Wiktionary as a Crowdsourced Lexicon for English Dialects

Sprache ist kein einzelner, fester Block; sie ist eine lebendige Landschaft, die sich verschiebt und verändert, je nachdem, wo man steht. Ein Wort, das in London eine bestimmte Bedeutung hat, kann in Auckland etwas völlig anderes bedeuten oder in Mumbai gar nicht existieren. Seit Jahrzehnten verlassen sich die Menschen, die diese linguistischen Territorien kartografieren, auf traditionelle Wörterbücher – Bücher, die von Teams von Experten zusammengestellt wurden, die Jahre damit verbringen zu entscheiden, welche Wörter wichtig genug sind, um aufgenommen zu werden. Doch die Welt der Sprache bewegt sich schneller, als jedes Redaktionsteam Schritt halten kann, insbesondere für die vielen Varietäten des Englischen, die weltweit gesprochen werden. Da Computer und künstliche Intelligen Intelligenz immer häufiger zum Einsatz kommen, wächst der Bedarf, ihnen beizubringen, wie sie diese lokalen Unterschiede verstehen können. Wenn ein Computer nicht zwischen einer neuseeländischen Phrase und einer amerikanischen unterscheiden kann, wird er die Menschen, die sie verwenden, nicht verstehen. Dies schafft ein Problem für die Fairness in der Technologie, da Systeme, die nur auf Standardenglisch basieren, oft Schwierigkeiten mit den reichen, vielfältigen Arten haben, wie Menschen tatsächlich sprechen.

Um dies zu lösen, suchen Forscher nach neuen Wegen, um Sprachdaten zu sammeln, die sowohl umfangreich als auch aktuell sind. Eine vielversprechende Quelle ist das Wiktionary, ein freies Online-Wörterbuch, das von jedem bearbeitet werden kann. Im Gegensatz zu traditionellen Büchern, die von einer kleinen Gruppe bezahlter Experten geschrieben werden, ist das Wiktionary ein Crowdsourcing-Projekt, bei dem Freiwillige aus der ganzen Welt Einträge, Definitionen und Beispiele hinzufügen. Die Frage, die die Forscher stellten, war einfach, aber schwierig: Kann dieses offene, gemeinschaftlich aufgebaute Wörterbuch als zuverlässige Karte für die vielen Dialekte des Englischen dienen? Speziell wollten sie wissen, ob das Wiktionary regionale Wörter ebenso gut abdeckt wie das berühmte Oxford English Dictionary und ob die dort gefundenen Wörter tatsächlich in den echten Gesprächen auftauchen, die Menschen in sozialen Medien führen.

Die Forscher begannen damit, den Inhalt des Wiktionary mit dem Oxford English Dictionary für zwölf verschiedene nationale Varietäten des Englischen zu vergleichen, die von den bekannten britischen und amerikanischen Varietäten bis hin zu Varietäten aus Indien, Kenia und den Philippinen reichten. Sie fanden heraus, dass das traditionelle Wörterbuch zwar bei der Größe für das Standardamerikanische und Britische einen leichten Vorsprung behält, das Wiktionary jedoch für viele andere Regionen tatsächlich mehr Boden abdeckt. Für Varietäten wie das kanadische, irische und australische Englisch enthielt das Wiktionary signifikant mehr Einträge als das traditionelle Wörterbuch. Der Unterschied war noch ausgeprägter bei dem Englisch, das in Ländern außerhalb des traditionellen „inneren Kreises“ englischsprachiger Nationen gesprochen wird. Während das traditionelle Wörterbuch überhaupt keine Einträge für das kenianische oder pakistanische Englisch hatte, verfügte das Wiktionary über hunderte von Einträgen für diese Varietäten. Dies deutet darauf hin, dass das gemeinschaftlich getriebene Modell bemerkenswert gut darin ist, Wörter zu erfassen, die professionelle Redakteure vielleicht übersehen oder noch nicht die Zeit hatten, aufzunehmen.

Um zu testen, ob diese Wörter in der realen Welt tatsächlich verwendet werden, wandte sich das Team an die sozialen Medien. Sie untersuchten Millionen von Beiträgen und Kommentaren aus länderspezifischen Gemeinschaften auf Reddit, einem beliebten Online-Forum. Sie betrachteten diese digitalen Gemeinschaften als Stellvertreter für den geografischen Standort, unter der Annahme, dass Menschen, die in einer neuseeländischen Community posten, wahrscheinlich neuseeländisches Englisch verwenden. Sie prüften dann, ob die in jedem Land im Wiktionary gelisteten Wörter häufig in der entsprechenden Online-Community vorkamen. Die Ergebnisse zeigten eine starke Verbindung. Wenn sie sich die Hauptbeiträge ansahen, die die Menschen schrieben, traten die Wörter, die im Wiktionary zu finden waren, genau dort auf, wo man sie erwartete. Zum Beispiel zeigten Wörter, die spezifisch für Neuseeland sind, am häufigsten in der neuseelländischen Community auf, und Wörter für Indien traten am häufigsten in der indischen Community auf. Diese Übereinstimmung deutet darauf hin, dass das Wiktionary nicht nur eine Liste von Wörtern ist, sondern ein Spiegelbild dessen, wie Menschen in ihrem täglichen digitalen Leben sprechen.

Jedoch zeigte die Studie auch, dass die Art des Textes eine große Rolle spielt. Die Verbindung zwischen dem Wörterbuch und den Social-Media-Daten war sehr stark, wenn man die Hauptbeiträge betrachtete, die die Leute schrieben, wurde sie jedoch viel schwächer, wenn man sich die Kommentare ansah, die sie als Antwort hinterließen. In den Kommentarspalten war die Sprache informeller und oft mit Wörtern aus anderen Sprachen gemischt. Beispielsweise gab es in der neuseeländischen Community einige Wörter, die wie neuseeländisches Englisch aussah, sich aber tatsächlich als häufige Wörter im Tagalog, der Sprache der Philippinen, herausstellten, weil die beiden Sprachen einige ähnliche Schreibweisen teilen. Dies verdeutlichte eine Herausforderung: Während das Wörterbuch nützlich ist, kann die Art und Weise, wie Menschen in schnellen, interaktiven Gesprächen Sprache verwenden, chaotisch sein und durch viele verschiedene Faktoren beeinflusst werden. Die Forscher fanden heraus, dass das Wörterbuch am besten funktionierte, wenn der Text formeller oder strukturierter war, wie etwa ein Hauptbeitrag, und weniger im schnellen Hin und Her eines Kommentarthreads.

Die Studie untersuchte auch genau, wie Wörter gebildet werden. Sie verglichen die Arten neuer Wörter, die im Wiktionary für das neuseeländische Englisch zu finden waren, mit dem traditionellen Wörterbuch. Sie fanden ein sehr hohes Maß an Übereinstimmung in den Mustern, die zur Erstellung dieser Wörter verwendet wurden, wie etwa das Zusammensetzen zweier Wörter oder die leichte Änderung der Bedeutung eines Wortes. Dies deutet darauf hin, dass selbst wenn das Wiktionary von Freiwilligen geschrieben wird, die Art und Weise, wie sie Einträge erstellen, denselben logischen Regeln folgt wie professionelle Linguisten. Die Forscher merkten an, dass das Wiktionary besonders gut darin war, Phrasen und Idiome – Wortgruppen, die gemeinsam eine spezifische Bedeutung haben – aufzunehmen, die in traditionellen Wörterbüchern oft fehlen. Dies macht die Crowdsourcing-Ressource besonders wertvoll für das Verständnis der farbenfrohen, expressiven Seite der Sprache, die formelle Bücher manchmal auslassen.

Letztendlich kommt das Paper zu dem Schluss, dass das Wiktionary ein mächtiges und praktikables Werkzeug für das Verständnis englischer Dialekte ist, insbesondere für Regionen, die historisch unterrepräsentiert in der Sprachtechnologie waren. Es ersetzt nicht die Notwendigkeit professioneller Wörterbücher, sondern ergänzt sie, indem es eine schnellere, inklusivere und aktuellere Sicht darauf bietet, wie sich die Sprache entwickelt. Die Forscher mahnen zur Vorsicht bei der Verwendung dieser Daten, insbesondere beim Umgang mit Online-Gesprächen, in denen verschiedene Sprachen gemischt werden könnten oder in denen der Kontext des Gesprächs die Bedeutung eines Wortes verändert. Aber für das Ziel, faire und genaue Sprachtools zu bauen, die für alle funktionieren und nicht nur für die Mehrheit, bietet dieses offene, gemeinschaftlich aufgebaute Wörterbuch ein entscheidendes Puzzleteil. Es zeigt, dass Menschen, wenn sie zusammenkommen, um ihre eigene Sprache zu dokumentieren, eine Ressource schaffen, die sowohl tiefgreifend genau als auch bemerkenswert breit gefächert ist.