, Reisen oder Kämpfen, um die Welt begreifbar zu machen. Wenn ein Sprecher Steuern als eine schwere Last beschreibt, die er tragen muss, rahmt er das Thema als physisches Gewicht ein, was natürlicherweise zu dem Wunsch führt, es abzulegen. Wenn er dieselben Steuern hingegen als eine Investition in eine Gemeinschaft beschreibt, verschiebt sich die Logik vollständig hin zu Wachstum und zukünftiger Rendite. Diese zugrunde liegenden mentalen Landkarten prägen, wie Menschen argumentieren, debattieren und die Realität wahrnehmen, doch sie sind schwer direkt zu erkennen, da sie unter der Oberfläche der alltäglichen Sprache verborgen liegen.

Forscher der University of Colorado Boulder haben einen neuen Weg entwickelt, diese unsichtbaren Landkarten aufzudecken, indem sie tausende von gesprochenen und geschriebenen Wörtern ohne menschliches Eingreifen analysieren. Anstatt Menschen zu fragen, was sie meinen, entwickelte das Team ein Computersystem, das riesige Textsammlungen liest, die spezifischen metaphorisch verwendeten Wörter identifiziert und sie dann basierend auf der tieferen Logik gruppiert, die sie teilen. Das System findet zuerst Wortpaare, bei denen ein Verb auf nicht-wörtliche Weise verwendet wird, wie etwa ein Politiker, der Macht „handhabt“ (wielding), oder eine Wirtschaft, die „abstürzt“ (crashing). Es fragt dann ein großes Sprachmodell, was diese Phrasen über das Problem, die Ursache und die Lösung implizieren, und übersetzt die Metapher damit effektiv in eine klare Aussage der Sichtweise des Sprechers. Schließlich sortiert das System diese Interpretationen in Cluster ein, wendet dabei aber eine strikte Regel an: Es weigert sich, Metaphern zusammenzugruppieren, wenn sie grundlegend verschiedene physische Handlungen beschreiben, selbst wenn sie über dasselbe Thema sprechen. Dies stellt sicher, dass die resultierenden Gruppen echte Ähnlichkeiten in der Art und Weise widerspiegeln, wie Menschen denken, anstatt nur oberflächliche Ähnlichkeiten in den gewählten Wörtern.

Als die Forscher diese Methode auf einen massiven Datensatz von politischen Podcast-Transkripten anwandten, fanden sie deutliche Muster darin, wie linksorientierte und rechtsorientierte Sprecher die Welt rahmen. Die Analyse ergab, dass linksorientierte Gastgeber Informationen, Medienberichte und politische Macht häufig als Waffen konzeptualisieren. Sie verwenden oft Verben wie „zerquetschen“, „handhaben“ oder „ergreifen“, um zu beschreiben, wie diese Kräfte gegeneinander eingesetzt werden. Im Gegensatz dazu diskutierten rechtsorientierte Quellen wirtschaftliche Themen weitaus häufiger als Systeme, die vertikalen Veränderungen unterliegen, wobei sie eine Sprache verwendeten, die suggeriert, dass Dinge steigen oder fallen, oder dass die Wirtschaft eine Struktur ist, die aufgebaut oder abgerissen werden kann. Die Studie zeigte auch, dass linksorientierte Sprecher eher dazu neigten, politische Gewalt durch metaphorische Sprache zu diskutieren, während rechtsorientierte Sprecher sich stärker auf wirtschaftliche Themen konzentrierten.

Das Team testete seine Methode an anderen Themen, darunter Einwanderung, Waffenkontrolle und Abtreibung, um zu sehen, ob es bekannte Denkmuster rekonstruieren konnte. In den Einwanderungsdaten identifizierte das System erfolgreich die lang dokumentierte Metapher von Einwanderern als Parasiten oder Naturkatastrophen und gruppierte Phrasen über das „Überfluten“ von Grenzen oder das „Aussaugen“ von Ressourcen. Es fand auch heraus, dass rechtsorientierte Quellen Einwanderung oft als aktive Invasion oder als eine bekämpfte Krise darstellten, während linksorientierte Quellen unterschiedliche Metaphern verwendeten, um dieselben Ereignisse zu beschreiben. Die Forscher bestätigten, dass diese Gruppierungen nicht zufällig waren; als sie die Häufigkeit dieser Metapher-Cluster nutzten, um die politische Ausrichtung einer Podcast-Episode vorherzusagen, konnte das System zuverlässig zwischen links und rechts unterscheiden. Dies deutet darauf hin, dass die Art und Weise, wie Menschen ihre Metaphern wählen, ein verlässliches Signal für ihr zugrunde liegendes ideologisches Framework ist.

Die Studie behauptet nicht, das Problem der Medienverzerrung gelöst oder jede existierende Metapher gefunden zu haben. Die Forscher räumen ein, dass sich ihre Methode auf automatisierte Werkzeuge stützt, die Fehler machen können, wie etwa die Identifizierung eines wörtlichen Wortes als Metapher oder die Zuordnung einer Phrase zur falschen Kategorie. Sie merken auch an, dass ihre Analyse von Podcasts eine spezifische Auswahl an Kanälen und einen begrenzten Zeitraum abdeckt, sodass die Ergebnisse nicht für alle Medienformate oder Sprecher gelten müssen. Dennoch zeigen die Ergebnisse, dass es möglich ist, unüberwachtes maschinelles Lernen einzusetzen, um die konzeptionellen Strukturen zu kartieren, die den öffentlichen Diskurs leiten. Indem sie offenlegen, wie verschiedene Gruppen die Logik von physischen Objekten, Kräften und Reisen nutzen, um abstrakte Themen zu rahmen, bietet dieser Ansatz einen neuen Weg, um die subtilen, oft unbewussten Arten zu verstehen, mit denen Sprache unsere politische Realität formt.