Modelling the Diachronic Emergence of Phoneme Frequency Distributions

Dit artikel toont aan dat een stochastisch model van fonologische verandering, aangevuld met aannames over functionele lading en een stabiliserende voorkeur voor een bepaalde inventarisgrootte, kan verklaren hoe statistische regelmatigheden in fonemfrequentieverdelingen en het verband tussen inventarisgrootte en relatieve entropie natuurlijk ontstaan door historische geluidswijzigingen in plaats van door expliciete optimalisatie.

De kern

Het mysterie van de taal-klanken: Waarom sommige klanken vaker voorkomen dan andere

Stel je voor dat elke taal een enorme bibliotheek is. In deze bibliotheek zijn de "boeken" de woorden, en de "letters" die deze woorden vormen zijn de klanken (of fonemen). Sommige letters, zoals de 'a' of de 'e' in het Nederlands, komen heel vaak voor. Andere, zoals de 'x' of 'q', zijn zeldzaam.

Wetenschappers hebben al lang ontdekt dat er een heel specifiek patroon in zit: er is een duidelijke relatie tussen hoeveel verschillende klanken een taal heeft en hoe "chaotisch" of "voorspelbaar" de verdeling van die klanken is. Maar de vraag is: waarom? Is dit een slim ontwerp van de menselijke hersenen om taal efficiënt te maken? Of is het gewoon een toevallig gevolg van hoe talen door de tijd heen veranderen?

In dit artikel nemen twee onderzoekers van de Universiteit van Cambridge je mee op een reis door de tijd om dit mysterie op te lossen. Ze gebruiken een computermodel als een "tijdmachine" om te simuleren hoe talen zich ontwikkelen.

De Proef: Een Digitale Tijdreis

De onderzoekers bouwden een digitale simulatie van een taal. Ze lieten deze taal duizenden keren "veranderen", net zoals echte talen dat doen door de eeuwen heen. Ze keken naar drie soorten veranderingen:

1. Het splitsen: Een klank splitst zich in twee nieuwe klanken (zoals een boomtak die in tweeën breekt).
2. Het samenvoegen: Twee klanken smelten samen tot één (zoals twee riviertjes die één grote rivier vormen).
3. Het verplaatsen: Een klank verandert in een bestaande andere klank.

Ze startten met drie verschillende versies van hun simulatie, alsof ze drie verschillende regels voor hun tijdmachine hadden:

1. De Eenvoudige Versie (De "Dwaze" Simulatie)

In deze versie was alles willekeurig. Elke klank had evenveel kans om te veranderen, en er was geen regel voor hoeveel klanken een taal mocht hebben.

• Het resultaat: Het patroon van veelvoorkomende en zeldzame klanken leek wel op echte talen. Maar er was een groot probleem: de relatie tussen het aantal klanken en de verdeling was precies omgekeerd van wat we in de echte wereld zien. Alsof de simulatie dacht dat talen met meer klanken juist minder gevarieerd waren, terwijl het tegenovergestelde waar is.

2. De Versie met "Belang" (Functionele Last)

De onderzoekers dachten: "Misschien vergeten we iets belangrijks." In de echte wereld zijn sommige klanken belangrijker dan andere. Als je een klank verwijdert die heel veel woorden onderscheidt (zoals 'p' en 'b' in 'pot' en 'bot'), dan verwar je mensen. Dat noemen ze een hoge "functionele last".
Ze pasten het model aan: zeldzame klanken kregen nu meer kans om te verdwijnen of te veranderen, omdat ze minder "belangrijk" leken.

• Het resultaat: De verdeling van de klanken zag er nog steeds goed uit, maar het grote probleem (de verkeerde relatie tussen aantal en variatie) bleef bestaan. Het was alsof je een auto met een slechte motor probeerde te repareren door alleen de lak te poetsen.

3. De Versie met een "Ideale Grootte" (De Stabilisatie)

Hier kwamen ze op het echte idee. In de echte wereld hebben talen niet oneindig veel klanken, en ook niet maar twee. De meeste talen zitten ergens in het midden (rond de 30 tot 40 klanken). Er is een soort ideale grootte waar talen naartoe neigen.
Ze voegden een regel toe aan hun simulatie: als een taal te veel klanken heeft, is de kans groter dat ze er een verliezen. Als ze te weinig hebben, is de kans groter dat ze er een nieuwe krijgen. Het is alsof een ballon die te groot wordt, automatisch wat lucht verliest, en een te kleine ballon wat extra lucht krijgt om op te blazen.

• Het resultaat: Klaar! Plotseling zag de simulatie er precies uit als de echte wereld.
  • Het patroon van veelvoorkomende en zeldzame klanken klopte.
  • De vreemde relatie tussen het aantal klanken en de variatie was nu negatief, precies zoals bij echte talen.

De Grote Leerervaring: Toeval vs. Slim Ontwerp

Wat betekent dit nu voor ons?

Stel je voor dat je een bak met gekleurde balletjes hebt. Je wilt dat de verdeling van kleuren eruitziet als een specifiek kunstwerk.

• De oude theorie zei: "De maker van de taal is slim. Hij heeft bewust de balletjes zo verdeeld om de taal perfect en efficiënt te maken."
• De nieuwe ontdekking van deze paper zegt: "Nee, je hoeft niet zo slim te zijn. Als je gewoon de balletjes een tijdje laat schudden (tijdsverloop) en je zorgt dat de bak niet te groot of te klein wordt (stabilisatie), dan ontstaat dat kunstwerk vanzelf."

De onderzoekers concluderen dat de complexe patronen in onze talen misschien niet het resultaat zijn van een bewuste, slimme optimalisatie door onze hersenen. In plaats daarvan zijn het bijwerkingen van de natuurlijke, willekeurige veranderingen die talen ondergaan, zolang ze maar binnen een redelijke grootte blijven.

Het is alsof je een dorp ziet dat perfect gebouwd lijkt voor het verkeer. Je zou denken dat een architect het zo heeft ontworpen. Maar misschien is het gewoon ontstaan doordat mensen eeuwenlang gewoon paden hebben aangelegd waar het handigst was, zolang het dorp maar niet te groot werd. De "perfectie" is een epifenomeen – een mooi neveneffect van de dynamiek, geen bewuste planning.

Kortom: De taal is misschien niet zo slim als we dachten, maar de manier waarop hij evolueert, is verrassend genoeg slim genoeg om die patronen vanzelf te creëren.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Modelling the Diachronic Emergence of Phoneme Frequency Distributions" van Moscoso del Prado Martín en Salhan, in het Nederlands.

Probleemstelling

Fonemische frequentieverdelingen tonen robuuste statistische regulariteiten over talen heen, zoals exponentiële staarten in rang-frequentiepatronen en een negatieve correlatie tussen de grootte van het fonemisch inventaris (PIS) en de relatieve entropie van de verdeling. Hoewel deze patronen goed gedocumenteerd zijn, blijft hun oorsprong grotendeels onverklaard. Bestaande theorieën, zoals de "Compensatiehypothese" (Hockett, 1955; Martinet, 1955), suggereren dat deze patronen het resultaat zijn van expliciete optimalisatie of compensatiemechanismen binnen het taalsysteem (bijv. een balans tussen complexiteit en informatie-inhoud). De auteurs stellen echter de vraag of deze patronen in plaats daarvan epifenomenen kunnen zijn: onbedoelde bijwerkingen van de historische (diachrone) processen die fonologische systemen vormen, zonder dat er sprake is van een bewuste optimalisatie.

Methodologie

De auteurs introduceren een stochastisch model om de diachrone evolutie van fonemische inventarissen te simuleren, gebaseerd op de typologie van fonologische veranderingen van Hoenigswald (1965). Het model behandelt tijd als een discrete reeks van veranderingen ($c_\tau$) die de waarschijnlijkheidsvector van fonemen ($p_\tau$) en de inventarisgrootte ($V_\tau$) beïnvloeden.

De drie basistypen van verandering:

1. Primaire splitsing (Primary split): Een deel van de waarschijnlijkheidsmassa van een fonem $\pi_i$ wordt overgeheveld naar een bestaand fonem $\pi_j$. De inventarisgrootte blijft gelijk (tenzij $\alpha_\tau=1$, dan verdwijnt $\pi_i$).
2. Secundaire splitsing (Secondary split): Een nieuw fonem $\pi_{V_\tau+1}$ wordt gecreëerd door $\pi_i$ te splitsen. De inventarisgrootte neemt toe.
3. Onvoorwaardelijke fusie (Unconditioned merger): Twee fonemen $\pi_i$ en $\pi_j$ smelten volledig samen tot één fonem. De inventarisgrootte neemt af.

Het model werd getest in drie incrementele simulaties met toenemende complexiteit:

• Simulatie 1 (Naïef model): Alle veranderingstypen hebben gelijke kansen ($1/3$). Fonemen worden willekeurig en uniform geselecteerd voor verandering.
• Simulatie 2 (Functional Load): Er wordt rekening gehouden met de "Functional Load Hypothesis". Minder frequente fonemen (die een hogere 'surprisal' hebben) worden vaker geselecteerd om te fuseren of te verdwijnen, terwijl frequentere fonemen vaker als 'ontvanger' van massa dienen.
• Simulatie 3 (Centrale neiging): Het model uit Simulatie 2 wordt aangevuld met een stabiliserende neiging naar een optimale inventarisgrootte ($\mu$). De kansen op splitsing ($P(s)$) en fusie ($P(m)$) worden dynamisch aangepast afhankelijk van hoe ver de huidige grootte $V_\tau$ van de ideale grootte $\mu$ afwijkt (geïmplementeerd via exponentiële functies).

Belangrijkste Bijdragen

1. Generatief Model: Het ontwikkelen van een stochastisch model dat fonologische verandering simuleert als een herverdeling van waarschijnlijkheidsmassa, zonder a priori aannames over markering of optimalisatie.
2. Onderzoek naar Epifenomenen: Het testen van de hypothese dat macroscopische statistische patronen (zoals de negatieve correlatie tussen PIS en entropie) kunnen ontstaan als natuurlijke bijwerkingen van eenvoudige diachrone dynamieken, in plaats van het resultaat van complexe compensatiemechanismen.
3. Rol van Stabilisatie: Het aantonen dat een "centrale neiging" (central tendency) naar een voorkeursgrootte van het inventaris essentieel is om empirisch realistische verdelingen te genereren.

Resultaten

• Simulatie 1 (Naïef): Het model genereerde rang-frequentiepatronen die visueel leken op empirische data (exponentiële staarten). Echter, het resulteerde in een positieve correlatie tussen PIS en relatieve entropie (tegenstrijdig aan de werkelijkheid) en een onbeperkte groei van de variatie in inventarisgrootte (random walk zonder grenzen).
• Simulatie 2 (Functional Load): Het invoeren van bias op basis van frequentie (functional load) verhoogde de variabiliteit en veroorzaakte een "rich-get-richer" effect, maar loste het fundamentele probleem niet op: de correlatie tussen PIS en entropie bleef positief en onrealistisch.
• Simulatie 3 (Met Centrale Neiging): Dit model slaagde erin om beide empirische patronen te reproduceren:
  1. Realistische rang-frequentieverdelingen met exponentiële staarten.
  2. Een negatieve correlatie tussen PIS en relatieve entropie (Pearson's $r = -0.12$), wat overeenkomt met de waarnemingen in echte talen.
  3. Een gestabiliseerde inventarisgrootte die binnen een realistisch bereik blijft, in plaats van als een onbeperkte random walk te gedragen.

Betekenis en Conclusie

De studie concludeert dat de statistische regulariteiten van fonologische systemen, inclusief de schijnbare "compensatie" tussen inventarisgrootte en entropie, niet noodzakelijk het resultaat zijn van expliciete optimalisatieprocessen of compensatiemechanismen. In plaats daarvan kunnen deze patronen ontstaan als epifenomenen uit de interactie tussen stochastische klankverandering en een stabiliserende neiging naar een voorkeursgrootte van het inventaris.

Dit heeft belangrijke implicaties voor de linguïstische theorie: het suggereert dat wat eruitziet als een geoptimaliseerd, functioneel evenwicht, in feite een natuurlijk gevolg kan zijn van de historische dynamiek van taalverandering. Het model biedt een generatieve verklaring voor macroscopische patronen zonder de noodzaak van complexe microscopische compensatieregels.