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

この論文は、機械学習を用いてスラウェシ島のオーストロネシア語族基本語彙から非主流語彙を抽出・分析した結果、特定の先オーストロネシア語の単一層の存在は確認されなかったものの、地理的な偏りが見られ、従来の比較言語学的手法を補完する有効なアプローチであることが示されたことを述べています。

要約

言語の「化石」を探す：スラウェシ島の言葉に隠された謎を AI で解き明かす

この研究は、インドネシアのスラウェシ島にある「言葉の化石」を見つけるための、とても面白い実験です。

想像してみてください。スラウェシ島には、オーストロネシア語族（マダガスカルからイースター島まで広がる巨大な言語ファミリー）の言葉が話されています。しかし、その中にある「基本的な言葉（例えば『食べる』『大きい』『噛む』など）」の中に、なぜか**「祖先の言葉（プロト・オーストロネシア語）の形に当てはまらない奇妙な言葉」**が混じっていることに言語学者たちは気づいていました。

「これは、オーストロネシア人が来る前に住んでいた先住民の言葉（基盤言語）の名残ではないか？」
「それとも、それぞれの言語が独自に発明した新しい言葉なのだろうか？」

これまで、この謎を解くには熟練した言語学者が一つ一つ手作業で調べるしかなかったのですが、この論文では**「AI（機械学習）」**を使って、その謎を解こうとしました。

---

1. 実験の舞台：言葉の「お掃除」と「探偵」

研究チームは、まずスラウェシ島の 6 つの言語から 1,357 個の基本的な言葉を集めました。

• ステップ 1：お掃除（ルールベースの除去）
  まず、AI に「オーストロネシア語族の共通祖先から明らかに受け継がれている言葉」や「アラビア語やマレー語からの借用語」を除外するよう指示しました。
  残った「怪しい言葉」が 438 個（全体の約 26%）見つかりました。これが「候補リスト」です。

• ステップ 2：探偵（AI による分析）
  ここが今回のポイントです。AI に「この言葉がオーストロネシア語族かどうか」を教える際、「他の言語との関係性（共通祖先かどうか）」という答えを教えないようにしました。
  代わりに、AI には**「言葉の音の見た目（発音の長さ、音の並び、特定の音の出現頻度）」**だけを教えて、自分で「怪しい言葉」の特徴を見つけさせました。

2. 発見された「音の指紋」

AI は、見事に「怪しい言葉」の共通パターンを見つけ出しました。これを**「音の指紋（フォノロジカル・フィンガープリント）」**と呼んでいます。

この指紋を持つ言葉には、以下のような特徴がありました：

• 長い言葉： 祖先の言葉は通常「2 音節」ですが、怪しい言葉はそれより長い。
• 音がごちゃごちゃしている： 連続した子音（例：「スト」や「クン」のような音の塊）が多い。
• 喉の音が多い： 声門閉鎖音（喉を詰まらせて出す音）が含まれている。
• 接頭辞が少ない： オーストロネシア語特有の「ma-」や「pa-」のような頭の部分がない。

【わかりやすい例え】
オーストロネシア語の基本的な言葉は、まるで**「整然としたレゴブロック」のように、決まった形（2 音節）で組まれています。
一方、この「怪しい言葉」は、「レゴの箱からこぼれ落ちた、形がバラバラで、他の箱（先住民の言語）から拾ってきたようなブロック」**のように見えました。

3. 意外な結末：「共通の祖先」はいなかった？

ここが最も重要な発見です。
「もしこれらが先住民の言葉の名残なら、スラウェシ島の異なる言語同士で、同じ意味の言葉が似ているはずだ（共通の祖先から分かれたはずだ）」と考えられます。

しかし、AI が 266 個の「怪しい言葉」をグループ化して分析したところ、**「全くまとまりがない」**ことがわかりました。

• 言葉のグループ化のスコアはほぼゼロ（ランダムに近い）。
• 同じ意味の言葉でも、言語によって全く違う形をしていた。

【結論の比喩】
これは、**「それぞれの料理人が、同じ『スパイスの味』を好むために、それぞれが独自に新しい料理を作った」ような状況です。
「共通の先祖（先住民の言語）」から受け継がれたのではなく、「それぞれの言語が、似たような理由（文化や必要性）で、独立して似たような『奇妙な形』の言葉を生み出した」**というのが結論でした。

4. なぜこんなことが起きたのか？

研究チームは、この「音の指紋」が単なる偶然ではなく、オーストロネシア語の「音のルール」に反するものだと指摘しています。

• オーストロネシア語のルール： 音はシンプルで、2 音節が基本。
• 怪しい言葉： 音のルールを破っている。

面白いことに、ジャワ島の古い文字（ハナカラカ文字）の研究とも一致しました。昔、インドから来た文字をジャワ人が使ったとき、「オーストロネシア語にない音（息を吐く音や、舌を巻く音など）」を無理やり削ぎ落として、自分たちの音に合うように直した歴史があります。
今回の AI が検出した「怪しい言葉」の特徴は、まさに**「オーストロネシア語の音のルールに合わないもの」**でした。つまり、AI は言語学者の直感を、データで裏付けることに成功したのです。

まとめ：AI は言語学者の「助手」

この研究は、以下のことを示しています：

1. AI は使える： 複雑な言語のデータから、人間が見逃しやすい「音のパターン」を見つけ出すことができる。
2. 「似ている」＝「同じ祖先」ではない： 言葉が似ているからといって、必ずしも共通の祖先がいるわけではない。それぞれの言語が独立して似た変化をすることがある。
3. 新しい視点： 言語学者は、AI が「怪しい」と flagged した言葉を重点的に調べることで、より効率的に言語の歴史を解明できる。

一言で言えば：
「スラウェシ島の言葉には、オーストロネシア語の『制服』を着ていない『私服』の言葉がたくさん見つかった。でも、それらは『同じ家族の服』ではなく、それぞれが『自分好みの服』を自分で作った結果だった」という、言語の進化に関する新しい物語が、AI によって描き出されたのです。

技術概要

論文要約：「Phonological Fossils: Machine Learning Detection of Non-Mainstream Vocabulary in Sulawesi Basic Lexicon」

この論文は、スラウェシ島（インドネシア）のオーストロネシア語族言語における基本語彙を対象に、機械学習を用いて「非主流（非オーストロネシア起源）と推測される語彙」を音韻的特徴のみから検出する手法を提案し、その結果が「単一の先オーストロネシア語基盤（substrate）の残存」を示唆するものではないことを実証した研究です。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題設定と背景

• 背景: オーストロネシア語族（特にスラウェシ島）には、祖語（Proto-Austronesian）への再構築が不可能で、標準的な音韻対応則や二音節語根の構造から逸脱する語彙が多数存在します。
• 従来の仮説: これらの「非適合」語彙は、オーストロネシア人の拡散以前に存在した先オーストロネシア語（基盤言語）の名残であると考えられてきました。
• 課題: しかし、音韻的非適合性が「共通の非オーストロネシア起源」を意味するという仮定は、体系的に検証されたことがありません。また、従来の比較言語学的手法は専門家の深い知識に依存しており、大規模データへの適用が困難です。
• 研究目的: 機械学習を用いて、語彙の「オーストロネシア起源か否か」を、類語（cognacy）データに依存せず、音韻的特徴のみで分類可能か検証し、検出された非主流語彙が本当に単一の基盤言語に由来するかを統計的に評価することです。

2. 手法 (Methodology)

データ

• コーパス: オーストロネシア基本語彙データベース（ABVD）から、スラウェシ島の 6 言語（ムナ、ブギス、マカッサル、ウィリオ、トアラ・サダン、トラキ）の 1,357 語（スワデシュ 210 語のサブセット）を使用。
• ラベル付け:
  • オーストロネシア語（正例）: ABVD の類語コードを持つ語、またはプロト・オーストロネシア再構築と照合して救済された語（919 語）。
  • 候補基盤語（負例/未ラベル）: 上記に該当しない残りの語（438 語）。これらは「真の基盤語」または「欠落した類語データを持つオーストロネシア語」の混在（Positive-Unlabeled 学習問題）とみなされます。

機械学習モデル設計

• 二モデル設計（循環性の回避）:
  • Model A（全特徴量）: 類語データを含む分布特徴量を使用。これはラベル付け基準そのものを反映するため、ほぼ完璧な精度（AUC=1.0）を示しますが、科学的な主張としては「循環的」であり、単なるランキングツールとして機能します。
  • Model B（音韻のみ）: 類語データを一切含まない 27 個の音韻・分布特徴量のみを使用。これが偶然以上の精度を出せば、「音韻的特徴のみで非主流語彙を識別できる」ことを意味します。
• 特徴量エンジニアリング:
  • 語の長さ（音節数）、母音数、語末が母音か、子音クラスターの数、喉音（glottal stop）の有無、オーストロネシア的な接頭辞（ma-, pa-等）の有無、意味領域（動詞、名詞等）など。
  • 形態素分解を行わず、表面の表記（orthography）から直接計算。
• アルゴリズム: XGBoost、Random Forest、Logistic Regression を使用。
• 検証: 5 回交差検証（10 回反復）と、言語を 1 つずつ除外する LOLO（Leave-One-Language-Out）検証。

追加分析

• コンセンサス分析: 規則ベースの抽出（E022）と ML 分類（Model B）の両方で「非主流」と判定された語を特定。
• クラスタリング分析: 検出された高信頼度候補語が、異なる言語間で音韻的に類似した「語族（word families）」を形成しているか検証（Ward 法、DBSCAN、Levenshtein 距離）。
• 地理的拡張: 訓練データ以外の 16 言語（スラウェシ島内およびインドネシア西部・東部）への適用。

3. 主要な結果

音韻的指紋（Phonological Fingerprint）の発見

• 分類精度: Model B（音韻のみ）は、AUC = 0.763（±0.007）の精度でオーストロネシア語と非主流語を区別しました。
• 特徴的な音韻パターン: 非主流候補語は以下の「指紋」を持つ傾向があります。
  1. 長い語形: 平均 2.57 音節（オーストロネシア語は 2.29 音節）。
  2. 子音クラスターの多さ: 標準的なオーストロネシア語の (C)V(C) 構造からの逸脱。
  3. 喉音（glottal stop）の出現率が高い: 表記上の ' や P などの出現。
  4. 接頭辞の欠如: 典型的なオーストロネシア接頭辞（ma-, pa-等）が少ない。
  5. 意味領域: 「動作（ACTION）」動詞が過剰に代表される。
• 頑健性: 表記を IPA に近似変換しても精度は変化せず、語長特徴を除去しても性能は維持されました。

コンセンサスとクラスタリング結果

• 高信頼候補: 規則ベースと ML の両方で一致した「非主流候補」は 266 語（全語の 19.6%）。
• 語族の欠如: これら 266 語を音韻的にクラスタリングした結果、意味のある語族は形成されませんでした（Silhouette score = 0.114、ランダムに近い）。
• クロス言語類似性の欠如: 同じ概念を持つ候補語間の Levenshtein 距離は、ランダムな語の距離と統計的に有意な差がありませんでした（p = 0.569）。
  • 結論: これらの非主流語は、単一の先オーストロネシア言語からの共通継承ではなく、各言語における並行的な独立した革新（parallel independent innovations） である可能性が高いです。

地理的パターン

• スラウェシ島の言語群は、インドネシア西部の言語群に比べて、予測される非主流語の割合が有意に高いことが確認されました（平均 Psub: スラウェシ 0.606 vs 西部 0.393）。

4. 主要な貢献と意義

1. 方法論的革新:

   • 類語データに依存せず、音韻的特徴のみで「非主流語彙」を検出する機械学習パイプラインを確立しました。
   • 「循環的」な特徴量（Model A）と「非循環的」な特徴量（Model B）を分離する二モデル設計により、音韻的特徴自体が持つ信号を明確に実証しました。

2. 理論的制約の提示:

   • 従来の「音韻的非適合性＝共通の基盤言語」という仮説を否定しました。検出された語彙は共通の祖語に由来せず、各言語が独自の過程（接触、意味変化、音韻的侵食など）で生み出した「並行的な革新」である可能性が高いことを示しました。
   • 数詞（「20」「50」）のような形態的に複雑なオーストロネシア語が、誤って「基盤語」の特徴（長さ、クラスター）を模倣して検出されるケース（偽陽性）を特定し、形態的解析の重要性を指摘しました。

3. 歴史的証拠との収束:

   • ジャワ文字（Hanacaraka）がサンスクリットから借用した際、オーストロネシア語に存在しない音韻（送気音、巻舌音など）を排除したという歴史的事実が、本研究で機械学習が検出した「オーストロネシア語の音韻制約」と一致することを示し、モデルの妥当性を裏付けました。

4. 実用的なツール:

   • 比較言語学的手法を代替するものではなく、大規模語彙から専門家の注目を要する「音韻的に異常な語」をスクリーニングする補完的なツールとして機能します。

5. 結論と今後の課題

本研究は、機械学習がスラウェシ島の基本語彙において、オーストロネシア語の標準的な音韻構造から逸脱した語彙を中程度の精度で検出可能であることを示しました。しかし、それらが単一の先オーストロネシア言語の残存であるという証拠は見つかりませんでした。

今後の課題として、

1. 表記から IPA への変換を完全に行うことによる音韻特徴の精緻化。
2. スワデシュ語彙を超えた辞書全体への適用。
3. 高信頼候補（特にトラキ語の動詞）に対する現地調査による実証的研究
   が提案されています。

この研究は、計算言語学と伝統的な比較言語学の融合により、言語接触と基盤言語の解明に新たな視点を提供するものです。